共查询到14条相似文献，搜索用时 593 毫秒
1.
建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。 相似文献
2.
自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度 4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。 相似文献
3.
近年来,城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象,因此基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用。本文基于U-Net网络模型,使用美国马萨诸塞州建筑物数据集,对网络模型结构进行探究,提出了一种激活函数为ELU、“编码器-特征增强-解码器”结构的网络模型FE-Net。实验首先通过比较不同网络层数的U-Net5、U-Net6、U-Net7的建筑物提取效果,找到最佳的基础网络模型U-Net6;其次,基于该模型,加入特征增强结构得到“U-Net6+ReLU+特征增强”的网络模型;最后,考虑到ReLU容易产生神经元死亡,为优化激活函数,将激活函数替换为ELU,从而得到网络模型FE-Net（U-Net6+ELU+特征增强）。比较3个网络模型（U-Net6+ReLU、U-Net6+ReLU+特征增强、FE-Net（U-Net6+ELU+特征增强））的建筑物提取结果,表明FE-Net网络模型的建筑物提取效果最好,精度放松F1值达到97.23%,比“U-Net6+ReLU”和“U-Net6+ReLU+特征增强”2个网络模型分别高出0.36%和0.12%,且与其他具有相同数据集的研究成果比较,具有最高的提取精度,它能较好地提取出多尺度的建筑物,不仅对小尺度建筑物有较好的提取效果,而且能大致、较完整地提取出形状不规则的建筑物,有相对更少的漏检和错检,较准确地实现了端到端的建筑物提取。 相似文献
4.
针对天绘一号卫星高分辨率影像,采用面向对象分类方法对怀柔水库区域进行水体信息提取,在多尺度分割的基础上,统计地物的光谱信息、形状因子和亮度均值等,建立水体信息的特征集,充分利用高分辨率的特点提取水体信息,同时选取了参数相近的SPOT和RapidEye两幅国外高分影像进行对比研究,使用相同方法进行水体提取,对实验过程和结果进行了对比分析。针对提取结果,采用野外采样和矢量图分析两种方法综合进行精度评价,根据采样数据得到的精度分别为96.97%,95.45%,92.42%,分析实验结果的矢量图,其中天绘影像水体提取面积为5 537 412.5㎡,SPOT影像为5 398 225㎡,RapidEye影像为5 053 262.5㎡,对实际水域的面积覆盖分别达到了101.40%,98.85%,92.54%,天绘影像的整体精度较高,但在细节表现上较为模糊,主要误差来自于对湿地的误分。实验制定了适用于天绘影像的水体提取方法和规则,分析不同因素对分割与分类结果的影响,同时,我们比较了天绘影像与国外同级别高分影像的优劣性,为天绘影像的进一步应用提供了参考。 相似文献
5.
面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。 相似文献
6.
针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。 相似文献
7.
基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究 总被引：1，自引：0，他引：1
由于季节性的植被动态和水文波动,湿地遥感影像分类常常比较困难。本文采用优化特征空间的随机森林算法（Random Forest）对吉林省白城市通榆县东部地区预处理后的GF-2影像进行湿地分类研究,具体分为2步：① 对研究区遥感影像进行多尺度分割和对象特征的提取。针对一些学者获取最佳分割尺度时仍受主观因素影响较大的情况,本文通过改进全局最优分割方法来获得最佳分割尺度。② 在最优分割的基础上,基于特征重要性对随机森林分类算法的特征空间进行优化,以得到最佳的随机森林分类结果,并与相同条件下（同数据、同分割尺度、同训练样本,同特征空间）的K-NN、SVM、CART 3种算法以及未优化特征空间的RF算法的分类结果进行了比较。结果表明,基于优化特征空间的RF算法的分类结果总精度和Kappa系数分别为93.038%和0.9177,而K-NN、SVM和CART 3种分类算法的分类结果的总精度分别为83.357%、78.068%、77.136%,未优化特征空间的RF算法分类结果总精度为90.937%。相较于K-NN、SVM、CART 3种分类算法,RF算法在GF-2湿地影像数据中具有更好的分类性能,同时优化特征空间的RF算法精度有所提高,在湿地资源管理中可以发挥非常重要的作用。 相似文献
8.
传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进：① 在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;② 在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;③ 在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到87.3%、90.2%、88.4%、96.4%,均高于UNet-EF、FC-Siam-conc、Siam-DeepLabv3+网络和N-Siam-DeepLabv3+网络,检测结果较为完整,对边界的检测也更为平滑,且对尺度变化具有更高的鲁棒性。 相似文献
9.
在复杂地表环境下的多云多雨地区,基于合成孔径雷达（SAR）图像提取水体时容易受到其它地物如水田、山体阴影等干扰,传统的灰度阈值法和SVM法未能考虑水体与其它地物在纹理和地形上的差异,因此水体提取结果精度较差。研究首先用Refined Lee滤波对SAR图像进行预处理;其后通过DEM建模和坡度计算提取地形特征,通过计算图像灰度共生矩阵以提取纹理特征（包括均匀性、角二阶矩和熵）,并结合SAR图像极化信息以及SDWI指数形成针对水体提取的特征空间,通过融合地形特征和图像纹理特征发展了改进SVM 分类法的水体提取模型。在使用Sentinel-1 SAR数据对所发展模型与SDWI水体指数法、传统SVM法水体提取结果进行比对后发现,改进SVM分类法提取的水体结果较好地剔除了水田和山体阴影,且提取的水体水面比传统的SVM法更加完整;该方法在总体精度、Kappa系数、漏分率和错分率指标上均优于SDWI法和传统的SVM法,总体精度达到98.06%,比SDWI法和传统的SVM法分别提高了23.24%和5.49%,有效提高了复杂环境下地表水体的提取精度。研究最后将所发展模型应用于2018年马哈韦利河流域逐月水体提取与变化分析,有效解决了山体阴影和水田误分问题。本文提出的改进SVM法可以实现复杂地表环境下大范围水体信息准确、完整提取。 相似文献
10.
在高分辨率遥感影像中提取建筑物轮廓是地区基础建设信息统计的一项重要任务。适应性较强的深度学习方法已在建筑物提取研究中取得较大进展,受网络模型对影像特征表达的局限性,存在局部建筑轮廓边缘模糊的问题。本研究提出一种基于注意力的U型特征金字塔网络（AFP-Net）可以聚焦高分遥感影像中不同形态的建筑物结构,实现建筑物轮廓的高效提取。AFP-Net模型通过基于网格的注意力阀门Attention Gates模块抑制输入影像中的无关区域,凸出影像中建筑物的显性特征;通过特征金字塔注意力Feature Pyramid Attention模块增加高维特征图的感受野,减少采样中的细节损失。基于WHU建筑物数据集训练优化AFP-Net模型,测试结果表明AFP-Net模型能够较清晰地识别出建筑物轮廓,在预测性能上有更好的目视效果,在测试结果的总体精度和交并比上较U-Net模型分别提高0.67%和1.34%。结果表明,AFP-Net模型实现了高分遥感影像中建筑物提取的结果精度及预测性能的有效提升。 相似文献
11.
建筑物是城市环境中的主要地物类型,从高分影像等数据中自动提取建筑物对于提升土地利用变化检测、城市规划与土地执法等业务的质量与效率具有重要意义。本文针对现有建筑物提取方法存在的边界提取不精确的问题以及采用手工特征表达图像信息的局限性,融合LiDAR数据与高分影像两种数据源的特征信息,提出一种基于SegNet语义模型的建筑物提取新方法。首先,对LiDAR数据预处理得到数字表面模型（DSM）、数字地形模型（DTM）、归一化数字表面模型（nDSM）,利用高分影像NDVI值去除nDSM中部分树木点,得到结果影像nDSM_en;其次,分别获取LiDAR数据回波强度、表面曲率以及高分影像NDVI值 3个特征构建特征图像训练SegNet语义模型,利用训练得到的模型完成建筑物初始提取;最后,采用阈值法分割nDSM_en得到影像对象,利用影像对象约束建筑物初始提取结果,完成建筑物精提取。在以ISPRS 官方提供的标准数据集（数据采集的地理区域为德国Vaihingen,采集时间2008年7—8月）为样本的实验中,本文方法在像素层次的平均查全率、平均查准率和提取质量分别为96.4%、94.8%和91.7%;针对面积大于50 m 2的建筑物对象,上述3个指标均为100%。实验结果表明：本文提出与实现的建筑物提取方法更好地利用了反映建筑物与非建筑物本质差异的特征信息,有效地实现了2种数据源的相对优势互补,提高了建筑物的检测与提取精度。 相似文献
12.
面向对象的极高海拔区水体及冰川信息提取——以珠穆朗玛峰国家级自然保护区核心区为例 总被引：2，自引：0，他引：2
极高海拔地区多为河流发源、冰川发育地,由于地形起伏强烈,且野外考察验证工作困难,传统的遥感信息提取方法很难保证该地区水体及冰川的提取精度。本文基于ASTER影像,运用面向对象的图像信息自动分析方法,对珠穆朗玛峰国家级自然保护区核心区的水体及冰川信息进行了提取研究。为保证信息提取的准确度,将数字高程模型(DEM)及其衍生数据(坡度、坡向),归一化植被指数(NDVI)数据,及有助于区分水体、冰川与其他地物的相关指数(冰雪指数NDSII)及波段运算结果(b1-b3)、(b3/b4)等,分别作为一个波段叠加到原始图像中,使之成为对目标地物光谱特征的有益补充。并对不同类型的水体及冰川进行多级、多尺度分割,以满足其对分割尺度的不同要求。分割完成后,综合考虑目标地物的光谱特征、纹理特征、空间结构特征,根据各特征指数的直方图信息,设定合适的阈值,建立了各水体及冰川类型信息提取的知识规则,并结合实地调查对信息提取的精度进行验证,改进了ASTER遥感影像自动快速提取极高海拔区水体及冰川信息的实用模型。 相似文献
13.
针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。 相似文献
14.
城镇用地信息是联合国2030年可持续发展议程关注的重点之一。城市在世界范围内迅速扩张,快速准确地获取城镇用地信息对于政府决策具有重要作用。城镇土地覆盖信息非常复杂,包括人工建筑、树木、草地、水体等多种地表覆盖类型。基于传统人工测绘获取城镇用地信息费时费力并且难于及时更新。Landsat等遥感卫星数据为城镇用地信息提取提供了丰富的数据源。基于卫星遥感数据提取的城镇用地信息可以为未来城市的建设和管理提供基础的科学决策数据。基于监督分类方法和卫星遥感数据可快速地提取城镇用地信息,然而特征变量的选择对于高精度城镇用地信息提取尤为重要。为研究不同特征变量组合对于城镇用地信息提取的影响,以北京市为研究区,以2017年7月10日获取的Landsat 8 OLI影像为数据源,通过数据预处理、纹理提取、独立成分分析、主成分分析等得到4个维度的29个特征,选取了7种特征组合方案进行城镇用地提取。考虑随机森林算法性能稳定,分类精度高和可以方便进行特征重要性评价等优点,选择其作为监督分类算法以提取城镇用地信息,并进行了精度评定,以确定最优的城镇用地提取特征组合。研究发现：综合利用光谱特征和独立成分分析后的影像特征,提取城镇用地的总体精度为93.1%,Kappa系数为0.86,优于利用其他特征的提取结果;基于随机森林算法对数据进行训练后输出的各变量的归一化变量重要性与特征均值的标准差结果存在相似性,利用随机森林算法的变量重要性估计与特征均值折线图都可以进行变量重要性评价。 相似文献