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。     

多时相阴影轮廓差分辅助下的城市水体提取

如何避免水体提取中阴影信息与水体信息的混淆，是利用遥感数据提取城市水体信息需要解决的一个问题。本文以高分一号WFV图像及Landsat8 OLI图像为数据源，利用阴影轮廓的位置与形状在不同太阳高度角及太阳方位角下的差异性，提出一种基于多时相阴影轮廓差分的城市水体提取方法（WMSD）。以广州市天河区为试验区进行水体信息提取，同时运用NDWI、MNDWI及SWI指数法分别提取水体信息，进行精度对比分析。结果显示，本文所提出的WMSD方法分类精度超过88%，较NDWI法、SWI法及MNDWI法的水体提取精度分别提高了8.50%、9.50%及4.67%。说明基于阴影轮廓位置与形状的差异提取水体信息的方法能够较好地解决阴影与水体提取信息混淆的问题，为利用遥感数据提取城市地区水体提供了一个可行的处理方法。     

基于面向对象的高分辨率影像专题信息提取

利用面向对象的分类方法对高分辨率影像上的水体、植被、建筑物以及道路进行了自动提取;对自动提取结果进行了精度评价:水体和植被的用户精度在90%以上,建筑物和道路中心线的用户精度在70%以上;并分析了影响信息提取精度的因素。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

应用高分二号提取二级类建设用地

为更好地利用国产遥感数据研究土地利用资源分布,基于面向对象和指数分类的方法,开展高分二号遥感影像建设用地二级类提取.实现了研究区居民点、仓储用地、工业用地、公共管理与公共服务用地及交通用地的提取,提取总精度达96.9％,Kappa系数达0.94.结果表明本研究方法可以较准确提取高分二号遥感数据的二级类建设用地,对国产数据地物信息提取的研究有一定借鉴意义.     

结合形态学和光谱特征参数的建筑物阴影提取及其高度估算

建筑物高度信息对城市景观规划设计、城市人居和生态环境评估等都具有重要作用。针对当前卫星遥感影像提取建筑物高度研究中存在精度较低、人工干预程度过多的问题,本文基于GF-2卫星遥感影像数据,综合建筑物阴影指数(EMSI)、归一化植被指数(NDVI)和地表反射率等3个参数,实现了建筑物阴影的自动化提取,进而依据空间几何学关系,实现了建筑物高度的快速估算,最后对研究结果进行了实地检验。研究表明,利用建筑物阴影指数、NDVI、地表反射率等3个参数可有效提取建筑物阴影,且利用建筑物阴影进行建筑物高度估算的平均精度达到了95.40%,证明了高分二号卫星影像在提取建筑物高度方面具有较高的可行性。     

基于规则的高分影像不透水层提取技术研究

为满足城市环境评价、城市规划监测、城市水循环评价对城市不透水层检测的需求,本文以国产高分卫星多光谱数据为研究基础,提出了一种新颖的基于规则的高分辨率多光谱影像不透水层提取方法,该方法利用归一化指数模型,融合对象统计特征,制定综合判定规则,可有效提升城市区域不透水层的提取精度。同时利用国产卫星数据,选择了典型的10个城市进行实验验证,取得了良好的效果。该方法可广泛应用于城市外轮廓提取、城市环境评估、城市扩展评估等研究领域。     

面向对象的多尺度高分影像建筑物提取方法研究

近年来,随着航空航天事业的高速发展,带动了遥感对地观测技术的进步,为高分影像的获取奠定了基础。作为地物类别中的主要内容和地形图中的重要成图元素,建筑物的识别与提取,直接影响到地物提取的自动化水平。因此,高分辨率遥感影像中建筑物的提取是图像处理领域中的主要研究内容之一。为了提高城市建筑物信息提取精度,本文改进了常规的面向对象方法,以航空遥感影像和SPOT-6影像为对象针对其下垫面结构复杂的特性,采用多尺度分割和多规则结合的方法自动提取建筑物信息,并通过样本区进行了精度验证,将提取的结果与传统分类方法所得到的结果相互比较。研究结果表明,面向对象的多尺度分割对高分影像中建筑物的提取具有较好地效果,KIA精度达到了0.76,为城市建筑物信息提取的应用提供了新思路。     

基于改进U-Net的建筑物集群识别研究

针对U-Net在高分影像建筑物提取中部分建筑物边缘特征易模糊或丢失的问题,提出一种对高分影像建筑物边缘增强,同时对U-Net部分卷积过程进行改进的优化的建筑物提取方法。首先利用域变化递归滤波的方式对建筑物边缘进行增强,将增强后影像输入U-Net神经网络中进行训练;其次为充分利用建筑物在高分影像上丰富的细节特征,尝试在原U-Net结构基础上,从训练图像和标签中提取成对的补丁以增加训练数据,这些补丁进一步加强了正反向深度学习中建筑物高维特征的获取;最后在影像上实现建筑物提取。对辽宁省盘锦市邻接渤海湾地区2017年9月29日高分二号影像建筑物提取实验结果表明,对于包含阴影区域干扰较多的非理想样本数据,用U-Net识别建筑物得到的整体分类精度为75.99%,而改进方法最高整体分类精度可达83.12%,较原U-Net网络精度提高7.13百分点,证明该方法行之有效。     

一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法

异源遥感影像匹配是高分影像处理中的重要环节与关键问题,但目前异源高分影像匹配精度有待提高。本文提出了一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法,首先利用尺度不变性特征变换（SIFT）对特征点进行提取,随后基于邻域投票对匹配特征点进行二次约束,最后区分出待剔除误差大的匹配点,进而确定精确匹配点。为了评价本文方法的精度,分别对建筑物、道路、水体进行匹配研究,试验证实该方法可以提高上述3种地类的匹配精度,相比传统的SIFT方法平均提高了66%,同时有效地保持了结果的尺度不变性。     

融合高分影像和LiDAR数据的城市道路提取

为避免由于城市道路复杂及树木建筑的阴影遮挡导致从遥感影像中提取道路信息不准确的问题,本文采用高分影像和LiDAR数据相融合的方法实现城市道路的提取,并使用一种基于最小面积外接矩形（MABR）的后处理改进方法进行完善。首先对试验区进行数据配准;然后应用FNEA算法进行图像分割,并使用随机森林分类法进行分类,将影像融合和对象形状指数等相关算子应用到道路提取中;最后去除植被和建筑物,完善道路填充,提取出道路完整信息。结果多伦多和台安试验区的道路完整度分别为95.41%和90.84%,准确度分别为83.07%和85.63%。本文方法可有效去除伪道路信息,提高道路提取完整度,较好地实现了道路信息提取。     

Automatic urban road extraction using airborne laser scanning/altimetry and high resolution satellite data

Automatic road extraction from remotely sensed images has been an active research in urban area during last few decades. But such study becomes difficult in urban environment due to mix of natural and man-made features. This research explores methodology for semiautomatic extraction of urban roads. An integrated approach of airborne laser scanning (ALS) altimetry and high-resolution data has been used to extract road and differentiate them from flyovers. Object oriented fuzzy rule based approach classifies roads from high resolution satellite images. Complete road network is extracted with the combination of ALS and high-resolution data. The results show that an integration of LiDAR data and IKONOS data gives better accuracy for automatic road extraction. The method was applied on urban area of Amsterdam, The Netherlands.     

脉冲耦合神经网络的遥感影像城市道路提取

针对高分辨率遥感影像中阴影对道路提取产生较大干扰的问题,提出了一种基于脉冲耦合神经网络(PCNN)的城市道路提取方法。该方法首先在近红外波段检测并消除阴影和水体的影响,并使用PCNN对消除阴影后的灰度图像进行分割处理;然后使用形态学建筑物指数(MBI)和归一化差分植被指数(NDVI)分别提取出建筑物和植被信息,消除建筑物和植被的影响;最后提取受行道树影响较大的道路,并对处理后的图像作数学形态学法的处理。该文以深圳市SPOT-7高分辨率影像进行实验。实验表明,该方法能保留原始的道路边缘细节信息,并对阴影具有很好的抗干扰作用,提取的道路信息具有很好的连续性和完整性。     

Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method

In this paper the approach for automatic road extraction for an urban region using structural, spectral and geometric characteristics of roads has been presented. Roads have been extracted based on two levels: Pre-processing and road extraction methods. Initially, the image is pre-processed to improve the tolerance by reducing the clutter (that mostly represents the buildings, parking lots, vegetation regions and other open spaces). The road segments are then extracted using Texture Progressive Analysis (TPA) and Normalized cut algorithm. The TPA technique uses binary segmentation based on three levels of texture statistical evaluation to extract road segments where as, Normalized cut method for road extraction is a graph based method that generates optimal partition of road segments. The performance evaluation (quality measures) for road extraction using TPA and normalized cut method is compared. Thus the experimental result show that normalized cut method is efficient in extracting road segments in urban region from high resolution satellite image.     

基于多重信息融合的高分辨率遥感影像道路信息提取

在高分辨率遥感影像上进行道路提取一直被认为是一项具有重要意义但很困难的工作。尤其一些与道路光谱相近的地物,分类后与道路相互连接,难以区分。基于面状道路和边缘相互验证和辅助的思想,提出一种高分辨率遥感影像上提纯道路信息的方法。该方法首先在面状和边缘两个方面同时提高提取精度,然后由他们之间的逻辑互运算分割道路与非道路对象,并应用有效的形状指数（如：极惯性矩和狭长度指数）刻画和区分道路与非道路面状目标（如楼房等）,最终达到提纯道路的目的。实验结果表明了本文方法在去除非道路目标,提纯道路网络方面的有效性。     

多山地区输电通道内道路提取方法

准确提取输电通道内各地物类别是进行输电通道三维建模及交跨分析的基础。为解决目前贵州等多山地区输电通道内道路提取方法稳健性低、效率低的问题,本文通过结合道路特征显著性检测与形态约束的方法对影像中多山地区输电通道内道路的快速准确提取进行了研究。首先,对卫星影像中山区道路特征进行分析,对每个像素分别计算基于道路颜色一致性和结构一致性的像素级显著值;然后,结合显著目标空间先验知识融合显著性检测结果,形成最终道路显著图,初步提取影像中道路目标;最后,分析道路与建筑物等的差异性,基于道路形态一致性定义道路形态约束条件,通过制定约束规则最终实现道路的准确提取。结果表明,该方法对于不同弯曲程度、粘连程度及影像对比度的道路都能实现快速准确提取,提取完整度、正确率、质量及耗时平均分别为97.5%、97.0%、95.6%、0.515 s。该方法稳健性高,可以快速、准确提取各种情况下道路,在输电线路工程实际中有很好的应用前景。     

多源数据协同的城市道路提取

城市道路的高精度提取可为城市三维表达、城市地形分析、城市建设规划、交通导航等提供数据基础和支撑。本文以合肥市局部城区为试验区,以开源路网、街景图像和遥感影像为数据源,在利用最大似然法进行初提取的基础上,通过空间分析、统计分析、几何量测、最小二乘拟合等方法进行粘连分割、缺失处理和交叉口细化等关键处理,构建了多源数据协同的城市道路提取方法,并对提取结果进行了精度评价和分析。试验结果表明,本文提出的城市道路提取方法优于最大似然和面向对象方法,提取总体精度为96.65%,Kappa系数为93.71%,道路宽度偏离标准差为0.03m,特别是对同物异谱、同谱异物及遮挡等造成的信息提取不全问题具有良好的改善效果。     

A rule-based parameter aided with object-based classification approach for extraction of building and roads from WorldView-2 images

Roads and buildings constitute a significant proportion of urban areas. Considerable amount of research has been done on the road and building extraction from remotely sensed imagery. However, a few of them have been concentrating on using only spectral information. This study presents a comparison between three object-based models for urban features’ classification, specifically roads and buildings, from WorldView-2 satellite imagery. The three applied algorithms are support vector machines (SVMs), nearest neighbour (NN) and proposed rule-based system. The results indicated that the proposed rules in this study, despite the spectral complexity of land cover types, performed a satisfactory output with an overall accuracy of 92.92%. The advantages offered by the proposed rules were not provided by other two applied algorithms and it revealed the highest accuracy compared to SVM and NN. The overall accuracy for SVM was 76.76%, which is almost similar to the result achieved by NN (77.3%).