基于面向对象的城市地物信息提取方法研究

20世纪90年代以来,高空间分辨率遥感影像数据的处理已成为遥感领域中的热点与难点。利用具有人的思维特点的面向对象的信息提取技术,对高分辨率遥感影像中的城市用地进行分类,分析和利用高分辨率影像的空间信息、结构信息与光谱特征等,总结了面向对象解译方法的5个步骤,即影像分割、分类方法的选择、地物种类分类,知识库构建、计算机自动分类。分类结果表明：（1）克服了“椒盐现象”;（2）信息提取的总体精度为92.19％,而且各类地物信息的提取精度均有所提高,特别是利用前期分类的拓扑关系有效提取了城市水体与建筑物阴影。     

基于超像素的高分辨率影像建筑物提取

建筑物提取对于基础地理数据获取与更新具有重要意义。针对传统的基于像元方法难以利用影像空间、上下文信息以及面向对象方法最优分割尺度难以确定等问题,该文提出一种基于超像素的高分辨率影像建筑物提取方法。首先利用LiDAR点云数据生成归一化高程模型以获取地物的高度特征,并通过Layerstacking方式与高分辨率影像融合;随后基于Simple Linear Iterative Clustering(SLIC)算法分割高分辨率影像的RGB彩色图像生成超像素;继而基于分割所得的超像素中的每个像元对超像素进行特征计算;最后使用基于RBF核的支持向量机方法进行超像素级别分类,得到建筑物提取结果。实验结果表明,该方法能够有效识别出简单场景和复杂场景下的建筑物,显著消除了传统基于像元方法出现的"椒盐效应",同时避免了面向对象方法中最佳分割尺度选择的难题,取得了较好的建筑物提取效果。     

面向高分辨率遥感影像建筑物变化检测的边缘感知网络

为提升建筑物变化检测精度,尽可能保留变化区域的边缘信息,提出一种边缘感知网络(Edge Sensing Net-work,ESNet),用于较大范围内的高分辨率遥感影像建筑物变化检测.ESNet由主干网、粗预测分支和精预测分支三部分组成:主干网用于提取多层次的特征差异图;粗预测分支通过跳跃连接的方式融合深层特征图与浅层特征图,以获得变化检测的粗预测图;精预测分支选取粗预测图中预测不确定性较大的点,通过融合点的深层和浅层特征实现点的变化属性再判别,从而获取建筑物变化区域的精细化边缘信息.在航空影像和卫星影像建筑物变化检测数据集上的实验表明,相比STANet、UNet++MSOF等变化检测方法,该方法变化检测精度最高,且能有效保留边界的细节信息.     

基于知识规则构建和形态学修复的建筑物提取研究

提出了一种基于知识规则构建和形态学修复的建筑物提取方法,并以青岛市崂山区作为试验区开展建筑物信息提取研究.首先,选用试验区的快鸟影像,进行影像预处理、小尺度分割、大尺度合并、知识规则构建等算法处理,得到建筑物轮廓的粗提取结果,对提取结果经过形态学修复和边缘检测后,得到粗提取的建筑物轮廓矢量图;然后在以ArcGIS Engine为平台开发的建筑物提取系统中,以预处理后影像和第一步中获取的建筑物矢量图作为双底图,针对建筑物的不同形态,分别采用手扶跟踪数字化、自动跟踪数字化和模型数字化来规则化处理建筑物轮廓;最后获得建筑物轮廓的精提取结果.试验结果表明,与监督分类方法相比,这种方法提取出的建筑物轮廓清晰完整、精度高、速度快,提高了建筑物提取的自动化和智能化水平.     

面向对象的高分辨率影像城市建筑物提取

依据高分辨率遥感影像的特点,采用面向对象方法提出"自下而上"的多尺度分割方法,即按照由小尺度分割至大尺度分割的顺序,并结合掩膜操作对山东师范大学IKONOS影像进行了建筑物提取试验。结果表明,该方法较传统的"自上而下"的尺度分割方法精度有显著改善,其分类结果形状较为规整,更接近实际地物。     

基于形态重建的高分辨率遥感影像城市道路提取

高分辨率遥感影像中,城市道路表现为局部灰度近似、宽度变化缓慢的狭长区域。根据城市道路这些形态特性,提出基于形态重建的道路提取方法。先对原始遥感影像作增强处理,突出影像边缘信息,用Otsu自动阈值分割法对增强处理后的图像进行初步分割;再根据图像中各要素的形态特征构建不同的标记图像,分别对原图像进行形态重构,将道路和建筑物等分别生成新的图像模块;对形态重构生成的道路模块进行轮廓提取和细化,提取出道路轮廓和中心线。实验结果表明,该方法能有效地从高分辨率遥感影像中提取出城市道路网。     

基于Google Earth二维影像获取建筑物高度的方法

从二维影像中的阴影快速获取建筑物高度是三维数字城市建设中亟待解决的问题.该文提出了一种从Google Earth二维影像获取建筑物高度数据的新方法,利用SketchUp软件模拟光照效果,使三维模型的阴影与二维影像的阴影重合,从而获得建筑物的高度数据,并对如何减小高度数据误差进行了分析.实验结果表明,利用该方法获取的高度数据,可以满足一定的精度要求,而且省时、省力,具有一定的应用价值.     

基于LandSat8 OLI数据的山区阴影信息检测与提取

为快速获取山区遥感影像上的阴影干扰区域,探究一种简便、高效、精确的遥感影像中阴影干扰区域的方法,具有重要的意义。以福建省长汀县为研究区域,搜集2016年3月美国陆地卫星影像数据与ASTER影像计算的GDEM V2产品。基于土地利用分类体系测量的6类地面物体光谱信息与影像波段信息,优选影像的光谱波段并重新组合;选取Sinh函数与Max函数建立c!算法,对LandSat8 OLI影像进行差异化计算,通过二分式判别规则初步提取阴影区域;加入由数字高程模型计算的坡度信息,剔除水域与坡度较为平缓的地物等干扰信息,精确提取山区阴影区域。设立网格随机设置精度验证点验证精度,最终总体精度达到99.06%,Kappa系数为0.98。结果表明,实验方法对于LandSat8 OLI影像提取阴影可行性高,检测效果与提取结果较c3算法与SVI指数更好。     

基于语义和边缘特征融合的高分辨率遥感影像水体提取方法

利用卷积神经网络从遥感影像中提取水体时,水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异,导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大,影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题,文章首先以高分辨率遥感图像为基础,利用边缘提取算法生成边缘图像,然后以高分辨率遥感图像和边缘图像作为输入,建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型（Semantic Feature and Edge Feature Fusion Network, SEF-Net）,用于从高分辨率遥感图像中提取水体对象。实验结果表明,SEF-Net模型在3个数据集中的召回率（91.97%、92.07%、93.97%）,精确率（91.12%、98.37%、97.88%）,准确率（89.56%、95.07%、94.06%）和F1分数（91.54%、95.12%、95.88%）均优于对比模型,说明SEF-Net模型从高分辨率遥感图像中提取水体时,具有更高的精度和泛化能力。     

面向对象的干旱区盐渍地信息提取方法研究

随着高分辨率遥感影像的广泛应用,面向对象的高分辨率遥感影像信息提取技术得到了迅速发展。本文针对高分辨率遥感影像的盐渍地信息提取,探索了面向对象的信息提取技术运用在盐渍地信息提取方面的最优参数选择和规则建立等关键技术,并且将从ALOS影像中提取盐渍地信息的结果与传统分类方法的提取结果进行对比分析。结果表明,利用面向对象方法的盐渍地信息提取总体精度为89.38%,较传统方法提高8.24%,Kappa系数为0.88,较传统方法提高0.08。该方法能实现较为精确地提取盐渍地信息,在高分辨率遥感影像盐渍地信息提取中具有一定的优势。