基于面向对象的高分影像城市房屋信息提取与分析

本文利用基于面向对象的高分遥感影像房屋信息的提取方法,使用多尺度分割结合同一特征的地物融合方式区分成互不交合的地物图像,并结合目标地物的各类属性特征、关系特征,辅以地物的边缘信息来提取房屋信息。结果证明,基于面向对象的提取信息方法分类精度更高。基于面向对象高分遥感信息提取方法与传统的基于面向像元分类方法相比,更加有利于提取高分遥感图像里的房屋。     

多尺度分割方法在测绘中的应用

采用多尺度分割和基于规则知识库结合的方法,对测量遥感影像进行数据处理,从数据融合、图像分割、规则知识库的建立等方面,介绍了城市地物测绘工作的方法和步骤,从而提高测绘遥感影像地物特征点的提取精度。     

基于面向对象的高分辨率遥感影像建筑物提取研究

遥感影像上的建筑物是一种非常重要的地物.利用高分辨率遥感影像上建筑物的光谱、空间特征及上下文特征等,并通过贝叶斯理论计算对象的归属概率属性,提出了一种面向对象的高分辨率影像建筑物提取方法.实验证明该方法有较好的提取效果.     

基于C1C2C3彩色不变特征的阴影检测与辐射恢复研究

阴影是遥感影像的基本特征之一,它将干扰图像匹配、图象变化检测或图像中信息的提取,而去除阴影则是遥感图像处理的难题。本文利用C1C2C3彩色不变特征中的C3将阴影与黑色区域分解开来;用方差作纹理滤波来提取阴影区边界;参考非阴影区相同地物像素亮度值来恢复阴影区像素的亮度值。并且用IKONOS城市区域影像进行了实验,实验表明该方法可真实再现阴影区地物特征,增加影像信息量,提高数据质量。     

基于PSI的水体提取方法在地理国情普查中的应用

引入像元形状指数(PSI),利用像元形状指数能够反映地物匀质性的特点,结合水体的光谱特征,开展高分辨率遥感影像的水体信息提取,实验表明基于像元形状指数和光谱特征的方法较好解决了建筑物阴影等地物的干扰,有效提高了高分辨率影像水体提取精度,该方法在地理国情普查水体覆盖数据生产中取得了较好的效果,为利用高分辨率遥感影像开展地理国情普查地表覆盖数据生产提供了一种新的方法。     

基于eCognition的绿地利用变化检测应用研究

基于高分辨率遥感图像提取绿地信息是分析和掌握城镇绿地分布格局及其动态变化的有效途径。本文采用不同时相的遥感影像资料,借助面向对象的分类方法、结合多尺度分割、地物光谱信息、植被指数等特征对绿地利用变化情况进行检测。     

遥感影像中水面及水体信息提取方法的研究

根据遥感影像中不同光谱波段对不同地物的反射率特征,以西洋河流域2000年春秋两期Landsat7ETM+遥感数据为研究对象,结合实地调查数据,利用地理信息系统及遥感数据处理系统软件平台,建立植被覆盖度对不同季节、不同程度的植被覆盖、岩土裸露及水面水体相关的特征关系、对该流域内分布的各类中小型水库塘坝的水面和水体信息的分析和提取方法进行系统的研究和验证。通过结果分析表明:根据不同时相遥感影像的光谱波段组合建立不同的处理方法可以提高季节性变化的水面及水体信息识别和提取的精度和效率。     

ETM+遥感影像的水体信息提取研究——以泉州市区为例

针对单波段法提取水体信息,存在的人工确定阈值的难度性和提取结果的误差性,以及多波段法提取水体信息存在的地域局限性,以泉州市区ETM+遥感影像为例,在谱间关系法的基础上作进一步改进,采用决策树法分步提取水体信息的方法,首先利用研究区内的典型地物类型的辐射亮度均值作出典型地物辐射亮度响应曲线,并构建自动提取水体信息的模型,实现对研究区的水体信息提取。     

基于TM遥感影像的分类方法研究与探讨

为了能够更加方便、快捷和准确地采用分类方法对遥感影像进行分类,对lsodata分类法、最大似然分类法以及决策树分类法这三种遥感图像分类方法进行了机理分析,并以阜新TM遥感影像作为实验数据,对这三种方法进行实验数据比较分析,实验数据表明决策树分类法精度最高,不仅能有效利用地物的光谱信息,而且增强了地物非光谱信息对分类结果的作用。     

U-net深度学习神经网络结合面向对象的城市森林高分影像信息提取

城市森林结构复杂、分布破碎,采用高分遥感数据,通过深度学习等智能机器学习算法精准监测提取城市森林信息,是城市森林资源智能监测管理的关键性基础环节。本文以杭州市余杭区部分城区WorldView-3高分卫星遥感影像为数据源,采用改进的U-net深度学习神经网络,并结合面向对象多尺度分割方法,研究城市森林智能精准提取。首先,通过大量的训练数据获得最佳模型参数;其次,使用U-net网络进行语义分割得到分类结果图;最后,结合面向对象最优分割修正深度学习城市森林提取结果,从而最终得到城市森林提取结果。研究表明,(1)基于改进的U-net深度学习神经网络得到的城市森林总体分类精度达90.50%,Kappa系数为0.886;(2)经面向对象分割对U-net深度学习神经网络结果中的"椒盐现象"及边界地物错分现象进行修正后,分类总精度提高到93.83%,Kappa系数提高到0.9295。因此,U-net网络模型结合面向对象方法可以有效地改善遥感目标识别及地物分类的效果,保证城市碎片化植被提取与植被区域边界的准确性,从而提高城市森林植被提取精度。