精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大，近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展，然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分，难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network，ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力 （Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中，通过ASPP模块来捕获和聚合多尺度上下文信息，采用SCA模块选择性增强特定位置和通道中更有用的信息，并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验，结果表明：文章提出的方法总体精度和F1评分分别达到了97.4%和94.6%，相比其他模型能够获得更清晰的建筑物边界，尤其对图像边缘不完整建筑的提取效果较好，有效提升了建筑物提取的精度和完整性。
高分辨率遥感影像 双注意力机制 空洞卷积 建筑物提取 high-resolution remote sensing images dual attention mechanism atrous convolution building extraction
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 长江大学地球科学学院，湖北 武汉 430100
2 湖南科技大学测绘遥感信息工程湖南省重点实验室，湖南 湘潭 411201
3 城市空间信息工程北京市重点实验室，北京 100045
现有常规分类识别建筑物的提取方法容易受到周围复杂环境的干扰而导致错误检测，造成建筑物的边界存在不规则、与真实形状不符等问题。针对此问题，提出一种基于主方向的建筑物轮廓优化方法。首先，依据影像和建筑物特征对建筑物初始提取结果进行预处理，剔除非建筑物图斑和散乱线段。然后，结合建筑物正外接矩形判定建筑物主方向，并利用主方向对建筑物对象进行轮廓重构，得到初步规则化结果。最后，结合初始建筑物提取结果，计算边界特征强度，进一步降低规则化后的偏差，实现建筑物轮廓的深度优化。此外，通过与其他方法进行对比，对相关参数进行讨论分析。结果表明：相较于对比方法，所提方法能够有效提高建筑物初始提取结果的完整性和规则化程度，并且能够对不同大小与复杂度的建筑物进行细节优化，从而获得更高的优化精度；所提方法可作为建筑物提取后优化的参考方法。
遥感 高分辨率遥感影像 建筑物轮廓优化 主方向 最佳外接矩形 光学学报
2022, 42(18): 1828005
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
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 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
针对高分辨率遥感影像中分类法提取的建筑物轮廓不规则问题,设计了一种逐级优化规整建筑物轮廓的方法。根据分类验证思想提取的建筑物的初始结果,首先提取建筑物初始轮廓进行多边形拟合,获取与建筑物轴线倾斜程度相一致的最佳拟合外接矩形,然后将建筑物轮廓线段与最佳拟合外接矩形边界进行等分并比较两者之间的单向Hausdorff距离,对距离较小且满足替换条件的轮廓线段等分点利用对应的最佳拟合外接矩形边界等分点进行替换,实现轮廓初步的规整优化;接着利用Shi--Tomasi算法对建筑物局部无法规整的复杂轮廓区域进行特征角点提取、匹配、排序与剔除,进一步对边缘特征点进行有序连接与重构,实现轮廓深度的优化,最终提高边缘表达准确度和提取精度。通过对多幅遥感影像进行实验对比分析,结果表明本文方法不仅适用于不同分类方法提取的建筑物结果的轮廓优化,有效提高建筑物轮廓的边缘表达精度,而且相比于轮廓优化参照方法,逐级优化能更准确地适应复杂建筑物轮廓的细节变化,优化的精度整体较优,使建筑物边缘的准确性、规整程度得到有效改善,能更真实准确地反映建筑物的真实形状。
遥感 高分辨率遥感影像 建筑物轮廓优化 最佳拟合外接矩形 局部轮廓深度优化 中国激光
2020, 47(10): 1010002
