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%。     

光谱模型结合面向对象法的山区水体提取北大核心CSCD

山区因地势起伏大、水体分布零散导致遥感提取水体信息精度不高。另外,对于高分二号(GF-2)影像,受限于只有4个波段,无法构建已有水体提取精度较高的指数。鉴于此,以泰山为研究区,采用GF-2影像,提出差异水体光谱模型结合面向对象法的水体信息提取方法,并与阴影水体指数决策树、改进的阴影水体指数决策树以及支持向量机3种方法进行对比。结果表明,该方法能够有效去除山体阴影的影响,较好地保持了水体信息,对细微水体也有良好的提取能力,在实验和验证影像中总体精度分别达到98.02%和97.33%,Kappa值分别达到0.9533和0.9334,均高于其他3种方法。该方法在准确提取水体的同时,有效减少“椒盐现象”的发生,可为类似山区水体提取提供一定的参考。     

集成特征分量的高分二号影像阴影检测

针对高分辨率遥感影像中阴影检测精度易受水体、植被等因素干扰的问题,通过分析高分二号影像中典型地物的光谱特征,构建了一种集成特征分量与面向对象分类相结合的阴影检测方法。构建的特征分量包括:主成分第一分量PC1、亮度分量I、归一化差分植被指数NDVI及水体指数WI。将各特征分量进行归一化处理,建立包含波段均值、标准差等特征的规则集,对影像的I和PC1分量进行多尺度分割,结合面向对象的方法进行阴影检测。选取不同区域遥感影像进行实验,实验结果表明:与传统基于像素的阴影提取方法相比,该方法提取出的阴影斑块完整,且能有效地减弱水体和植被的影响。     

集成特征分量的高分二号影像阴影检测

针对高分辨率遥感影像中阴影检测精度易受水体、植被等因素干扰的问题，通过分析高分二号影像中典型地物的光谱特征，构建了一种集成特征分量与面向对象分类相结合的阴影检测方法。构建的特征分量包括：主成分第一分量PC1、亮度分量I、归一化差分植被指数NDVI及水体指数WI。将各特征分量进行归一化处理，建立包含波段均值、标准差等特征的规则集，对影像的I和PC1分量进行多尺度分割 ，结合面向对象的方法进行阴影检测。选取不同区域遥感影像进行实验，实验结果表明:与传统基于像素的阴影提取方法相比，该方法提取出的阴影斑块完整，且能有效地减弱水体和植被的影响。     

集成特征分量的高分二号影像阴影检测

针对高分辨率遥感影像中阴影检测精度易受水体、植被等因素干扰的问题,通过分析高分二号影像中典型地物的光谱特征,构建了一种集成特征分量与面向对象分类相结合的阴影检测方法。构建的特征分量包括：主成分第一分量PC1、亮度分量I、归一化差分植被指数NDVI及水体指数WI。将各特征分量进行归一化处理,建立包含波段均值、标准差等特征的规则集,对影像的I和PC1分量进行多尺度分割 ,结合面向对象的方法进行阴影检测。选取不同区域遥感影像进行实验,实验结果表明:与传统基于像素的阴影提取方法相比,该方法提取出的阴影斑块完整,且能有效地减弱水体和植被的影响。     

结合水体指数与卷积神经网络的遥感水体提取

常用多光谱遥感水体提取少有兼顾光谱与空间信息,致使水体提取的可靠性和准确性难以保证。在利用遥感水体光谱特性的同时,融入深度学习算法,提出归一化差分水体指数(normalized difference water index,NDWI)与深度学习联合的遥感水体提取方法。该方法首先选取典型水体样本进行训练,构建深度学习卷积神经网络(convolutional neural networks,CNN)水体识别模型。其次,计算多光谱影像NDWI指数并分割成图斑,以图斑包络矩形构建初始的水体目标子区。最后,构建NDWI指数与CNN水体识别概率的联合估计模型,并以迭代运算实现最优化遥感水体提取。实验验证了该方法的高可靠性与准确性。相比常用方法,水体识别准确率高达94.19%,而错分率仅为5.04%,显著提高了水体提取精度。     

矢量约束的面向对象高分遥感影像水体提取

鉴于高分辨率遥感影像的光谱混淆和噪声干扰现象为遥感信息的精确提取带来很大困难,而利用现有矢量数据作为约束条件是提高遥感信息提取准确性的有效手段,提出了一种基于矢量约束实现面向对象高分辨率遥感影像水体提取的新方法。方法的基本步骤包括:1)利用硬边界约束方法(HBC-SEG)进行图像分割;2)分割图层与矢量数据叠合以建立分割图斑和已有矢量水体图斑间的空间关系;3)针对矢量与影像间的时相差异和配准误差建立差异化的知识规则以提取影像中的真实水体。实验证明,该方法在准确提取高分辨率影像上细小水体信息的同时,也能有效抑制建筑等地物的阴影干扰,和无约束方法相比,综合精度评价指标F-Measure平均提高13%以上。     

基于PCA与HIS模型的高分辨率遥感影像阴影检测研究

根据高分辨率遥感影像阴影区域的性质,基于主成分变换和HIS模型,提出一种检测阴影的阴影指数SI(Shadow Index)。选取两个试验区,分别采用Polidorio算法、归一化阴影指数(NDUI)和SI进行阴影检测和比较分析,结果表明SI能够有效地区分阴影区域与水体和偏蓝色地物。提取3种算法的直方图得出,SI图像的直方图具有两个波峰一个波谷形状,能够更好地采用直方图阈值法分割阴影区和非阴影区。实验表明该方法简单有效。     

结合影像和LiDAR点云数据的水体轮廓线提取方法

从遥感影像中提取水体的传统方法在阴影处和水体浑浊处存在一定局限;机载激光雷达（LiDAR）获取点云数据时水体受阴影和浑浊的影响小,因此使用点云数据提取水体比使用影像数据更加稳健;但点云数据的分辨率低,所提取的轮廓线精度不高。为了提高水体边缘轮廓线的精确度,提出一种高分辨率影像与点云数据相结合的水体轮廓线提取方法。实验结果表明,该方法所提取的水体轮廓线定位精确、细节完好,水体提取准确率达到98.6%。     

多尺度特征融合的多源异构遥感数据水体提取

针对现有遥感测绘水体提取方法在多源异构遥感数据的信息融合与深层特征提取方面存在的不足,提出了一种基于多尺度特征融合的多源异构遥感数据水体提取方法。首先,设计了一种基于多源异构遥感数据输入的网络模型结构解决多源异构遥感数据的多尺度特征融合问题;随后,提出了一种基于改进残差网络的高维卷积单元,对异构遥感数据进行深层特征提取,同时,构建了基于哨兵一号和哨兵二号卫星的全球水体大规模多源异构遥感数据库。对比实验结果表明,以人工遥感影像标注的水体区域分布真值为精度评价基准,所提出的多尺度特征融合算法的水体提取结果,准确率达到了90.12%,相比现有深度学习领域主流的U-Net图像分割模型方法,准确率提高了3.73%以上,有效提升了多源异构遥感数据的大范围水体提取准确性。     

基于国产GF-1遥感影像的面向对象桥梁提取方法研究

以国产“高分一号”2m/8m高空间分辨率遥感图像为数据源,使用基于规则的面向对象的方法实现了对高分辨率影像中桥梁目标的精确提取。首先,经过多尺度分割实验并结合下垫面特征选择最优分割尺度;其次,利用水体指数、阈值函数等方法建立规则集,逐步获取水体和桥梁潜在区的矢量文件;最后,通过二值化、数学形态学处理、叠加分析等方法成功提取桥梁目标。实验结果表明,该方法可以准确、高效地提取出桥梁信息,总体精度在90%以上,Kappa系数在85%以上,在高分辨率遥感影像高精度提取桥梁的实践中具有广泛的适用性,该研究成果或对国产高分影像处理系统的研究与应用提供了一定的科学参考。     

高分辨率遥感图像中建筑物阴影的提取

在利用城区高分辨率遥感图像进行变化检测及目标提取等应用时,建筑物阴影的影响相对严重.要消除建筑物阴影的影响,就需要准确提取出建筑物的阴影.在分析了现有建筑物阴影提取方法不足的基础上,介绍了一种基于形态学重构来自动提取城区高分辨率遥感图像中的建筑物阴影的算法的原理及方法,并进行了实验.实验表明,算法能很好地去除绿化带和道路的影响,而且也能消除图像背景不均匀对结果产生的影响,提取出的建筑物阴影的大小和形状都能保持得比较好.     

城市规则建筑物阴影去噪

针对建筑物阴影提取受同物异谱和异物同谱特点的噪声干扰较大这一问题,提出一种结合几何特征和语义特征约束条件去噪的城市规则建筑物阴影提取方法。首先,针对阴影在HIS色彩模型中低亮度、高色调和高饱和度的特性,采用归一化阴影指数进行初步阴影检测,并与经过过绿指数变换后的图像做差值运算去除偏蓝色地物的干扰,然后根据建筑物阴影特征采用4种几何指数和阴影方向进行去噪处理。分别选取高分辨率卫星影像和航空影像进行实验,结果表明,该方法对于城市规则建筑物阴影提取具有较高的精度,并且结果边界完整,无破碎图斑。     

基于分布式计算的遥感图像水体识别研究

为了提高遥感数据的处理速度,解决遥感信息提取中的数据密集与计算密集问题,将并行计算的思想引入到遥感图像的处理与信息提取中,构建基于Landsat ETM+影像的分布式遥感图像水体提取模型。以渭干河流域为研究区,利用单波段阈值法、多波段谱间关系法、水体指数法等方法进行水体信息自动提取的实验。实验结果表明,该模型具有较高的识别精度,能够快速识别水体,并具有稳定的可扩展性和伸缩性。     

高分辨率遥感卫星影像的河流提取方法研究

为了克服单纯采用光谱信息提取河流的缺陷,利用高分辨率遥感影像突出的高分辨率的特性提出一种综合影像中光谱、纹理、几何特性等多特征联合提取河流的方法。该方法分别对河流水体的光谱特征、纹理特征及河流几何形状进行描述,选取特征参数,构造综合特征矩阵,利用均值聚类分割最终得到河流目标。通过对真实高分辨率遥感影像Worldview1影像进行的实验验证了该方法的高精准性及快速性。     

结合多种特征的高分辨率遥感影像阴影检测

针对现有的阴影检测算法对较亮阴影和较暗地物中的阴影不能同时较好地检测等问题, 提出一种结合多种特征的高分辨率遥感影像阴影检测方法.该算法首先结合主成分分析、颜色特征和直方图的分割构建多种阈值检测条件, 然后综合多种特征来进行遥感影像阴影的初步检测, 最后通过分析RGB模型在阴影与非阴影地物上的差别, 利用颜色特性最终检测出阴影区域.实验结果表明, 本文算法能有效检测较亮阴影和较暗地物中的阴影.与现有方法相比, 较亮阴影的平均总错误率从水平集法的31.85%降至24.61%, 较暗地物中阴影的平均总错误率从自动检测法的37.75%降至23.30%.     

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。     

利用Deeplab v3提取高分辨率遥感影像道路

针对传统道路提取方法存在的道路边缘粗糙、抗干扰性弱、提取精度低等问题,提出了一种基于编码解码器的空洞卷积模型(Deeplab v3)的道路提取方法。首先,对原始高分辨率遥感影像进行标注;其次,利用标注数据集对Deeplab v3模型进行训练、测试;最后,得到高分辨率遥感影像道路提取结果。分析结果可知,该模型能够较好地提取高分辨率遥感影像中的道路边缘特征,相比其他道路提取方法具有更高的提取精度和更加完整的道路信息,正确率可达到93%以上。     

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。     

采用高斯归一化水体指数实现遥感影像河流的精确提取

河流精确提取在水资源调查、利用、变化检测及大型水利设施建设评估等方面具有非常重要的意义.通常的河流信息提取方法受影像中云、冰雪、山体阴影、大型湖泊等的干扰较大,大范围的适用性有限.以Landsat卫星遥感数据为数据源,在归一化差异水指数(NDWI)计算的基础上,首次提出采用高斯归一化水体指数(GNDWI)提取河流水体的模型,使得指数能够更大程度上保证河流提取的连续性,并通过DEM的辅助实现了其他干扰信息的去除.通过对伊犁河试验区河流信息提取的实验结果表明,该方法除了能够实现对复杂多样的河流水体信息进行自动提取外,还可有效去除阴影等信息的混淆,并能够达到较高的河流提取精度.