一种高分辨率遥感影像道路提取方法

总结了道路提取常用的形状指数,提出一种新的长宽比指数,采用该长宽比和面积指数结合光谱特征从高分辨率遥感影像中提取道路。实验证明采用新的长宽比指数能有效的将线状道路与面状房屋区分开来。     

基于LVQ神经网络的建筑物提取

传统的遥感影像目标检测方法大多利用人工提取特征,难以用于背景复杂的高分辨率遥感影像。以高分辨率遥感影像建筑物图像为研究对象,设计了一种基于LVQ神经网络的建筑物提取方法。对图像提取其颜色、纹理与形状特征,构成图像特征矢量并将其特征归一化,利用LVQ神经网络识别并提取出建筑物。通过与其它典型神经网络识别方法进行实验比较,结果表明该算法相对于单层感知器识别率提高了10.0%,比BP神经网络识别率提高了22.5%,能取得更理想的提取效果。     

高分辨率遥感影像提取道路方法研究进展

道路是重要的人工地物,是基础地理信息的重要组成部分,从高分辨率遥感影像上提取道路信息成为研究的热点．本文一开始简明论述了道路在高分辨率的影像上的基本特点,并且讲述了道路进行提取的基本办法与思想,然后介绍了提取道路信息主要方法,包括自动提取和半自动自取．最后,对道路信息提取研究进行了展望．     

一种基于区域生长的高分辨率遥感影像道路提取方法

随着遥感影像分辨率的提高,从高分辨率遥感影像中进行道路网提取,可以为交通信息提供瞬时、准确、可靠的数据,为交通规划提供极大的帮助。提出利用高分辨率遥感影像中道路的光谱信息特征提取路网的方法。考虑到高分辨率遥感影像光谱信息的复杂性,首先对遥感影像光谱信息进行K均值聚类,实现道路类和非道路类分离;同时,获取区域生长的判决条件和判断阈值,然后在道路类上运用区域生长的方法提取路网;最后,运用数学形态学等处理优化路网。实验证明,该方法从高分辨率遥感影像提取路网有较高的准确度和适用性。     

结合Sentinel影像与特征优选的山地城市不透水面提取

不透水面是影响山区生态环境的重要因素.多源遥感数据融合是不透水面提取的重要方法,但容易造成分类特征冗余,需要进行特征优选.现有研究尚缺乏对不同特征优选方法在不透水面遥感提取中的对比分析.首先使用Sentinel-1和Sentinel-2影像等数据提取特征,然后分别基于JM距离、随机森林(RF)模型和ReliefF算法进...     

基于加权KNN与随机森林的表情识别方法

针对传统KNN算法计算量大、识别率低的问题，提出一种加权K最近邻法(KNN)结合随机森林(RF)的表情识别方法。首先通过监督下降方法(SDM)提取人脸特征点，然后计算样本间的平均距离，并借此划分测试样本，结合加权KNN与随机森林的特点，对不同样本采用不同的分类器，最后采用JAFFE表情数据库进行实验。结果表明，改进后的方法不仅识别率更高，而且简化了计算复杂度。     

高分辨率遥感影像在林业应用中存在的问题与思考

高分辨率遥感影像的出现，给林业遥感带来前所未有的机遇,但是高分辨率遥感影像在林业领域中的应用面临诸多问题,如数据源的价格偏高、图像阴影无法去除、树种识别困难和森林蓄积量估测精度不高等,提出了建立主要树种的波谱数据库，采用基于多特征的面向对象的分类技术，提高高分辨率影像在林业中的应用水平等建议。     

基于改进的YOLOv5识别遥感影像中输电塔的方法

针对遥感影像目标检测中部分输电塔因目标较小、特征不显著而难以识别的问题,提出一种优化和改进的YOLOv5目标检测方法.首先,通过增加更大尺度检测层,以提升小目标的检测效果;其次,将大尺寸高分辨率遥感影像通过滑窗分割成小尺寸图像,进行检测及再还原,解决了遥感影像中难以直接有效识别输电塔等问题;最后,调用GDAL模块自动计...     

CAMFT算法在遥感影像分割中的应用

遥感影像具有数据量大、数据结构复杂、连续、存在缺损与误差等特点,根据遥感影像的特点,提出一种基于多代表特征树的CAMFT算法.该算法通过多代表点特征树把海量空间数据进行压缩来提高效率,并且可以捕捉复杂形状聚类;算法CAMFT融人了采样思想,进一步增强了处理大型数据的能力.实验结果表明,该方法聚类精度优于K-Mean算法.     

从高精度卫星影像中道路的半自动提取

提出一种顾及精度、操作性的从高精度卫星影像中半自动提取道路的方法 .在整个提取过程中选用适当算法 ,尽量减少了提取数据的误差 ,为利用高精度卫星影像对对象的全自动提取开创了一种新的方法     

一种融合RF-SVM的无人机遥感图像信息提取与分类技术

针对传统无人机遥感图像信息提取与分类算法准确率低、稳定性差、无法有效应对大规模复杂遥感图像数据集等问题,提出一种基于RF-SVM的遥感图像处理算法。RF-SVM算法将RF数据集分类性能较强的优势与经典SVM算法数据降维能力相融合,引入随机变量和示性函数扩大样本集的边界,提升对复杂大规模数据集的处理能力,有效控制泛化误差。在对无人机遥感图像的预处理过程中,借助Brovey变换完成对光谱和高分辨率遥感图像的像素级融合,引入核函数并根据获取到的遥感图像特征和后验概率值,实现对遥感图像内部标的物的准确分类。实验结果显示,在RF-SVM算法下,无人机遥感图像信息提取准确率分类平均准确率达到99.81%,且在RF-SVM算法下的样本点感受性曲线稳定性更好。     

基于HPF融合与数学形态学的ETM+遥感影像道路提取

道路作为构成城市格局的骨架,是城市发展过程中更新最快的要素之一,因此,基于数学形态学的ETM+遥感影像的道路信息提取具有重要的现实意义.以合肥市某一地区的ETM+影像为例,提出一种基于HPF融合与数学形态学的方法.首先对原始影像进行预处理,对原始影像的多波段与全色波段影像进行HPF融合,预处理结果得到的RGB图像转换为灰度图像,再转换为二值化图像,然后根据道路的线性特征,运用数学形态学对图像进行去噪(独立斑块及粘连斑块两部分)、膨胀腐蚀、开运算、细化等运算处理,应用此方法能够较完整的得到道路提取的结果,并对该方法进行了验证.实验结果证明:该方法可以较准确、完整地从分辨率遥感影像中提取主干道路网络,剔除非道路地物的影响,具有简单、实用性特点.     

利用高空间分辨率遥感影像提取城市绿地信息的方法研究

本研究基于多种遥感提取算法对高空间分辨率IKONOS遥感影像进行城市绿地信息提取,在此基础上,结合实地验证数据分别对各算法信息提取精度进行评价,最后对高空间分辨率遥感信息自动提取算法进行分析讨论。     

高空间分辨率遥感影像小波域分形纹理特征提取

融合小波多尺度分析方法及分形纹理提取方法在遥感影像信息提取方面的优势,提出高分辨率遥感影像小波域分形纹理特征计算方法,以获取地物多尺度分形纹理属性,为遥感影像地类识别提供更好的标识。首先对遥感影像进行小波多尺度分解,进而基于DBC、多重分形纹理计算方法在各个分解层上提取地物纹理特征,通过比较分析,从中选取更为有效的小波域分形纹理特征。基于该方法,利用福州市高空间分辨率QuickBird遥感影像进行试验,并对QuickBird影像进行三级小波分解及纹理提取,结果表明：小波第一、第二分解层粗影像（CA1、 CA2）及三方向平均细节影像（L1、 L2）的DBC空隙特征及多重分形分维数结果作为最终甄选的小波域分形纹理特征更为合适。     

基于随机森林算法的对外汉语文本可读性评估

可读性指文本易于阅读的程度或性质,评估对外汉语文本可读性在对外汉语教学中十分重要。文章针对对外汉语文本可读性难以人工评估的问题,提出了一种基于随机森林算法的对外汉语文本可读性自动评估方法。该方法从基础特征、词性特征、等级特征和语法特征这四个维度提取特征,进行特征选择后在训练集上利用随机森林算法训练分类器,并在测试集上证实了该方法的有效性。     

一种高分辨率遥感影像车辆检测方法

高分辨率遥感影像中车辆具有不同的光谱表现,同时车辆对象往往与道路交通标志保持近似的光谱特征,这使得高分影像车辆检测通常面临较大困难。针对以上问题,提出一种基于多方向形态学变换的车辆检测方法,该方法由对象增强处理、候选对象提取、车辆对象特征验证等3个步骤构成。所提出的集成多方向线状结构元素的形态学顶帽（top hat）变换和底帽（bottom hat）变换分别实现了对亮色对象和暗色对象的增强处理,处理过程中同时顾及了车辆对象的几何结构特征,抑制了非车辆对象的干扰。基于初步提取结果,引入了基于多特征的车辆验证过程,进一步精确化车辆检测结果。基于城区高分辨率遥感影像的车辆检测实验证明了该方法的有效性。     

基于知识发现的QuickBird影像专题信息提取

由于高分辨率卫星遥感图像数据量大、空间分辨率高,结构信息复杂,地物同物异谱现象更为突出等等,给专题信息提取技术带来了新的挑战。本研究结合已有的自动提取方法和理论,重点探讨了发现高空间分辨率卫星影像上的光谱知识,并利用这些知识来建立相应的提取方法,来提取土地利用信息,以期为高空间分辨率卫星影像信息的自动提取提供参考。     

基于薄板样条的遥感影像非刚性配准方法

提出一种基于薄板样条的遥感影像非刚性配准方法。首先,根据SIFT算法分别在参考影像与待配准影像中提取特征点;然后,对特征点进行匹配,并利用RANSAC一致性分级检验方法,由粗至精分级排除错误匹配点;最后,利用同名匹配点构建薄板样条配准模型,并完成图像配准结果。实验结果表明,文中方法能有效解决遥感影像在时相变化、几何变形等条件下的配准,具有较高的实用性。     

基于深度学习的高分辨率遥感图像海陆分割方法

将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作,对海岸线提取和海洋近岸目标检测具有重要意义,但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。为了提升高分辨率遥感影像海陆分割精度,改善传统阈值方法的不足,基于深度神经网络模型利用编码器—解码器架构,并在编码层中引入残差块,以更好地对特征图进行高级语义信息提取,通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图,最后通过Sigmoid层对图像进行像素级海陆分割。在高分辨率遥感图像数据集上的实验结果表明,该网络模型取得良好了分割效果,准确率和Kappa系数分别达到了94.3%和93.7%。与传统方法相比,海陆分割精确度得到了有效提升。     

基于深度学习的高分遥感影像建筑物提取研究

传统的建筑物提取方法普遍存在过分依赖人工设计、自动化程度低、泛化能力弱等问题。随着深度学习算法在高分辨率卫星图像分类领域的应用,本文基于深度学习方法,以福建南安地区为研究区,以国产高分遥感影像为数据源,选取4?块典型区域制作建筑物数据集,搭建U-Net和Mask R-CNN深度学习模型在自建的南安数据集上训练,从定量和定性的角度对比两种模型对建筑物提取的效果,最终选定精度更高的U-Net方法作为最终的提取算法;再对数据集中正负样本的比例进行调整,进一步提高了模型分割的精度,实现了基于深度学习方法的南安地区建筑物的识别和提取。