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。     

结合纹理与极化分解的面向对象极化SAR水体提取方法

合成孔径雷达(Synthetic Aperture Radar,SAR)拥有全天时全天候的工作能力,能够有效地连续对地观测,是土地管理、水体监测、灾害评估等多种应用的稳定数据来源。基于面向对象的思想,提出一种高精度、低虚警率的极化SAR(Polarimetric SAR,PolSAR)水体提取方法。此方法首先对极化SAR图像进行分割,再结合纹理与极化分解特征,对分割区域进行投票,识别水体区域。利用Radarsat-2数据和TerraSAR-X数据开展实验,并将提出方法与基于单一纹理和基于极化分解等水体提取方法进行对比,结果表明该方法在两种数据中均具有最高的总分类精度,其中基于分割技术能够保持完整的水陆边界,纹理与极化特征能够区分浅草、裸地和阴影等与水体相似的地物,结合投票方法能够提高小型水体检测率。     

基于特征异质性优选的面向对象建筑物提取北大核心CSCD

利用面向对象方法提取遥感影像中的建筑物是当前研究热点之一。针对此方法中特征选择问题,文章基于面向对象的分析方法,充分考虑影像特征与多种地物在空间异质性上的相似程度,提出了一种特征优选方法,进而完成建筑物的提取。具体方法是:首先,计算对象内同质性与对象间异质性,基于均值变点原理确定全局最优尺度;其次,利用地理探测器基于空间异质性相似度对分割对象的光谱、纹理、高度、形状等特征进行优选;最后,根据优选出的特征进行建筑物提取,并辅以邻域高程比对算法进行优化,获得建筑物较完整、可靠的轮廓。结果表明,该方法对建筑物提取更加高效且精度更高。     

高光谱传感器CASI与SASI支持下的水体精准提取

针对水环境监测的实际需求,研究选用具有cm级空间分辨率和nm级光谱分辨率的机载航空高光谱成像仪CASI和SASI数据,在380 ～2450 nm光谱范围内,提出了一种水体精准提取综合模型,建立了一种适用于CASI和SASI数据的水体提取方法体系.有效地解决同谱异物、阴影遮挡和地形起伏等问题,经与七种常规提取方法对比验证,提取精度达到98.41％,k系数达到0.97,在目视效果和制图精度上,都显著高于传统方法,实现了精准提取水体的目标.     

高光谱影像奇异谱特征提取和分类方法北大核心CSCD

针对高光谱影像中地物的尺度复杂多样,并且存在“同物异谱、同谱异物”现象,给影像的解译和分类带来了困难,以及高光谱影像维度过高容易造成分类中的维数灾难等难题,提出了一种结合超像素的改进二维奇异谱分析(two-dimensional singular spectrum analysis combining with superpixels,S2DSSA),与局部Fisher判别分析(local Fisher discriminant analysis,LFDA)相融合,共同提取影像的光谱-空间特征,并使用支持向量机(support vector machine,SVM)来进行分类,记为S2DSSA-LFDA-SVM的方法。超像素2DSSA将2DSSA作用于每个构造的超像素规则区域,能够自适应地提取地物的空间特征。在其基础上,LFDA进一步挖掘光谱维度的流形结构,实现光谱特征提取和降维。实验结果证明,在两个经典高光谱数据集上,所提出方法的总体精度相比于原始数据分别提升了31.7%和12.9%,相比于其他先进的光谱-空间分类算法有2%~6%不同程度的提升。     

基于SPOT-5多光谱影像的矿区塌塘水体提取方法研究

针对基于遥感影像的水体提取方法存在水体提取不完整和误提的现象,提出了一种基于SPOT-5多光谱影像的矿区塌塘水体提取方法。在利用波段合成增加一个可用波段的基础上对已有的水体提取方法进行适当的改进,并基于决策树分类器和改进后的方法进行矿区水体的四级提取,保证了水体提取的完整性,同时减少了误提率;最后利用实测数据对水体提取的精度进行了评定。试验结果表明,基于决策树分类器的水体提取方法具有较高的精度,能满足矿区实际应用的需要。     

面向对象卷积神经网络的耕作梯田提取北大核心CSCD

针对目前高分辨率遥感影像耕作梯田提取方法普遍精度不高的问题,提出一种面向对象与卷积神经网络相结合的方法。以福建省南平市为例,构建面向对象卷积神经网络,利用高分辨率GF-2和ZY-3遥感数据进行耕作梯田精细提取,并对比分析深度学习与传统方法、不同分辨率数据源以及不同分类器对提取效果的影响。结果表明:该方法总体精度达到87.1%,Kappa系数为0.76,与采用低层次特征的随机森林分类对比,总体精度提高了10.2%;分别结合深层次特征与随机森林、XG Boost和Ada Boost分类器,总体精度差异小于2%;该方法基于GF-2影像的提取精度较ZY-3提高了4.6%。此方法可有效表征高分辨率影像梯田对象的深层图像特征,并顾及影像中梯田的边界信息,实现了梯田的精细提取。     

基于GF-2遥感影像的一种快速水体信息提取方法

在高分辨率遥感影像中,水体与阴影(尤其是高大建筑物阴影)、暗色地物不易区 分。针对 GF-2 遥感影像的光谱特性的大量实验研究,提出了一种新综合水体指数法(NCWI)来 增强水体区域信息;同时利用改进的 OSTU 结合鸡群算法(CSO)快速自适应地确定最佳分割阈 值,进而得到最终的水体区域。将其同归一化 NDWI、改进谱间关系法、主成分分析综合法等 常见水体信息提取方法应用于 GF-2 遥感影像水体信息提取,利用采用实地采样和人工解译的 混淆矩阵对提取的水体区域结果进行精度验证和对比分析,从而验证了其有效性和高效性。4 个实验区域的结果证明,该算法可以快速有效地提取水体信息,精确度分别达到 97.82%, 97.44%,92.13%,96.94%。     

融合空间信息的高光谱影像稀疏表达分类北大核心CSCD

针对高光谱影像空谱信息利用问题,设计了一种融合空间信息的稀疏表达分类方法,以提高高光谱影像的分类精度。首先,在特征提取阶段引入空间信息,采用形态学滤波的方法提取高光谱影像的形态学属性剖面特征;然后,采用训练样本构成的字典对提取到的空间特征进行稀疏编码,在编码过程中进一步引入空间邻域信息来提高稀疏编码效果;最后,根据测试样本的稀疏编码向量计算其相对于每个类别的重构误差,并将该样本划分到重构误差最小的类别中完成分类。为了验证该方法的有效性,在Pavia大学和Indian pines 2组高光谱数据集上进行分类实验。实验结果表明,该方法充分利用了高光谱影像的空间邻域信息,能够有效提高高光谱影像的分类精度。     

利用RefineNet模型提取冬小麦种植信息的方法

冬小麦是我国主要的粮食作物,获取精细的冬小麦种植信息对于指导农业生产具有重要的意义。通过对RefineNet模型进行扩展,形成了适宜提取冬小麦种植信息的Ex-RefineNet（Extend-RefineNet）模型,Ex-RefineNet模型由两个子模型组成,Ex-RefineNet-Edge子模型用于提取冬小麦种植区域的边缘像素,Ex-RefineNet-Inner子模型用于提取冬小麦种植区域的内部像素,使用贝叶斯模型对两个子模型的提取结果进行合并处理,形成最终提取结果。利用山东省济南市和泰安市的16幅高分2号遥感影像进行实验,将每幅影像的2/3作为训练数据,其他数据作为测试数据,选择平均精度、查全率和Kappa系数作为对比指标,Ex-RefineNet模型的结果分别为0.93、0.92、0.91,而RefineNet模型的结果分别为0.86、0.84、0.83,说明本文给出的方法在提取冬小麦种植信息方面具有较明显的优势。     

利用RefineNet模型提取冬小麦种植信息的方法

冬小麦是我国主要的粮食作物，获取精细的冬小麦种植信息对于指导农业生产具有重要的意义。通过对RefineNet模型进行扩展，形成了适宜提取冬小麦种植信息的Ex-RefineNet（Extend-RefineNet）模型，Ex-RefineNet模型由两个子模型组成，Ex-RefineNet-Edge子模型用于提取冬小麦种植区域的边缘像素，Ex-RefineNet-Inner子模型用于提取冬小麦种植区域的内部像素，使用贝叶斯模型对两个子模型的提取结果进行合并处理，形成最终提取结果。利用山东省济南市和泰安市的16幅高分2号遥感影像进行实验，将每幅影像的2/3作为训练数据，其他数据作为测试数据，选择平均精度、查全率和Kappa系数作为对比指标，Ex-RefineNet模型的结果分别为0.93、0.92、0.91，而RefineNet模型的结果分别为0.86、0.84、0.83，说明本文给出的方法在提取冬小麦种植信息方面具有较明显的优势。     

不同指数法在地表水体提取中的效果比较

由于遥感技术能够快速、高效地获取地表水体的时空分布特征,目前基于影像提取内陆水体的方法很多,但针对不同类型的水域,哪一种方法提取效果更好,是值得探讨的问题。以天健湖、须水河和黄河郑州段3个水域为研究对象,基于GF-2,Landsat 8,SPOT5卫星影像,采用水体、植被指数法等几种方法提取水域部分。通过分析提取效果,得出:对于水体较浅的天健湖,无论是GF-2还是Landsat 8影像,提取效果较好的方法是水体指数法,提取效果较差的均为单波段阈值法;对于相对较深的须水河,无论是GF-2还是Landsat 8影像,提取效果较好的方法是植被指数法,提取效果较差的均为单波段阈值法;对于含沙量较大、有细小水体的黄河水域,提取效果相对较好的是水体指数法,较差的是单波段阈值法和植被指数法。表明:在基于影像提取水体时,首先应弄清水域的情况,以采用相应的遥感指数。     

改进Otsu与形态学相结合的水体信息提取北大核心CSCD

水体提取对于洪涝灾害评估有着重要的意义。针对传统的Otsu分割阈值会偏向方差大的一类,因此分割结果包含大量的伪水体,给后续处理增加了极大困难的问题,提出目标权重改进的Otsu和结合高程连通标定的形态学优化方法。通过实验证明,基于目标权重改进的Otsu可以有效地平衡分割阈值,计算的分割阈值更接近真实分割阈值。利用改进Otsu提取水体的初始分布图,并采用结合高程连通标定的形态学优化方法对其进行优化,得到最终的水体分布图。对实验结果分析得出,该水体提取方法可以充分发挥改进Otsu和结合高程连通标定的形态学优化方法在提取水体方面的各自优势,大大提高了水体提取的精度。利用该方法对覆盖彭泽县的影像数据进行水体提取,验证了该方法提取水体的可靠性。     

改进DeeplabV3+模型的河流水体提取

为了探究深度学习DeeplabV3+模型在河流水体提取的潜力,分别构建了ResNet-50、ResNet-101、ResNet-152、Xception共4种不同骨架网络的DeeplabV3+模型,开展河流水体提取研究。通过河流水体提取结果对比分析,确定了最优骨架网络模型为ResNet-50,在此基础上提出了改进的DeeplabV3+模型,并与最邻近分类法、随机森林分类法、支持向量机分类法、原始DeeplabV3+模型法等分类方法的分类结果进行比较。结果表明：改进的DeeplabV3+网络模型能有效提取河流水体目标,增强小面积河流水体识别能力,减少河流水体漏分现象,提高河流水体提取效果。改进后的DeeplabV3+网络模型在高分辨率遥感影像河流水体提取方面具有可行性,为后续该领域的进一步研究应用提供了参考。     

面向对象与三维可视化方法结合的铁路线选址北大核心CSCD

针对大范围多类型的地质解译效率低、规范性差的问题,提出采用面向对象分类结合三维可视化的方法,对铜吉铁路沿线进行半自动化解译。首先,以高分一号、哨兵二号为主要数据源,通过主分量运算、图像融合等技术增强不同地物特征,选取不同的分割尺度以及特征参数,采用面向对象方法对地层、水文地质等面状信息进行专题提取,其分类精度均大于0.77,提高了解译精度和效率;然后,结合方向滤波增强线性构造,将各类地质要素进行三维可视化分析;最后,选取解译图、地层解译图和植被覆盖度等九个专题要素,通过权重分析进行综合评价,给出沿线地质稳定性综合指数。结果表明,研究区地质状况较好,该方法具有有效性,为铁路线选址提供技术支持。     

一种面向对象结合变差函数的高分辨率遥感影像茶种植区自动提取方法

针对传统的茶区提取主要依靠人工野外勘测方法,需要耗费大量的人力物力,时效性差,精度低,不能及时有效地获取茶区空间分布信息,同时茶区在光谱特征上与林地、梯田等具有极强的相似性,茶种植区的遥感识别工作难度高等问题,提出了一种面向对象结合变差函数的茶种植区自动提取方法.为了解与动态监测茶的种植情况,选取位于贵州省铜仁市的4块...     

一种面向对象的高分辨率影像道路提取方法

高分辨率遥感影像为用户提供了丰富的地表细节信息, 如何利用图像分析技术从高分辨率遥感影像中进行目标提取、更新地理信息数据库, 成为遥感信息处理研究的热点。传统的道路提取方法一般采用像素级检测方法, 仅利用了像素的光谱信息作为道路提取的依据, 无法利用影像的空间信息。提出了一种面向对象的高分辨率卫星影像道路提取方法, 并选取南京市IKONOS 影像进行了实验。首先, 对影像进行分割获取影像对象, 再通过对IKONOS 影像中道路特征的分析, 利用影像对象的光谱特征、几何特征和空间关系建立知识库, 最后, 利用知识库中的规则来提取影像中的道路。实验结果表明采用本方法能够较好地提取出实验区中的道路。     

基于线性混合模型的高光谱图像端元提取

近年来,基于线性混合模型的光谱解混合技术正在越来越广泛地用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元(Endmember)光谱。通常,端元的荻取有两种方式：来源于光谱库以及来源于图像数据,相比之下后者得到的结果更能体现真实的地面信息。为此,从线性混合模型的特点出发,归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,并总结了评估算法结果的依据,最后介绍了端元提取技术的发展趋势。     

结合改进SWT和EMD的高分遥感影像道路提取北大核心CSCD

针对利用传统笔画宽度变换(stroke width transform,SWT)提取遥感影像道路阈值无法自动确定以及精度不够高的问题,提出了一种结合改进SWT和融合多特征后的陆地移动距离(earth mover’s distance,EMD)进行高分遥感影像道路提取的方法。首先,结合连通分量分析,将笔画宽度变换改进成可自动确定提取阈值的方法,进行初步道路提取;其次,确定一个道路参考区域,利用连通区作为索引,分析道路参考区域与其他区域之间的特征相似度,通过提取纹理与光谱特征,计算加权融合后的特征EMD值,设定合理的阈值过滤大部分非道路区域,提取出其他道路区域;最后,进行形态学后处理得到最终提取结果。通过实验实现该方法并与现有道路提取方法进行对比。经过评估,证明该方法在提取不同场景的道路时均能达到理想效果且具有较高精度。     

基于面向对象多端元混解模型的植被覆盖度反演及其时空分布研究北大核心CSCD

近年来湿地的植被退化一直是全球关注的问题,对湿地植被覆盖度进行反演并研究其时空分布特征显得尤为重要。而为了解决植被反演中存在的混合像元问题,提出了基于面向对象的多端元光谱混合分析方法。以扎龙湿地保护区为研究对象,中高分辨率Landsat影像为数据源,从时间尺度和植被覆盖度等级变化层面,研究湿地植被时空变化特征。面向对象多端元混解模型,有效地减少了计算量和混合像元的端元变化,且反演值与检验值相关性较高,均方根误差较小,优于传统多端元混解模型方法,提高了植被覆盖度反演精度。扎龙湿地多年植被覆盖度整体呈现退化趋势,2001～2017年的平均变化速率高于1985～2000年,对于提高全球气候变化情景下植被转移预测精度具有重要理论意义。