基于卷积神经网络的空心村高分影像建筑物检测方法

基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。     

基于迁移学习的无人机影像耕地信息提取方法

随着精准农业技术的发展,对农作物用地信息快速、准确提取的需求越来越高。同时,无人机技术以其方便、高效、具有低空云下飞行能力等优势被广泛应用于自然资源的调查中。但无人机影像普遍光谱信息较为匮乏,因此很难准确、快速地提取出耕地信息。基于此,提出了一种利用迁移学习机制的耕地提取方法(TLCLE)。首先,利用深度卷积神经网络(DCNN)剔除线状地物(道路、田埂等),然后,通过引入迁移学习机制将DCNN特征训练过程中得到的特征提取方法迁移到耕地提取中,最后,将所提方法与利用易康(e Cognition)软件进行耕地提取(ECLE)结果进行对比。研究结果表明:对于实验影像1、2,TLCLE方法耕地提取总体精度分别为91.9%、88.1%,ECLE方法总体精度分别为90.3%、88.3%,2种方法提取精度相当,在保证耕地地块完整、连续性上TLCLE方法优于ECLE方法。     

最优分割尺度支持下高分遥感影像水土资源信息分类

为提升水土资源信息分类精度,以无人机航拍获取的高分辨率影像为实验对象,提出了最优分割尺度和决策树支持下的对象级影像分类方法。首先,根据影像内部的同质性和异质性,建立了分割质量函数,通过该函数获取了最优分割尺度;然后,提出了基于光谱信息和面积信息的最优分割尺度评价模型对分割结果进行评价;最后,引入决策树规则机制,完成了水土资源信息分类,并与最大似然法分类结果进行对比。研究结果表明:所建立的分割质量函数能准确获取最优分割尺度,有效避免了人工分割带来的主观性,所提方法分类总体精度为86.78%,最大似然分类方法总体精度为77.59%,在分类精度上有较大提升。     

考虑地形特征的无人机影像分区域加权平差拼接方法

无人机遥感手段以其方便、快捷、成本低、可云下飞行的优势正越来越多地应用于农情信息的获取。为了解决无人机影像的数量多、畸变大、影像拼接过程中产生大量累积误差等问题,对拼接过程中如何减少误差累积进行了研究。首先,根据记录影像匹配过程中心点位置计算大致的匹配区域。然后,进行区域网概略计算,列出误差方程。对不同地形特征区域影像赋予权值,进行分区域加权平差。最后,利用3条航带的无人机影像分别对所提方法和直接拼接法进行了实验对比。实验结果表明:所提方法拼接后错位和鬼影现象减少了12%,拼接效率提高了15%,拼接后获得的面积扩大了8%。     

基于低空遥感与迁移学习的土地利用信息快速制图方法

为解决样本的手工获取和常规的目视解译难以适应目前农业土地资源信息自动化提取的需求问题,引入时空数据挖掘技术,运用关联知识迁移学习机制,提出了一种基于知识迁移学习的高分辨遥感影像土地利用信息分类制图方法(KTLC)。首先,运用改进的均值漂移算法对新的待分类制图影像进行分割获得影像对象,然后,将分割后对象的矢量边界与前时相土地利用矢量专题图进行配准、嵌套,通过叠加分析获取当前影像中的不变对象,并通过光谱、空间信息阈值筛选完成不变对象的提纯,进而将历史专题图中的地物类别知识迁移到新影像对象上,建立新的特征与地物类别映射关系,最后,运用决策树构建分类规则完成当前影像的快速分类制图,并将所提方法与利用易康(e Cognition)软件进行分类(EC)的结果进行对比。研究结果表明,对于2组实验影像,KTLC方法分类总体精度分别为88.61%、88.30%,EC方法分类的总体精度分别为89.87%、84.84%,2种方法分类制图精度相当,但在效率方面,KTLC方法优于EC方法。     

基于词袋特征的空心村高分影像建筑物解译模型

如何利用高分影像构建自动解译模型是快速高效获取空心村建筑物的关键,对空心村调查研究具有重要意义。针对传统目视解译需要专业知识,效率低、工作量大的问题,提出一种基于词袋特征的空心村高分影像建筑物解译模型。首先,对比了多种影像特征提取方法;然后,选取词袋特征(Bo W)和支持向量机(SVM)构建建筑物自动解译模型;最后,为检验方法的有效性,选取空心村高分影像构建了建筑物样本库,并基于该样本库进行实验研究。结果表明本文方法的分类准确度可以达到0.86,所提方法可用于空心村内建筑物自动解译,具有较高的实用价值。