1 天津城建大学 计算机与信息工程学院，天津300384
2 天津城建大学 地质与测绘学院，天津300384
针对高分辨率遥感影像中建筑物形状多样、大小不一引起建筑物提取精度低及传统分割模型存在参数量大等问题，提出一种基于编码-解码的轻型多尺度差异网络LMD-Net（Lightweight Multi-scale Difference Network）。首先，为了避免单一的特征处理单元堆叠使得模型性能弱化而产生无效参数，通过融合编解码结构的功能差异性，设计出一种轻型差异模型优化性能。其次，引入一种多尺度膨胀感知模块（Multi-Scale Dilation Perception，MSDP）来增强网络捕捉多尺度目标特征的能力。最后，通过双融合机制有效聚合深层跳跃连接和深层解码器两组的特征信息，从而实现增强解码器的特征恢复能力。为验证轻型多尺度差异网络LMD-Net的有效性和适用性，以开源WHU building dataset数据集作为数据源，对LMD-Net网络与常用语义分割网络及近年相关文献研究成果进行了精度、效率方面的评估实验。结果表明：LMD-Net网络在效率与精度两方面均表现出明显优势，不仅很大程度上减少模型的参数量和计算量，而且交并比、准确率分别提高了3.23%，2.57%。表明在基于高分辨率遥感影像建筑物提取领域中，该模型所表现的优势具有良好的城市空间信息库价值。
高分辨率遥感影像 多尺度 建筑物提取 编码-解码 轻型 high resolution remote sensing image multi-scale building extraction coding-decoding light weight 光学 精密工程
2023, 31(22): 3371
1 辽宁工程技术大学软件学院，辽宁 葫芦岛 125105
2 中国科学院福建物质结构研究所泉州装备制造研究中心，福建 泉州 362216
遥感影像场景分类方法多基于传统机器学习或卷积神经网络，此类方法的特征提取能力极为有限，尤其在处理类间相似度大、空间信息复杂、几何结构繁多的光学遥感影像时更容易出现特征信息丢失、分类精度受限等问题。基于此，提出一种融合字典学习与视觉转换器（ViT）的高分辨率遥感影像场景分类方法。该方法不仅能够挖掘图像内部的长距离依赖关系，而且可以利用字典学习抓取图像的深层非线性结构信息，从而达到提升分类准确度的目的。在PyTorch深度学习框架上，在RSSCN7、NWPU-RESISC45和Aerial Image Data Set（AID）3个公开的遥感影像数据集上对所提方法和模型进行了广泛实验，验证了所提方法的可行性，其分类正确率比原始视觉转换器模型分别高出1.763个百分点、1.321个百分点和3.704个百分点。与其他先进的场景分类方法相比，所提方法实现了更加优异的分类性能。
视觉转换器 字典学习 遥感场景分类 高分辨率遥感影像 激光与光电子学进展
2023, 60(14): 1410019
1 中国地质大学(武汉)地理与信息工程学院, 湖北 武汉 430074
2 国家地理信息系统工程技术研究中心, 湖北 武汉 430074
针对小样本遥感影像场景数据集中地物多样性和分布复杂性引起的分类精度低下的问题,提出一种基于迁移学习的混合专家(TLMoE)分类模型。该模型通过多通道充分利用包含场景全局信息的全连接层特征和包含场景局部细节信息的卷积层特征,能够实现更精确的场景分类。基于全连接层特征的预判通道,利用场景全局信息完成对全部类别场景的初判;通过专家通道为每类场景训练专属专家网络,针对性地挖掘各类场景卷积层特征中蕴含的关键局部信息,提取可区分相似场景间细微差异的局部特征,完成细粒度的识别;结合预判权重实现顾及场景全局及局部差异的分类。在小样本数据集上的实验表明,本文方法可有效识别易混淆场景,能够取得较好的分类效果。
遥感 高分辨率遥感影像 场景分类 混合专家系统 迁移学习 光学学报
2021, 41(23): 2301003
辽宁工程技术大学软件学院, 辽宁 葫芦岛 125105
高分遥感影像的场景分类是解译遥感影像信息的重要工作之一。为了准确提取出目标信息,针对高分遥感影像场景分类中存在的背景复杂、目标多样、目标信息与背景信息难以区分等问题,提出了一种基于显著性特征和深度卷积神经网络(DCNN)的高分遥感影像场景分类方法。首先,利用K-means聚类与超像素分割算法得到影像的颜色空间分布与颜色对比图,融合不同对比图,以得到显著图。然后,通过对数变换增强显著图中的特征,采用自适应阈值分割方法提高目标的区分度并划分出目标区域和背景区域,以提取出感兴趣区域。最后,构建了一种用于提取深层语义特征的DCNN模型,并将得到的特征输入网络模型中进行训练和分类。实验结果表明,本方法能有效区分主要目标信息与背景信息,减少无关信息的干扰,在UC-Merced数据集和WHU-RS数据集上的分类精度分别为96.10%和95.84%。
大气光学 高分遥感影像 场景分类 显著性检测 卷积神经网络 深层语义特征 激光与光电子学进展
2021, 58(20): 2001002
1 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院大气光学重点实验室, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230022
3 安徽建筑大学环境与能源工程学院, 安徽 合肥 23061
为实现建筑物单体信息的高精度提取, 采用基于规则的面向对象方法, 提出了一种经图像预处理、多尺度分割、构建规则信息和特征提取的技术流程。以基于国产高分二号卫星的扬州市两个样本区 (佳家花园小区和联谊南苑小区) 为例对该方法进行了实验验证, 研究结果表明: 与传统方法相比, 新方法提取的效果更好、精度更高, 识别精度达到 97.7%, Kappa 系数为 0.93。
规则数据库 面向对象 信息提取 高分辨率遥感影像 建筑物 rule database object-oriented information extraction high resolution remote sensing image building 大气与环境光学学报
2021, 16(4): 358
1 武汉科技大学信息科学与工程学院，湖北武汉 430081
2 冶金自动化与检测技术教育部工程中心，湖北武汉 430000
3 中冶南方连铸技术工程有限责任公司，湖北武汉 430223
在 GLNet(Global-Local Network)中，全局分支采用 ResNet(Residual Network)作为主干网络，其侧边输出的特征图分辨率较低，而且表征能力不足，局部分支融合全局分支中未充分学习的特征图，造成分割准确率欠佳。针对上述问题，提出了一种基于 GLNet和 HRNet(High-Resolution Network)的改进网络用于高分辨率遥感影像语义分割。首先，利用 HRNet取代全局分支中原有的 ResNet主干，获取表征能力更强，分辨率更高的特征图。然后，采用多级损失函数对网络进行优化，使输出结果与人工标记更为相似。最后，独立训练局部分支，以消除全局分支中特征图所带来的混淆。在高分辨率遥感影像数据集上，对所提出的改进网络进行训练和测试，实验结果表明，改进网络在全局分支和局部分支上的平均绝对误差(Mean Absolute Error，MAE)分别为 0.0630和 0.0479，在分割准确率和平均绝对误差方面均优于 GLNet。
高分辨率遥感影像 语义分割 全局分支 局部分支 独立训练 high-resolution remote sensing image, semantic seg
长安大学地质工程与测绘学院, 陕西 西安 710054
传统的YOLOv3模型通常利用ImageNet、COCO等与测试集目标场景特征差异较大的数据集进行训练,存在对高分辨率遥感影像中复杂场景目标检测精度不高的问题。为解决这一问题,提出了一种对YOLOv3网络训练过程进行优化的方法。该方法基于迁移学习的思想,在YOLOv3网络训练中,通过生成与目标域更相似的增广数据集对模型进行预训练,实现了训练过程的优化,提高了目标初始预测的精度;利用目标域训练数据对预训练模型参数进行微调,完成了对网络的训练。利用公开的RSOD和DIOR遥感图像目标检测数据集的子集对飞机、运动场、立交桥三大类目标进行模型训练和检测实验,结果表明:本文提出的训练优化后的YOLOv3模型有效地提高了复杂城区场景中上述三类目标的检测精度。与传统的YOLOv3模型相比,三类目标的平均精度均值(mAP)提高了2%以上。
遥感 目标检测 高分辨率遥感影像 YOLOv3 迁移学习 激光与光电子学进展
2021, 58(16): 1601002
1 长江大学地球科学学院, 湖北 武汉 430100
2 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
针对遥感影像中的阴影会导致地物信息受损、影像质量下降的问题,提出了联合对数变换与局部增强的高分遥感影像阴影补偿方法。在阴影检测结果的基础上,首先设计了改进的对数变换图像增强方法,构建了对数变换模型,实现了阴影区域亮度的有效提升。然后,联合局部补偿模型,进行了加权处理,提升了阴影区域的对比度。最后,基于阴影边界同类特征点匹配的思想,自动解算了补偿模型的参数,实现了自动补偿。实验结果表明,所提方法可有效地实现阴影补偿,提升阴影区域的亮度与对比度,较准确地再现阴影区域地物的真实信息。
图像处理 高分辨率遥感影像 阴影补偿 对数变换 局部补偿模型 加权综合 激光与光电子学进展
2020, 57(20): 201006
1 海军工程大学兵器工程学院, 湖北 武汉 430000
2 中国人民解放军海军参谋部, 北京 100841
针对高分辨率遥感卫星图像采用单一算法难以有效去除不均匀云雾的问题,提出一种基于图像分割和暗原色先验改进方法相结合的优化算法。采用图像分割技术将原云雾图像分割成浓雾部分和淡雾部分。浓雾部分采用加权多尺度Retinex算法进行局部增强去雾处理;淡雾部分采用改进暗原色方法,将暗原色图像去雾模型由RGB颜色空间转换到HSI颜色空间,提取亮度分量,获取准确的大气光值,并采用容差机制优化获取大气透射率,在此基础上采用自动色阶法增强处理,获取去除云雾后的图像。实验对比表明提出的算法能够很好地还原图像细节,有效恢复图像的颜色和清晰度。
机器视觉 去雾处理 高分辨率遥感图像 暗原色先验法 图像分割 激光与光电子学进展
2020, 57(6): 061504
1 长江大学地球科学学院, 湖北 武汉 430100
2 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
分类法提取建筑物因易受到错误检测的影响而存在边缘锯齿、形状不规则等问题。提出了一种利用符合建筑物轮廓及轴向的最佳外接矩形和Hausdorff距离综合优化建筑物轮廓的方法。首先利用偏移阴影分割分类方法提取建筑物,对建筑物边界进行多边形拟合;然后用获取拟合结果的最小外接矩形判断建筑物轴向,以选择最佳的外接矩形,并将最佳外接矩形和建筑物轮廓进行逐段等分,计算线段之间的Hausdorff距离,并根据替换规则选择性地用外接矩形边线段进行边界替代,以进一步进行规整优化,最终提高了边缘表达的准确度和提取精度。对多幅遥感影像进行实验,并与其他提取方法进行对比,结果表明:所提方法的总体精度均不同程度地优于参照方法,建筑物边缘的准确性、规整程度及最终精度均得到了有效改善,更真实、准确地反映了建筑物的真实形状。
遥感 高分辨率遥感影像 多边形拟合 最佳外接矩形 Hausdorff距离 建筑物轮廓规整优化 激光与光电子学进展
2020, 57(2): 022801
