面向对象的遥感影像隐性地物信息提取

针对传统遥感影像提取方法中仅使用光谱像元信息的缺陷,本文使用Landsat 8遥感影像数据,探究面对地形复杂区域进行多种地物信息提取充分挖掘影像隐性信息的情况,使用面向对象的分类方法实现地物信息提取.结果 表明该方法分类精度较传统监督分类有所提高,且符合人类认识客观事物的思维模式,对于准确提取地物信息、提高提取精度具有很大帮助.     

基于决策树的遥感影像土地利用类型识别研究

为了准确获取新都区土地利用类型,以2007年四川省成都市新都地区的TM遥感影像为数据源,基于决策二叉树分类方法,在利用各类典型地物的反射光谱特性及典型归一化指数的基础上,结合目视解译,建立了一组能快速、准确提取土地利用信息的决策树分类规则,对研究区域遥感影像进行决策树分类。研究结果表明,决策树分类总体精度和Kappa系数分别为81.00%和0.7314,取得了较为满意的分类结果。     

极化SAR影像分类方法对比分析

极化SAR影像所包含的丰富的地物极化特征信息使得SAR影像的解译更为容易,同时也使得对地物的探测更加精准。在本文中,首先基于极化SAR影像的极化特征,采用区域融合算法对影像进行分割;在此基础上使用基于Wishart分布的最大似然分类方法(Wishart-LRT)、基于几何扰动滤波(GPF)的极化SAR影像分类方法和最近邻(KNN)分类方法对影像中的耕地、草地、林地、水体进行分类和提取,并对分类结果进行分析评价,最终发现对于该区域的RADARSAT-2影像而言,基于Wishart分布的最大似然分类方法对于地物分类可达到较高的精度。     

增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类

高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点,以DeepLab v3+网络模型为基础,提出E-DeepLab网络模型。主要改进为：（1）改进编码器和解码器的结合方式,使用简洁有效的加成连接方式。（2）缩小单次上采样倍数,增加上采样层,提高编码器与解码器连接的紧密性。（3）使用改进的自适应权重损失函数,自动调节地物损失权重。同时根据数据特点,提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验,结果表明,两地区精度均明显优于原始DeepLab v3+模型和其他相关模型,Potsdam地区总体提取精度达到93.2%,建筑物提取精度达到97.8%,Vaihingen地区总体提取精度达到90.7%,建筑物提取精度达到96.3%。目视对比分类图和标准标记图,两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。     

面向对象方法支持下的土地利用分类

面向对象的影像分析技术在高分辨率影像地物信息的提取中有着重要应用.利用Sentinel-2高分辨率多光谱影像数据,以合肥市包河区作为研究区域,应用多尺度分割技术将影像分割成对象,并对特征空间进行选择和优化,基于面向对象分类方法提取出研究区域最近邻的六种典型地物,分类结果与面向像元的最大似然分类、支持向量机、神经网络的结果进行比较.结果表明:利用面向对象方法进行土地利用分类的总体精度88.90％,Kappa系数为0.8579,优于三种传统的监督分类方法.证明了面向对象的影像分析技术在土地利用分类中的实用性.     

基于面向对象分类的城市土地利用变化检测

以新疆乌鲁木齐某区域2013年的GeoEye影像和2015年的IKONOS影像为辅助数据,进行基于面向对象分类的城市土地利用变化检测实验;根据各类地物的提取规则,提取了实验区域的地物信息,并利用ENVI5.1软件进行了变化检测。结果表明,面向对象分类的变化检测方法总体精度为85.97%。为了提高该方法的精度,结合目视解译方法,面向对象方法 +目视解译的变化检测精度为87.00%,说明目视解译方法在一定程度上提高了检测精度。     

复杂山地环境下典型地物解译规则库研究

选择重庆市山地区域为研究区,以World View-2影像为研究对象,基于植被构面成果,采用面向对象的分类方法探讨了复杂山地环境背景下典型地物的光谱、纹理、几何、结构等特征;构建了适合山地环境地物遥感分类的解译规则库,自动进行地物的分类解译,并对分类结果进行了精度评价。结果表明,面向对象分类方法构建的解译规则库能够适用于复杂山地环境遥感影像的分类,保证了地物形状和属性的完整性,提高了遥感影像的分类精度;基于植被构面成果建立的解译规则库解决了地物分类时林地和果园难以区分的困难,提高了复杂山地环境下遥感影像的分类精度。     

基于Weka平台的C4.5算法在影像分类中的应用

遥感图像分类是从复杂的地物类型中提取有效类别信息的过程。在研究区地物类型较为复杂的情况下,借助计算机对遥感数据进行类别预测可以提高分类效率和准确率。本文基于Weka平台,利用决策树C4.5算法构造分类模型,进而对未知类别数据进行预测。实验分析表明,基于Weka平台利用决策树C4.5算法对遥感图像分类是可行且有效的,且分类精度较高。     

基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

多层次分割的极高海拔区影像信息提取北大核心CSCD

针对极高海拔区地形复杂、气候寒冷,难以实地测绘,且目前的极高海拔区遥感影像信息提取方法在精度和效率方面不足的问题,该文利用中分辨率影像,以西昆仑山区为例,依据地物的光谱、地形和分布等特征差异,综合和发展现有的描述特征算法,在不同尺度层次建立了多尺度分割的分类体系,实现了极高海拔区目标地物的影像分类提取。实验表明,该方法的提取精度优于面向对象的监督分类和传统基于像素的分类,能够很好地提高极高海拔地区影像信息提取精度和效率。     

基于Landsat-7 ETM的地物精准分类提取方法分析

居民地是人与自然相互作用的产物,快速掌握居民地及其他地物的空间分布和变化特征对城市化进程及区域可持续发展具有重要意义。以四川省绵阳市为研究区域,采用Landsat-7 ETM数据,利用基于像元和面向对象两种方法分别对研究区的居民地及其他地物进行提取,并对结果进行了比较分析。结果表明,三种方法都能较为准确地提取出居民地及其他地物信息,但在提取精度、工作量投入、应用场景方面各有优缺点,面向对象的分类方法具有一定的优势,在大范围生产中可根据实际情况选用不同的方法。     

一种城市高大地物阴影检测方法

针对水体、偏蓝色地物会影响阴影检测精度这一问题,该文提出了一种基于WorldView-2影像的城市高大地物阴影检测方法。首先,在统计分析阴影及典型地物光谱值的基础上,对C1C2C3色彩不变空间中的C3分量利用直方图阈值法分割阴影区域和非阴影区域,分离后的阴影区域中包含了绿色植被信息;然后,利用多波段运算提取植被信息;其次,对最初的阴影植被混合区域和植被区域做逻辑差运算,得到目标阴影区域;最后,对阴影提取结果进行小区域去除和形态学滤波等后处理。实验结果表明,该方法针对WorldView-2影像具有普适性,能够有效避免水体、偏蓝色地物的影响,能够精确、快速地检测阴影区域。     

基于SVM监督分类的水体信息提取研究

利用遥感影像提取地表地物信息及人工目标是构建、更新地理空间数据库的重要手段。选用2景Landsat-TM遥感影像作为试验区,采用选取训练样本的SVM监督分类方法进行地表水体提取试验。结果表明,基于SVM监督分类方法仅适用于地表同质性好的区域,而对于地表信息丰富、地物混合度较高的区域,基于SVM监督分类方法选取和优化样本用时会显著增加,后期人工修改量大,分类效率较低。     

一种地物点云数据栅格化分类新方法

激光技术的不断发展对利用点云数据进行地物分类的方法提出了更高的要求。基于此提出了一种结合遥感领域地物分类特点,利用地物反射率的不同来实现地物分类的方法。该方法首先提取数据的反射率信息,然后将其作为栅格化后的属性值,最后利用监督分类、非监督分类和支持向量机分类方法对栅格化后的栅格影像进行地物分类。通过实验表明,支持向量机方法在保持较高训练和分类速度的同时还具有较高的分类精度,总精度和Kappa系数达到了88.69%和0.86,为点云数据分类提供了一种新的途径。     

灰度共生矩阵和模糊分类的高分辨率光学影像欠发达村落提取

欠发达村落是城市化过程中的敏感因子,与城市中其他地物相比变化更加迅速明显。因此,及时掌握这些村落的数量和分布信息对城市规划和可持续发展至关重要。高分辨率光学影像能够提供大量的地面细节信息,广泛应用于土地利用/覆盖信息的自动提取。目前这方面的研究已经取得了一定的成果,但是,对于形态结构多样且易与其他地物混淆的欠发达村落的研究很少。本文利用灰度共生矩阵和模糊分类理论相结合的方法进行欠发达村落信息的提取。首先,根据研究区域特点构建类别体系并进行样本的采集;然后,基于灰度共生矩阵理论对每个样本提取不同类别、不同尺度的纹理特征;最后,利用模糊理论实现研究区域地物的分类。为验证算法的有效性和普适性,利用京津地区的验证样本和截取的高分辨率遥感影像进行试验。试验得到的最高精度为93.3%,表明本算法可以有效实现高分辨率光学影像中欠发达村落的提取。     

决策树算法在西藏遥感影像分类中的应用研究

将决策树算法引入到遥感影像分类中,以提高分类的精度。首先对影像进行预处理,然后利用C5.0算法在分析地物光谱特征、纹理特征、归一化植被指数的基础上,自动提取分类规则,构建决策树,实现地物的自动分类。为验证该算法的有效性,选取西藏某地区TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

影像与激光雷达数据的城市地物信息提取

针对城市地物信息提取中地物边界难以确定、分类精度不高的问题,该文提出一套综合利用影像及激光雷达点云高程信息的面向对象分类方法。在分割中,各类地物的最佳分割尺度由监督法分割精度评价确定,最终分割结果利用粒度理论下的分割尺度综合方法进行合成,能兼顾不同地物最优分割尺度,获得准确地物边界;在分类中,采用ReliefF特征选择算法度量从影像及点云数据提取的对象特征重要度,选择最佳特征组合,并采用多分类器组合方法进行分类,以消除Hughes现象,提高分类精度。选择德国斯图加特市两块实验区进行分类实验,结果表明:该方法有利于提高大范围城市地物精细信息提取的精度和效率,具有较高的应用价值。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体，是开展土地科学相关研究的重要基础，在遥感大数据背景下，准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件，采用面向对象的多尺度分割法，综合考虑地物在遥感影像上的光谱、形状和纹理特征，建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取，并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%，Kappa系数为0.96，分类精度较高；②基于10 m分辨率影像，综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果，道路提取Kappa系数为0.84；③分类结果在面积和空间分布上都优于FROM-GLC10数据，与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征，分类精度高，对于处理高分辨率遥感数据具有很好的优势。     

基于Landsat 8影像的城市蓝色顶面建筑物提取光谱模型构建

蓝色顶面建筑物作为基础地理数据库中重要的人工目标类型之一,对其进行提取对城市环境监测、违章建筑监测、城市规划和管理具有重要意义。已有的建筑物提取方法准确性低、边界不完整,且存在同谱异物和同物异谱现象。本文以洛阳市为研究区,根据不同地物光谱特征的不同原理,构建一种能增强蓝色顶面信息和弱化其他非目标地物信息的新光谱模型。首先,对待检测的Landsat 8影像进行辐射定标和大气校正等工作,获得地物去除大气影响后的地表反射特征值影像;然后,对影像中的蓝色地物和与蓝色地物较难区分的其他干扰地物,分别采集一定像元数的样本并生成光谱曲线,利用波段相加、差值及正负处理构建一个能增强蓝色地物信息和弱化其他干扰地物信息的新光谱指数;最后,采用密度分割法获得提取蓝色顶面建筑物最合适的阈值范围,进而提取影像中的蓝色顶面建筑物。与最大似然法提取结果进行对比分析及精度评价。结果表明,构建的新光谱指数模型的总体分类精度为94.46%,Kappa系数为0.889 2,准确率为91.95%,召回率为95.19%,均优于最大似然法;根据提取结果计算出洛阳市市区范围内蓝色顶面建筑物的占地面积为16.28 km^2<...