多特征融合的高分辨率遥感影像建筑物分级提取

目的 针对高分辨率遥感影像普遍存在的同谱异物和同物异谱问题,提出一种综合利用光谱、形状、空间上下文和纹理特征的建筑物分级提取方法。方法 该方法基于单幅高分辨率遥感影像,首先利用多尺度多方向梯度算子构造的建筑物指数和形状特征提取部分分割完整的矩形建筑物目标;然后由多方向线性结构元素和形态学膨胀运算确定投票矩阵,从而获取光照方向,并利用光照方向和阴影特征对已提取建筑物进行筛选,剔除非建筑物对象,完成建筑物初提取;最后借助初提取建筑物对象的纹理特征向量建立概率模型,取得像素级建筑物提取结果,将该结果与影像分割相结合实现建筑物提取。结果 选取两幅高分辨率遥感影像进行实验,在建筑物初提取实验中,将本文方法与邻域总变分法和Sobel算子进行对比,实验结果表明,本文方法适用性强,为后提取提供的建筑物样本可靠性更高。在建筑物提取实验中,采用查准率、查全率和F₁分数3个指标进行定量分析,与形态学建筑物指数结合形态学阴影指数算法、邻域总变分结合混合高斯模型和贝叶斯判决算法相比,各项精度指标均得到显著提升,其中查准率提高了2.90个百分点,查全率提高了12.49个百分点,F₁分数则提升了8.84。结论 本文提出的建筑物分级提取方法具备一定抗干扰能力,且提取准确性高,适用性强。     

结合PU学习的遥感影像建筑物自动提取方法

针对目前基于机器学习的高分辨率遥感影像的地物提取方法往往需要大量标记样本训练模型的问题，提出了一种利用正样本和未标记样本学习的遥感影像建筑物自动提取方法。首先，利用面向对象的图像分析方法对遥感影像进行分割从而产生地理对象；其次，基于影像建筑物阴影特征和边缘特征提取建筑物像素，结合分割结果自动获取正样本；再次，利用已提取的正样本和剩余的未标记样本训练Bagging-PU分类器对建筑物进行提取；最后，通过基于邻域统计的二值化处理得到建筑物检测最终结果。该方法实现了训练样本标签的自动获取，不需要外部标签样本输入，就能够自动从遥感影像中提取建筑物。在ISPRS(Vaihingen)数据集上的实验表明，该方法提取结果总体精度达到0.928,F1分数为0.864。     

基于植被似然建模与阴影的建筑物提取

提出了一种基于植被似然建模与阴影的彩色遥感影像建筑物提取方法.采用三原色(RGB)色彩空间中的高斯混合模型(GMM)对植被进行离线色彩特征建模,剔除植被信息的影响;采用Mean-Shift分割算法对图像进行过分割,在此基础上提取出建筑物阴影区域,然后对提取结果进行适当的后处理;通过计算阴影区域像素距离确定候选区域,并采用二次判别分析(QDA)分类器对图像进行分类,实现建筑物的提取.实验证明:方法能有效提高建筑物提取的精度.     

基于迁移学习的遥感测绘图像细节增强方法

为提高遥感图像的清晰程度，研究基于迁移学习的遥感测绘图像细节增强方法。定义邻域边界矩阵，计算细节损失梯度坐标，提取边界函数，重构遥感测绘图像边界；建立转换数据幅值函数，计算拉伸函数不同方向的算子，基于迁移学习校正像素参数；通入低通滤波，计算光照参数，代入光照格式函数，在拉伸处理后获取阴影部分细节纹理。实验结果显示本文的增强方法平均梯度、信息熵、均值均最大。在图像细节增强的实例检测中，可以清晰地看出该图像增强方法较好，得到的图像更清晰。     

基于视差的高分辨率遥感影像建筑物变化检测

针对城区高分辨率遥感影像建筑物变化检测中视差引起误检测问题,提出一种基于视差的建筑物变化检测方法。首先,利用改进的双峰分裂法实现对建筑物阴影的检测;然后,借助阴影估计屋顶的位置,并自动选取种子区域,结合区域生长法进行建筑屋顶提取;最后,以视差、视差方位角以及面积等作为判定条件对两时相影像建筑物的变化情况进行分析。通过对WorldView-2影像和IKONOS影像进行变化检测,平均正确率达到了89.6%。实验结果表明:在屋顶光谱均匀且有明显建筑阴影的稀疏建筑区,该方法能够有效解决建筑屋顶种子区域自动选取及高层建筑视差引起误检测等难点问题。     

基于视差的高分辨率遥感影像建筑物变化检测

针对城区高分辨率遥感影像建筑物变化检测中视差引起误检测问题,提出一种基于视差的建筑物变化检测方法。首先,利用改进的双峰分裂法实现对建筑物阴影的检测;然后,借助阴影估计屋顶的位置,并自动选取种子区域,结合区域生长法进行建筑屋顶提取;最后,以视差、视差方位角以及面积等作为判定条件对两时相影像建筑物的变化情况进行分析。通过对WorldView-2影像和IKONOS影像进行变化检测,平均正确率达到了89.6%。实验结果表明:在屋顶光谱均匀且有明显建筑阴影的稀疏建筑区,该方法能够有效解决建筑屋顶种子区域自动选取及高层建筑视差引起误检测等难点问题。     

基于视差的高分辨率遥感影像建筑物变化检测

针对城区高分辨率遥感影像建筑物变化检测中视差引起误检测问题，提出一种基于视差的建筑物变化检测方法。首先，利用改进的双峰分裂法实现对建筑物阴影的检测；然后，借助阴影估计屋顶的位置，并自动选取种子区域，结合区域生长法进行建筑屋顶提取；最后，以视差、视差方位角以及面积等作为判定条件对两时相影像建筑物的变化情况进行分析。通过对WorldView-2影像和IKONOS影像进行变化检测，平均正确率达到了89.6%。实验结果表明:在屋顶光谱均匀且有明显建筑阴影的稀疏建筑区，该方法能够有效解决建筑屋顶种子区域自动选取及高层建筑视差引起误检测等难点问题。     

利用格式塔的高分辨率遥感影像建筑物提取

目的 格式塔心理学的理论基础为通过对事物的部分感知,实现对事物整体的认识。本文将该思想应用到建筑物提取中,提出一种兼顾目标细节及整体几何特征的高分辨率遥感影像建筑物提取方法。方法 首先,利用SIFT算法提取特征点作为候选边缘点;然后定义格式塔序列连续性原则判别边缘点,从而得到边缘点点集;并由边缘点点集拟合边缘,实现遥感影像建筑物提取。结果 利用提出算法,对WorldView-2遥感影像进行建筑物提取实验。通过与基于多尺度分割和区域合并的建筑物提取算法对比可以看出,提出算法能够更加准确、完整地提取出建筑物。采用分支因子、遗漏因子、检测率和完整性4个定量化指标对实验结果的定量评价,本文算法的检测率和完整性均大于对比算法,且本文算法的检测率均在95%以上,验证了提出基于格式塔理论的高分辨率遥感影像建筑物提取算法的有效性和准确性。结论 基于格式塔的高分辨率遥感影像建筑物提取算法能够准确刻画建筑物细节特征,同时兼顾建筑物整体几何轮廓,准确提取高分辨率遥感影像中的建筑物。本文算法针对高分辨率遥感影像,适用于提取边缘具有直线特征的建筑物。使用本文算法进行遥感影像建筑物提取时,提取精度会随分辨率降低而降低,建议实验影像分辨率在5 m以上。     

基于形态学阴影指数的高分二号影像建筑物高度估计

高分二号卫星是我国自主研发的高分辨率对地观测卫星,分辨率达到亚米级。利用高分二号卫星遥感影像,结合数学形态学和面向对象分类的思想进行城市建筑物高度估计。首先,利用多尺度分割将影像分割成对象;进而结合光谱、形状、形态学阴影指数(MSI)等特征面向对象进行分类,相对准确提取出建筑物的阴影并计算阴影的长度;最后,结合影像成像时的卫星、太阳和建筑物的几何关系模型进行建筑物高度估计,并利用实地测量数据进行精度评价和误差分析。结果显示,90%的估计结果绝对误差小于1m,说明该方法可以有效地从高分二号影像中提取建筑物高度,展现了国产高分辨率遥感影像提取城市建筑物信息的巨大潜能。     

园林景观设计中融合SVM的高分辨率遥感影像道路提取研究

为提高园林景观设计中高分辨率遥感影像道路提取的精度及效果,提出一种融合SVM的高分辨率遥感影像道路提取方法。该方法首先结合Mean Shift算法与数学形态学运算(简称MS-MMO)进行影像阴影提取;再根据阴影提取结果对原始影像阴影区域进行亮度补偿后输入SVM,得到初步提取的道路图像;然后利用高斯滤波算法进行图像平滑处理,利用边缘滤波、纹理滤波等算法去除图像中的非道路区域,得到道路区域提取图;最后基于张量投票提取道路中心线,基于“交点”搜索方法去除道路中心线上的毛刺,完成道路提取。实验结果表明,MS-MMO的具有较好的阴影提取精度及效果;根据MS-MMO输出的阴影提取结果对原始影像阴影区域进行亮度补偿后,道路提取的整体性能更高;融合SVM的高分辨率遥感影像道路提取方法提取的道路完整性、正确性、质量分别达到92.4%、92.7%、89.0%,道路提取性能较好,且道路具有连通属性,在该方法提取的道路图像上进行园林景观设计,可有效提升道路植物配置效果。     

基于面向对象信息提取技术的城市用地分类

针对高分辨率遥感影像的城市用地分类,引入了面向对象的信息提取技术,并将其与传统基于像素光谱信息的分类方法进行了比较。在此基础上详述了面向对象信息提取的关键技术---多尺度影像分割和基于分割的分类技术。以城市作为研究区,实现城市用地的自动分类。图像处理过程包括几何校正、HIS融合、图像分割和图像分类。最终分类结果表明:视觉上,面向对象信息提取技术克服了传统方法无法克服的“椒盐”噪声的影响;精度上,面向对象信息提取技术的总体精度高达84.82%,比最大似然法的总体精度提高了10.95%,并且各类地物信息的提取精度均有所提高,其中草地、道路、建筑物阴影的精度较高。     

遥感图像道路信息提取方法研究进展

随着卫星遥感和信息提取技术的快速发展,地理信息的自动更新成为可能。道路是重要的人工地物,是地理信息数据的重要组成部分,从遥感图像上提取道路信息以更新地理信息数据库成为近年来的研究热点之一。通过总结遥感图像道路信息自动提取的发展历程,归纳了常用的道路信息提取方法,并对各个方法的特点进行了分析,在此基础上分析了遥感图像道路信息提取中的不足,最后对以后道路信息提取的研究进行了展望。     

Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images

This paper presents an approach for detecting the damaged buildings due to earthquake using the watershed segmentation of the post‐event aerial images. The approach utilizes the relationship between the buildings and their cast shadows. It is based on an idea that if a building is damaged, it will not produce shadows. The cast shadows of the buildings are detected through an immersion‐based watershed segmentation. The boundaries of the buildings are available and stored in a GIS as vector polygons. The vector‐building boundaries are used to match the shadow casting edges of the buildings with their corresponding shadows and to perform assessments on a building‐specific manner. For each building, a final decision on the damage condition is taken, based on the assessments carried out for that building only. The approach was implemented in Golcuk, one of the urban areas most strongly hit by the 1999 Izmit, Turkey earthquake. To implement the approach, a system called the Building‐Based Earthquake Damage Assessment System was developed in MATLAB. Of the 284 buildings processed and analysed, 229 were correctly labelled as damaged and undamaged, providing an overall accuracy of 80.63%.     

基于各向异性Markov随机场的遥感影像亚像元尺度建筑物提取

基于遥感影像的建筑物自动提取方法容易受混合像元影响,目标提取精度不高。亚像元定位可以提取亚像元尺度地物分布信息,减轻混合像元对目标提取结果造成的影响。传统亚像元定位模型采用各向同性邻域描述地物的空间相关性,并没有考虑地物特有的形状信息,难以满足建筑物提取的需要。在考虑建筑物光谱特征的基础上,建立了平行与垂直于目标建筑物主方向的各向异性邻域,并采用基于各向异性Markov随机场的亚像元定位模型进行了亚像元尺度的建筑物提取。基于QuickBird多光谱数据与AVIRIS高光谱数据的实验结果表明,该模型提取的建筑物不仅具有更高的空间分辨率,而且能够较好地保持建筑物边缘与角点的形状信息,是一种有效的亚像元尺度建筑物提取方法。     

结合多尺度分割和形态学运算的高分辨率遥感影像阴影检测

目的 针对阴影在高分辨率遥感影像的特性,提出了一种多尺度分割和形态学运算相结合的阴影检测方法。方法 基于面向对象思想,首先利用均值漂移法实现影像分割生成对象,并以对象为基本单元分别进行形态学膨胀和腐蚀运算,从而获得面向对象的阴影指数;然后对影像进行多尺度分割,生成阴影指数矢量;最后对阴影指数矢量和亮度均值分别指定高低阈值,进而获得阴影检测结果。结果 选取高分二号和Google earth影像进行实验,采用误检率、漏检率和总错误率3个指标进行定量分析,并将实验结果与结合多特征法和形态学阴影指数法进行比较。在阴影检测定量精度分析中,相比于对比方法,本文方法的误检率偏高,但漏检率平均降低了7.31%;在建筑物阴影检测实验中,本文方法的漏检率同样下降了4.5个百分点;在多尺度效果融合分析中,本文方法在多组尺度组合下,各项精度指标均较理想;在阴影压盖地物实验中,3种方法的误检情况差异不大,但本文方法的漏检率得到较大改善,其下降程度平均达到了19.29%。结论 本文提出的阴影检测方法具备一定的抗干扰能力,适用性强,可靠性高。     

尺度不变特征转换算法的多源SAR影像匹配

鉴于直接利用SIFT算法进行SAR影响间的匹配不能得到很好的效果,考虑SIFT算法在应对噪声以及对镜像影像进行匹配的局限性,提出了针对SAR影像之间匹配的SIFT算法预处理。首先利用影像与影像之间的空间信息进行匹配,之后利用SIFT算法进行局部特征点匹配,通过采用RANSAC进行错配点的去除,实现SAR影像的高精度配准。实验结果表明,该文提出的预处理以及错配点的去除给利用SIFT算法进行SAR影像的匹配提供了可能。     

Extraction of earthquake-induced collapsed buildings using very high-resolution imagery and airborne lidar data

Extraction of urban building damage caused by earthquake disasters, from very-high-resolution (VHR) satellite imagery and related geospatial data, has been widely studied in the past decade. In this study, a multi-stage collapsed building detection method, using bi-temporal (pre- and post-earthquake) VHR images and post-earthquake airborne light detection and ranging (lidar) data, is proposed. Ground objects that are intact and significantly different from collapsed buildings, such as intact buildings, pavements, shadows, and vegetation, were first extracted using the post-event VHR image and lidar data and masked out. Collapsed buildings were then extracted by classifying the combined bi-temporal VHR images and texture images of the remaining area using a one-class classifier, the One-Class Support Vector Machine (OCSVM). A post-processing procedure was adopted to refine the obtained result. The proposed method was quantitatively evaluated and compared to two existing methods in Port au Prince, Haiti, which was heavily hit by an earthquake in January 2010. In the two comparative methods, data for the whole study area were directly used. In the first method, collapsed buildings were extracted directly using the OCSVM, while in the second method, buildings and pavements were removed from the extraction result of the first method. The results showed that the proposed method significantly outperformed the existing methods, with increases of 21% and 40%, respectively, in the kappa coefficient. The proposed method provides a fast and reliable method to detect collapsed urban buildings caused by earthquake disasters, and could also be applied to other study areas using similar data combinations.