面向对象的多源数据建筑物提取

建筑物是城市的重要标志之一,综合利用LiDAR数据和高分辨率遥感影像可以充分发挥不同数据源中提取建筑物的优势。本文基于面向对象分类理论,利用机载LiDAR数据和GeoEye高空间分辨率遥感影像,在多尺度分割的基础上对实验区分类并提取建筑物,进而对提取结果进行精度评价。实验表明,将LiDAR数据与高分辨率影像数据结合能够很好地提取建筑物,建筑物提取精度达89.28%。     

利用高分辨率遥感影像提取建筑物方法研究

随着航空航天技术的发展,人们获取的遥感影像数据的空间分辨率不断提高,同时获取难度大幅降低。在遥感数据日益普及的今天,利用影像处理与分析技术对高空间分辨率遥感影像中的感兴趣目标进行自动提取已经成为目前遥感领域研究的热点之一。建筑物作为与人类生活密切相关的主要人工地物,是城市发展的重要标志。目前,通过对高分辨率遥感影像进行建筑物自动提取已经成为建筑物信息获取的重要手段,而建筑物信息可用于进一步研究城市的扩张与发展、城市土地利用现状与变化、城市规划、城市热岛效应、人口估计与预测、灾害监测预警与评估等。     

多尺度全卷积神经网络建筑物提取

针对VGG16网络在高空间分辨率遥感影像中进行大型建筑物提取时存在空洞的现象,提出一种基于多尺度影像的建筑物提取方法。将原始影像进行不同尺度的下采样,提取不同尺度下的建筑物特征,并将这些多尺度特征相加合并,同时为了减少网络参数数量,用全卷积上采样过程代替原始VGG16网络中的全连接层进行建筑物提取。以0.5 m分辨率的上海市嘉定区影像和1 m分辨率的Massachusetts地区影像进行试验,精度分别达97.09%和96.66%,表明本文方法的有效性。     

高分辨率多光谱影像城区建筑物提取研究

城区高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象,应用传统的基于像元光谱分类的方法进行建筑物分类提取难以取得满意的效果。本文发展了一种从高分辨率Ikonos卫星影像上基于知识规则的面向对象分类提取城区建筑物方法,包括如下步骤：(1)融合1m全色和4m多光谱波段影像,生成1m分辨率的多光谱融合影像;（2）分割融合影像;（3）执行基于对象光谱的最近邻监督分类;（4）应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。精度统计结果表明,本文提出的分类方法提取城区建筑物取得了93%的精度。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

面向对象的高分辨率遥感影像城区建筑物分级提取方法

提出一种高空间分辨率遥感影像城区建筑物自动提取方法。该方法将面向对象的思想融入到基于邻域总变分的建筑物分割方法中,并通过分析分割后不同类型建筑物提取的难易程度,提出一种多特征融合的建筑物对象分级提取策略:首先通过形状分析检测一部分分割完整的矩形建筑物目标,然后采用新提出的多方向形态学道路滤波算法将建筑物与邻近光谱相似的道路目标分离,确保每一个候选建筑物目标都是独立的对象,最后利用初提取的建筑物对象和已剔除的非建筑物对象作为样本建立概率模型,根据贝叶斯准则进行建筑物后提取。实验表明:该方法可以检测同一幅影像中具有不同形状结构和光谱特性的建筑物目标,准确率高、鲁棒性好。     

基于多尺度多特征的高空间分辨率遥感影像建筑物自动化检测

建筑物检测在城市规划、变化检测、地表覆盖等方面均起到重要作用。然而高空间分辨率遥感影像(简称"高分影像")中建筑物朝向不一,形态颜色各异,大小尺寸也有着较大差别,使得建筑物检测成为一道难题。为此,提出一种基于多尺度多特征来自动化检测高分影像中建筑物的方法:首先,对影像降采样构建高斯金字塔模型,固定尺度的滑动窗口在不同层影像中对应着不同的实际地面面积;然后,对影像进行超像素分割并计算滑动窗口中多种描述建筑物特性的特征值,通过多特征融合来衡量建筑物目标在不同尺度影像中的显著性;最后,计算超像素块的显著性均值,结合Otsu算法自动求取阈值,进一步设置长宽比等约束条件,从而准确、自动地提取建筑物目标。分别采用空间分辨率为0. 5 m和0. 2 m的影像进行实验,并和基于颜色和纹理建模的马尔科夫随机场模型算法进行定性和定量的比较。实验结果表明,该方法对高分影像中建筑物的提取有更好的实际效果和检测精度。     

基于高分辨率遥感影像分类的地图更新方法

提出了一种在对遥感影像分类的基础上进行地图更新的方法，讨论了利用高分辨率遥感影像，通过不同空间分辨率和光谱分辨率的影像进行融合，利用合适的高通滤波对影像进行边缘检测．构建一个三层的MLP分类器对影像进行分类，提取城市建筑物与道路信息．并在此分类基础上通过对现有地图的叠加来实现地图的更新。实验结果表明，基于影像融合，利用较少数量的训练样本也能生成具有较高精度的分类图，利用分类结果图进行地图更新能取得令人满意的效果。     

基于相似度验证的自动变化探测研究

变化检测技术越来越多地应用于城市遥感分析和应用领域,但目前城市变化检测的研究主要基于中低空间分辨率的遥感数据,使用的方法也主要是像元直接比较法或者是分类后比较法。提出一种基于变化向量分析和相似度验证相结合的变化检测方法,应用高空间分辨率影像来快速实现城市建筑物、街道等目标的自动变化检测。并详细阐述了变化目标的提取以及验证的方法和过程,其结果真实地反映了地面目标的实际变化程度和类型。     

高分辨率遥感影像图制作的镶嵌线自动提取

为更好地发挥遥感技术在城市规划地图制作中的应用，高分辨率遥感影像成为城市地图制作中最重要的数据源。面对地物信息复杂、建筑物众多的城市地区，如何快速提取高分辨率遥感影像地图制作过程中相邻两景影像之间的镶嵌线具有重要意义。本文以国产卫星中分辨率最高、幅宽最小的GF-2影像为数据源，融合建筑物轮廓数据，研究了基于最短路径的A*搜索算法，实现了遥感影像地图制作的镶嵌线自动提取技术。结果表明，该方法能够自动生成避让建筑物的镶嵌线，速度快、镶嵌质量高，可广泛应用于城市地区高分辨率遥感影像地图制作。     

面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用

高分辨率遥感影像建筑物提取是摄影测量与遥感领域的一个热门研究主题。本文综合利用影像分割、基于图的数学形态学top-hat重建技术,提出了面向对象的形态学建筑物指数OBMBI,并将其应用于高分辨率遥感影像建筑物提取。首先,建立像素-对象-图节点的双向映射关系;然后,基于图的白top-hat重建和上述映射关系来构建OBMBI图像;接着,对该OBMBI图像二值化、矢量化以获取建筑物多边形;最后,对结果进行后处理优化。使用一景航空、一景卫星全色影像对本文方法和PanTex方法进行性能测试。试验表明,本文方法的建筑物提取精度显著的优于PanTex方法。其中,本文方法平均比PanTex方法的正确率高9.49%、完整率高11.26%、质量高14.11%。     

一种MBR约束下的高分光学影像直角建筑物提取与标绘方法

针对高空间分辨率遥感影像中建筑物信息提取与标绘问题,提出了一种MBR约束下的高分光学影像中直角建筑物信息提取与标绘方法。首先采用多尺度影像对象分割与CART决策树分类技术,提取影像中的建筑物区域;其次用Candy算子提取出建筑物的粗轮廓,并将其转化为点集形式表示;然后通过轮廓点集计算建筑物最小外包矩形（MBR）,对建筑物的轮廓进行分段拟合与优化;最后通过交点方向决策器确定建筑物的角点,依次连接各角点实现建筑物的标绘。通过计算建筑物的面积与周长,确定周长相对精度为93.3%,面积相对精度为96.1%,本文方法可以有效提高建筑物的标绘精度。     

基于HRNet的高分辨率遥感影像建筑物变化信息提取

建筑物图斑变化检测是遥感影像信息提取的重要内容之一,对于土地调查、自然资源常态化监测、土地执法监测等具有重要意义。岭南地区建设结构复杂,高分辨率遥感影像信息丰富,包含建筑结构细节多种多样,加上成像的季节不同、时间不同等因素导致建筑物变化信息的自动提取十分困难。针对此问题,本文提出了基于HRNet的语义分割模型,通过筛选保留高分辨率的特征层,从而保留更细节的图像信息。此外,结合图像分割二值化对结果进行优化,在一定程度上提高了高分辨率遥感影像建筑物变化自动检测的能力。     

基于双张影像的城市建筑物高度提取方法

针对现有城市建筑物高度提取方法存在的问题,提出一种基于双张影像的城市建筑物高度简易提取方法。利用高分辨率遥感影像和建筑物立面影像,分别提取样本建筑物的阴影长度和高度,采用最小二乘法解算出影像阴影和建筑物高度的相关公式,通过阴影长度反算出建筑物的高度,从而实现大批量建筑物高度数据的获取。通过建模实例和测量对比实验表明,方法具有操作简单、快速的特点,能满足较高的精度要求,具有一定的应用价值。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

基于最小外接矩形的遥感影像建筑物轮廓优化方法

深度学习提取高分辨率遥感影像中的建筑物信息容易受到物体周围的阴影、植被等噪声干扰而使结果存在边界锯齿化、建筑物整体不规整等问题。本文提出了利用符合建筑物边界轮廓的最小外接矩形最大限度地拟合建筑物轮廓的思路。首先利用深度学习和建筑物验证处理得到的建筑物信息,对建筑物边界利用垂距法进行多边形的拟合;然后对多边形的最小外接矩形进行筛选,选取最合适的最小外接矩形边线段作为新的边界轮廓,以提高提取的精度。对多幅遥感影像进行了实验,结果表明,本文所提出的方法提高了深度学习提取的建筑物边界轮廓准确性,能更逼近真实建筑物的边界轮廓。     

融合多特征改进型PSPNet模型应用于复杂场景下的建筑物提取

针对复杂场景下高分辨率遥感影像中建筑物提取精度低的问题,本文提出了一种融合多特征改进型PSPNet模型,在PSPNet网络的基础上,加入膨胀卷积模块并融合图像的浅层特征。试验结果表明,融合多特征改进型PSPNet模型的预测结果总体精度为95.90%,建筑物提取精度平均为77.77%,均高于其他模型。其在不同场景上的表现有所差异：复杂场景1的预测精度为80.35%;以城中村建筑物为主的场景2的预测精度为75%;以高层建筑物为主的场景3的预测精度为78.11%。因此本模型可有效地提升高分辨率遥感影像中复杂场景下的建筑物提取精度。     

高分辨率遥感影像分割方法研究

在遥感应用分析中,遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁,是实现遥感影像信息自动提取的关键步骤,具有重要的意义。随着大量高分辨率遥感影像的出现,传统基于像素的影像处理方法已不能适应高分辨率遥感影像。近年来,国内外研究者们提出了面向对象影像的分析方法,而面向对象影像分析方法的关键就是影像分割,影像分割精度直接影响着高分辨率遥感信息提取和目标识别的精度。首先给出一般图像分割方法的综述;然后分析和总结了当前主要的高分辨率遥感影像分割方法,着重阐述了均值漂移、分形网络进化、马尔科夫随机场等分割方法的特点和研究现状;最后,对高分辨率遥感应用分析中影像分割方法的发展趋势进行了讨论与展望。