地物分类

摘要： 针对高分辨率遥感影像复杂地物分类的问题,提出了人工特征工程与深度神经网络相结合的地物分类方法。通过纹理与结构等人工设计特征提取构建多尺度特征图,采用特征图和原始图像合并构建的高维图集合作为网络输入,最大程度地丰富了输入信息量,同时增强了纹理、尺度等有利特征在网络训练过程中的主导作用。根据全卷积网络端到端的像素级分类思想,借鉴并改进DeepLab v3网络的结构设计,实现了一站式的遥感地物分类。实验结果表明,相对于采用原始图像直接作为网络输入,多尺度特征图与原始图结合的方法可以有效地凸显地物中纹理与结构的描述能力,较好地提升地物分类准确度;同时相对于传统神经网络进行图片分类的方法,设计的基于多尺度特征图集合的方法在遥感地物分类任务中具有更好的抗干扰性与准确性。

摘要： 荒漠草原生态信息调查与统计的瓶颈是效率与精度,传统的人工地面调查效率低,航天航空遥感调查受空间分辨率限制,精度难以满足要求。建立的无人机高光谱遥感系统兼具高光谱分辨率、高空间分辨率和高效性等优势,为基于遥感的高精度荒漠草原生态信息调查与统计提供硬件基础。利用深度学习经典网络模型VGG16与ResNet18和改进为3D卷积核的不同卷积核数量的3D-ResNet18-A、3D-ResNet18-B和3D-ResNet18-C模型对采集到的荒漠草原高光谱数据进行地物分类。结果表明,两种经典模型对荒漠草原中植被、裸土展现出较好的分类效果,而改进为3D卷积核的3D-ResNet模型具备更佳的分类效果,同时对小样本地物具备更强分类性能,其中3D-ResNet18-B的分类性能最好,对植被、土壤、阴影和其他四种地物的总体分类精度达到97.73%。无人机高光谱遥感系统和3D-ResNet模型的深度融合为地物精细分类与统计奠定基础。

摘要： 研究概况,荒漠草原生态信息调查与统计的瓶颈是效率与精度,传统的人工地面调查效率低,航天航空逼感调查受空间分辨率限制,精度难以满足要求。建立的无人机高光谱遥感系统兼具高光谱分辨率、高空间分辨率和高效性等优势,为基于遥感的高精度荒漠草原生态信息调查与统计提供硬件基础。

摘要： 近年来,基于深度学习的图像处理方法取得了巨大的成功,越来越多的研究都尝试将深度学习算法应用于遥感影像的场景中。利用精度高、鲁棒性强的深度学习方法,可以为实现基于遥感卫星影像的区域自动检测识别工作提供技术保障。在这一背景下,本研究根据宁夏地区实际和项目需求制定了地物解译的方法,使用高精度的深度学习算法来实现地物的快速解译检测,并基于项目场景中样本场景复杂、标注困难的情况尝试了对高分遥感影像的多尺度纹理特征变化检测技术试验和检测算法多次改进。

摘要： 湿地植被是湿地生态系统中必不可少的一部分,在调节气候、蓄洪防旱等方面发挥了重要作用,对其进行行之有效的监测对于生态保护至关重要。基于时序的遥感影像进行地物分类在植被分类领域具有重要优势,湿地植被生长环境复杂,不同植被之间物候特征并不明确,且滨海湿地地区云雾较多,这些因素限制了时序遥感在湿地植被监测中的应用。基于时间加权的动态时间归整(Time-Weighted Dynamic Time Warping, TWDTW)通过增加时间权重限制实现时序匹配,能够避免植被物候因素的干扰与畸形匹配现象。本文探讨了该算法在黄河三角洲湿地植被分类中的适用性,并将分类结果与传统分类方法进行对比。研究表明,该算法在该区域总体分类精度为97.56%,Kappa系数为0.95。应用TWDTW算法可以有效进行湿地植被分类,能直观地反映湿地植被的空间分布格局,满足湿地生态环境监测、资源调查与管理等方面的需要。

摘要： 采用Deeplab v3+语义分割网络模型开展了高精度地物分类研究,并与FCN、UNet、SegNet等网络模型对比分析,结果表明Deeplab v3+提取的耕地、植被、建筑用地、道路、水系等地物图斑,其分类总体精度与Kappa系数在各项指标上均优于FCN、UNet、SegNet。此外,Deeplab v3+在路网道路、建筑物等线性特征显著、形状或边界变化剧烈的地物目标上,对图像纹理及空间几何特征的识别,都具有更高的有效性和适用性。

摘要： 为了解决因时空特征差异而导致遥感影像地物分类泛化性较弱的问题,提出了一种纹理与光谱特征联合的地物分类思路。通过筛选得到的纹理特征对光谱特征进行强化,并利用现有的深度学习框架,对各个纹理特征组合的分类效果进行评价。为了充分验证方法的有效性,在多组不同时相和地域的遥感影像中进行了特征筛选和测试。结果表明,将绿色光谱的方差、同质度及角二阶矩纹理特征与光谱特征进行叠加,可以有效抵抗季节和地域因素,进而提高分类的泛化性,尤其对水域和居民地检测的改善效果更加明显,平均交并比可提高5%~10%。同时,为基于深度学习的小样本地物分类研究提供了新的技术思路。

摘要： 为了提取高光谱图像中的深度鉴别特征,往往需要大量标记样本,但是高光谱图像样本标定困难,基于高光谱图像的“图谱合一”特性提出一种基于深度-流形学习的半监督双流网络。该网络用卷积网络和神经网络分别提取少量标记样本以及大量无标记样本中的空-谱联合特征,然后分别构建基于监督图和非监督图的流形重构图模型,以挖掘其中的本征流形结构。在此基础上设计了基于均方误差和流形学习的联合损失函数,以协同度量流形边界和空-谱概率残差,实现双流网络的一体化反馈和优化,进而实现地物分类。在WHU-Hi龙口和黑河高光谱数据集上实验的总体分类精度分别达到97.53%和96.79%,有效提升了地物分类能力。

摘要： 有监督的极化合成孔径雷达(极化SAR)图像地物分类任务需要像素级人工标注,如何减少其对大量精确标注样本的依赖是目前的一个研究重点。极化SAR图像的空间邻域内存在信息冗余和特征相关性,充分利用空间邻域信息有助于提升样本特征的判别性和鲁棒性。通过引入基于极化统计HSV颜色特征的自适应超像素聚类算法,提出一种借助邻域相关性的样本特征增强方法。实验结果表明该方法可以在仅有少量标注样本的条件下提升分类结果的鲁棒性和准确率。

摘要： 为提升极化合成孔径雷达(SAR)地物分类精度,提出一种基于AdaBoost改进型随机森林和支持向量机(SVM)结合的二级分类结构。首先将AdaBoost改进型随机森林作为初级分类器,该分类器能根据决策树的分类能力赋予权重,分类能力越强则权重越高,从而提升初级分类精度。初级分类器还能评估输入特征的重要性,获得重要性排名。根据重要性排名进行特征筛选,用筛选后的特征训练SVM分类器,获取二级分类结果。最后利用邻域投票法将两级分类结果融合。AIRSAR极化数据对比实验表明,该分类结构可有效提升极化SAR地物分类精度。

摘要： 在遥感应用中,单一数据源受自身空间、光谱等特征的影响,难以满足实际需求.通过影像融合,可实现不同类型的遥感影像数据间的信息互补,能方便提取影像中包含的有用信息,在对地物分析、识别、分类中具有重要的实用意义.本文提出了一种融合可见光与热红外高光谱影像用于地物分类的方法.通过融合-分类的方法,有效整合两类影像的优势用于地物分类.首先结合可见光、热红外高光谱影像在识别不同地物时的表现,综合利用可见光的纹理、空间特征及热红外高光谱影像的光谱特征,得到整合两幅影像特征的融合影像.进而将此融合影像用于地物分类,采用不同分类器获得多幅分类结果,对多幅分类结果进行决策投票,得到最终优化的分类影像.结果表明,融合-分类的方法改善了影像信息,达到了融合目的,对于地物目标的识别获得了较理想的结果.

摘要： 地物分类是极化合成孔径雷达(PolSAR)图像理解和解译的重要应用方向之一.多种极化特征都被应用于极化SAR地物分类,例如散射矩阵、相干矩阵、极化分解结果、纹理和空间信息等,然而最能代表极化特征的色彩信息却常常被人们忽视.提出一种融合色彩信息的极化SAR地物分类方法.首先,通过极化分解提取极化SAR图像的色彩信息,然后利用基于色彩信息和空间位置作为距离度量的SLIC生成超像素,最后将超像素作为一个整体,使用Wishart分类器对超像素进行分类.采用AIRSAR的L波段荷兰Flevoland地区数据集中的8类地物类型进行验证,该方法的总体分类精度达到97.81％,相对于传统的基于像素的分类方法提升了约7％.结果表明该方法对于匀质地物类型的分类,在分类准确性和稳健性上都具有极好的性能.同时基于融合色彩信息的优势,为更复杂的人造目标识别与分类提供了新思路.

摘要： 上个世纪80年代,由于成像光谱概念的出现,使得遥感技术迈进了一个崭新的高光谱遥感阶段.高光谱遥感器能够获得整个可见光、近红外、短波红外和热红外波段的多而窄的连续光谱,光谱分辨率可达纳米级,获取的地表图像包含地物丰富的空间、辐射和光谱三重信息,表现了地物空间分布的影像特征,同时可能以其中某一像元或像元组为目标获得其辐射强度或光谱特征.高光谱遥感数据大量的光谱波段为了解地物提供了丰富的遥感信息,有助于完成更加细致的遥感地物分类和目标识别,然而波段的增加也必然导致信息的冗余和数据处理复杂性增加.为此,高光谱数据的特征提取具有重要意义.

摘要： 基于TM影像数据,分别使用监督和非监督分类方法对铁法(煤)矿区典型地物进行遥感识别.其中监督分类采用马氏距离、最大似然和神经网络法,非监督分类采用ISODATA算法.结果表明:在四种不同的分类方法中,最大似然法的分类精度最高,总体精度为90.10％,Kappa系数为0.8724.研究发现无论采用哪种分类方法,矿区中的煤与煤矸石都存在混分现象,主要由于两类地物的光谱相近造成.研究结果为煤矿区的地物遥感识别提供参考依据.

摘要： 利用高分辨率遥感影像对城市地物信息进行提取,是城市土地利用遥感分类的一种有效技术手段,可以为城市遥感地物分类及遥感动态监测提供示范.结果表明SPOT-5和ZY-3对水体分类精度较高,ZY-3对林地和建筑物的分类精度比较高,SPOT-5在地物细分方面更具优势.说明单一依靠光谱特征进行地物分类具有局限性,需要综合利用地物的纹理特征、几何特征和知识库,借助面向对象的分类方法进一步深化研究.

摘要： 为解决高维数且离散和连续变量并存的重要属性筛选,提出基于偏导的T-S型分层混合模糊—神经网络敏感性分析方法.采用求偏导的方式,分别计算离散和连续变量在模型中的敏感性,获取对模型输出重要性程度高的属性.以人工数据分类和福建漳平洛阳—安溪潘田地区LANDSAT ETM+遥感影像数据地物分类为例,使用本文提出的方法和基于BP神经网络敏感性分析方法进行比较.结果：表明本文所提方法能筛选出模型重要属性,既约简了模型又提高了模型分类精度.

摘要： 本文提出了一种利用两种不同频率下的极化SAR图像进行地物分类的新方法,该方法包括了两个过程,初始类划分过程和迭代修正过程。初始类划分过程是基于目标的散射特性随频率变化而改变的趋势和程度实现的。与传统的双频极化SAR图像分类中的初始类划分方法不同,新的划分方法基于不同频率下所提取的特征量,定义了特征变化量和特征变化平面,在特征平面上直接进行多类目标的初始类划分,而不需要迭代和类合并过程。这种新的初始类划分方法反映了目标散射特性随频率的变化关系,物理意义直观,实现方法简单易行。将这种初始类划分方法与Wishart分类器相结合,就可以实现对极化SAR图像的无监督迭代分类。实测的SIR-C数据和AIRSAR数据的分类结果表明,该方法是一种有效的极化SAR图像分类方法。

摘要： 台南地区在今年初的美浓地震中受灾严重,雷达影像是了解地震的利器之一,但是限于资料及处理软体昂贵,在实际应用上有相当的瓶颈.本研究应用免费的哨兵卫星资料及软体SNAP,成功的在台南地震中解析了前后期相位资料,分析出地震的最大影响位置并不在高雄旗山而在台南.此项结果与台湾地震研究中心的美浓区地震报告结果相符.在地物分类上也有极佳的成果.

摘要： 本文以平朔露天煤矿作为研究区域,利用不同空间分辨率的Landsat-8、SPOT-5和WorldView-2多源遥感数据进行多尺度分割,研究矿区不同地物类型的尺度特征,并利用影像的亮度均值标准差随分割尺度的变化曲线来确定各地物的最优分割尺度.结果表明30m分辨率Landsat-8影像适宜在分割尺度为8时提取大尺度的矿区破坏土地、复垦土地和工业用地;10m空间分辨率的SPOT-5影像在分割尺度值为85时整体效果最佳,能够提取建筑物、耕地、复垦植被等多数矿区典型地物类型;1.8m高分辨率WorldView-2影像在分割尺度为220时分割效果最佳,耕地和高、低植被覆盖区域能够快速提取,从而为提取不同属性矿区地物时选择适宜的影像分辨率与对象尺度提供参考依据,最终达到快速、精确提取地物信息的目的.

摘要： 本文以平朔露天煤矿作为研究区域,利用不同空间分辨率的Landsat-8、SPOT-5和WorldView-2多源遥感数据进行多尺度分割,研究矿区不同地物类型的尺度特征,并利用影像的亮度均值标准差随分割尺度的变化曲线来确定各地物的最优分割尺度.结果表明30m分辨率Landsat-8影像适宜在分割尺度为8时提取大尺度的矿区破坏土地、复垦土地和工业用地;10m空间分辨率的SPOT-5影像在分割尺度值为85时整体效果最佳,能够提取建筑物、耕地、复垦植被等多数矿区典型地物类型;1.8m高分辨率WorldView-2影像在分割尺度为220时分割效果最佳,耕地和高、低植被覆盖区域能够快速提取,从而为提取不同属性矿区地物时选择适宜的影像分辨率与对象尺度提供参考依据,最终达到快速、精确提取地物信息的目的.

摘要： 本发明的目的在于测量道路周边的地物的位置。图像存储部中存储有拍摄了道路周边的图像。三维点群模型存储部(709)中存储有点群作为路面形状模型，该点群表示通过与拍摄图像同时进行的激光测量而获得的三维坐标。模型投影部(172)将点群投影到图像，图像显示部(341)将图像和点群重叠显示于显示装置。图像点输入部(342)使用户指定测量对象的地物上的像素作为测量图像点。附近提取部(171)从点群中提取出位于测量图像点附近的、与测量对象的地物重叠的点。地物位置算出部(174)输出提取出的点所示的三维坐标作为测量对象的地物的三维坐标。

摘要： 本发明涉及一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，具体包括以下步骤：S1、获取目标区域的多光谱影像和全色影像，提取多光谱影像的EMAP空间特征，与多光谱影像进行级联，得到浅层空谱特征；S2、浅层空谱特征作为深度网络的输入，全色影像作为重构输出，通过网络训练得到多分辨率隐层特征；S3、分别提取低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征，通过卷积神经网络分别进行特征融合与分类训练，得到目标区域内的地物要素分类结果。与现有技术相比，本发明结合了影像上全局尺度上的浅层特征，和局部尺度上的深度特征，充分挖掘了MS和PAN影像之间的多分辨率隐层特征表达，具有分类精度高、结果鲁棒性高等优点。

摘要： 本发明实施例公开了一种杆状地物的提取分类方法、装置、设备和介质，该方法包括：获取采集的车辆行驶道路两侧对应的激光点云数据；检测激光点云数据中的每个激光点是否为杆状地物的边缘点，并提取出道路两侧中的各个杆状地物对应的边缘点集合；对边缘点集合进行聚类分割，确定每个杆状地物对应的边缘点子集合；基于每个杆状地物对应的边缘点子集合进行激光点的空间生长，并基于生长的激光点子集合和边缘点子集合，确定每个杆状地物对应的几何属性信息；基于每个杆状地物对应的几何属性信息，确定每个杆状地物对应的具体类别。通过本发明实施例的技术方案，可以对激光点云中的杆状地物进行提取细分，并提高提取分类的准确率和效率。

摘要： 本发明公开了一种基于多指标卷积自编码器的PolSAR地物精细分类方法，包括：1.对PolSAR数据进行预处理和切片操作；2.通过卷积和池化操作提取PolSAR图像的特征图，将得到的特征图输入MI‑SE模块来计算多指标，获得输入特征图各维度的权重；3.根据分配给输入特征图的权重对特征图的重要性进行加权得到最终特征；4.将最终特征输入分类器得到预测结果，并与真实结果对比，完成模型的训练过程；5.将待分类的PolSAR图像输入训练好的多指标卷积自编码器模型，得到分类结果。本发明能提高PolSAR地物特征表征的完整性和细腻性，获得更高的分类精度和分类效率，具有较好的工程应用价值。

摘要： 本发明涉及一种基于弱监督学习的遥感图像地物识别与分类方法和装置。该方法包括：读取部分标注的多源遥感图像，构建标注样本数据集和未标注样本数据集；建立标注训练集和标注验证集；建立教师模型和学生模型；对教师模型进行预训练；根据训练完成的教师模型得到未标注数据的预测结果，作为伪标签；读取未标注样本数据集和伪标签，构建伪标注训练集；输入标注训练集、标注验证集和伪标注训练集，进行随机数据增强，对学生模型进行训练；向训练完成的学生模型输入预测数据集，得到地物识别与分类的结果。本发明使用部分标注的多源遥感图像建立机器学习模型，使用所建立的模型对地物类型进行识别，能够显著提高地物要素识别和分类的准确率。

摘要： 说明书披露一种图像分类、地物分类方法和装置。所述图像分类方法包括：获取待分类的图像；将所述待分类的图像输入已训练的第一图像分类模型，以获得所述第一图像分类模型输出的图像分类结果；其中，所述第一图像分类模型通过模拟无穷样本图像进行训练，以使得所述第一图像分类模型的决策边界逼近第二图像分类模型的决策边界，所述第二图像分类模型是已训练的满足收敛条件的图像分类模型。采用上述方案可在不增加第一图像分类模型大小的情况下，提升第一图像分类模型的分类准确度。

摘要： 说明书披露一种图像分类、地物分类方法和装置。所述图像分类方法包括：获取待分类的图像；将所述待分类的图像输入已训练的第一图像分类模型，以获得所述第一图像分类模型输出的图像分类结果；其中，所述第一图像分类模型通过模拟无穷样本图像进行训练，以使得所述第一图像分类模型的决策边界逼近第二图像分类模型的决策边界，所述第二图像分类模型是已训练的满足收敛条件的图像分类模型。采用上述方案可在不增加第一图像分类模型大小的情况下，提升第一图像分类模型的分类准确度。

摘要： 一种基于深度自监督生成对抗的单通道高分辨SAR图像地物分类方法，上游自监督任务采用循环生成对抗网络进行多域图像风格转换任务，将不同属性的源域真实图像风格转换为目标属性的目标域生成图像；并使用对抗网络判别图像来自于源域还是目标域，同时提取图像的属性特征进行分类并对齐特征分布；在下游地物分类任务中，迁移上游训练良好的特征编码器作为预训练模型，使用少量有标记样本对分类模型进行微调；本发明通过上游自监督任务为下游地物分类任务提供训练良好且通用性好的特征编码器，缓解有监督训练样本缺乏、特征泛化性不足的缺陷，提升模型的分类性能。

摘要： 本发明公开了一种地学知识引导的多尺度胶囊网络遥感地物分类方法及系统，包括通过对遥感图像进行预处理和标注地物标签，构建遥感地物分类样本库；根据城市主要的土地覆盖类型，建立地表覆盖实体的遥感解译本体，然后在遥感解译本体的基础上，通过实例化本体及其属性完成地学知识图谱的构建；对地学知识图谱所蕴含的地学知识进行显式符号化表示，并挖掘地学知识图谱所蕴含的隐式地学知识；构建多尺度卷积胶囊网络作为深度学习网络，将处理后图像作为样本数据输入到深度学习网络中，并在地学知识基础上构建模型损失约束；对构建的多尺度卷积胶囊模型进行训练，得到训练模型，测试后用于实现对遥感地物分类。本发明可提高遥感地物分类的精度和自动化程度。

摘要： 本申请涉及一种基于稠密特征分组蒸馏的缺失模态地物分类方法。所述方法采用基于特权模态的稠密自适应分组蒸馏网络，该网络从训练集中所有可用模态中学习丰富的特权信息，并在训练集和模式稀缺的测试集中提高学习能力。缓解了不同模态之间的异质差距并传递特权信息，IG‑FGM将多模态特征分解为共享模态和专用模态组件，以实现分组蒸馏。为了实现多种模式的渐进式混合，将IG‑FGM插入到教师网络的不同层中；MS‑ADL策略突出了层次特征蒸馏和组件蒸馏的重要性。MS‑ADL策略使多次损失的权重随着训练过程不断变化。该方法的网络结构可以在测试过程中某一源遥感数据缺失的情况下生成地物地图，提高多模态地物分类效率。