一种改进的高分辨率遥感影像分割方法及应用

一种高分遥感影像物体分割质量评价方法高分辨率遥感影像物体分割是遥感图像处理和图像识别的重要研究领域之一。

为了评价物体分割算法的质量，需要选择合适的评价方法。

本文将介绍一种常用的高分遥感影像物体分割质量评价方法。

一、精确度评价指标1.准确率（accuracy）: 准确率是最常用的评价指标之一，表示分类结果中正确分类的像素数量与总像素数量之比。

其计算公式为：accuracy = (TP + TN) / (TP + FP + TN + FN)，其中TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性。

2.召回率（recall）: 召回率也称为灵敏度、命中率，表示分类结果中正确分类的像素数量与实际物体像素数量之比。

其计算公式为：recall = TP / (TP + FN)。

3.精确率（precision）: 精确率是指分类结果中正确分类的像素数量与算法预测结果中像素数量之比。

其计算公式为：precision = TP / (TP + FP)。

4.F值（F-measure）: F值是综合考虑精确率和召回率的评价指标，采用调和平均数的形式来衡量分割结果的质量。

其计算公式为：F-measure = (2 * precision * recall) / (precision + recall)。

二、区域性评价指标1.覆盖率（coverage）: 覆盖率表示分类结果中正确分类的像素数量与实际物体像素数量之比。

其计算公式为：coverage = TP/ (TP + FN)。

2.重叠度（overlap）: 重叠度表示分类结果中正确分类的像素数量与总像素数量之比。

其计算公式为：overlap = TP / (TP + FP + FN)。

三、形状性评价指标1.相对面积误差（RAE, Relative Area Error）: 相对面积误差是指分类结果与实际物体面积之间的相对误差。

其计算公式为：RAE = |A_r - A_t| / A_t，其中A_r为分类结果的面积，A_t为实际物体的面积。

基于GLNet和HRNet的高分辨率遥感影像语义分割赵紫旋1,2，吴谨1,2，朱磊1,3（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）摘要：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。

关键词：高分辨率遥感影像；语义分割；全局分支；局部分支；独立训练中图分类号：TP751.1 文献标识码：A 文章编号：1001-8891(2021)05-0437-06High-resolution Remote Sensing Image Semantic SegmentationBased on GLNet and HRNetZHAO Zixuan1,2，WU Jin1,2，ZHU Lei1,3(1. School of Information and Engineering, Wuhan University of Science and Technology, Wuhan 430081, China;2. Engineering Research Center of Metallurgical Automation and Measurement Technology, Ministry of Education, Wuhan 430000, China;3. WISDRI CCTEC Engineering Co. Ltd, Wuhan 430223, China)Abstract: The backbone of a convolutional neural network global branch, a residual network (ResNet), obtains low-resolution feature maps at side outputs that lack feature representation. The local branch aggregates the feature maps in the global branch, which are not fully learned, resulting in a negative impact on image segmentation. To solve these problems in GLNet (Global-Local Network), a new semantic segmentation network based on GLNet and High-Resolution Network (HRNet) is proposed. First, we replaced the original backbone of the global branch with HRNet to obtain high-level feature maps with stronger representation. Second, the loss calculation method was modified using a multi-loss function, causing the outputs of the global branch to become more similar to the ground truth. Finally, the local branch was trained independently to eliminate the confusion produced by the global branch. The improved network was trained and tested on the remote sensing image dataset. The results show that the mean absolute errors of the global and local branches are 0.0630 and 0.0479, respectively, and the improved network outperforms GLNet in terms of segmentation accuracy and mean absolute errors.Key words: high-resolution remote sensing image, semantic segmentation, global branch, local branch, trained independently0 引言图像的语义分割将属于相同目标类别的图像子区域聚合起来，是高分辨率遥感影像信息提取和场景理解的基础，也是实现从数据到信息对象化提取的关键步骤，具有重要的意义。

一种改进transunet的高分辨率遥感影像滑坡提取方法网络首发2023-10-25•引言•TransUNet算法概述•高分辨率遥感影像滑坡提取方法•改进TransUNet算法的性能评估目•结论与展望•参考文献录01引言滑坡是常见的自然灾害之一，对人类社会具有较大的危害。

高分辨率遥感影像技术可以为滑坡提取提供高效、准确、实时的监测手段。

背景通过对高分辨率遥感影像的滑坡提取方法进行研究，可以及时发现和预测滑坡，为灾害防控和救援工作提供科学依据。

意义研究背景与意义现状目前，基于深度学习的滑坡提取方法已经取得了一定的进展，其中TransUNet等网络模型在滑坡提取中具有较好的应用效果。

问题然而，现有的方法在处理高分辨率遥感影像时仍存在一些问题，如提取精度不高、计算量大、模型复杂等。

研究现状与问题研究内容：本研究旨在提出一种改进的TransUNet模型，以提高高分辨率遥感影像滑坡提取的精度和效率。

具体研究内容包括1. 改进TransUNet模型的架构和参数设置；2. 利用改进的TransUNet模型对高分辨率遥感影像进行滑坡提取；3. 对比改进前后模型的提取效果，分析实验结果。

研究方法：本研究采用理论分析和实验验证相结合的方法研究内容与方法010*******02 TransUNet算法概述TransUNet是一种基于深度学习的遥感影像滑坡提取方法，其核心思想是通过捕捉遥感影像中的空间和语义信息来实现滑坡区域的提取。

TransUNet采用了U-Net架构，通过在编码器中引入注意力机制和对解码器进行改进，提高了遥感影像滑坡提取的精度和稳定性。

TransUNet算法框架包括编码器和解码器两个部分。

编码器部分通过卷积神经网络对遥感影像进行特征提取，解码器部分则对提取的特征进行空间重建，得到滑坡区域的提取结果。

1TransUNet算法优化方案23针对遥感影像的特性，引入了注意力机制，增强了模型对滑坡区域的关注程度，提高了提取精度。

基于像元形状指数方法的高空间分辨率遥感影像分类高空间分辨率遥感影像分类是指利用高分辨率遥感影像进行地物分类的过程。

在传统的遥感影像分类方法中，通常使用像元的原始光谱信息作为分类依据。

然而，由于高空间分辨率影像具有更多的细节信息，仅仅使用光谱信息可能无法充分利用这些细节信息。

因此，基于像元形状指数的方法在高空间分辨率遥感影像分类中得到了广泛应用。

像元形状指数是一种用于描述像元形状特征的指标，可以通过一些数学算法计算得到。

高空间分辨率遥感影像中的每个像元都具有一定的形状，像元形状指数可以定量地描述这种形状特征。

常见的像元形状指数包括面积、周长、矩形度、圆形度等。

1.预处理：对高空间分辨率遥感影像进行预处理，包括去噪、边缘增强等操作，以提高影像质量。

2.分割：采用图像分割算法将遥感影像划分为若干个区域，每个区域包含多个像元。

3.特征提取：对每个区域提取像元形状指数作为分类特征。

常用的特征提取方法包括基于几何形状的指数计算、灰度共生矩阵、纹理特征等。

4.分类器训练：将提取的特征作为输入，利用机器学习或统计方法建立分类器模型。

常见的分类器包括支持向量机、决策树、随机森林等。

5.分类：利用训练好的分类器对未分类的高空间分辨率遥感影像进行分类。

根据像元形状指数，将每个像元分配到对应的类别中。

6.精度评价：对分类结果进行评价，计算分类的准确率、召回率、F1值等指标，以评估分类的精度和可靠性。

1.利用了影像中的细节信息：高空间分辨率遥感影像具有更多的细节信息，像元形状指数可以有效地提取这些细节特征，从而提高分类的准确性。

2.考虑到了空间关系：像元形状指数是基于像元的空间分布来计算的，因此能够考虑到像元之间的空间关系，对于区域内的地物更能准确地描述。

3.适用于复杂地物分类：高空间分辨率影像通常涵盖了复杂的地物信息，基于像元形状指数的方法可以根据不同的形状特征来识别并分类这些地物。

然而，基于像元形状指数的高空间分辨率遥感影像分类方法也存在一些挑战和限制，如像元形状指数的提取算法可能存在一定的误差和不确定性。

基于改进变分水平集方法的遥感影像道路提取【摘要】本文旨在提出一种应用于高分辨率遥感影像道路提取的方法——改进的变分水平集方法。

该方法通过在GACV（Geodesic-Aided C-V）模型中，引入基于PCA（Principal Component Analysis）彩色区域生长的目标识别函数，基于Beltrami框架的彩色梯度流和一个用于表征水平集函数与符号距离函数近似程度的惩罚项，实现了对算法的改进。

该方法适用于复杂背景下感兴趣目标的提取，已通过实验得以验证。

【关键词】GACV模型；彩色区域生长；改进变分水平集方法；高分辨率遥感影像；道路提取0 引言长期以来，遥感影像道路提取被认为是遥感、计算机视觉、GIS等领域的研究热点之一。

在高分辨率遥感影像中，道路表现为具有一定长度和宽度，拓扑结构复杂的一类地物[1]，且受非目标地物（车辆、行人、树木阴影等）影响较大。

因此，在高分辨率遥感影像上进行道路提取一直被认为是一项很具难度的工作。

活动轮廓模型是一种自上而下的能够有效融合上层知识和底层图像特征的处理过程，特别适用于建模以及提取任意形状的变形轮廓等。

已有许多学者将活动轮廓模型应用于道路提取，并取得了一定的研究成果[1-2]，但是这些已有的方法有的仅适用于乡村等背景简单的场景[2]；有的人工干预较多，且时间效率较低[1]。

水平集表达模型作为活动轮廓模型研究的一个重要分支，当提取对象是图像中的所有目标的边界时，水平集表达模型是一种很有效的方法[3-7]。

但是，如果仅需要提取感兴趣的目标，特别是对于背景比较复杂的图像，则利用该方法进行目标提取就变得很具难度。

本文以城区高分辨遥感影像主干道路为研究对象，在现有研究成果的基础上，提出一种适用于提取复杂背景下感兴趣目标的变分水平集方法，并在第3节，利用多幅QuickBird卫星高分辨率遥感影像对该模型的有效性进行了验证。

实验结果表明该模型能够较精确地从复杂背景中提取出道路，具有较强的抗干扰能力。

基于深度学习的高分辨率遥感图像海陆分割方法1. 引言1.1 背景介绍基于深度学习的海陆分割方法近年来备受关注，其通过构建深层神经网络模型，实现对海陆图像中复杂特征的自动学习和提取，取得了较好的分割效果。

深度学习技术的发展为海陆分割提供了新的思路和解决方案，使得分割精度和效率得到了显著的提升。

本文旨在探讨基于深度学习的高分辨率遥感图像海陆分割方法，借助深度学习技术的优势，提高海陆分割的精度和鲁棒性，促进遥感图像在海洋科学、资源管理等领域的应用。

通过实验验证和结果分析，进一步探讨该方法的优势和不足，为海陆分割技术的发展提供参考和借鉴。

1.2 研究意义遥感图像海陆分割是遥感领域的一个重要问题，对于海岸线监测、海洋资源管理、环境保护等具有重要意义。

传统的海陆分割方法通常依赖于手工设计的特征和规则，难以适应图像的复杂多变性，而基于深度学习的方法可以自动学习图像的特征表示，具有更好的适应性和泛化能力。

基于深度学习的高分辨率遥感图像海陆分割方法在提高分割准确度、增加分割效率方面具有重要意义。

深度学习技术在图像处理领域取得了巨大成功，其强大的特征学习能力和表征能力使得在海陆分割问题上取得了很好的效果。

通过深度学习算法，可以有效地提取遥感图像中的海陆信息，从而实现对海陆的精确分割。

这不仅可以为海岸线监测、海洋环境保护等领域提供可靠的数据支持，还可以为相关决策提供科学依据。

研究基于深度学习的高分辨率遥感图像海陆分割方法具有重要意义，可以推动遥感图像分割技术的发展，提高分割准确度和效率，为海洋资源管理、环境保护等领域提供更好的数据支持。

1.3 研究现状目前，遥感图像海陆分割是遥感图像处理领域的重要研究方向之一。

在过去的几十年里，研究人员已经提出了许多不同的海陆分割方法，包括基于传统机器学习算法的方法和基于深度学习的方法。

传统的机器学习方法通常需要手工设计特征和规则来进行图像分割，这会限制算法的性能和泛化能力。

而近年来，深度学习技术的迅速发展为海陆分割问题提供了新的解决方案。

高空间分辨率遥感影像多尺度分割优化组合算法许飞;曹鑫;陈学泓;崔喜红【摘要】高空间分辨率遥感影像能够充分地描述地表覆盖空间异质性,可用于提取地面目标物.然而高空间分辨率在像元尺度的目标提取时易产生“椒盐效应”问题,面向对象的小尺度影像分割也受此效应影响;而大尺度的影像分割造成较小目标的遗漏.本文提出了一种针对高空间分辨率遥感影像的多尺度分割优化组合算法MOCA (Multi-scale-segmentation Optimal Composition Algorithm),基于后验概率信息熵指标选择影像中每个地面目标的最优分割尺度并集成组合,获得高空间分辨率遥感影像的多尺度分割优化组合结果.本文使用F指标和BCI (Bidirectional Consistency Index)两种指标评估地面目标物提取精度,并将MOCA与同类多尺度分割方法进行比较.实验结果表明,本文提出的MOCA算法可实现多个分割尺度的最优组合,并获得较高的地面目标物提取精度.%High spatial resolution remote sensing imagery can fully delineate the heterogeneity of land covers and has been widely used for extracting surfaceobjects.However,pixel-based object extraction from high spatial resolution images may bring in'salt-and-pepper effect',and this effect also occurs when segmentation scale is small using object based analysis.Choosing a big segmentation scale will omit small surface objects.In this research,a Multi-scalesegmentation Optimal Composition Algorithm (MOCA) for object-based extraction with high spatial resolution imagery are proposed.MOCA selects optimal segmentation scale for each surface object based on entropy of posterior probabilities of land covers,and combines different scales to produce the suitable scales composition.F-measure and Bidirectional Consistency Index (BCI) are used to evaluate the accuracy of surface object extraction and compared with the existing multi-scale-segmentation method.Results show that MOCA can achieve the optimal composition of multiple scales and obtain a high accuracy of object extraction.【期刊名称】《地理信息世界》【年(卷),期】2017(024)003【总页数】5页(P1-5)【关键词】高空间分辨率;面向对象;多尺度分割;后验概率;信息熵【作者】许飞;曹鑫;陈学泓;崔喜红【作者单位】北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地理科学学部遥感科学与工程研究院,北京100875;北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地理科学学部遥感科学与工程研究院,北京100875;北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地理科学学部遥感科学与工程研究院,北京100875【正文语种】中文【中图分类】P2370 引言高空间分辨率遥感影像提高了遥感技术监测地面信息的精细程度，被广泛应用于城市规划、土地资源调查等领域。