城市尺度典型地表要素综合提取方法研究

国产高分卫星分辨率的不断提高,使其可以从几何形态、纹理结构及光谱信息等不同侧面实现对城市地表要素的精细描述。与面向对象分类技术相比,深度学习技术的快速发展,使得城市建筑物提取的精度不断提高。然而,由于道路两旁高大建筑物及树木的遮挡,城市道路的提取精度依然有限。本文在利用卷积神经网络提取建筑物的基础上,利用OSM面状道路数据及城市边界数据,结合植被指数和水体指数,借助空间图层叠加,使得城市建筑物、道路、植被和水体提取总体精度优于90%,为国产高分影像辅助城市精细化管理和应用提供了有效解决方案。     

脉冲耦合神经网络的遥感影像城市道路提取

针对高分辨率遥感影像中阴影对道路提取产生较大干扰的问题,提出了一种基于脉冲耦合神经网络(PCNN)的城市道路提取方法。该方法首先在近红外波段检测并消除阴影和水体的影响,并使用PCNN对消除阴影后的灰度图像进行分割处理;然后使用形态学建筑物指数(MBI)和归一化差分植被指数(NDVI)分别提取出建筑物和植被信息,消除建筑物和植被的影响;最后提取受行道树影响较大的道路,并对处理后的图像作数学形态学法的处理。该文以深圳市SPOT-7高分辨率影像进行实验。实验表明,该方法能保留原始的道路边缘细节信息,并对阴影具有很好的抗干扰作用,提取的道路信息具有很好的连续性和完整性。     

面向地理国情普查的高分辨率遥感影像半自动解译研究

随着高分辨率遥感技术和信息化测绘技术发展,地理国情普查成为测绘地理信息领域的重要工作内容。本文通过研究高分辨率遥感影像大数据并行分块分割与地物特征知识库建立的理论与方法,建立了高分辨率遥感影像半自动解译技术流程,开发了快速、高效的半自动解译工具软件。本文以重庆市沙坪坝区大学城研究区域的QuickBird影像为研究对象,以解译结果一致性比率为精度评估量化指标进行试验。结果表明道路、房屋建筑物一致性比率在80%以上,水体、植被一致性比率在90%以上,解译自动化程度较高,具有一定的技术参考价值和应用推广价值。     

基于SPOT-5图像的城市水体自动提取模型研究

以南京市主城区为对象,研究基于SPOT-5图像的城市地区水体信息的提取方法.分析表明,对SPOT-5的SWIR波段进行简单的阈值处理,可以清晰地将水体与阴影提取出来.在分析水体和阴影光谱特征和空间特征（形状指数等）的基础上,建立了基于SPOT-5图像的城市地区水体的自动提取决策树模型.精度验证表明,该模型的水体提取精度较监督分类的提取精度提高2.5%,尤其在具有许多建筑物阴影的局部区域,本模型的水体提取精度提高11.6%.此外,本模型还具有很好的移植性,只是在阈值大小的确定上会有部分差异.     

融合高度和光谱信息的倾斜摄影数据建筑物自动提取

建筑物作为三维模型的主体,其矢量化主要依赖人工勾画,虽有采用深度学习等方法进行建筑物提取的研究,但依然需要标注大量样本。针对上述问题,本文以天津市典型区域为试验区,提出一种融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法。首先,通过高度初始分割、植被信息滤除、形态学后处理等,逐步优化建筑物提取结果,实现建筑物信息的自动提取,建筑物的总体识别精度达到94%。然后,通过对建筑物轮廓进行矢量化和规则化,在地理信息平台中实现了建筑物的对象化查询,拓展了实景三维模型的应用深度。     

空-谱角匹配与多指数法相结合的OLI遥感影像水体提取

针对复杂环境条件下水体遥感提取结果不连续且易与植被、建筑物、阴影相混淆的难题,基于Landsat 8 OLI影像,以石家庄市平山县岗南水库和宿迁市骆马湖附近河流为研究区,提出了一种空-谱角匹配与多指数法相结合的水体信息提取方法;并与单波段阈值法、归一化差分水体指数法（NDWI）、光谱角匹配法（SAM）、自动水体提取指数法（AWEI）和一类支持向量机法（OC-SVM）的水体提取结果进行对比分析和精度评定。试验结果表明,本文提出的方法兼顾了多特征之间的互补性优势,引入的空间信息有效地抑制了噪声的干扰,且以像素为基元的提取策略较好地保持了水体的边缘信息,避免了出现平滑掉细节信息的情况;与传统方法相比,本文方法受植被、建筑和阴影的干扰最小,对细小水体也具备较好的识别能力。     

Sentinel-2遥感图像的细小水体提取

基于卫星遥感的水体提取算法对面积较大的水体效果较好,应用于细小水体时受混合像元、异物同谱等因素影响,容易出现误判。Sentinel-2卫星多光谱遥感数据空间分辨率为10 m、20 m、60 m,双星时间分辨率5 d,时间和空间分辨率较高,因此本文采用了Sentinel-2绿光波段（560 nm）、红边波段（705 nm）、近红外波段（842 nm、865 nm）和短波红外波段（2190 nm）的遥感反射率,提出了一种植被红边水体指数算法RWI（Vegetation Red Edge based Water Index）。对比分析了植被、阴影、建筑物、混合像元、裸土、水体6种地物的归一化遥感反射率,从机理上解释了为什么RWI比其他水体指数具有更好的提取细小水体的效果。本文对比了常用的几种水体提取算法,包括改进的归一化差异水体指数MNDWI（Modified Normalized Difference Water Index）、多波段水体指数MBWI（Multi-Band Water Index）、自动水提取指数AWEI（Automated Water Extraction Index）,以人工目视解译的水体结果为准,对比以上几种算法得到的水体提取结果,得出RWI、MNDWI、MBWI、AWEI_sh、AWEI_nsh的面积提取差异分别为3.6%,4.2%,12.2%,8.8%,19.8%。从结果可以看出RWI算法精度最高。从影像提取结果来看,本文提出的RWI算法提取的水体边界效果更佳,而且能够一定程度上消除山体和建筑物阴影、云阴影以及混合像元的影响。同时,在2016-01—2018-12时间范围内筛选选取了共43景无云的Sentinel-2影像,利用本文提出的算法对雄安新区、神东矿区、永城矿区3个区域的细小水体分布开展了多时相分析。观察后发现每个时相的结果均十分良好,细小水体的边界区分度较高,基本没有错提、漏提,算法具有良好的适用性和稳定性。     

全极化SAR图像的建筑物提取研究

针对建筑物结构复杂、形式多样,产生的交叉极化散射现象使得其在极化SAR图像上易与植被混淆,提取困难的问题,该文结合极化散射信息和空间信息进行建筑物的提取研究,主要以AIRSAR全极化数据进行实验。①进行基于极化补偿的Yamaguchi四分量分解,根据偶次散射能量提取出建筑物;②提取总功率Span图像的纹理特征利用支持向量机进行分类;③融合前两步的提取结果得到最终结果。结果表明:方法优于基于极化补偿的Yamaguchi四分量分解的提取方法和SVM方法,对于平行建筑物、小方位角建筑物、大方位角建筑物的提取精度分别达到了99%、94%和56%,有效区分了建筑物与植被。     

基于MODIS数据的淤泥质海岸水体指数比较与分析——以黄河三角洲海岸为例

淤泥质海岸地区具有独特且复杂的水体环境,深入分析水体指数在该区域的性能特点具有重要的科学意义。以黄河三角洲海岸为研究区,使用2008年、2009年和2015年的MODIS和Landsat遥感数据,从地表覆盖类型光谱特征的角度,比较分析6种水体指数(即NDWI,MNDWI,AWEInsh,AWEIsh,TCW和WI2015)的水体提取性能。通过ROC曲线得到各水体指数的最佳阈值,研究水体指数在淤泥质海岸地区的水体提取精度和提取误差,分析不同地表覆盖因素对水体提取性能的影响。研究结果表明,AWEInsh的水体提取效果最佳,总体精度达97. 29%,制图精度达96. 84%,用户精度达97. 69%。各水体指数提取海水的制图精度较高,均高于90%;陆地水体的提取效果一般,制图精度均低于80%; NDWI对潮滩水的识别能力较差,制图精度低于其他水体指数。各水体指数的陆地水体漏分率较高,海水和潮滩水体的漏分率较低,MNDWI的海水漏分率高于其他水体指数。潮滩土壤对水体提取性能的影响最大,其次为耕地土壤,稀疏植被、茂盛植被和建成区的影响最小。研究结果可为进一步开展淤泥质海岸水体变化监测与分析提供参考依据。     

基于Sentinel-2卫星影像的面向对象城市水体提取

以新发射的哨兵2号多光谱卫星影像为基础数据源,对城市水体信息进行了面向对象的提取研究。融合大气校正后的哨兵2号卫星10 m分辨率的可见近红外影像和20 m分辨率的短波影像,在多尺度分割的基础上,分析了影像对象的光谱和空间信息,建立了知识规则集;手动调节阈值,实现了水体信息的半自动提取。选取了城区和郊区两个研究区进行实验,总体精度均在95%以上,Kappa系数在0.75以上。结果表明,本文的水体提取方法取得了较好的效果,且城市主城区的水体提取精度高于郊区。     

The Extraction of Urban Surface Water from Hyperspectral Data Based on Spectral Indices

To prevent confusion between water and buildings in the extraction of urban surface water from hyperspectral data, we analyzed the spectra of shadows and water in hyperspectral images, and proposed an anti-shadow water extraction method. This method first uses the normalized difference vegetation index (NDVI) for initial water extraction, then uses the height of the reflectance peak at 588 nm to eliminate the shadow of buildings. The method was validated by two hyperspectral datacubes, which were obtained for Jiaxing City and Zhoushan City in Zhejiang Province, China. Compared to the common spectral indices used to extract a water body, such as the NDVI, normalized difference water index, hyperspectral difference water index, and index of water index, the proposed method could effectively eliminate the shadow of buildings. The commission error reduced from more than 40% to about 15%, and the Kappa coefficient was increased from 60 and 70% to over 80% for the two datacubes. This indicated that the proposed method can inhibit the shadow of buildings and does not have a regional dependence.     

Combining QuickBird,LiDAR, and GIS topography indices to identify a single native tree species in a complex landscape using an object-based classification approach

There are now a wide range of techniques that can be combined for image analysis. These include the use of object-based classifications rather than pixel-based classifiers, the use of LiDAR to determine vegetation height and vertical structure, as well terrain variables such as topographic wetness index and slope that can be calculated using GIS. This research investigates the benefits of combining these techniques to identify individual tree species. A QuickBird image and low point density LiDAR data for a coastal region in New Zealand was used to examine the possibility of mapping Pohutukawa trees which are regarded as an iconic tree in New Zealand. The study area included a mix of buildings and vegetation types. After image and LiDAR preparation, single tree objects were identified using a range of techniques including: a threshold of above ground height to eliminate ground based objects; Normalised Difference Vegetation Index and elevation difference between the first and last return of LiDAR data to distinguish vegetation from buildings; geometric information to separate clusters of trees from single trees, and treetop identification and region growing techniques to separate tree clusters into single tree crowns. Important feature variables were identified using Random Forest, and the Support Vector Machine provided the classification. The combined techniques using LiDAR and spectral data produced an overall accuracy of 85.4% (Kappa 80.6%). Classification using just the spectral data produced an overall accuracy of 75.8% (Kappa 67.8%). The research findings demonstrate how the combining of LiDAR and spectral data improves classification for Pohutukawa trees.     

面向对象的植被与建筑物重叠区域的点云分类方法

在分析LiDAR点云数据分类现状的基础上,针对植被与建筑物重叠区域分类困难的问题,提出了一种基于面向对象的点云分类方法.首先采用三角网渐进内插的滤波方法将点云分为地面点和非地面点,并得到DTM;然后对高出DTM一定高度的非地面点建立三角网,删除较长的三角网的边(地物间的边),从而将非地面点云分割成多个对象;再利用各个对象内的三角网坡度信息熵大小判断该对象属于植被或建筑物;最后对于难以区分的对象(植被与建筑物重叠区)根据建筑物几何规则形状延伸扩充,从而提高植被和建筑物重叠区的点云分类准确率.实验结果表明,该方法能够很好地区分建筑物和植被点,分类准确率达到87％.     

GEE平台和CART方法的北京市土地解译

针对传统遥感影像解译效率较低、人力物力需求量大等问题,该文以谷歌地球引擎为依托平台,利用Landsat5TM影像,采用分类回归树算法对2010年北京市土地覆被/土地利用类型开展了解译研究,并从类型构成、类型混淆和空间一致性3个方面将解译所得LUC-2010产品与Globeland30-2010产品进行空间一致性分析。研究表明,谷歌地球引擎(GEE)平台通过编程运算,数据处理速度极快,大幅提高工作效率。解译产品与训练样本交叉验证的学习精度为94.2%。两套产品总体对比发现,林地、水体和耕地的空间一致性比率分别为84.28%、74.75%和73.56%;林地、水体和人工地表的地类纯净度分别为87.23%、77.04%和72.97%;总体分布空间一致性为74.0%。两套产品局部对比发现,LUC-2010产品分类结果更准确和精细,精度更高。     

GF-2影像中不同水体指数模型提取精度及稳定性分析

针对GF-2卫星影像数据的特点,选取了临夏回族自治州境内两个不同研究区域,分别采用单波段阈值法、归一化差分植被指数法（NDVI）及其他3种水体提取指数法（NDWI、SWI、MSWI）对两个研究区进行水体提取试验。通过分析比较各水体指数模型中阈值对水体提取精度和稳定性的影响,发现研究区1（城区）中单波段阈值法提取效果最高达到71.29,且稳定性较好。研究区2（山区）中MSWI方法提取精度最高为95.76,稳定性较单波段法次之。本文试验为GF-2影像在不同区域进行水体提取时选择不同模型及阈值时提供可靠的参考依据。     

利用网络图进行高分辨率航空多视影像密集匹配

提出了一种基于网络图的高分辨率航空多视影像密集匹配算法。首先利用影像间的重叠关系和方向确定候选立体像对并构建网络图;在立体像对密集匹配阶段,引入导向中值滤波采用由粗到精的改进半全局匹配(SGM)算法进行双向视差图生成;最后基于所有立体像对构建的网络图完成多视影像间的密集点云生成及融合。试验选取了ISPRS的Vaihingen航空影像和ISPRS/EuroSDR项目的苏黎世倾斜下视影像进行试验,结果表明:本文算法对高分辨率多视影像密集匹配是有效可行的,无论在匹配完整性、效率、精度上都能获取较好的结果,重建的密集点云平均反投影误差的中误差可以达到亚像素级精度,实际精度可以达到1.5倍GSD,并且在建筑物、植被、水体等视差不连续、弱纹理或重复纹理区域也取得了较好的匹配结果。     

基于OLI数据与决策树法的去山体阴影水体信息提取研究

研究山区地表水体信息OLI遥感数据去阴影自动提取方法,设计基于数字高程模型与指数提取的决策树分类方法,提高水体自动识别的精度。该方法选取改进的归一化水体指数、归一化植被指数、比值植被指数、主成分分析前3个分量以及波段之间的组合运算,并结合DEM构建决策树分类规则。综合采用单波段阈值、谱间关系、植被指数和水体指数阈值完成山体水体的去阴影识别研究,与计算机自动识别分类方法比较,其精度明显提高。结果表明,决策树分类方法在精度上明显高于常用的计算机自动分类方法,可以很好地被利用于OLI遥感数据水体信息的海量、大范围提取。     

一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法

异源遥感影像匹配是高分影像处理中的重要环节与关键问题,但目前异源高分影像匹配精度有待提高。本文提出了一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法,首先利用尺度不变性特征变换（SIFT）对特征点进行提取,随后基于邻域投票对匹配特征点进行二次约束,最后区分出待剔除误差大的匹配点,进而确定精确匹配点。为了评价本文方法的精度,分别对建筑物、道路、水体进行匹配研究,试验证实该方法可以提高上述3种地类的匹配精度,相比传统的SIFT方法平均提高了66%,同时有效地保持了结果的尺度不变性。