高分辨率遥感图像

摘要： 在高分辨率遥感影像解译中,舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题,本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information,RSI-CenterNet)的多方向遥感舰船目标检测方法。首先,基于关键点检测网络,在检测阶段添加目标角度回归分支,以预测目标方向;其次,添加语义分割分支,并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息;最后,引入注意力模块,以强化目标显著区域与通道的特征,提升检测精度。实验结果表明,与其他多种先进方法相比,本文方法具有更高的检测精度与检测速度,在高分辨率船舶数据集(High Resolution Ship Collections 2016,HRSC2016)上的平均精度达到88.31%,检测速度达到17.8 FPS。

摘要： 高分辨率遥感图像分类是当前一个研究热点,基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域,但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构,将Deeplab的空洞卷积金字塔结构替换成密集连接结构,以提高信息利用率且增强模型的泛化能力,并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明,Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点,验证了本模型的有效性。

摘要： 由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框;引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度;使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。

摘要： 深度卷积神经网络对高分辨率遥感影像进行语义分割时,对图像的下采样会造成物体边缘模糊,使分割结果在边缘附近划分不清晰,误分类较多。通过在网络中增加边缘信息可以提升模型对遥感图像的分割能力。因此,提出了一个用于语义分割的双路网络模型,增加一路边缘网络学习目标的边缘特征,并利用边缘特征对分割特征进行细化。同时,作为一个多任务学习模型,分割网络和边缘网络可以同时进行训练。本文在ISPRS Potsdam和ISPRS Vaihingen数据集上证明了双路网络模型的有效性,对比多种语义分割模型,均取得了领先的效果。

摘要： 针对目前深度卷积神经网络(Convolutional Neural Network,CNN)在遥感图像建筑物提取上存在小目标漏分、被遮挡目标无法提取、细节缺失等问题,在生成对抗网络(Generative Adversarial Network,GAN)的基础上提出一种基于多尺度条件生成对抗网络(Multi-Scale Conditional Generative Adversarial Network,MSR-cGAN)的城市建筑物提取方法.该方法包括生成网络和对抗网络两个部分,在生成网络中加入循环残差卷积模块和注意力门限跳跃连接机制,增强模型的特征提取能力;在对抗网络中引入通道注意力的特征融合,使网络提取丰富的上下文信息,应对目标尺度变化,改善小目标分割效果.在实验过程中,对Inria Aerial Image Labeling建筑物提取数据集进行实验并与多种方法进行比较,结果表明,所提出的方法具有更高的目标分割准确率,对小目标与被遮挡目标取得了较好的分割效果.在训练数据有限、背景复杂多样、尺度变化较大的建筑物提取中分割准确率分别达到96.18%,表明提出的方法可应用于复杂的高分辨率遥感图像建筑物提取.

摘要： 针对高分辨率遥感图像建筑物分割方法存在分割完整度低和模型参数量大的问题,提出一种轻量化的编码器-解码器结构网络LED-Net (lightweight encoder decoder network)。编码器使用带有通道注意力机制的残差网络,使得网络充分提取图像的特征信息;解码器使用轻量化的数据依赖上采样模块,增加建筑物分割完整度,减少模型参数量。使用INRIA Aerial Image与Massachusetts Buildings数据集对该算法进行实验,LED-Net相较DeepLabV3+、Building-A-Net等模型,减少了模型参数量,提升了分割精确度及预测图中建筑物的整体和边缘分割完整度。

摘要： 随着传感器技术的进步,遥感影像分辨率不断提高,高分辨率遥感影像的变化检测技术已经成为遥感领域的研究重点。传统的中低分辨率影像变化检测方法无法在高分辨率影像中取得较好的检测结果。提出了一种基于超像元全连接条件随机场的高分辨率遥感影像变化检测模型,用以提升高分辨率遥感影像变化检测精度。该方法通过变化矢量分析(CVA)产生差分影像;对差分影像进行超像素分割,得到超像元差分影像;构建超像元全连接条件随机场模型并利用图割算法进行推理获得二值变化图。实验结果表明,所提出的方法提高了高分辨率遥感图像变化检测的精度。

摘要： 遥感图像语义分割是指通过对遥感图像上每个像素分配语义标签并标注,从而形成分割图的过程,在国土资源规划、智慧城市等领域有着广泛的应用。高分辨率遥感图像存在目标大小尺度不一与阴影遮挡等问题,单一模态下对相似地物和阴影遮挡地物分割较为困难。针对上述问题,提出了将IRRG(infrared、red、green)图像与DSM(digital surface model)图像融合的遥感图像语义分割网络MMFNet。网络采用编码器-解码器的结构,编码层采用双输入流的方式同时提取IRRG图像的光谱特征和DSM图像的高度特征。解码器使用残差解码块(residual decoding block,RDB)提取融合后的特征,并使用密集连接的方式加强特征的传播和复用。提出复合空洞空间金字塔(complex atrous spatial pyramid pooling,CASPP)模块提取跳跃连接的多尺度特征。在国际摄影测量与遥感学会(international society for photogrammetry and remote sensing,ISPRS)提供的Vaihingen和Potsdam数据集上进行了实验,MMFNet分别取得了90.44%和90.70%的全局精确度,相比较与DeepLabV3+、OCRNet等通用分割网络和CEVO、UFMG_4等同数据集专用分割网络具有更高的分割精确度。

摘要： 遥感图像语义分割是为遥感图像分配像素级语义标签的计算机视觉任务。随着传感器技术以及深度学习的发展,深度学习算法在精度与速度上远超传统算法。其中,基于深度学习的高分辨率遥感图像语义分割的算法成为众多学者的主要研究方向之一。本文主要针对深度学习在遥感图像语义分割中的相关算法以及网络结构进行介绍。首先介绍语义分割CNN网络,其次分别从三个方面对高分辨率遥感图像语义分割算法进行阐述:一是结合多尺度、多阶段、上下文聚合策略,二是在语义分割之后采用后处理技术,三是结合注意力机制。随后介绍经典数据集,最后对未来深度学习在高分辨率遥感图像语义分割中的算法的发展进行总结与展望。

摘要： 针对传统深度卷积神经网络遥感图像分类方法需要不断进行试错,花费相关专家大量时间和计算资源的问题,提出了一种基于神经网络架构搜索的遥感图像分类方法.首先搜索最优单元(cell),再以预定义的方式堆叠该最优单元得到目标网络.其中该方法将离散的网络架构表达连续化,从而可以使用梯度下降的方法在离散的搜索空间内进行搜索,实现其高效性.为了提高其精确性,该方法还对目标网络在训练集上进行重新训练.实验结果表明,在实验测试集上测试用时4 h训练所得模型分类准确率达到了88.57％,说明了该方法的高效性以及高精确性.

摘要： 随着遥感技术的快速发展,高分辨率遥感图像数据急剧增加,如何从海量的遥感图像数据中提取有效的语义描述信息具有重要的研究价值.然而,现有方法通常忽略遥感图像中的细节特征,从而导致图像的重要内容不能被语义信息准确描述.针对上述问题,本文提出了一种基于注意力机制的门控循环单元(Attention based Gated Recurrent Unit,Att-GRU)模型,并将该模型应用于高分辨率遥感图像的语义描述.首先,利用卷积神经网络提取高分辨率遥感图像的全局特征;然后在门控循环单元网络中引入注意力机制,以捕捉遥感图像中的细节视觉特征;最后,将图像视觉特征和描述文本特征共同作为Att-GRU模型的输入,以保证描述文本和图像内容的语义一致性,最终生成具有丰富语义内容的高分辨率遥感图像描述文本.实验结果表明,本文提出的模型在高分辨率遥感图像语义描述方面取得了较好的效果.

摘要： 为适应高分辨率遥感图像应用需求,本文提出了一种面向语义场景理解的高分辨率遥感图像变化分析方法.首先,从图像语义目标的视觉表征出发,分析高分辨率遥感图像语义信息表征方法,并以复杂场景语义理解为目的,基于图模型理论构建典型地物目标对象语义关系网;其次,基于半监督学习方法,充分利用少量已标注样本和大量未标注样本,在语义信息主动传递的基础上实现复杂场景下目标语义标注;最后,面向认知理解,通过目标物理层变化信息与语义层次变化信息结合,实现对变化信息的语义层精细化解译,提升高分辨率遥感图像变化分析的应用价值.多个高分辨率遥感实验数据集上的实验分析验证了本文所提出的变化分析方法的有效性和应用前景.

摘要： 高分辨率遥感图像的信息解译是当前研究的热点,通常的思路是从特定类型目标的检测与识别分析入手,最终实现图像场景的认知理解,不适于对港口、机场、油库等有明确语义的局部图像场景的快速识别.本文在梳理图像场景语义识别有关概念与方法的基础上,给出了一种利用CSIFT特征的遥感图像视觉特征表示方法和基于PLSA的遥感图像场景语义识别方法,并利用10类典型遥感图像场景进行的实验充分验证了该方法的有效性.

摘要： 随着遥感图像空问分辨率的提高，遥感图像中蕴含了丰富的地物信息。高分辨率遥感图像中道路上的车辆也成为越来越清晰的对象，这就提供了更多的交通信息，是交通规划与管理所需的交通流数据很好的来源。利用遥感图像提取道路上的车辆对象，可以测量路段车流密度，加上时问轴，还可以提取交通流量等数据。因此高分辨率卫星遥感给城市交通信息采集带来了新的思路。具体来说，遥感图像作为交通信息的数据来源具有观察范围广，易更新，周期短等优势。利用遥感图像为交通信息源可以更好的满足交通信息服务的范围广、准确、实时的要求，缩短更新时问。针对高分辨率卫星影像进行车辆信息采集的研究还很少，且主要针对车辆稀疏的道路，一般分为两类:模板匹配算法和隐式模型。目前，基于卫星遥感的车辆信息采集技术中基于模板匹配算法能够白动获得遥感图像中已选目标的坐标和数量，但是算法过于复杂且精度不高;基于隐式模型的方法通过像素的强度和纹理特征来提取车辆，适用面更广，更适应于高分辨率卫星影像中的车辆信息提取，但是本方法对于阴影条件下暗色车辆的提取有一定的局限性，如何克服这一难题将成为未来本领域的需求重点。

摘要： 本文提出一种新颖的高分辨率遥感图像融合分割算法，通过对图像数据的分析，自适应确定反映其本质属性的分割线索，并选择对应最优分割方法进行细分割，从而融合不同分割线索与策略的优势，获取更符合人眼感知的分割结果。与传统方法相比，该算法避免了复杂的多源线索融合过程，降低了后续修正工作的难度，并具备了较强的扩展性。以Brodatz纹理镶嵌图和实际OuickBird高分辨率遥感图像为例，利用一种新的分割差异评价标准，从定性和定量两方面证明了本文所提分割算法的有效性和鲁棒性。

摘要： 高空间分辨率遥感图像的出现对现代遥感技术提出了新的更高要求，并促使遥感信息识别技术由基于像元的提取技术向面向对象的特征识别过渡。遥感图像空间分辨率的提高，却增加了图像对象内部的光谱差异和噪声，降低了基于像元的传统分类方法的精度（Schiewe et al.，2001）。面向对象的信息提取技术更适合高分辨率遥感图像的分析。图像分割是实现遥感图像对象信息提取的关键技术。高分辨率遥感图像的信息提取技术及图像分割算法已经成为当前遥感科学领域的研究热点与难点之一。本文论述了借助数学形态学理论与方法，引入基十向量场第一基本形式的特征融合思路，提出一种数学形态学向量场融合梯度算法;最后采用标记分水岭变换进行高分辨率遥感图像的分割研究。

摘要： 高分辨率遥感图像分割是面向对象分类的基础,而基于分水岭变换的图像分割性能在很大程度上依赖于计算待分割图像梯度的算法.本文从频域角度引入了相位一致的不变特征提取方法,应用Log Gabor小波提取高分辨率遥感图像的多尺度梯度,发现相位一致梯度较空域检测算子提取的梯度有着更为尖锐的响应,而且对线形特征定位更为准确,有利于高分辨率遥感图像的分割.接着在对相位一致梯度图像进行分割时发现,在抑制分水岭算法的过度分割方面,经典的基于前景标记和背景标记的方法并不适合遥感图像的分割,于是给出了一种基于前景标记和梯度重建的分水岭算法,有效地克服了过度分割问题.使用该方法对IKONOS Pan图像农田、厂房和居民楼等地物进行特征提取和图像分割,得到了较好的分割结果.

摘要： 综述了高分辨率遥感图像的特点以及变化检测的流程,对高分辨率遥感变化检测的方法按照其处理对象的不同分为面向像元、面向特征和面向对象的变化检测方法,对不同种类的方法进行简要的介绍和适当的比较,阐述了不同方法对于高分辨率遥感图像变化检测的适用性及其优缺点.如果能够融合一些先验知识作为辅助信息，从多尺度和多层次的角度来理解图像，例如利用马尔科夫随机场对图像进行多尺度的建模，将结果作为分类或者是分割的先验知识，分割时采用基于图论的对影像采取谱聚类或者是机器学习等自动化程度高的方法进行分类或者分割，来进行变化检测，能够有效的提高检测的精度和效率。

摘要： 目前对海洋目标监视手段主要有天基或空基的SAR/ISAR雷达、红外、光学、激光雷达等载荷.载荷获取遥感图像后,通过图像处理与图像理解等方法对多源图像数据进行目标检测、特征提取与识别,达到对海洋目标的预警监视.为解决多源图像数据的海洋目标快速检测识别问题,本文采用了目标背景抑制与图像分割的光学图像目标检测方法和自适应阈值CFAR的雷达图像目标检测方法,通过特征提取与融合鉴别处理实现对目标分类识别.利用粗精检测方法和减少算法重复计算量,提高算法效率,达到对海洋目标的快速检测识别.仿真实验验证算法的有效性.

摘要： 本文针对可见光遥感图像军事目标在轨识别问题,设计了一种改进的深度神经网络模型结构.首先对遥感图像中疑似目标的所在区域进行提取,设计了具有七层结构的深度卷积神经网络模型,最后设计了一种网络剪枝方法,在保证识别精度的条件下缩小网络规模,提高计算下效率深度.实验结果表明,所设计的深度神经网络模型具有良好的识别和分类效果.

摘要： 本发明公开了一种图像高分辨率装置。反射率推定部(206)利用由光源信息推定部(203)推定的光源信息与由形状信息取得部(204)得到的被摄物的形状信息从由图像摄像部(201)摄像下的原图像制作被摄物的反射率图像。反射率高分辨率化部(207)根据从反射率DB(208)取得的变换规则将反射率图像高分辨率化。图像高分辨率化部(217)利用已被高分辨率化的反射率图像、光源信息与形状信息制作已将原图像高分辨率化的高分辨率图像。

摘要： 本发明公开了一种面向高分辨率光学遥感图像目标检测的自监督学习方法，通过设计针对遥感图像目标特性的一系列预测任务，在通用的图像级特征的自监督学习的基础上添加了对于目标级特征的自监督学习。融合了高分辨率光学遥感图像地物目标空间敏感、旋转敏感以及尺度不变性的主要特点，优化网络对于目标特征的提取能力，更好的适配下游的遥感图像目标检测任务。相对于通用的基于图像级特征的自监督学习方法，本发明公开的方法能够充分地挖掘更加细粒的目标级别的特征。本发明可以有效地应用到基于深度学习的遥感图像的目标检测任务中去，提高检测的性能。

摘要： 本发明公开了一种高分辨率与像素关系强化注意力的强融合遥感图像分割方法，包括对遥感图像进行卷积提取特征并进行多次下采样卷积及上采用转置卷积融合，在每次融合操作时增加像素关系强化与通道注意力模块，由像素关系强化与通道注意力模块对局部特征图进行卷积映射，并降维后执行矩阵乘法，计算空间注意力并与卷积映射后的特征图进行乘积升维输出。本发明解决了遥感图像中细条状道路、河流等目标的不连续和不完整问题，具有更高的道路、河流提取精度。

摘要： 本发明公开了一种基于多任务注意力机制的高分辨率遥感图像地物提取方法。该方法基于多模态数据的特征融合思路，采用多任务架构将高分辨遥感图像的RGB通道和IR通道分别从多任务网络架构的两个分支同时输入，同时将多任务注意网络模块融合进入编码器部分中，旨在编码过程中能够充分结合来自RGB和IR通道的互补信息，形成用于分割的判别表示，增强注意力机制能力，由此大大提高了地物提取模型提取高分辨率遥感图像中地物目标的性能。

摘要： 本发明公开了一种高分辨率遥感图像实例分割模型的训练方法及装置。包括：获取有标签的第一遥感图像和无标签的第二遥感图像；将第一遥感图像和第二遥感图像输入至初始高分辨率遥感图像实例分割模型；基于监督分支网络对第一遥感图像进行处理，并根据处理结果得到监督分支网络的监督损失函数；基于一致性分支网络对第一遥感图像和第二遥感图像进行处理，并根据处理结果得到一致性分支网络的一致性损失函数；基于监督损失函数和一致性损失函数，计算得到模型损失函数；根据模型损失函数调整初始高分辨率遥感图像实例分割模型的模型参数，并迭代上述过程，直至得到目标高分辨率遥感图像实例分割模型。本发明可以有效地利用未标注数据提高模型分割精度。

摘要： 本发明公开了一种基于卷积神经网络的高分辨率遥感图像建筑提取方法，通过获取带有标注建筑类别和背景类别的图像训练数据集，对图像训练数据集进行数据增强，将数据增强后图像训练数据集输入到骨干网络，通过在网络中引入级联的多尺度特征融合方法，选择性非局部操作和多尺度预测实现的深监督，构建高分辨率、高语义的特征图。在训练中使用二元交叉熵损失、梯度下降和反向传播来更新网络参数。并采用训练好的网络模型来推理待检测图像。本发明提出的网络模型，能够有效地提取遥感图像中，建筑的位置和轮廓。

摘要： 本发明公开了一种高分辨率遥感图像的目标检测方法及装置，该方法包括：从传感器获取原始高分辨率遥感图像；从历史检测结果中获取原始高分辨率遥感图像所对应区域以及所述区域向四周扩展预定距离的扩展区域内的目标信息；根据目标信息，对原始高分辨率遥感图像进行自适应的图像分区，得到不同的簇侯检区，进而得到必检区和非必检区；进行必检区的模型选择，生成必检区的目标检测方案；执行目标检测方案，得到必检区的检测结果；判断计算平台是否有多余计算资源以检测非必检区，若有，则进行非必检区的动态分区检测，得到非必检区的检测结果，将必检区的检测结果和非必检区的检测结果合并为目标检测结果，否则将必检区的检测结果作为目标检测结果。

摘要： 本发明公开了一种高分辨率遥感图像多地物变化信息提取方法，利用孪生神经网络提取具有差异性的双时相影像，再利用深度监督模块有效训练中间层，从而改善模型因梯度消失造成浅层神经元无法获得有效更新，浅层特征提取效果差，最终导致变化图存在变化区域检测不完整、不连续、轮廓差的问题；利用残差注意力模块优化解码阶段模型对原始影像特征和影像差异特征的融合能力，从而缓解变化图重建过程中引入误差的问题，这样缓解噪声问题、错判问题；利用深度可分离减小网络参数量，降低模型过拟合风险，提升训练速度，同时参数量的降低有利于模型更好地学习有效特征，最终实现了对多地物变化信息的自动提取，且提取精度较高。

摘要： 本发明提供了一种多阶段信息融合的高分辨率遥感图像建筑物变化检测方法。双时相高分辨率遥感图像输入数据增强模块，通过分割、裁剪等操作，得到含有更多变化建筑物的双时相子图像块和其标签；然后，将双时相子图像块输入网络，分别经过浅层特征提取、前期融合层、卷积特征编码层、中期特征融合层、卷积特征解码层、后期特征融合层，得到最终的变化检测二分类结果。本发明能够有效避免遥感图像负样本过多导致模型检测效果差的问题，且通过采用多层级的融合处理，可使得到的结果具有更好的鲁棒性和清晰的边缘。

摘要： 本发明公开了基于多时相联合分解的高分辨率遥感图像变化检测方法，属于多时相遥感图像技术领域，解决现有技术中的遥感图像变化检测方法常表现的有效性低、鲁棒性差和存在信息丢失现象的问题。本发明的方法包括：通过在所述当前时相遥感图像分解的过程中引入所述上一时相遥感图像的相关信息，建立多时相遥感图像联合分解模型；利用所述多时相遥感图像联合分解模型，获取未变化区域；利用金字塔均值漂移平滑方法去除所述疑似变化区域的虚警，获得变化区域；根据所述变化区域得到变化检测结果。本发明用于多时相高分辨率遥感图像变化检测。