为了提高网络对高空间分辨率遥感影像多尺度建筑物的提取效果,在编码-解码网络的基础上提出了一种高效的尺度自适应全卷积网络。首先,构建多输入多输出结构,实现多尺度特征融合和跨尺度特征聚合。然后,用残差金字塔池化模块学习深层自适应多尺度特征。最后,用基于残差密集连接的聚合特征精化模块进一步处理初始聚合特征,利用不同尺度特征图的像素依赖关系提升分类精度。在差异较大的WHU航空数据集和Massachusetts数据集上的实验结果表明,相比其他方法,本方法对建筑物的提取效果较好,且训练时间和内存占用情况适中,具有较高的实用价值。

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型。首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征。然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递。最后,用二维卷积层对提取的特征进行空间信息强化,实现图像分类。实验结果表明,在三个公开高光谱数据集Indian Pines、Salinas和University of Pavia中分别用标记样本的5%、1%、1%作为训练样本时,本模型的分类精度分别为97.09%、99.30%、97.60%,可以有效提升小样本情况下的高光谱图像分类效果。

地物纹理的复杂性,使地物分类一直是遥感领域研究的热点和难点。机载激光技术可以直接获取地物的三维点云信息,影像数据可以提供丰富的波谱信息,因此,结合机载激光点云和航空影像主被动遥感数据对地物进行分类。首先,将三维点云数据转换成网格数据,并利用顶帽变换算子去除噪声点;然后,对网格数据进行区域分割,引入植被区域限制的分水岭算法生成聚类区域;最后,利用模糊证据理论对不同聚类区域进行地物类型识别。用ISPRS数据集中的机载激光点云和航空影像数据作为实验数据,对本方法进行精度评价。结果表明,与基于单点的证据理论分类方法相比,本方法的分类效果较好。

机载激光雷达系统可以直接有效地获取地物的三维点云信息,为数字高程模型生成和建筑物检测与三维重建提供强有力的数据保障,但原始点云数据不可避免地会产生噪声点。提出了一种基于多窗口顶帽变换的机载激光雷达点云噪声去除算法。首先,根据原始点云间隔对点云进行内插生成网格,分别获取了最大和最小网格数据;然后,对网格数据进行聚类,根据每个聚类区域的尺寸设置阈值,检测出初始噪声点所在网格区域;最后,利用白、黑顶帽变换理论分别对最大和最小网格数据进行处理,检测出最终的噪声点所在网格区域。利用ISPRS数据对此方法和其他方法进行对比实验分析,结果表明,本文方法不仅可以较好地去除噪声点,还可以较完整地保存原始点云的细节信息。