基于面向对象的青海湖环湖区居民地信息自动化提取

居民地的空间格局和密度直接反映着区域人类活动的强弱程度,影响着区域人地系统演变和生态环境可持续发展。基于高分辨率卫星遥感影像数据,提出了一种面向对象的青海湖环湖区居民地信息自动化提取方法。首先,利用尺度集理论对高分辨率卫星遥感影像进行多尺度分割,获取不同尺度的分割对象;其次,通过机器学习算法集对分割对象的自定义特征、光谱特征、几何特征和纹理特征进行训练,选取最优自动分类算法;最后,利用最优自动分类算法提取青海湖环湖区城镇居民地和农村居民地信息。采用平均召回率、平均准确率和平均F值评价指标对分类结果进行精度评价,其中,城镇居民地各评价指标均在93%以上,农村居民地各评价指标均在86%以上。结果表明:该方法提取城镇居民地和农村居民地总体精度较高,在大面积人类活动精细化监测中具有较好的科学意义和应用价值。     

多尺度分割的高分辨率遥感影像分类对比研究

为进一步提高高分辨率影像地物分类精度,以高分2号卫星影像为研究数据,根据高分2号卫星遥感影像光谱信息以及高空间分辨的结构特点,从遥感影像数据分割的尺寸效果及其各种地物显著特征着手,通过局部方差法寻求出各类地物的最优分割尺度,并建立尺度网络层,利用继承进行多尺寸下多特征的整体融合,在最优尺度层下根据光谱特征、形状特征对高分2号影像进行多特征融合与多尺度分割实验,并在此基础上进行了典型地物的分类对比研究。结果表明多特征融合多尺度分割能够较好利用高空谱信息提高地物分类精度。     

最优尺度下的面向对象建筑物提取北大核心CSCD

针对基于面向对象方法提取建筑物准确度与精度不高的问题,提出了一种面积方差最优尺度分割法。该方法利用SPOT 5卫星遥感影像,根据建筑物特征对影像进行多尺度分割,以所有类别分割对象与实际目标匹配程度作为衡量的依据获得最优尺度。在不同尺度等级的对象层次上,根据对象的多特征组合,完成对建筑物分层分类提取。实验结果表明,该方法大大减少了分类的不确定性,获取了较高的精度,为建筑物准确提取提供了思路。     

遥感影像多尺度分割中最优尺度的选取及评价

多尺度分割是面向对象图像分析技术的前提和关键,多尺度分割的质量直接影响着面向对象分类的精度,但尺度选择仍然是多尺度分割中的一个难题。针对此问题,根据遥感影像的最优分割尺度与影像上目标复杂度密切相关的事实,提出了一种自上而下基于分割对象复杂度选取最优尺度的方法。该方法在分割过程中,提取每一对象的影像特征构建其复杂度函数,通过设置阈值,经迭代计算来确定每一对象的最优分割尺度,进而得到具有全局最优尺度的分割结果,并将其应用于ZY-3多光谱数据和GF-2融合影像,得到分割和分类结果。并将其与单一最优尺度和非监督评价法的分割及分类结果进行比较,结果表明：该方法能够获取与地面目标相匹配的分割尺度,改善了分割效果,提高了分类精度,具有一定实用价值。     

高分辨率遥感影像道路提取

针对实际应用中高分辨率遥感影像道路提取自动化程度低的现状,提出了一种半自动的高分辨率遥感影像道路提取方法。方法采用数据预处理、尺度分割、分类以及形态优化的工作流程,对高分一号遥感影像进行道路半自动提取。数据预处理利用NDWI、DNVI获得道路潜在区域,边缘增强突出道路边缘信息;采用多尺度分割切割道路潜在区域,尺度对比法获得道路最优分割尺度;主要依据道路的光谱特征、形状特征制定分类规则集进行分类;运用形态学开启运算、闭合运算优化道路形态。实验结果表明:在样本区域内提取精度达到90%,整景影像提取精度达到80%,且可推广到具有陕北地区地貌特征的高分一号影像道路快速提取应用中。     

基于最优尺度的遥感影像土地覆盖分类仿真

土地覆盖遥感影像是国家的战略性、基础性资源,真实、准确和实时的土地覆盖类型信息对科学保护和合理利用土地资源至关重要。随着大数据时代遥感影像数量快速增长,已有算法的准确性和稳定性无法满足土地覆盖情况分类需求。为进一步提升土地覆盖分类准确率,提出一种基于最优尺度分割与特征融合的方法。首先针对预处理后的遥感影像,利用局部方差计算出分割的最优尺度,并以尺度为基准优化过分割、欠分割影像;然后以分割后的影像为基准,采用局部二值模式算子(LBP)及神经网络提取土地影像的纹理特征和光谱初级特征;最后将影像的两种特征有机融合,并利用支持向量机分类器(SVM),构建了土地遥感影像分类模型(OSF-SVM模型)。分割仿真结果表明,与已有方法相比,文中的尺度分割技术在RR、RI及ARI指标上具有所提高,平局提升了10.83%;分类仿真结果表明,较传统SVM模型相比,OSF-SVM模型在R、P以及F₁指标上分别平均提高了4.1%、3.9%和4%。因此,通过最优尺度分割和特征融合构建的OSF-SVM遥感影像土地覆盖分类模型,提高了影像分割及分类的精确度与稳定性。     

地物大小、对象尺度、影像分辨率的关系分析

遥感数据的分辨率越来越高, 给地物信息提取提出了新的挑战。利用基于像元的分类技术和基于多尺度分割的面向对象分类技术对高分辨率影像进行分类实验, 分析地物大小、对象尺度与影像分辨率的关系。实验结果表明不同地物由于其空间尺度不同, 与之相适宜的空间分辨率和对象尺度也不同, 在适宜分辨率的影像提取有较高的精度, 在适宜的对象尺度上提取对象信息有更高的精度。分析也表明面向对象的多尺度影像分类技术适应了不同地物有其相适宜的空间分辨率, 在适宜尺度影像层中提取地物, 其分类精度大大高于基于像元的分类方法。     

基于决策树C4.5算法的面向对象分类方法研究

提出了基于决策树C4.5算法的面向对象分类方法.首先利用多尺度分割方法对遥感影像进行分割;然后提取对象的特征信息,包括光谱特征、纹理特征、形状特征、图层特征等,对提取的众多的对象特征,利用决策树C4.5算法对其进行知识挖掘,自动建立分类规则;最后利用建立的分类规则,将C4.5算法作为一种分类器对分割后的遥感影像进行分类,并以南充市城市土地利用为例进行了分类实验.实验验证了该方法的可行性.实验结果表明利用决策树C4.5算法建立的分类规则准确率高,利用该分类规则进行的面向对象分类效果较好.     

基于多尺度分割的遥感影像滨海湿地分类

基于多尺度的高分辨率遥感影像分类方法研究,可以为滨海湿地动态监测、规划保护提供更详尽的湿地分类信息和更快速的数据获取方法,对湿地保护具有重要意义。选取连云港青口河入海口处湿地为研究区,以高分辨率遥感影像WV\|Ⅱ和航空遥感影像为数据源,利用多尺度分割方法将影像分割成不同层次的实体对象;在不同层次,以实体对象为单元,结合光谱、形状、纹理等不同影像特征,进行滨海湿地分类研究,结果表明:利用该方法分类后,研究区各种湿地类型都达到较高精度。基于多尺度分割的影像分类方法能充分利用各种影像特征完成湿地分类,有效地减少了遥感影像中的“椒盐”现象,提高了分类精度;选择适宜的分割尺度和分割参数是基于多尺度分割的遥感影像分类方法提高精度的前提。     

基于特征优化的面向对象建筑物提取

相比于基于像素的建筑物提取方法,面向对象方法能减少“异物同谱”和“同物异谱”现象,提高提取精度;针对遥感影像特征繁多,造成特征维数灾难的问题,本文提出了一种面向对象的特征优化方法进行建筑物提取.首先将最小误差自动阈值分割方法和多尺度分割相结合,优化分割技术;然后基于Relief算法和fast correlation-based filter (FCBF)算法进行特征选择,构建最优特征子集;最后使用随机森林方法进行建筑物提取并用最小外接矩形方法优化建筑物边界.结果显示,特征重要性差异较大,基于最优特征子集建筑物提取的总体精度达到0.93, Kappa系数为0.91,明显高于原始特征集和优化特征集提取结果.     

基于面向对象方法的遥感土壤盐渍化信息监测——以渭干河-库车河三角洲绿洲为例

遥感技术由于具有观测范围广、实时强等特点适合用来研究土壤盐渍化现象。利用遥感手段提取盐渍土信息已经取得了一定的成效。利用面向对象方法,以TM卫星图像数据和野外实地数据为数据源进行提取盐渍地信息。首先,对遥感影像进行预处理,预处理包括几何校正和辐射校正,然后对图像进行图像分割,图像分割使用了分割方法的多尺度分割法、特征选择、面向对象分类和分类图像进行精度评价。对面向对象方法和传统的基于像元分类（最大似然法和最小距离法）结果进行对比分析。结果表明：利用面向对象方法对TM遥感图像进行分类,能有效抑制“椒盐现象”的发生,分类精度比传统的分类方法更高,为盐渍地信息的自动提取提供了广阔的前景。     

面向对象高分辨遥感影像分类研究

高空间分辨率遥感影像采用传统基于像元分类方法精度较低,本文通过分析高分辨遥感影像特征,采用面向对象的最近邻监督分类方法对QuickBird影像进行分类研究,首先对影像进行对象分割,然后将分割对象信息、形状特征与及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像元最近邻分类方法分类进行比较分析,结果表明,本方法能够较好的识别高分辨率地物类型,总精度为92.19%,Kappa系数为0.8835,较好地改善分类效果,适合高分辨遥感影像分类。     

基于激光雷达和航拍影像的城市地物分类研究

航拍影像富含光谱信息、纹理信息和空间信息,机载LiDAR(Light Detection and Ranging)能够提供地物的三维信息。综合利用两类数据的优势,研究了一种面向对象的城市地物分类方法。通过预处理将LiDAR点云转换成二维栅格数据,与航拍影像进行配准;结合光谱信息和高度信息对研究影像进行多尺度分割,依据最优分割尺度计算模型选择最优分割尺度;对分割对象提取各类特征,采用XGBoost算法进行特征选择,选择支持向量机(Support Vector Machine,SVM)分类器进行分类,为体现XGBoost算法的优势,借助SVM分类器与Relief和RFE两种传统的特征选择算法比较;基于一定规则将阴影区域地物区分以及合并到真实地物类别中,实现最终的城市地物分类。在3个区域测试分类方法,结果表明本文研究方法可行有效,能够较好地应用于城市地物分类。     

基于遥感影像的军事阵地动态监测技术研究

针对部队快速机动作战的军事要求,提出基于高分辨率遥感影像的军用阵地动态监测方法。借助面向对象的多尺度分割技术将阵地影像分割为同质对象,以提取各个对象的特征;针对监督分类和非监督分类的弊端,提出通过一定的先验知识制定分类规则的方法对遥感影像进行地物识别,在此基础上定性和定量地输出变化检测结果。实验结果表明:利用基于对象影像分析方法具有较高的识别精度,能够有效监测军事阵地变化。     

基于改进的面向对象遥感影像分类方法研究——以西藏米林县典型林区为例

针对目前面向对象多尺度分类方法中,最优分割尺度的确定方法不具有普适性或者易受主观性影响的问题,以西藏米林县的Landsat 8OLI影像为数据源,对研究区影像多尺度分类进行研究。首先确定多尺度分类的最优分割尺度,提出基于多尺度分类精度Kappa系数的最优分割尺度函数模型法,在此基础上,利用多尺度分类分别与最近邻分类和阈值分类法相结合的方法,对研究区影像进行分类。结果表明:分割尺度分别为190、150、100、60,多尺度分类法比单一尺度分类精度高;最近邻多尺度分类法比阈值多尺度分类精度高,其总精度分别为86%和72%,Kappa系数分别为0.72和0.69。最优分割尺度函数模型在具有普适性的基础上更具有科学理论性,多尺度分类与最邻近分类结合的方法比与阈值分类结合的方法分类效果好,为后续植被动态变化监测提供了依据。     

基于多尺度特征融合的U-Net网络高分影像不透水面提取研究

不透水面作为监测城市生态环境的重要指标,其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要,急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此,采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度,开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络,提取更多影像特征;加入金字塔池化模块增强网络对复杂场景的解析能力;利用跳跃连接方式融合不同尺度特征,有利于恢复空间信息。以广州市航摄正射影像为数据源,通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型,将其与人工目视解译的地面真值进行验证,最终提取研究区域不透水面。实验证明：多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596%和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明：该模型利用多维度影像特征信息,有效提升了复杂场景图像的分割精度,分割效果好,适用于高分辨率遥感影像不透...     

基于面向对象的遥感影像分类研究——以河北省柏乡县为例

遥感作为提取土地覆盖类型的主要手段对监测土地利用变化和制定国家政策具有重要意义。通过利用影像的光谱、形状和纹理信息,面向对象分类方法能够比基于像元的分类方法提供更高精度的数据。基于高分一号卫星数据提出一种自动计算最优尺度的方法,基于多尺度分割和3种监督型机器学习算法对研究区典型地物类型(农田、裸地、居民区和道路)进行面向对象分类,并用总体精度和Kappa系数对分类结果进行精度评价,分析了分类精度与训练样本占总样本比例的关系。研究表明,面向对象分类方法在训练样本占总样本比例较小的情况下就可以取得较高的分类精度,总体精度高于94%。总体来看,支持向量的分类精度比神经网络和决策树的分类精度高。     

基于均值漂移聚类的油罐识别

从高空间分辨率遥感影像中自动的提取油罐目标和具有重要的意义。针对传统方法计算复杂度高的不足,结合油罐和油库区域在遥感影像中体现的光谱和空间分布特点,提出一种基于均值漂移迭代聚类的油罐自动识别算法。算法基于均值漂移的分割算法进行区域的多层次合并,同时在每个分割尺度上依据形状参数检测油罐。多幅遥感影像的实验结果表明了算法具有较高的识别精度和的较低时间复杂度。     

基于改进型统计区域增长的遥感图像分割

随着遥感技术的发展,高分辨率遥感图像内容变得越来越复杂,信息表现更加精细,将某些中、低分辨率图像的图像分割、 分类算法直接应用到这类图像上时,其效果往往不理想。在传统区域增长算法的基础上,进行了四重优化,采用四邻域策略组合成像素对,严格化合并准则,在不同尺度下将像素对进行合并,得到较好的分割影像。实验证明,该算法较大程度上实现了目标的提取,减少了传统区域合并算法的计算量,与原算法相比较更多地考虑了像素的空间特性,具有很好的抗噪能力,能够适应于大数据量高分辨率遥感影像的多尺度分割。     

基于迭代CART算法分层分类的土地覆盖遥感分类

土地覆盖遥感分类是土地利用变化监测及其空间格局分析的重要技术手段。为了进一步提高土地覆盖遥感分类精度,提出一种基于迭代CART算法分层分类的新技术体系。首先,根据类别光谱可分性分析,确定分层分类方法的类别提取顺序依次为水体、植被、裸地和建设用地。然后,在此分类顺序下,分别确定各类别的图像分割参数和分类特征集。最后,在对象尺度上,将CART算法迭代引入分层分类过程,不断选取训练样本进行CART算法的迭代分类依次提取前3个类别,将剩余部分直接划分为建设用地。实验结果证明:该方法可以明显减轻裸地和建设用地的混分现象,获得较高精度的土地覆盖分类结果,总体精度85.76%,Kappa系数0.72。相比于SVM、CART两种单次分类方法,总体精度和Kappa系数分别提升了10.67%～16.5%和0.15～0.21。同时,该方法能够灵活调整某个类别的分类精度并具有很强的扩展性,可以为其他涉及图像分类的遥感应用领域提供方法参考。