深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。

针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题,提出了一种将全卷积神经网络应用于遥感影像分类的方法;为了减少影像特征图在池化过程中自身特征的丢失,增加池化层与反卷积层的融合;为了提高融合的可靠性,增加尺度变换层;为了获得更精细的边缘分类结果,考虑像素之间的空间相关性,采用均值漂移聚类分割获取像素的空间关系,通过统计聚类区域像素概率的和最大、方差最小的方法确定该区域对象的类别;选取典型地区的影像进行分类实验,并将所提出的分类方法与全卷积神经网络、支持向量机、人工神经网络方法进行对比。结果表明,所提出的分类方法的精度明显高于传统机器学习方法的精度。

道路是城市中典型的人造地物。 利用高分辨率影像进行城市道路提取, 对城市规划、 交通发展具有重要意义。 由于地物光谱的混淆性和异质性, 利用传统基于光谱的分类方法很难将道路与其他城市地物区分开。 针对这一问题, 提出了一种利用道路边缘结构信息进行分类的方法, 边缘作为光谱衍生信息对线性地物(如, 道路等)识别具有明显的意义。 首先, 根据全色光谱波段纹理信息, 利用改进的自适应Mean Shift算法进行边缘检测, 最大限度减少噪声与伪边缘; 然后, 对边缘图像中的线段进行编组, 利用统计模型依次对边缘线段求取统计特征, 并将该统计特征与多光谱特征结合作为总分类特征; 最后, 利用监督学习方法对城市道路样本进行学习并对整个实验区域进行分类。 结果表明将光谱信息与边缘统计特征融合对道路的识别精度为93%, 相比传统方法78%的精度有显著的提高, 因此, 该方法是一种有效、 可行的高分辨率遥感图像城市道路提取方法。

随着遥感技术的发展，获取遥感数据的手段越来越丰富。由各种不同的传感器获取的影像数据与日俱增，在同一地区形成了多时相、多分辨率的影像序列。如何综合各种类型的遥感影像信息，提高遥感数据的利用效益已成为遥感应用的瓶颈问题。多源遥感数据融合技术是解决这一问题的有效手段。高空间分辨率影像数据的多样性和复杂性对遥感信息融合处理技术提出了新的更高的要求。以IKONOS卫星数据为例对其进行了空间分辨率的影像融合。研究中引入了多种融合方法，如IHS变换、主成分分析、小波变换以及基于区域特征的自适应小波包算法。从光谱质量和空间信息的角度出发对融合方法进行了比较研究，分析出了比较适合于IKONOS卫星的高分辨率影像融合的处理方法。