基于无人机遥感的信息提取研究

无人机遥感系统可以获取矿区高分辨率遥感影像,具有较强的灵活性和现势性,成图速度快,能广泛应用于各种调查任务。本文以江西省定南县稀土矿区为研究区,介绍了无人机遥感系统的组成、航拍流程和数据处理的方法,通过面向对象的多尺度分割技术,建立不同地物类别对应的分类层次,然后根据地物特征进行信息提取,最后总结出一套基于无人机遥感的矿产信息提取方法。     

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.     

无人机高空间分辨率影像分类研究

本文利用无人机影像进行土地利用类型研究,面向对象方法对影像分割,获取了最佳分割尺度;根据各土地类别的特征信息建立分类定义,提出了快速、准确获取土地利用类型的方法。研究结果表明,运用面向对象方法能很好地解决无人机高分辨率影像分类问题,其中关键是影像分割尺度的选择和影像对象特征信息的提取。     

基于无人机影像的喀斯特农耕区地物识别——以桂林市为例

为了探究低空无人机遥感技术对喀斯特地貌条件下不同形态农耕区地物类型的识别精度,以桂林市3个200 m×200 m样方的农耕区为研究区,在无人机航拍影像和地面调查数据的支持下,分别将基于像元和面向对象的影像分析技术与支持向量机(support vector machine,SVM)算法相结合,构建不同地貌条件下农耕区地物遥感识别模型,并进行精度对比分析。结果表明,面向对象的SVM分类结果保留了原始地物的大致轮廓,且地块较完整,更为适用于喀斯特地貌条件下的农耕区地物识别,较基于像元的SVM分类方法总体精度高6. 54%,Kappa系数高0. 135;基于像元的SVM分类方法适用于地物分布规则的农耕区地物识别,相比面向对象的SVM分类方法总体精度高2. 92%,Kappa系数高0. 026。     

某铝土矿低空无人机遥感测绘成果精度分析

对于分布散、范围大的铝土矿区,传统测量手段及时获取满足精度要求的矿区测绘资料具有一定难度。采用低空无人机遥感技术,能够快速提供矿山建设所需要的数字线划图、数字高程模型及数字正射影像,实现矿山的数字化与信息化建设。结合某铝土矿测绘面积大、矿区地物要素较少的测绘特征,通过无人机影像快速空三加密以及DLG,DEM,DOM的制作技术,获得低空无人机遥感测绘成果。通过对解析空三加密点精度分析和GPS实测点检查,表明测绘成果满足1∶2 000测图精度要求。     

矿区多角度无人机遥感三维影像图制作

利用无人机遥感系统对矿区进行了竖直摄影和倾斜摄影,采用SIFT特征与最小二乘的影像自动匹配方法对影像进行处理,并在此基础上制作完成了测区的正射影像图和三维全景影像图,精度达到了用户要求,从而验证了无人机作为准实时获取矿区空间信息平台的可行性和实用性,为无人机遥感系统在相关领域的应用提供了经验和借鉴。     

高分辨率遥感影像多尺度分割中最优尺度选取方法综述

目前,对高分辨遥感影像进行地物获取一般采用面向对象的理念,而影像分割是面向对象理念中至关重要的初始环节,分割结果的好坏将直接影响后续的分类工作,分割尺度的选取已经成为了当前研究的一个热点。本文详细总结了前人对高分辨遥感影像多尺度分割中最优尺度的获取方法,指出了各方法的不足之处,并提出了尺度评定的研究前景。     

基于多特征CRF的无人机影像松材线虫病监测方法

利用无人机遥感技术进行林业调查,可以获取低成本、高分辨率、高时间密度的遥感数据,特别是为小尺度范围的森林病虫害监测提供了非常有效的监测手段。本文以小型无人机为影像获取平台,航摄获取可见光RGB影像,基于高分辨率影像进行松材线虫病松树提取方法研究。根据影像特点,提取影像中地物颜色、纹理特征,并采用CRF方法进行分类,识别出病害松树。通过比较多种分类方法的提取结果,验证了基于多特征CRF方法在松材线虫病监测中的可行性和有效性。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

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.     

面向对象的无人机遥感影像烟草种植面提取和监测

无人机遥感影像技术用于农业种植面积、长势、轮作的监测和管理,取得了非常喜人的效果。文章应用无人机遥感影像和遥感图像处理软件eCognition,以面向对象的遥感影像分析方法提取临沂市沂水万亩示范园区2012年烟草种植面积及其分布信息。分类结果表明,利用面向对象的分类方法解译无人机获取的高分辨率遥感影像可以获得精确的烟草种植信息,为大区域烟草种植面积的自动监测提供了广阔的前景。     

利用低空无人机摄影测量快速构建矿区线状地物信息

矿区线状地物是矿山生产建设的重要部分,狭长的形态特征和有限的测量人力限制了监测工作。低空无人机摄影测量具有响应快、周期短、精度高、易操作、成本低的特点,而且获取数据内容丰富、可视性强,为矿区线状地物的快速监测提供了可能。本文选取典型高潜水位井工矿区的线状地物——以矿区专用铁路和防洪堤坝为例,设计3个相对航高（50、75、100 m）作业方案,快速构建矿区线状地物信息,评价模型结果的平面和高程精度,并检验了其可靠性,讨论了无人机摄影测量的时间与效率的权衡问题。研究表明,低空无人机摄影测量可快速获取矿区线状地物的厘米级地形信息,具有较高的平面与高程精度,平面精度可达1∶500比例尺地形图的要求,高程基本能满足1∶1000比例尺制图规范。植被覆盖对模型高程值的精度影响显著,模型内部的空间关系相对稳定可靠,经成本与效率的权衡后优选相对航高100 m为最优作业方案。矿区测绘可尝试低空无人机与传统测绘方法相结合的作业新模式,快速高效地获取监测结果。     

丘陵区无人机影像基础信息提取方法初探

无人机影像具有高空间分辨率的特性,在体现地物细节上有着多光谱数据所不具有的优势,同时也使得常规的多光谱影像的信息提取方法并不适用于无人机影像,针对这一问题,面向对象法被应用于高分辨率影像信息提取中;与常规方法相比,面向对象法不仅仅是利用影像的光谱信息,也考虑了影像的纹理、颜色、形状指数等多种要素,大大地提高了高分辨率影像的信息提取精度。但面向对象法涉及要素多,需要对研究区有一定的了解,同时需要建立相应的分类规则。该文分别利用基于光谱分析的阈值法及基于对象的面向对象法,对居民区、丘陵区、水体及混合区进行基础地类信息提取,并从时间及精度2个角度进行对比分析。     

基于无人机遥感和面向对象法的简单地物分类研究

近年来,全国各地进行了大范围的土地利用调查,随着无人机遥感技术越来越成熟,无人机影像分析技术已深入应用到土地利用调查中,其中最多的用途是地物分类。本文选择昭通市昭阳区某乡镇区域为研究区,对采集到的无人机影像进行预处理,生成对应的正射影像;基于多种可见光植被指数,计算每3种指数合并得到影像的OIF指数,确定最佳波段组合;采用基于规则和基于样本两种面向对象分类方法,提取房屋、道路、植被等简单地物及背景。分析结果:两种方法的提取精度均达到90%以上,基于规则的面向对象分类方法精度较高,但耗时较长;基于样本的面向对象方法耗时较短,精度相对较低。两种方法相结合的全自动分类提取是下一步研究的目标。     

综合机载LiDAR与高分影像的煤矿区典型地物提取方法

综合利用LiDAR点云数据与WorldView-2高空间分辨率遥感影像,采用面向对象分类的矿区地表覆盖信息提取方法,利用nDSM高度阈值区分候选分割对象,构建了基于决策树分类器的矿区典型地物提取模型,在此基础上将图像光谱信息、DSM数据和地形参数等多源数据进行了融合,提取了出矸石堆、煤堆等典型煤矿区地物要素及植被、道路、水体等地表覆被要素信息。     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

基于面向对象与深度学习的典型地物提取

针对遥感图像地物分割问题面向对象方法可以将不同地物分割到不同的对象之中,在很大程度上解决了农作物、林地、水体、道路、建筑物等典型地物的混分问题,但面向对象方法对于形状、纹理等特征描述仍不够全面,信息量还不足以支撑完整的地物分类、识别。提出一种将面向对象与深度学习相结合的新方法,选用卷积神经网络Caffe框架,对训练样本数据进行深度学习,掌握不同对象的纹理等特性,形成深度学习模型,反过来指导对象分类。实验表明,新方法可以有效解决典型地物分不准的问题。     

利用MRF方法的高分辨率影像道路提取

高分辨率遥感影像提供了地物更丰富的信息,包括光谱信息、地物结构、形状、纹理以及地物之间的空间关系等多方面的信息。面向对象的影像分析方法以目标地物为研究对象,充分考虑目标地物的形状、结构及空间关系等信息进行目标的提取和分析,是当前高分辨率信息提取技术的主要方法。研究了采用面向对象目标的思想将MRF方法应用于高分辨率遥感影像的道路目标提取中,并进行了道路提取实验。     

基于深度学习的航空影像非正规垃圾堆放点监测技术研究与实践

城市化进程的加快导致垃圾随处堆放的问题日益突出,给城市的环境及居民的生活质量造成了严重的影响。利用遥感手段快速监测非正规垃圾堆放点具有及时性和高效性,因此具有十分重要的意义。本文结合无人机高分辨率航空影像及非正规垃圾堆分布特征,提出了按地域特征勾画样本数据集提取样本数据特征,采用U-Net和Swin Transformer融合模型,以及针对性改进训练流程开展非正规垃圾堆放点信息分类研究。试验以绍兴市越城区、柯桥区和上虞区作为研究区域,利用飞马航测无人机获取航空影像数据,对比分析了本文提出的方法和基于深度学习的典型地物要素提取方法在非正规垃圾堆放点监测上的应用,试验结果表明本文提出的方法准确率提高了1.72倍。     

利用无人机影像制作地震灾区三维景观图

为实时、准确地获取地震灾区的灾情和灾后重建状况,研究如何利用高分辨率无人机影像制作灾区三维景观图。对无人机影像进行几何纠正、影像拼接,利用摄影测量方法生成实验区的DEM,进而将影像制作成正射影像图;将无人机影像纹理映射到DEM上构建灾区的三维地形景观,并以正射影像图为底图对安置区的地物进行三维建模;最后根据规划和管理需要,编制三维景观系统,实现地震灾区三维景观的浏览、查询与分析。实践表明,采用无人机影像制作的三维景观图具有分辨率高、形象逼真等特点;影像的获取和处理以及系统的编制可为灾区重建提供丰富详实的信息。