光学 精密工程
2023, 31(22): 3331
1 长江大学地球科学学院，湖北 武汉 430100
2 中国石油勘探开发研究院，北京 100083
受自然条件影响，野外露头表面存在植被覆盖、风化严重等问题，传统的岩性图像识别方法较难实施，随着地质大数据的兴起和智能地质的发展需求，利用人工智能进行地质领域岩石影像岩性识别成为必然趋势。提出基于注意力机制的多模态碎屑岩露头影像岩性智能识别方法（SE-DeepLabv3+），通过与传统分类方法和语义分割方法的对比，以人工标注结果为参考，SE-DeepLabv3+的岩性识别精度达90%以上，高于其他方法。利用SE-DeepLabv3+对新疆准噶尔盆地南缘清水河-喀拉扎组部分露头剖面进行岩性识别，得到较好的识别结果。利用无人机三维影像数据，结合人工智能技术实现碎屑岩露头的岩性识别，可以大幅提高岩性识别的工作效率，转变传统作业方式，推动地质研究向定量化、智能化发展。
图像处理 岩性识别 无人机影像 多模态 碎屑岩 语义分割 激光与光电子学进展
2022, 59(24): 2410010
1 中国林业科学研究院资源信息研究所，北京 100091
2 国家林业和草原局林业遥感与信息技术重点实验室，北京 100091
针对无人机影像中红树林单木目标较小且分布密集，对其检测时自动化程度不高、效率低等问题，基于深度学习方法提出了一种红树林单木目标检测模型（YOLOv5-ECA），以实现对无人机影像中红树林单木快速、精确的自动识别和定位。首先利用开源软件LabelImg在选取的无人机影像上依次标注目标树，构建红树林单木数据集；其次选择YOLOv5为基础目标检测模型，依据目标分布密集且尺寸较小的特点对其进行优化和改进；使用有效通道注意力（ECA）机制对CSPDarknet53骨干网络进行改进，避免降维的同时增强特征表达能力，并在SPP模块引入SoftPool改进池化操作，保留更多细节特征信息；最后利用ACON自适应激活函数自适应地决定是否激活神经元。结果表明：使用已构建的数据集对改进前后的网络进行训练，在测试集上对比准确率、召回率、平均精准度的均值（mAP）@0.5等参数，各模型略有差异但均趋于收敛；所提YOLOv5-ECA的平均检测精度较YOLOv5提高了3.2个百分点，较YOLOv4提升了5.19个百分点，同时训练损失也更低，能够快速、精准且自动化地检测红树林单木目标，较好地提升了对红树林单木的识别和定位能力。
红树林单木 无人机影像 深度学习 目标检测 YOLOv5-ECA 激光与光电子学进展
2022, 59(18): 1828003
戴鹏钦 1,2,3,*丁丽霞 1,2,3,**刘丽娟 1,2,3董落凡 1,2,3黄依婷 3
1 省部共建亚热带森林培育国家重点实验室, 浙江 杭州 311300
2 浙江省森林生态系统碳循环与固碳减排重点实验室, 浙江 杭州 311300
3 浙江农林大学环境与资源学院, 浙江 杭州 311300
将深度学习和面向对象方法用于处理超高空间分辨率的无人机可见光影像,以期实现高精度的森林树种遥感分类。首先,利用面向对象方法对无人机影像进行最优尺度分割,基于对象提取特征变量,运用随机森林(RF)法对树种遥感分类,同时对参与分类的变量按重要性排序,并筛选出对分类贡献率最高的两个特征变量——可见光差异植被指数(VDVI)和过绿减过红指数(ExG-ExR)。然后,将这两个特征变量和无人机原始RGB波段融合生成新的数据,针对该数据与原始RGB波段数据,分别利用基于Res-U-Net模型的全卷积神经网络(FCN)方法进行树种分类,并对结果精度评价。最后,为了消除FCN法基于像元分类引起的缺陷,结合面向对象最优分割法对分类结果进行修正。实验结果表明,融合了VDVI和ExG-ExR的FCN方法对无人机影像的树种分类效果最好,总精度为97.8%,Kappa系数为0.970。RF法能够有效筛选分类特征变量,对原始影像添加特征变量能有效提高FCN方法的分类精度,再对面向对象分割结果进行修正,可以基本消除椒盐现象,减弱边缘效应,使总精度提高0.9个百分点,Kappa系数提高了0.013。
图像处理 树种分类 全卷积神经网络 无人机影像 面向对象 随机森林 特征变量 激光与光电子学进展
2020, 57(10): 101001
1 河南大学环境与规划学院, 河南 开封 475004
2 南昌工程学院江西省水信息协同感知与智能处理重点实验室, 江西 南昌 330099
针对利用现有深度学习方法进行植被提取时出现的相邻地物处于同一窗口、分类结果出现一些无用破碎图斑和“椒盐现象”等问题,提出最优分割尺度与深度置信网络相结合的方法进行植被提取研究,并利用光谱-纹理特征等信息进行对比实验。实验结果表明,与现有的深度学习方法相比,本文方法分类结果的总体精度达到91.92%,Kappa系数为0.8677,能够有效提高实验的分类精度,而且分类结果显示本文方法能有效减轻“椒盐现象”,并能很好地表达影像上各类地物清晰的边界。
图像处理 图像分析 深度学习 深度置信网络 植被提取 无人机影像 激光与光电子学进展
2018, 55(2): 021001
1 四川建筑职业技术学院测绘工程系, 四川 德阳 618000
2 四川大学水力学与山区河流开发保护国家重点实验室, 四川 成都 610065
3 四川大学水利水电学院, 四川 成都 610065
轻型无人机以其机动灵活的特点，能够适应地形复杂、多云雾地区的飞行任务。但是由于其镜头小，获取的影像具有像幅小、数量多、基线短、重叠度不规则等特点，使得在进行区域网平差时和传统的航空影像有所不同。为解决无人机影像区域网平差工作量大、精度不高的问题，对获取的无人机影像进行了常规光束法区域网平差试验，利用无人机机载POS 数据进行POS 辅助光束法区域网平差，针对无人机获取的原始POS 数据精度不高的问题，通过在区域网内布设少量控制点，建立POS 数据改正模型，从而获取POS 数据误差改正参数，对原始POS 数据进行改正。提出了一种利用改正后POS 数据辅助区域网平差的方法，并对三种方法的精度进行了评定。研究结果表明，常规方法的精度要优于直接利用原始POS 数据的方法，利用改正后POS 数据的方法在精度上接近常规方法，同时提高了区域网平差的效率。
无人机影像 POS 数据 区域网平差 精度分析 激光与光电子学进展
2014, 51(6): 061001
西南交通大学地理信息工程中心, 四川 成都 610031
由于无人机体积小、重量轻，其在空中受到风力的影响较大，所拍摄的影像存在的畸变也比较大，因此，在影像匹配处理前进行畸变校正具有实际意义。利用Canny算子进行边缘提取，并依据Hough变换理论获得大量地物轮廓线；再利用以步长逼近获得像点真实坐标的反解算模型的方法来辅助校正并检测校正结果。同时，针对地物轮廓线之间存在平行、垂直等特点，提出了四边形连接法、平行线约束法等校正方法，并通过实验证明取得的结果令人满意。
成像系统 无人机影像 校正 轮廓线 反解算 激光与光电子学进展
2013, 50(6): 061102
西南交通大学 地理信息工程中心，成都 610031
与传统航空摄影测量相比，无人机所获取的影像存在更大、更复杂的几何变形问题，而且由于摄影比例尺大，影像在某些地物的局部纹理变化少。这些因素导致无人机影像的匹配存在更大的难度，出现误匹配的同名点对数目也会增多。首先根据Harris 算子提取并匹配特征点，提出了基于多边形匹配来探测并剔除误匹配同名点的方法，从距离、角度以及权重等方面考虑同名点匹配的可靠性，通过实验统计出不同区域剔除的误匹配同名点数目、运算速度以及匹配正确率，验证了该方法的可行性。
无人机影像 特征点 多边形匹配 误匹配 UAV images feature points polygon matching mismatch
针对无人机影像重叠度高，影像处理工作量大的特点，为了提高无人机摄影测量的工作效率，充分发挥无人机技术快速成图的优点，提出了一种利用改正后 POS数据自动展绘控制点的方法。该方法根据无人机 POS数据纠正原理，通过在区域网内布设少量控制点，建立 POS数据改正模型，从而获取 POS数据误差改正参数对原始 POS数据进行改正，利用改正后 POS数据在无人机影像上自动展绘控制点。研究结果表明，该方法对于无人机影像快速处理具有较好的实用价值。
无人机 POS数据 无人机影像 展绘控制点 POS数据误差改正参数 UAV POS data UAV images extraction of image control points POS data error correction parameter
