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。     

辅以波谱分析的高分辨率影像面向对象分类研究

随着遥感影像空间分辨率的提高,地物的空间信息更加丰富,地物尺寸、 形状以及相邻地物的关系得到更好的反映,因此目前高分辨率影像分类方法更侧重于利用地 物的空间信息,分类过程中参与较多的人为主观因素,在地物类型未知的地区很难进行解译 工作。另外,分割过于细碎导致操作数据量太大也是高分辨率影像分类的难题之一。论文提 出了辅以波普分析的高分辨率影像面向对象分类方法,即在传统面向对象分类方法的基础上 结合影像波谱分析,先对影像光谱角制图粗分类、掩膜操作,再面向对象精分类,较好解决 了以往面向对象分类方法地物类型的不确定性和分割细碎等问题。试验以空间分辨率为0.5 米的八波段WorldView2 影像为研究数据提取西部那曲地区道路和河流,精度达到96.36%。     

机载中波红外影像分类性能分析

由于中波红外谱段复杂的辐射特性以及红外探测技术的限制,目前学界对中波红外的遥感分类应用探索较少。该文是在国内首幅可见光-中波红外高分辨率(中波红外0.6m分辨率)多光谱影像的基础上,探索地物的中波红外辐射特性,挖掘中波红外谱段的潜在价值,进而融合地物的中波红外与可见光的特征,分析中波红外影像的地物分类性能,提高遥感地物分类的精度。中波红外谱段的光谱辐射特性不同于可见光与热红外谱段,既包含地面反射辐射,也包含地面物体的发射辐射能量。研究中基于多尺度分割算法与随机森林分类器分别对可见光影像和中红外+可见光四波段融合影像进行面向对象分类。该方法融合了地物的可见光与中波红外特征,并且评估了光谱、形状、纹理等特征在分类中的重要程度,定量分析了融合中波红外波段后的特征空间。研究结果表明:针对中红外特征,最有效特征为中红外与可见光其中两波段组合HIS空间各分量特征,其次为灰度共生矩阵纹理信息;中波红外波段的引入可以稳定地提高地物分类的总精度;中波红外波段对于人工地物的分类效果优于非人工地物类型,其中建筑物的分类精度提升最为显著。     

基于面向对象分类技术的景观信息提取研究

依据高分辨率遥感影像的特点,如何充分地利用影像的光谱信息和空间信息以及地学特征进行更为微观的遥感监测或大比例尺制图是高分辨率遥感研究的重要内容之一。本文以地形复杂的武夷山自然保护区为研究区域,以SPOT5原始影像为数据源,采用面向对象的多尺度分割方法,实现了不同尺度地物信息的分层提取。基于上层的分类结果对特定地物进行影像分割,选择合适的特征参数,并通过多次试验建立影像对象的隶属度函数,或利用最邻近分类法,逐级分层地提取了研究区的景观信息。研究结果显示：利用面向对象分类方法可以快速方便地对地形复杂条件下研究区的SPOT5遥感影像的景观信息提取,精度为76%,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径。     

基于面向对象技术的鄱阳湖湿地地物分类研究

使用RadarsatＧ２全极化雷达数据,基于面向对象技术对图像进行分割,分析各类地物的散射特征,并对分割对象进行特征提取,依此设计各类地物的提取因子并对鄱阳湖湿地进行地物信息提取,最后利用实地采样数据和同期的高分一号影像数据对分类结果进行验证.研究表明:采用面向对象技术并结合地物散射特征设计的提取因子,可以有效克服雷达图像分类中常见的斑点现象,提高湿地分类精度.     

综合优度法和不一致性法的最优分割参数选择方法

分割参数的选择直接决定着影像对象的大小、形状。因此如何选择最优的分割参数显得尤为重要。用局部标准差和局部Moran指数构建了新的优度度量函数,然后与通过不一致性法选择的分割参数进行比较,进而选取综合的最优分割参数。通过对高空间分辨率IKONOS影像上农田、草地、池塘和建筑物等4种不同类型地物进行实验,表明不同地物类型具有不同的最优分割参数区间,且分别使用本研究所提出的优度法和不一致性法所得度量参数具有基本一致的最优参数分布区间。进而,通过对最优分割参数和其他分割参数下的分割结果进行影像分类,分类结果的精度评价表明综合两种度量方法得到的最优分割参数可获得最佳的分类结果。     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。     

基于影像认知和地学理解的面向对象分类研究

以遥感影像认知和地学理解为主要分析视角,在图像多尺度分割的基础上,充分挖掘目标地物的光谱特征、形状特征、纹理特征和语义特征信息,明确对象的特征信息与地物之间的对应关系。在此基础上,合理选择目标地物的分类特征,建立分类规则,实现研究区地物的逐级分层分类。结果表明:所选特征能够很好地实现目标地物的信息提取,并具有明确的地学意义,便于理解。与传统的基于像素的最大似然法分类相比较,该方法分类精度有明显提高。     

基于激光雷达和航拍影像的城市地物分类研究

航拍影像富含光谱信息、纹理信息和空间信息,机载LiDAR(Light Detection and Ranging)能够提供地物的三维信息。综合利用两类数据的优势,研究了一种面向对象的城市地物分类方法。通过预处理将LiDAR点云转换成二维栅格数据,与航拍影像进行配准;结合光谱信息和高度信息对研究影像进行多尺度分割,依据最优分割尺度计算模型选择最优分割尺度;对分割对象提取各类特征,采用XGBoost算法进行特征选择,选择支持向量机(Support Vector Machine,SVM)分类器进行分类,为体现XGBoost算法的优势,借助SVM分类器与Relief和RFE两种传统的特征选择算法比较;基于一定规则将阴影区域地物区分以及合并到真实地物类别中,实现最终的城市地物分类。在3个区域测试分类方法,结果表明本文研究方法可行有效,能够较好地应用于城市地物分类。     

地物大小、对象尺度、影像分辨率的关系分析

遥感数据的分辨率越来越高, 给地物信息提取提出了新的挑战。利用基于像元的分类技术和基于多尺度分割的面向对象分类技术对高分辨率影像进行分类实验, 分析地物大小、对象尺度与影像分辨率的关系。实验结果表明不同地物由于其空间尺度不同, 与之相适宜的空间分辨率和对象尺度也不同, 在适宜分辨率的影像提取有较高的精度, 在适宜的对象尺度上提取对象信息有更高的精度。分析也表明面向对象的多尺度影像分类技术适应了不同地物有其相适宜的空间分辨率, 在适宜尺度影像层中提取地物, 其分类精度大大高于基于像元的分类方法。     

基于COSMOＧSkyMed和SPOTＧ５的城镇洪水淹没信息快速提取研究

洪水是我国最为频繁的自然灾害之一,如何快速准确地获取洪水淹没范围在救灾减灾工作中具有重要意义.目前,卫星遥感技术已广泛应用于洪水信息提取的研究中.不同的遥感数据源在洪水信息提取中各有利弊,综合研究雷达影像和可见光影像的优缺点,建立了基于多源遥感数据的洪水淹没信息快速提取模型.首先,利用灾中第一时间获取的COSMOＧSkyMed雷达影像,采用面向对象的方法提取出洪灾发生时的水域空间信息;其次,利用灾前SPOTＧ５高分辨率光学影像,采用多光谱影像波段运算和决策树分类的思想提取出常态下的水域空间信息;最后,对灾中雷达影像COSMOＧSkyMed提取的水体和灾前光学影像SPOTＧ５提取的水体进行空间差值运算,得到洪水淹没范围信息,并利用洪水当天拍摄的无人机遥感影像对结果进行精度评价.将该模型应用于２０１３年浙江余姚水灾,监测结果表明:在洪水发生后,能够快速获取淹没范围空间信息,并且提取精度达到９３．７％,为洪灾的防治以及抗洪抢险救灾工作提供强有力的技术支撑和基础数据信息.     

基于面向对象的高分影像分类研究

遥感技术已经成为实现地表信息提取的主要手段。以高分辨率影像为主要数据源,采用面向对象的多尺度分割算法,根据对象的光谱、形状等特征,实现了面向高分遥感数据的土地利用分类算法。该算法结合了面向地物对象和综合对象特征的分类方法,充分发挥了高分辨率影像进行精细地物分类的优势,得到了高精度的分类结果。通过西双版纳纳板河流域国家级自然保护区实例验证表明:该算法总体精度达到88.58%,Kappa系数达到0.77,精度符合应用要求,能够实现土地利用高精度、快速的分类。     

联合快舟一号影像纹理信息的城市土地覆盖分类

仅依靠光谱信息无法满足高分辨率遥感分类的应用需求,辅之以纹理特征信息进行分类,可提高影像分类精度。利用KZ\|1卫星影像和Landsat\|8卫星影像数据,基于面向对象的影像分割法和灰度共生矩阵纹理分析法对新疆石河子市局部城区进行了地表覆盖分类实验,将不同空间分辨率的全色影像纹理信息、光谱信息构成多种影像特征组合进行分类比较研究,以选择最佳的分类特征集。结果表明:KZ-1影像能为城市区域的土地覆盖分类提供丰富的纹理信息,面向对象的影像分割可较好地利用高分辨率数据的几何结构信息实现优化的影像分割,从而提高多光谱影像的分类精度,总体分类精度为90.06%,Kappa系数为87.93%,比单纯利用光谱信息分类的总体精度提高了8.02%,Kappa系数提高了9.65%,表明KZ\|1数据可为光谱分类提供丰富的纹理信息,从而提高城市区域的土地覆盖分类精度。     

一种基于HT系数预测的遥感图像多分辨融合方法

信息融合的概念自70年代形成后,由于其强调应用对象结果的信息优化,在许多方面比传统的信息处理方法有更大的优势,在遥感领域得到了广泛的应用。本文在分析前人算法的基础上,揭示了高斯拉普拉斯金字塔（GLP）结构融合方法与传统的哈达玛变换（HT）之间的内在联系,提出了一种基于HT系数预测的多分辨融合方法。通过实验表明,这一算法对于光谱差异较大的遥感图像的融合,在几何分辨率改善的同时可获得较好的光谱保真度。     

基于压缩数据维的城市建筑用地遥感信息提取

通过压缩数据维的方式，研究城市建筑用地信息准确提取的原理和方法。通过对城市土地利用类型的分析，选取了归一化差异建筑指数、修正归一化差异水体指数和土壤调节植被指数来代表城市建成区的3种最主要地类——建筑用地、水体和植被。通过将ETM 影像原有的7个波段压缩为由它们衍生的这3个采用比值运算构成的指数波段，大大压缩了数据维数、减少了数据的相关度并降低了不同地类的光谱混淆性。因此采用简单的最大似然分类和掩膜处理技术，就可以将城市建筑用地信息提取出来，其精度可达91．2％。     

基于高分辨遥感数据的胡杨与柽柳树冠提取

胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:1光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;2面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法"同物异谱、异物同谱"造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。     

Building Height Estimation from GF-2 Image based on Morphological Shadow Index

GF-2 is a high resolution earth observing satellite with sub\|meter resolution which is developed by our own technique.To estimate urban building height based on GF\|2 remote sensing image combined with the idea of mathematical morphology and object\|oriented classification.First of all,segment image based on multi\|scale segmentation.Then extract shadow and calculate its length based on object\|oriented classification combined with spectral,shape,Morphological Shadow Index (MSI) and other features.In the end,estimate building height based on the geometrical model of satellite,sun and building and then accuracy evaluation and error analysis are carried out by using the field measurement data.Experimental results showed that 90% of the buildings’ absolute error is less than 1 m.This experiment demonstrate that the method can extract the height of urban building from the GF\|2 image effectively and the immense potential of domestic high resolution remote sensing image in applications on urban building information extraction.     

面向对象的黑河下游河岸林植被覆盖信息分类!

地表植被覆盖是描述区域生态系统的基础数据,也是全球及区域陆面过程、生态与水文众多模型中所需的重要地表参数。对于黑河下游额济纳绿洲,以Landsat 30m分辨率为主的遥感影像难以真实提取下游绿洲河岸林植被覆盖信息,而高分辨率影像目标地物轮廓清晰、空间细节信息丰富,有利于干旱背景下景观破碎、异质性强的植被覆盖信息分类。基于黑河下游额济纳绿洲QuickBird影像,通过面向对象的分类方法提取耕地、胡杨、柽柳、草地和裸地等主要植被覆盖类型,分类总体精度和Kappa系数分别为84.71%和0.7986。结果表明:利用面向对象分类方法对高分辨率影像进行植被覆盖信息分类,分类结果较好,能够满足精度要求。     

人工神经网络遥感分类方法研究现状及发展趋势探析

从人工神经网络技术本身出发,概括了其在遥感分类中的研究现状,分析了人工神经网络遥感分类方法与其它分类方法相比具有的优势,介绍了人工神经网络遥感分类的一些主要应用,并进一步对人工神经网络遥感分类方法的发展趋势进行了展望。     

高光谱影像的BDT-SVM地物分类算法与应用

面对海量数据的特征空间高维性及训练样本的有限性,高光谱遥感影像若采用常规统计模式的分类方法难以获得较好的分类结果。因此探讨支持向量机(SVM)分类器的基本原理,针对EO-1Hyperion高光谱影像的分类特点及现有多类SVM算法所存在的训练时间长及分类精度低等问题,引入二叉决策树SVM(BDT-SVM)分类算法,并提出一种新的类间分离度定义方法及相应的客观确定二叉树结构的策略,由此生成改进的BDT-SVM算法。实验结果表明:与其他多类分类方法相比,基于改进的BDT-SVM算法的高光谱影像地物分类效果更好,总体精度达到90.96%,Kappa系数为0.89,该算法还解决了经典SVM多类分类可能存在的不可分区域问题。