基于高分二号的面向对象城市水体信息提取

根据国产高分二号卫星影像具有光谱信息丰富、空间分辨率高的特点,利用面向对象的方法提取了城市水体信息。首先借助ESP尺度分割工具,确定最优分割尺度;再统计地物的光谱信息、形状因子、纹理特征等,构建城市水体提取知识库。针对城市水体和建筑物阴影混淆严重的问题,提出了一种利用能区分城市水体和阴影的ISTD指数提取城市水体的方法。结果表明,该方法的总体精度为89.55%,Kappa系数为0.86,比传统的基于像元的方法精度提高了16%。该方法可有效解决水体和建筑物阴影混分问题,在城市水塘等小面积水体提取方面具有明显优势。     

基于纹理增强的数字航片村镇建筑物信息提取

基于建筑物细部边缘信息在数字航片上的精细纹理表达,首先对原始影像进行边缘检测、主成分分析和基于二阶概率统计的纹理滤波等预处理,然后选择用7像元×7像元的窗口锐化得到Contrast纹理特征的灰度图;采用Contrast灰度图(R)、原始航片(G)、原始航片(B)的波段组合进行假彩色合成,得到基于对比度纹理的假彩色合成影像;最后对假彩色合成影像进行多尺度分割和建筑物提取。以北京市延庆县康庄镇2008年12月数字航摄影像为例,运用上述方法进行村镇建筑物信息提取。结果表明,与运用面向对象的分类方法相比,利用纹理增强提取村镇建筑物信息的方法突出了建筑物边缘,减少了冗余分割对象,解决了建筑物与其阴影相混淆不利于建筑物信息提取的问题;并对特征空间进行优化,避免了模糊分类时纹理特征规则运算缓慢的问题,较完整地提取出了村镇建筑物信息,提高了分类精度。     

基于机载LiDAR数据和遥感影像的复杂建筑物提取

综合利用机载LiDAR数据和高分辨率遥感影像数据优势,提出了一种面向对象的分层分类提取复杂建筑物的新方法。首先根据坡度强度信息,将影像分割成高、中、低坡度目标;再采用阈值法进行陡峭区、地表面和建筑物的初始分类;最后根据邻近对象光谱相似性原则,对陡峭区进行多尺度分割,并结合光谱、形状和空间关系等特征,基于模糊分类对建筑物提取结果进行优化。实验表明,该方法提取的建筑物信息精度较高,轮廓边缘相对完整。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

一种利用高光谱像元分解技术提取水体边界的方法

针对水体边界混合像元导致的精度损失问题，提出了一种基于高光谱混合像元分解的水体边界提取方法。该方法结合高光谱影像水体边界混合像元特有的光谱特征，削弱诸多因素对水体边界像元识别的影响，获取水体边界混合像元，降低了混合像元分解的计算量。通过混合像元的高精度分解及水体边界像元分割，进一步逼近水体的真实边界，能显著提高水体边界界定的精度。试验结果表明：用该方法进行水体提取，精度明显优于水体指数法，略优于支持向量机法，总体精度为93.86%，Kappa系数为0.87。     

基于GF-1遥感数据的城市水体信息提取方法研究

水体信息的高精度提取是水资源监测、调查与管理等研究领域的关键问题。本文选取国产GF-1卫星影像作为数据源,根据影像中典型地物光谱特征采用归一化水体指数法(NDWI)、多波段谱间关系法对研究区进行了水体提取,并通过结果分析提出了基于主成分分析与多尺度分割技术的综合水体信息提取方法。对以上4种方法进行对比分析,验证结果表明:归一化水体指数法易受阴影信息影响;改进的多波段谱间关系法能较为完整地提取水体信息,但受小范围阴影信息影响;主成分分析综合法总体精度较高;多尺度分割提取法能有效地分离水体信息与非水体信息,水体信息提取的效果最佳。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

基于NDWI分割与面向对象的水体信息提取

基于OLI融合影像,运用面向对象的目标提取方法对龙羊峡水体信息进行了提取。先将NDWI作为一个波段叠加到融合后的多波段影像中参与多尺度分割,再结合隶属度函数分类方法,选定NDWI的阈值范围提取水体信息,最后与基于像元的NDWI水体提取方法进行了比较。结果表明,两种方法受冰雪影响均较小,但面向对象的NDWI水体提取方法受山体阴影和薄云的影响较小,能完全消除基于像元的NDWI水体提取方法出现的"零星水体"现象。     

基于高分辨率遥感影像的面向对象水体提取方法研究

根据高分辨率遥感影像的特点,利用面向对象的方法对高分辨率遥感影像进行了水体提取.选取最优分割尺度和分割参数对试验区进行了分割;建立了对象知识库;选择合适的阈值参数进行了水体的提取和河流、湖泊的分类;把面向对象方法分类结果与传统方法分类结果进行了对比分析.试验表明,面向对象水体提取方法具有更高的精度,不仅有效地区分了水体和阴影,而且很大程度上抑制了"椒盐现象".     

结合对象关系特征的高分辨率卫星影像建筑物识别方法

基于面向对象特征影像分析的思想,提出了一种结合建筑物和阴影对象邻近关系特征的建筑物识别提取方法。在多尺度影像 分割的基础上,利用对象的光谱和形状等特征,建立简单的分类决策树,提取粗略的建筑物候选区和相对准确的阴影区。计算相邻 近阴影对象和建筑物对象的关系特征,建立简单的知识规则,即可从建筑物候选区中消除广场等噪音,获得准确有效的建筑物目标 信息。通过QuickBird卫星影像的实验,证明了该方法在高分辨率卫星影像建筑物目标识别中具有相当的适用性和准确性。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题，提出了一种显著性特征提取方法。首先，利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后，基于分割得到的小区域计算反映不同区域的显著性特征。最后，沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合，并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明，与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比，提取的显著性特征能够获得更高的高光谱影像分类精度，且结合光谱特征能够进一步提高分类精度。     

面向对象的泰安市高分辨率影像住宅建筑物提取

基于eCognition Developer平台,以泰安市QuickBird影像为数据,采用面向对象多尺度分割、最邻近和隶属度分类,充分利用高分辨率QuickBird影像具有的丰富光谱、形状、纹理和结构等地物信息,对实验区进行分类并提取住宅建筑物信息。实验表明,与传统逐像元分类法相比,面向对象分类法有效地避免了分割区域的离散破碎,地类信息的提取更加完整、精确、高效。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

基于改进型U-Net网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法自动化程度低、过分依赖人工设计的特征,以及现有的深度学习方法中存在的提取精度不高等问题,提出了一种基于改进型U-Net网络的高分辨率遥感影像建筑物提取方法。首先将空洞卷积加入到网络中,利用不同尺度的空洞卷积对来自网络编码部分的结果进行多尺度特征提取;再对提取的特征进行特征融合,并输入到网络的下一层;然后将制作的数据集输入到网络中进行训练;最后利用Softmax得到最终分割结果。在建筑物公开的数据集中进行测试,提取结果的像素精度为96.26%;Iou精度为78.59%、Recall为95.65%,表明该方法具有良好的鲁棒性和精度,能从影像中准确地提取建筑物。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

亚米级遥感影像的建筑物高度反演方法及其验证北大核心CSCD

建筑物高度是现代化都市监测、规划、管理及各城市经济活动中的基础性数据,为实现建筑物高度信息的提取,本文提出了一种基于玻尔兹曼曲线的建筑物高度反演方法。首先,利用建筑物影像的光谱特性,采用多尺度分割和遥感指数分类的办法获取建筑物阴影感兴趣区域,根据玻尔兹曼曲线函数拟合获取阴影的亚像素位置,线性拟合得到阴影边界;然后,根据太阳、卫星、建筑物和其阴影的几何关系,构建高度反演模型,估算建筑物高度;最后,选择宁海为研究区,选取在轨的主流亚米级高分二号、高景一号、北京二号、WorldView-2卫星遥感数据进行精度验证。试验结果表明,计算的建筑物高度中误差优于2.5 m,可用于一般的城市卫星遥感监测。     

基于遥感影像的城镇建筑物分类

震害损失主要是由建筑物损毁造成的,对城镇建筑物进行有效分类可以做好震害风险防范,通过遥感影像信息提取的方法对建筑物进行分类能提高工作效率。采用多分割图层及多尺度分割技术,利用特征库阈值分类与样本最邻近分类相结合的方法对遥感影像建筑物进行信息提取及分类。分类结果精度评价表明该方法优于利用单一分割图层样本最近邻分类结果,可以用于城镇建筑物分类。根据建筑物分类结果对震害风险进行了划分。     

顾及地物空间关系的卫星影像水系信息提取

为了更好地提取影像阴影部分的信息,本文采用一种顾及地物间空间关系的水系提取方法,将地物之间的空间关系与面向对象的方法相结合。通过多尺度分割算法生成同质的影像对象,利用决策树、隶属度函数和阴影与建筑物的邻接关系对水体进行提取。以昆明某区域影像为实验数据进行了试验,试验结果表明,所提出的方法可以有效解决阴影对水系提取造成的影响,大大提高了水系提取的精度。     

基于SPOT-5遥感影像的城市信息自动提取技术研究

城市信息的提取是城市动态监测和分析的基础,而城市动态监测对社会发展和人类生活具有重要意义。本文基于三峡地区的SPOT-5遥感影像,以城市绿地和建筑物为研究对象,用ENVI FX影像处理软件,对实验区的绿地和建筑物进行多尺度影像分割信息提取。结果表明,采用多尺度分割技术提取高分辨率影像中地物的提取精度更高,并有效地避免了"椒盐现象"。