基于高分辨率遥感影像的不透水面信息快速提取

合集下载

基于“珠海一号”遥感数据的不透水面提取——以合肥市包河区为例

不透水面指由各类不透水的建筑材料覆盖形成的表面,如沥青、水泥、混凝土等材料构成的房屋、道路等建筑物构筑物,在一定程度上反映了城市发展[1]。

如何快速、精确地提取不透水面信息,是城市管理与规划的重要研究课题。

城市不透水面信息的获取多以实地勘测的方式进行,但这些方法存在时间跨度长,资金投入大,数据资料更新不及时等问题。

遥感技术具有时间跨度长,监测范围广、信息获取容易等特点,弥补了传统不透水面调查上的不足之处。

国内外学者利用各类遥感卫星在不透水面提取方面进行了大量的研究,主要方法分为三类:人工方法、基于分类规则方法和深度学习等方法[2]。

Wu 等采用全约束线性光谱混合模型,估算了美国俄亥俄州哥伦布城区的不透水面分布以及植被和土壤覆盖,结果表明,RMS 误差为10.6%,与DOQQ 图像的偏差基本一致[3]。

肖荣波等运用回归树亚象元估测法提取北京市中心城区的硬化地表信息,分析得出北京城市硬化地表景观格局具有极强的空间梯度性,且各区域的景观格局存在显著的差别[4]。

徐涵秋利用归一化差值不透水表面指数(NDISI)对福州市不透水面进行研究,并对不透水面盖度与城市生态要素的关系进行定量分析,得出高不透水面比例地区的升温效应要明显高于低不透水面比例地区[5]。

曹丽琴等为弥补高、低反照度端元选取对不透水面精度的影响,采用Fuzzy ARTMAP 方法来估算武汉城区的城市不透水面覆盖度,结果表明基于Fuzzy ARTMAP 神经网络方法估算结果精度较高,与实际城市不透水面覆盖度分布范围一致[6]。

宋毅等采用神经网络方法对昆明滇池的不透水面信息进行提取分析,发现城市热岛的空间分布和变化与不透水面的分布和变化具有一致性,植被浓密区域和水体形成了城市中的“冷岛”区域[7]。

Yu 比较得出面向对象的SVM 分类方法的分类方法优于基于像素的SVM 分类方法,并使用面向对象的SVM 分类方法提取了1953-2015年间孟买的不透水面信息[8]。

一种基于高分辨率遥感技术的水资源信息提取系统

一种基于高分辨率遥感技术的水资源信息提取系统随着全球人口不断增长和气候变化的影响，水资源已成为世界各国持续关注的问题。

为了更好地保护和管理水资源，需要准确地了解其分布和使用情况。

高分辨率遥感技术已被广泛应用于水资源信息提取领域，开发基于这种技术的水资源信息提取系统可以更加快速和精确地获取水资源的相关信息，提高水资源管理的水平。

一、高分辨率遥感技术在水资源信息提取中的应用高分辨率遥感技术是指利用高分辨率卫星图像、高空间分辨率地面摄影和高灵敏度数字相机等先进设备获取地面信息的技术。

这种技术可以获得高质量、高分辨率、广覆盖面的图像，并能够为各种资源管理提供强有力的技术支持。

在水资源信息提取方面，高分辨率遥感技术可以通过获取地表和地下水源、水体面积和质量、水体变化、水环境以及水资源利用项目等方面的信息。

这些信息可以帮助水资源管理部门更快速地识别、分析和解决水资源问题，合理规划、管理水资源，保证水资源的可持续利用。

二、基于高分辨率遥感技术的水资源信息提取系统基于高分辨率遥感技术的水资源信息提取系统是一种能够通过高分辨率卫星图像等技术获取水资源信息并进行处理和分析的信息系统。

该系统可以自动提取水体范围、水质量和水量等信息，同时进行可视化和定量分析。

通过这种方式，可以实现水资源管理和保护的全面监测和评估。

该系统的主要组成部分包括数据采集与处理、数据存储与管理、数据分析与应用三个模块。

1、数据采集与处理在数据采集环节，高分辨率卫星图像、地面数字摄像机和水位计等设备被使用用来采集和获取水资源相关数据。

这些数据包括水体面积、水体变化、水体质量和水文信息等。

同时，也会对采集的数据进行预处理，如几何校正、图像增强和影像变换等，以提高水资源管理和保护的效果。

2、数据存储与管理在数据存储和管理环节，将采集到的数据和处理后的数据存储到数据库中，以便随时可以进行查询、分析和比较。

这里涉及的数据存储和管理方法必须是高安全性、高可靠性的系统，以保证数据的安全和完整性。

一种基于Sentine-2A影像的高分辨率不透水面提取遥感指数

一种基于Sentine-2A影像的高分辨率不透水面提取遥感指数作者：张菲菲阮惠华许剑辉赵怡来源：《电脑知识与技术》2019年第27期（1.广东第二师范学院计算机科学系，广东广州 510303;2.广东省气象探测数据中心，广东广州 510080;3.广州地理研究所//广东省遥感与地理信息应用重点实验室//广东省地理空间信息技术与应用公共实验室，广东广州 510070;4.中国科学院广州地球化学研究所，广东广州510640;5.中国科学院大学，北京 100049）摘要：以粤港澳大湾区为研究区域，以2017年11月1日Sentinel-2A高分辨率多光谱遥感影像为基础数据源，在BAEM指数基础上，结合归一化建筑物指数（NDBI）、归一化植被指数（NDVI）、归一化水体指数（MNDWI）和归一化裸土指数（RNDSI），提出一种针对城市群的高分辨率不透水面综合指数（CompositedISI），并利用Otsu算法实现粤港澳大湾区空间分辨率为10 m的城市不透水面识别与提取，并与传统的NDBI指数提取的不透水面结果进行精度验证与对比。

结果表明，CompositedISI指数较好地避免单个指数提取不透水面时所面临的异物同谱等问题。

NDBI指数提取不透水面的总体精度和Kappa系数分别为86.80%和0.68，CompositedISI指数提取不透水面的总体精度和Kappa系数达到了88.92%和0.74。

相比传统的NDBI指数，CompositedISI指数提取的不透水面效果更优，这是因为CompositedISI指数综合考虑了不透水面与植被、水体、裸体之间差异。

关键词：粤港澳大湾区;Sentinel-2A;归一化建筑物指数;不透水面综合指数中图分类号：TP75; ; ; ;文献标识码：A文章编号：1009-3044（2019）27-0279-06Abstract： To extract 10-m urban impervious surfaces in the Guangdong-Hong Kong-Macao Greater Bay Area （GBA）， the cloud-free Sentinel-2A imagery on 1 November 2017 was used in this study. The normalized difference built-up index （NDBI） was examined to the newer Sentinel-2A data for extracting high-resolution impervious surface during this study， and a new composited impervious surface index （CompositedISI） for impervious surfaces extraction has been proposed. Instead of using individual impervious surface index， CompositedISI may make full use of integrated advantages of NDBI， normalized difference vegetation index （NDVI）， modified normalized difference water index （MNDWI）， and ratio normalized difference soil index （RNDSI）. Then， an impervious surface image with the spatial resolution of 10 m was extracted from the CompositedISI image using the Otsu’s method. Through integration of NDBI， NDVI，MNDWI， and RNDSI， the CompositedISI was able to improve overall accuracy of impervious surface extraction compared to the NDBI method， with the overall accuracy of 88.92% and a Kappa value of 0.74. The overall accuracy and Kappa of the impervious surface extracted from the NDBI were 86.80% and 0.68， respectively. Results indicate that the CompositedISI was more accurate at mapping high-resolution impervious surfaces when applied to Sentinel-2A imagery as compared to the NDBI method.Key words： Guangdong-Hong Kong-Macao Greater Bay Area;Sentinel-2A;Normalized difference built-up index;Composited impervious surface index城市不透水面是指城市中各種不透水建筑材料所覆盖的表面[1]，现已变成了城市环境变化和人地相互作用的指示器与重要驱动力，是城市生态环境规划与保护的关键依据。

基于高分辨率图像的城市不透水层提取的开题报告

基于高分辨率图像的城市不透水层提取的开题报告题目：基于高分辨率图像的城市不透水层提取一、研究背景城市化进程的快速发展导致城市面积不断扩大，大量的地面被覆盖成了人造的硬质表面，如建筑、马路等，使得城市中的不透水层面积大幅增加。

不透水层的增加不仅影响城市的生态环境，还会对城市的水资源利用、洪涝防治等问题带来影响。

因此，城市不透水层的提取对于城市规划、水资源管理等领域具有重要的意义。

传统的不透水层提取方法采用人工测量或者低分辨率遥感图像，效率低、精度不高。

而随着高分辨率遥感图像技术的不断提高，基于高分辨率遥感图像的不透水层提取成为可能。

二、研究内容本文旨在研究基于高分辨率遥感图像的城市不透水层提取方法，具体研究内容包括：1. 研究高分辨率遥感图像的特点和不透水层提取的原理；2. 搜集高分辨率遥感图像并进行数据处理，如图像配准、辐射校正、几何校正等；3. 采用图像分类算法，如最大似然分类、支持向量机等，对城市区域进行分类，提取出不透水层区域；4. 对提取结果进行分析与评价，包括精度分析等。

三、研究方法本文将采用以下研究方法：1. 文献调研：搜集与高分辨率遥感图像、不透水层提取相关的文献资料；2. 图像处理：对搜集到的高分辨率遥感图像进行预处理，如辐射校正、几何校正等；3. 图像分类算法：采用最大似然分类、支持向量机等分类算法，提取出城市区域中的不透水层；4. 数据分析：对提取结果进行定量分析与评价，包括精度分析等。

四、研究意义本研究的意义在于：1. 提出了基于高分辨率遥感图像的城市不透水层提取方法，具有一定的创新性；2. 该方法可以提高城市不透水层的提取效率和精度，为城市规划、水资源管理等领域提供重要支持；3. 该方法可以避免传统测量方法中的人为误差和时间成本，具有实际应用价值。

五、论文结构本论文的结构安排如下：第一章：绪论1.1 研究背景和意义1.2 国内外研究现状1.3 研究内容和方法1.4 论文结构安排第二章：高分辨率遥感图像的特点和处理2.1 高分辨率遥感图像的特点2.2 数据处理方法第三章：不透水层提取的算法3.1 不透水层提取的原理3.2 图像分类算法3.3 不透水层提取流程第四章：实验设计和结果分析4.1 实验设计4.2 数据处理和结果分析第五章：结论与展望5.1 结论5.2 研究不足与展望参考文献。

遥感影像信息提取方法

遥感影像信息提取方法遥感影像就像是地球的超级照片，从太空或者高空给我们展示地球的模样。

那怎么从这复杂的影像里提取有用的信息呢？有一种方法是目视解译。

这就像是我们看一幅画，用自己的眼睛去识别里面的东西。

比如说，在遥感影像里看到一大片绿色，形状像树，那可能就是森林啦。

有经验的解译者就像厉害的侦探，能从影像的颜色、形状、纹理这些蛛丝马迹里判断出是城市、农田还是山脉。

不过呢，这个方法比较依赖人的经验，而且要是影像特别复杂，就很容易出错，眼睛也会看累的，就像看一幅超级复杂的拼图看久了一样。

还有基于像元的分类方法。

影像都是由一个个像元组成的呀，每个像元都有自己的数值。

我们可以根据像元的数值特征来分类。

就好比把一群小朋友按照身高、体重这些数值来分成不同的小组。

像监督分类，我们得先找一些已知类型的样本，就像先认识几个有代表性的小朋友，然后根据这些样本的特征去给其他像元分类。

非监督分类呢，就像是让像元们自己抱团，根据它们数值的相似性自动分成不同的类别。

但是这种方法也有小缺点，有时候像元的数值会受到很多因素影响，可能就分错类了。

决策树分类法也很有趣。

它就像一棵大树，有很多分支。

每个分支都是一个判断条件。

比如说，先判断影像里这个地方的植被指数，如果植被指数高，再判断别的特征。

这样一层一层判断下去，就像走迷宫一样，最后确定这个地方是什么类型的地物。

这种方法很直观，不过要是树的结构没设计好，就像迷宫的路线画错了，那结果也会不对。

还有面向对象的分类方法。

它不是只看像元，而是把影像里相似的像元组合成一个个对象。

这就好比把一群志同道合的小朋友组成一个小团队。

然后根据这些对象的特征来分类。

这样能更好地利用影像里地物的形状、大小等信息，比只看像元要聪明一些。

但是它的计算量可能比较大，就像要组织很多小团队，比较费精力。

遥感影像信息提取的方法各有各的优缺点，就像不同的小工具，我们要根据具体的任务和影像的特点来选择合适的方法，这样才能从遥感影像这个大宝藏里挖到最有用的信息呢。

基于PUL算法及高分辨率WorldView影像的城市不透水面提取

第34卷第1期2018年1月地理与地理信息科学Geog ra phy and Geo 2Infor matio n Science V ol.34 N o.1Januar y 2018 收稿日期:2017-07-30; 修回日期:2017-10-30 基金项目:国家自然科学基金项目(41401516)作者简介:刘冉(1994-),女,硕士研究生,主要研究方向为一类遥感影像分类。

*通讯作者E-mail:liw en k3@doi:10.3969/j.issn.1672-0504.2018.01.007基于PU L 算法及高分辨率WorldV iew 影像的城市不透水面提取刘冉,李文楷*,刘小平,陈逸敏,刘珍环(中山大学地理科学与规划学院,广东广州510275)摘要:准确提取城市不透水面对生态环境、水热循环及热岛效应等研究具有重要意义。

该文利用Wo rldV iew 高分辨遥感影像,提出基于P U L (P ositiv e and U nlabeled Lear ning )算法的高分辨率影像城市不透水面提取方法,该方法不需要负样本数据,只需少量的正样本和未标记样本即可训练分类模型。

结果显示,PU L 算法的提取结果优于一类支持向量机(O CSV M )以及最大熵(M AX ENT )模型。

使用不同正样本量时,P U L 的提取结果总体精度和kappa 系数均优于O CSV M 和M A XENT ,最高总体精度为91127%,最高kappa 系数可达018255,可快速、有效地从高分辨率遥感影像中提取不透水面。

关键词:城市不透水面;Po sitive and U nlabeled L earning (PU L);一类支持向量机(OCSVM );最大熵(M AXENT )模型中图分类号:T P751 文献标识码:A 文章编号:1672-0504(2018)01-0040-070 引言城市不透水面是指屋顶、沥青或水泥道路等水体不能直接渗透的表面[1]。

一种提取不透水面的可见光波段遥感指数

第36卷第8期农业工程学报V ol.36 No.8 2020年4月Transactions of the Chinese Society of Agricultural Engineering Apr. 2020 127一种提取不透水面的可见光波段遥感指数杨栩1，朱大明1※，杨润书2，付志涛1，谢文斌1（1. 昆明理工大学国土资源工程学院，昆明650093；2. 云南省地矿测绘院，昆明650217）摘要：为了从高分辨率无人机影像中获取准确的城市不透水面信息，在可见光波段范围内建立绿-蓝光谱特征空间，综合土壤线及不透水面线，构造了能够将土壤、植被像元与不透水面像元有效分离的绿-蓝不透水面指数。

以广州市局部地区的GF-2号影像为验证数据对比及分析垂直不透水层指数、比值居民地指数以及绿-蓝不透水面指数的提取结果，以验证绿-蓝不透水面指数的可行性与提取精度。

同时，将眉山市洪雅县部分地区的无人机正射影像作为试验数据进行不透水面提取。

结果表明，在3个不透水面提取指数的横向对比中，绿-蓝不透水面指数和垂直不透水层指数的提取结果总体精度相同，验证了绿-蓝不透水面指数的有效性。

在对无人机正射影像的不透水面提取中，得益于无人机低空摄影技术能够获取地形特征的特点，解决了建筑物屋顶因植被覆盖导致的错分问题，提取结果总体精度达到了96.95%，Kappa系数为0.936 1。

试验证明了绿-蓝不透水面指数能够代替归一化差值不透水面指数、垂直不透水层指数、比值居民地指数等，应用于无人机遥感影像的不透水面信息提取中。

关键词：遥感；光谱分析；无人机；可见光波段；土壤线；不透水面提取doi：10.11975/j.issn.1002-6819.2020.08.016中图分类号：TP751; P231 文献标志码：A 文章编号：1002-6819(2020)-08-0127-08杨栩，朱大明，杨润书，等. 一种提取不透水面的可见光波段遥感指数[J]. 农业工程学报，2020，36(8)：127-134. doi：10.11975/j.issn.1002-6819.2020.08.016 Yang Xu, Zhu Daming, Yang Runshu, et al. A visible-band remote sensing index for extracting impervious surfaces[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 127-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.016 0 引言不透水面是阻止水体渗入土壤的地物表面，在城市中，属于不透水面的地物主要包括屋顶、停车场、道路以及其他不具有渗透性的表面[1]。

融合高分夜光和landsat oli影像的不透水面自动提取方法

第39卷第1期2020年2月红外与毫米波学报J.Infrared Millim.Waves Vol.39，No.1 February，2020融合高分夜光和Landsat OLI影像的不透水面自动提取方法唐鹏飞1，2，3，苗则朗4*，林聪1，2，3，杜培军1，2，3*，郭山川1，2，3（1.南京大学地理与海洋科学学院，江苏南京210023；2.江苏省地理信息技术重点实验室，江苏南京210023；3.自然资源部国土卫星遥感应用重点实验室，江苏南京210023；4.中南大学地球科学与信息物理学院，湖南长沙410083）摘要：针对监督分类提取不透水面需要人工获取大量训练样本的制约，提出了一种亚米级高空间分辨率夜光遥感影像引导下的不透水面自动提取方法。

以夜光强度信息作为先验知识，判别对应地理位置的Landsat8OLI影像像元为不透水面正负训练样本后，提取OLI影像的光谱和纹理特征构建特征集，利用集成ELM分类器提取不透水面。

选择全球4个具有代表性的城市作为试验区进行验证，结果显示，该方法在4个试验区的不透水面提取精度均超过93%，Kappa系数均在0.87以上。

对比BCI指数与人工选取训练样本的不透水面提取结果，发现该方法在4个试验区的总体精度均优于指数法，主要原因是该方法相较于BCI指数法可以更有效地区分裸土和不透水面。

提出的自动提取方法在3个试验区的总体精度高于或接近人工样本分类方法，但在哈尔滨试验区的总体精度略低，主要是因为在自动选择样本过程中灯光强度弱的不透水面未被选为正样本导致部分漏提。

研究表明，高分辨率夜光数据可以作用遥感影像解译与地物提取的先验知识，引导自动分类提取模型的构建，具有较高的实用性。

关键词：不透水面；夜光遥感；极限学习机；旋转森林中图分类号：TP79文献标识码：AAn automatic method for impervious surface area extraction byfusing high-resolution night light and Landsat OLI imagesTANG Peng-Fei1，2，3，MIAO Ze-Lang4*，LIN Cong1，2，3，DU Pei-Jun1，2，3*，GUO Shan-Chuan1，2，3（1.School of Geography and Ocean Science，Nanjing University，Nanjing210023，China；2.Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology，Nanjing University，Nanjing210023，China；3.Key Laboratory for Land Satellite Remote Sensing Applications of Ministry of Natural Resources，Nanjing210023，China；4.School of Geoscience and Info-Physics，Central South University，Changsha410083，China）Abstract：Supervised classification is a vital approach to extract impervious surface areas（ISA）from satellite images，but the training samples need to be provided through heavy manual work.To address it，this study proposed an automatic method to generate training samples from high-resolution night light data，considering that nighttime lights generated by human activities is strongly correlated with impervious surface.First，positive and negative samples for ISA were located according to the distribu‐tion of nighttime lights.Second，the feature sets were constructed by calculating the spectral and tex‐ture feature from the OLI images.Third，an ensemble ELM classifier was selected for ISA classifica‐tion and extraction.Four large cities were selected as study areas to examine the performance of the文章编号：1001-9014（2020）01-0128-09DOI：10.11972/j.issn.1001-9014.2020.01.017收稿日期：2019-08-16，修回日期：2019-12-16Received date：2019-08-16，Revised date：2019-12-16基金项目：国家自然科学基金重点项目（41631176）Foundation items：Supported by the National Natural Science Foundation of China（41631176）作者简介（Biography）：唐鹏飞（1997－），男，安徽合肥人，博士生，主要研究领域为遥感图像智能处理.E-mail：Sgos_tpf@*通讯作者（Corresponding author）：zelang.miao@；dupjrs@1期唐鹏飞等：融合高分夜光和Landsat OLI影像的不透水面自动提取方法proposed method in different environment.The results show that the proposed method can automatical‐ly and accurately acquire ISA with an overall accuracy higher than93%and Kappa coefficient higher than0.87.Furthermore，comparative experiments by biophysical composition index（BCI）and classi‐fication by manual sample were conducted to evaluate its superiority.The results show that our method has better separability for ISA and soil than the BCI.In general，the proposed method is superior to manual methods，except Harbin mostly because some impervious surfaces with weak light intensity are selected as negative samples.Key words：impervious surface area，nighttime light remote sensing，extreme learning machine，rotation forestPACS：TP79引言不透水面是指城市中各种不透水材料覆盖的地表面，主要包括与交通相关的土地（如道路，街道和停车场）、建筑屋顶（商业，住宅和工业区）和其他构筑用地等［1］。

基于测绘卫星影像的城市不透水面提取

基于测绘卫星影像的城市不透水面提取邵振峰;张源;周伟琪;宋杨【摘要】针对城市大尺度的不透水面提取需求，以高分辨率遥感影像为数据源，基于随机森林模型，对光谱和纹理特征进行重要性分析，选出最优参数，实现高精度城市不透水面提取。

选取武汉市作为实验区，以资源3号卫星遥感影像为数据源，不透水面提取的总体精度为0.97，所提取的高精度不透水面可为海绵城市的规划和建设提供有效的专题数据。

【期刊名称】《地理空间信息》【年(卷),期】2016(014)007【总页数】5页(P1-5)【关键词】不透水面;随机森林;高分辨率遥感;海绵城市【作者】邵振峰;张源;周伟琪;宋杨【作者单位】武汉大学测绘遥感信息工程国家重点实验室，湖北武汉 430079; 测绘遥感信息工程国家重点实验室深圳研发中心，广东深圳 518057;武汉大学测绘遥感信息工程国家重点实验室，湖北武汉 430079;武汉大学资源与环境科学学院，湖北武汉 430079;广州市城市规划勘测设计研究院，广东广州510060【正文语种】中文【中图分类】P237不透水面通常是指水不能渗透的任何物质，且基本上是通过交通和建筑物的建设与人类活动和居住密切相关的[1]。

不透水面迅速增加是快速城市化最显著的特征之一。

近年来，在城市化进程的快速发展下，地物分布信息变化频繁，郊区透水性较好的土地类型也向透水性差的城市化用地转变，导致以植被覆盖区为主要组成部分的自然景观被人工构建物替代，老城区的工业用地和低密度居住用地被开发为高密度居住用地和商业用地；由此引起了诸如城市热岛效应、非点源污染、大气污染、生物多样性降低等一系列生态、环境和气候问题。

不透水面作为评估城市生态环境的主要因素和城市人民生活水平的一个重要指标，被广泛应用于城市土地利用分类、城市人口密度评估、城市规划、城市环境评估、热岛效应分析以及水文过程模拟等研究中。

20世纪70年代以来，通过遥感影像提取不透水面已受到广泛关注。

如何利用高分辨率遥感影像进行物体提取

如何利用高分辨率遥感影像进行物体提取近年来，随着技术的不断进步和高分辨率遥感影像的广泛应用，利用高分辨率遥感影像进行物体提取已经成为了一项重要的研究领域。

物体提取可以应用于土地利用规划、城市规划、环境监测等各个领域，对提高社会发展的效率和质量具有重要意义。

本文将讨论如何有效地利用高分辨率遥感影像进行物体提取的一些方法和技巧。

首先，要进行物体提取，我们首先需要获取高分辨率的遥感影像。

遥感影像可以使用航空遥感或者卫星遥感获取，但是高分辨率的遥感影像往往比较昂贵且涉及一定的技术门槛。

因此，我们可以选择购买或租赁现成的高分辨率遥感影像数据，如谷歌地球或百度地图提供的航拍影像。

此外，还可以寻找一些免费的高分辨率遥感影像数据，如美国地质调查局提供的Landsat影像。

无论是购买还是获取免费数据，选择适合自己研究领域和目标提取物体的遥感影像是非常重要的一步。

获取了高分辨率遥感影像后，接下来需要进行影像预处理。

预处理可以帮助我们排除影像中的干扰因素，提高物体提取的准确性和效率。

常见的预处理方法包括大气校正、辐射校正、几何纠正等。

大气校正可以排除大气散射引起的影像模糊，辐射校正则可以排除地面反射率的影响，几何纠正可以纠正影像中的地形变形。

通过预处理，我们可以获得更加清晰和准确的遥感影像，为后续的物体提取打下基础。

在预处理完遥感影像后，我们可以根据具体的研究目标选择合适的物体提取方法。

目前，常用的物体提取方法主要包括阈值分割、边缘检测、区域生长和机器学习等。

阈值分割是最简单也是最常用的物体提取方法，通过设置阈值将影像中的目标从背景中分割出来。

边缘检测则是基于物体与背景之间的颜色或亮度差异进行提取，常用的边缘检测算法包括Sobel算子和Canny算子等。

区域生长方法则是根据相邻像素的相似性将同一物体的像素进行聚类，以实现物体的提取。

而机器学习方法则可以利用已知目标样本进行训练，然后将训练好的模型应用于新的遥感影像数据进行物体提取。

基于高分辨率遥感影像的城市不透水层提取研究进展浅析

自２０世纪９０年代后期，空间分辨率小于１０ｍ的遥感影像逐渐兴起，比如ＩＫＯＮＯＳ、ＱｕｉｃｋＢｉｒｄ、Ｗｏｒｌｄｖｉｅｗ等，为自动高效地提取城市地物（比如建筑物、道路、停车场等）提供了极大的可能［３９］，因此，采用高分辨率遥感影像进行不透水层提取引起了广泛的兴趣［９，４０４１］。总体来看，目前国内外在这方面的研究多数侧重于应用，即利用现有的方法进行实验，并对这些方法进行比较，如Ｙｕａｎ等（２００６）运用Ｑｕｉｃｋｂｉｒｄ图像比较了基于像元和面向对象的不透水层提取方法［４０］；Ｌｕ等（２００９）利用ＩＫＯＮＯＳ图像比较了决策树和线性光谱混合分析在城市不透水层提取中的性能［４１］；也有一些研究侧重在针对高分辨率影像特点，改进或提出一些新的方法进行不透水层提取；此外，一些研究通过采用中、高分辨率影像分别提取不透水层进行结果对比来分析不同分辨率对不透水层的影响［４２］。
［收稿日期］２０１８０５２９［基金项目］国家重点研发计划（２０１６ＹＦＦ０２０１３００）。［作者简介］蔡彩（１９８９－），女，湖北荆门人，博士，工程师，从事城市遥感方面的研究。犈犿犪犻犾：ｃａｉｃａｉ３６１４４８３３６＠１２６．ｃｏｍ
１００８
北京测绘
第３２卷第９期
型［９，３０］。不透水层的提取也通过综合高反照率和低反照率比率（丰度）图像，运用线性光谱混合分析来实现的［１５，３１３２］，另外一类是通过建立不透水层和植被覆盖之间的关系来估算不透水层的面积［３３３４］。（３）对不透水层提取结果进行了广泛应用，主要包括城市土地利用分类［２８，３２］、城市人口密度评估［３５］、城市热岛效应分析［３６］以及城市环境评估包括城市化对地表径流、水质量、生物多样性和生态的影响［２，３７３８］等研究。

基于高分辨率遥感影像的不透水面信息快速提取

基于高分辨率遥感影像的不透水面信息快速提取熊华伟;俞春生;李小玉;李琳【摘要】Impervious surface area change is the typical character-istic of urbanization, while impervious surface index has been used as an important basis for urban ecological environment system research, urban sprawl monitoring, and human activity impact analysis. When extracting impervious surface information from high-resolution image, trial-and-error method is always used by business staff to determine features participating in the classifica-tion and corresponding thresholds, which is time-consuming and needs a certain accumulation of technology and experience. To cure the above problems, this paper adopts the seperability and threshold (SEaTH) method to realize the automation of features selection and thresholds determination. Extraction rules are built for construction, cement floor and bituminous pavement, which support a rapid and accurate extraction of impervious surface infor-mation.%不透水面面积的增加是城镇化的典型标志，不透水面指数是城市生态环境系统研究、城市扩张监测、人类活动影响分析等的重要依据。

高分辨率遥感影像处理与信息提取

高分辨率遥感影像处理与信息提取第一章引言高分辨率遥感影像处理与信息提取是在地球观测领域中的重要应用之一。

随着遥感技术的发展和卫星分辨率的不断提高，高分辨率遥感影像的获取和处理能力得到了显著提升。

本章将介绍高分辨率遥感影像处理与信息提取的背景和意义，并概述文章的章节内容。

第二章高分辨率遥感影像获取与预处理本章将详细介绍高分辨率遥感影像获取的方法和技术，涉及卫星遥感、航空摄影和无人机等多种平台的应用。

同时，还会阐述高分辨率遥感影像预处理的重要性和常用方法，包括几何校正、辐射校正和大气校正等。

通过有效的获取和预处理，可以提高遥感影像的质量和可用性。

第三章高分辨率遥感影像分类与分割本章将介绍高分辨率遥感影像的分类与分割技术。

遥感影像分类是将像素或区域划分为不同的类别，常用的方法包括基于统计学的分类、人工神经网络、支持向量机等。

遥感影像分割是将影像划分为像素或区域，常用的方法有阈值分割、水平集、聚类、边缘检测等。

通过分类和分割，可以提取出影像中的目标信息，为后续的信息提取奠定基础。

第四章高分辨率遥感影像的目标识别与提取本章将探讨高分辨率遥感影像中的目标识别与提取技术。

目标识别是在影像中自动或半自动地检测和识别特定的目标，常用的方法包括特征提取、物体模型匹配、图像分割等。

目标提取是从影像中提取目标的空间、光谱、纹理等特征，以了解该目标的属性和分布情况。

通过目标识别与提取，可以获得高分辨率遥感影像中目标的详细信息。

第五章高分辨率遥感影像的地物参数反演本章将介绍高分辨率遥感影像的地物参数反演方法和技术。

地物参数反演是指通过遥感影像获取地物的物理参数，如植被覆盖度、土壤水分、植被生产力等。

常用的地物参数反演方法包括光谱反演、遥感模型和机器学习等。

通过地物参数反演，可以实现对地球生态环境和资源进行定量分析和监测。

第六章高分辨率遥感影像的应用案例本章将介绍高分辨率遥感影像处理与信息提取在各个领域的应用案例。

包括城市规划、环境监测、农业生产、灾害评估等。