高分辨率影像城市道路提取方法融合研究

提出一种先分割后聚类的道路提取方法,通过模糊积分的方法对多种尺度的道路提取结果进行融合研究。首先对影像进行多尺度超像素分割生成连续的不规则对象;再顾及光谱、形状和纹理特征进行SVM分类提取道路;最后对多种道路提取结果进行处理。实验结果表明该方法能够较为完整、准确地提取出高分辨率影像上的道路信息,可为城市高分影像道路快速提取提供一定的参考。     

面向对象的多尺度无人机影像土地利用信息提取

选取面向对象的方法,对无人机影像进行土地利用信息提取.通过对获取的原始无人机影像进行预处理,选取合适的分割参数对实验区进行多尺度分割,找出不同地物最优分割尺度,建立多尺度分割分类的层次结构体系,然后依据地物分类特征差异,在各自最优分割尺度层建立地物特征提取规则,实现土地利用信息的提取.研究结果表明,针对无人机高分辨率影像,运用面向对象的多尺度分割影像信息提取技术,可充分利用影像中包含的纹理、形状、大小及其相互空间信息,快速、准确地进行土地利用信息提取.     

面向对象的投影互分割道路变化检测

通过实验提出了面向对象的投影互分割城市道路变化检测方法。选用不同时相的QuickBird图像,根据地物影像的光谱、形状及纹理等特征进行多尺度分割和层次分类,提取城市道路目标;建立检测层,将不同时相的图像分类结果投影到检测层的相应对象层上,并进行互分割,通过判断某一位置地物类别的一致性,实现道路变化检测的目的。实验表明,面向对象的投影互分割道路变化检测能得到较好的检测效果。     

基于面向对象算法的道路信息提取研究

道路作为重要的基础设施,其信息的快速提取对于地面空间数据库的更新具有重要的理论与现实意义。本文将面向对象的思想引入影像道路分析提取中,按照局部区域与相邻区域的"异质"特征对高分辨率影像进行多尺度分割,产生"同质"像素集,得到最优尺度参数;然后通过探究最优特征组合及最邻近分类提取,面向对象道路提取用户精度可以达到96.5%。通过多次实验对比分析,旨在探索基于面向对象算法道路信息提取的最佳方法。     

基于道路网矢量数据的遥感影像道路损毁检测

利用面向对象方法对地震后高分辨率遥感影像上的道路进行多尺度分割和分类.通过融合地震前道路网矢量数据与地震后遥感影像,提出一种基于自适应模板的道路损毁检测方法.试验结果证明,该方法能够快速、准确地对损毁信息进行提取.     

面向对象的高分辨率卫星影像道路信息提取

本文采用面向对象方法对高分辨率卫星影像道路信息提取。首先加入建筑物矢量数据对影像分割提取出建筑物,然后采用多尺度进行分割,对分割后的对象进行最近邻采样,得到总体分类图。最后根据道路特点构建道路知识库对道路信息优化。试验表明,面向对象的道路信息提取克服了"椒盐现象",取得了较好的提取效果。     

基于数学形态学与多尺度的建筑物信息提取

针对传统分类方法提取高分辨率影像时,计算量大、算法效率低等缺点,从面向对象的角度采用数学形态学与多尺度相结合的方法对高分辨率影像进行分割;并将得到的最优分割对象与K-means、最大似然分类方法进行比较。该方法首先选用符合目标提取特征的结构元素探测影像边缘信息,再把探测得到的不同尺度边缘信息进行熵权边缘融合。结果表明,该方法提取的建筑物信息优于传统方法。     

皖南低山丘陵破碎带植被信息提取方法

以芜湖市繁昌县为例,利用多尺度多变量的面向对象影像分析方法,结合HJ1-CCD、Landsat5 TM以及DEM数据,研究了低山丘陵复杂背景下植被信息遥感提取方法。针对不同植被类型,选用适宜分割尺度进行影像分割,构建面向对象的分类规则集进行研究区植被信息分类,植被提取总体精度达到了80.8%。     

基于无人机遥感的湖南金童山保护区滑坡监测

以湖南金童山国家级自然保护区内某条山区公路为例,利用无人机飞行获取高分辨率影像与高精度数字地形模型,使用基于面向对象的方法对滑坡信息进行提取,对无人机数据进行多尺度分割与光谱差异分割,选取了研究区内植被、道路、滑坡三类感兴趣地物的影像特征建立了规则集,充分利用了影像对象的光谱特征、几何特征、地形特征、空间关系,使用了阈值分类,隶属度函数与决策树分类方法.利用实地验证与基于无人机影像的目视解译对提取结果进行了精度评价,总体提取精度为94.75％,滑坡提取精度超过80％.该研究为快速监测山区内滑坡信息提供了借鉴.     

面向对象的无人机影像分类研究

选取同处于夏收秋种时期、不同地点的3幅无人机影像进行面向对象分类。将影像在14个不同尺度上进行多尺度分割,以便获取对于分类对象较好的分割尺度。在对象基础上,将影像分为灌木、农田、道路、房屋及水体,并将分类结果精度与最大似然分类结果进行对比。结果表明,采用定量评价分割效果的方法,同时采用面向对象的方法进行信息提取,总体精度均在80%以上,明显高于最大似然分类。