基于P-N学习的高分遥感影像道路半自动提取方法

基于模板匹配的道路跟踪是半自动提取道路的主要方法。然而场景中地物干扰和道路宽度的变化降低了模板匹配的稳定性;另外,道路跟踪失败后缺乏重检测机制,使得道路提取过程中人机交互频繁。针对以上问题,提出了一种基于P-N（positive-negative）学习的高分遥感影像道路半自动提取方法。该方法由道路跟踪、检测和学习构成,关键是采用了P-N学习的策略迭代的训练分类器,通过纠正违反结构约束的样本分类结果来提高分类器性能。实验使用了不同场景下的城区高分遥感影像,与经典的模板匹配和在线学习的道路跟踪方法进行了比较。实验结果表明该方法在道路提取的精度和稳定性方面均有提升。     

基于统计信息的低反差道路半自动提取方法

从实际应用的角度,采用基于统计信息的低反差半自动道路提取方法,提取了高分辨率遥感影像中道路特征分析时经常被忽略的、目标与背景反差较小的道路段;并在高层的知识处理后,将结果返回中层及底层进行了进一步验证。     

基于SPOT5影像自动提取水体的新方法

利用遥感影像进行自动化水体提取是一项富有挑战的任务。提出了一种GIS数据辅助下的可见光遥感影像水体自动提取方法,其核心是将影像分割、配准和变化检测集成为一体化处理流程检测水体。利用水体在遥感影像上的显著特性,首先提出了基于多尺度视觉注意模型的疑似水体区域检测;然后对影像显著区域进行水平集分割处理,通过迭代的分割和配准一体化处理不断优化直至获得最优的分割和配准结果,其中改进的形状曲线相似度特征用于约束分割结果与GIS水体对象的匹配;最后,利用基于缓冲区的变化检测方法获取变化和未变化的水体对象,同时利用已知水体辐射特征与GIS地物的空间位置关系剔除非水体对象。采用3组不同分辨率的遥感影像和不同尺度的GIS数据进行实验,结果显示了本文方法在水体自动提取和变化检测中的有效性。