基于eCognition的面向对象城市道路提取
8基于面向对象信息提取技术的城市用地分类
性[1] 。本 文 采 用 FN EA ( Fractal Net Evolutio n App roach) 分割算法 ,此算法基于影像对象的光谱 、 几何特征 , 采用区域生长方法 , 从一个像素开始到 区域生成 , 由较小影像对象逐渐合并为较大的影像 对象 , 形成多个具有相似大小的影像对象多 边形[2 ] 。
之上 ,最大尺度的三级置于顶部 。每一个层以它直 接的子对象为基础来构建 ,即上一层较大的影像对 象是由下一层的子对象合并而成 。 一级 :分割尺度为 8 ,提取树冠及其阴影、草地比 较理想 。由于植被在近红外波段具有典型的高反射 特征 ,所以选择近红外波段 4 ;另外附加了一个植被 指数 NDVI ( Normalized Difference Vegetation Index) 层 ,用于区分植被与非植被信息。对植被而言 ,光谱 是非常重要的信息 ,所以颜色因子设为 0. 8 。
1 引 言
城市用地类型多样 、结构复杂 ,要实现城市用地 的精确分类 ,需要利用具有丰富的空间结构和纹理 信息的高分辨率遥感影像 。传统的基于像素光谱信 息的分类技术针对的是中低分辨率影像 ,仅仅利用 了影像的光谱信息进行分类 ,不能充分利用高分辨 率遥感影像的空间结构和纹理信息 ,从而导致分类 结果中含有大量椒盐噪声 ,视觉效果很差 ,而且不能 够区分“异物同谱”和“同物异谱”现象 。
二级
亮色建筑物 暗色建筑物 建筑物阴影
均值 (1 ,2 ,3 ,4) ; 比率 (3) ;亮度值 (3) ;
矩形拟合度
城市道路自动提取
高空间分辨率影像城市道路信息自动提取为了更好的对城市规划和各个探测领域提供更准确的道路信息,城市道路信息的提取成为显而易见的问题,怎么样才能提高城市道路信息提取的效率呢,这里主要研究采用半自动和自动化的高空间分辨率影像城市道路信息提取。
高空间分辨率遥感影像以其丰富的纹理等细节信息, 降低了目视解译难度的同时, 却提高了计算机处理的复杂性高空间分辫率遥感影像道路信息的提取, 尤其是城市道路信息的自动提取, 存在着许多困难本文通过面向对象的影像分割、道路信息与背景信息的闺值分离、道路骨架提取、霍夫变换提纯并矢量化等技术, 实现了高空间分辫率遥感影像城市道路信息的自动提取与识别。
城市道路包括市区各类道路, 包括全市性干道、高速公路、工业区道路和居住区道路, 而不包括广场和停车场用地以及街坊小区内部道路道路的位置、宽度等信息, 是城市地理信息系统中的重要信息, 而通过目视判读和手工勾绘方式费时费力, 因此采用人工智能方式利用计算机自动提取道路信息成为一个主要的发展方向。
随着遥感技术的发展, 特别是高分辨率遥感影像的出现, 遥感卫星影像作为数据源在测图和空间数据库更新中得到了越来越广泛的应用高空间分辨率遥感影像以其丰富的纹理等细节信息, 降低了目视解译难度的同时, 却提高了计算机处理的复杂性高空间分辨率遥感影像道路信息的提取, 尤其是城市道路信息的自动提取, 存在着许多困难现阶段, 高分辨率遥感影像城市道路提取方法尚不成熟, 本文针对这一问题进行了有益的探索。
道路特征自动提取, 包括道路特征的自动识别和几何特征的自动定位, 已发展出各种各样的提取方法, 其基本思路大致是将影像道路的提取分解成四个步骤道路影像的特征增强道路种子点的确定将种子点扩展成线段将线段确认并连接成道路网目前已经能够做到把道路影像从其他地物影像中分割出来甚至能区分道路类型已有的道路提取算法大多都针对不同的影像类别, 即航空影像或卫星遥感影像, 不同的比例尺影像分辨率, 不同区域的影像如城区、乡村或郊区和不同的道路类型, 如乡村路、街道、高速公路、高等级公路等。
利用面向对象的分类方法从IKONOS全色影像中提取河流和道路
１ 引 言
高分辨率 遥感 影像 时代 的到柬 给遥 感技 术的发 展带来 了契机 ，在高空 问分辨 率的卫星影像 上 ，地物景 观的结构 、 纹理和细节等信 息都非 常清 楚地表 现 Ｈ ｊ 来 ，例 如 ，细小 的 道路 和河流。这使 得利 用遥感 影像进 行 大 比例 尺 的地 形 图 制图成为可能。然而传 统 的遥感影 像信 息处 理和提 取 的方 法是建立 在基 于像 素级别 的光 谱信息 分析 的基 础上 ，它 们 的共同特征是 只能使用图像的强度量 即灰 度值 的统 汁信息 ，
维普资讯
第３ １ 卷第 １ 期 ２ ０ ０ ６年 １ 月
测 绘 科 学
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｏ ｆ Ｓ ｕ ｒ ｖ ｅ ｙ ｉ ｎ ｇ ａ ｎ ｄ Ｍａ ｐ ｐ ｉ １
Ｊ ａ ｎ
４ 影像 分 割与 分类
河 流与道路 的提取包括初次分类与二 次分类两个 过程 。 首先是创建 影像对 象 ，利 用影像 对象 的特 征 函数 ，根 据模 糊逻辑规则进行 初次分类 ，然后进行子 目标线性分 析分割 ， 冉利用子 目标 的线特征对上级 目标进行二次分类 。
２ 面 向对象 的分 类方 法简 介
利 用 面 向对 象 的分 类 方 法 从 Ｉ ＫＯＮＯＳ 全 色 影 像 中提 取 河 流 和 道 路
孙晓霞 ，张继 贤 ，刘正 军
（ 中 测绘科学研究 院 ， 北京 １ ０ ０ ０ ３ ９ ）
【 摘 要】传统的基于像 素的统计特征 的分类方法在处理 高分辨 率影像 的分类 问题 上遇到 了很大 的 困难。本 研究利 用面 向对象的影像分 析方法对 Ｉ Ｋ Ｏ Ｎ Ｏ Ｓ全色影像进行 了河流 与道 路的分类，包 括利用影像对象的光谱特征 的初次分 类和利用子 目标 对象的线特征的二次分类两个过 程；其 中初次分类由于仅依据 光谱 信息，不能很 好地将河流 或道 路
从高分辨率遥感影像中提取城市道路的新方法
从高分辨率遥感影像中提取城市道路的新方法在过去的几十年里，高分辨率遥感影像已经成为了城市规划和管理的重要工具。
通过分析这些影像，可以提取出城市道路的位置和特征，为城市交通规划和交通状况监测提供数据支持。
然而，由于城市道路的复杂性和多样性，现有的方法在提取精度、处理速度和适应性方面仍然存在一些局限性。
因此，本文提出了一种新的方法，旨在解决这些问题。
首先，本方法采用了一种基于深度学习的图像分割算法。
该算法通过训练一个深度卷积神经网络，将道路区域和非道路区域分割开来。
为了训练网络，我们使用了大量的标记数据，其中包括城市道路和非道路的遥感影像样本。
通过训练，网络可以学习到道路的特征，并能够准确地提取出道路区域。
其次，本方法利用了多尺度处理技术。
由于遥感影像中的道路尺度各异，为了提高提取精度，我们采用了多尺度处理技术。
具体而言，我们首先将原始遥感影像进行分割，得到一系列不同尺度的子图像。
然后，针对每个子图像，我们分别使用图像分割算法提取道路区域。
最后，将得到的道路区域进行合并和优化，以得到最终的道路提取结果。
此外，本方法还引入了半监督学习的思想。
传统的道路提取方法通常需要大量的标记数据，这在实际应用中往往是难以获得的。
为了克服这个问题，我们使用了一种半监督学习的方法。
具体而言，我们首先用少量的标记数据训练网络，然后使用网络提取道路区域，并将提取结果与原始影像进行比较。
通过比较结果，我们可以发现一些错误的提取区域，并将其标记为非道路区域。
然后，我们使用这些新的标记数据重新训练网络，以提高提取精度。
最后，我们对我们的方法进行了大量的实验证明了其有效性和准确性。
通过与传统的道路提取方法进行比较，我们的方法在准确度和处理速度方面都取得了显著的改进。
我们还对不同尺度的影像进行了实验，结果表明我们的方法对于不同尺度的道路都具有很好的提取能力。
综上所述，我们提出的新方法在高分辨率遥感影像中提取城市道路方面有着显著的优势。
基于ecognition的遥感图像面向对象分类方法研究
取的山东省胶市地区遥感影像为例，运川eCognition软件 对其进行多尺度分割和阈值分类，并将分类结果与ENVI 软件做出的监督分类进行对照,对面向像元与面向对象 分类方法进行讨论。结果表明，面向对象分类方法分类 效果更好、可靠性更高、发展前景更好。
1面向对象分类基本原理、方法、操作平台
1.1面向对象分类基本原理
第43卷第2期 2020年2月
测绘与空间地理信息
GEOM477CS & SE47Z4厶 /NFOR胚477ON TECHNO厶OGY
Vol.43,No.2 Feb., 2020
基于eCognition的遥感图像面向对象分类方法研究
陈蕊，张继超
（辽宁工程技术大学测绘与地理科学学院,辽宁阜新123000）
摘要:随着高分辨率遥感图像越来越普及，传统的而向像元的图像分类方法不能满足对高分辨率遥感图像区
域分类的需求，高分辨率遥感图像对图像处理的软件与硬件都有了更高的要求，因此，出现了相较于面向像元有
着更高精度更为合理的面向对象分类方法，也更加适用于高分辨率遥感影像：本文通过采用面向对象分类的基
本方法，运用eCognition软件，以山东省胶州市地区遥感影像为例，进行多尺度分割和而向对象分类,并用E，：、V I
92
测绘与空间地理信息
分析目标,结合中心像素集合与周围地物丨丨标之间的区 别和联系，运川更丿川完整的纹理、集合等信息完成地物分 类。技术路线如图1所示。
CHEN Rui, ZHANG Jichao （School of Geomatics, Liaoning Technical University, Fuxin 123000, China）
Abstract: With the development of high resolution remote sensing image is more and more popular, the traditional pixel-based image cl assificalion rmethod can no longer meet our classificalion of high resolution remote sensing image , and image processing software and hardware of high resolution remote sensing image are needed higher requirements. Therefore, there is a method called object-oriented classification which is not only has higher accuracy and more reasonable than pixel-oriented, but also more suitable for high resolution remote sensing images. In this paper, by using the basic method of object-oriented classification, using eCognition software, the re mote sensing image of Jiaozhou in Shandong province is taken as an example to carry out multiresolution segmentation and object-ori ented classification. And do the supervised classification with ENVI, Visual interpretation accuracy evaluation, make analysis and evalualiori in different methods. The results show that the（）bje（：|-（）门cnled classification rnethod is more accurate and more reliable. Key words: eCognition ； multiresolution segmentation ； remote sensing images ； object-oriented ； Jiaozhou region classification
基于eCognition面向对象技术的高分辨率遥感影像土地利用分类——以
响。因为对于光谱特征上比较相近的地类 ，如果分割参数选
２ ０ １ ４ 年第 ８ 期 （ 总第 ９ ２期 ）
１ ３
表 ５ 最大 似 然法 分类 精度 评价 分析
结果 表 明 ，面 向对 象 的分类 方法得 到的总体 精 度为 ８ ８ ． ２ ５ ％，明显高于最大似然法 （ 总体精度为 ７ ４ ． １ ７ ％） ，分类 结果较为理想。 Ｋ Ａ Ｐ Ｐ Ａ系数是一种计算分类精度的方法 ， 系 数在 ０ ． ６ １ ～ ０ ． ８ ０ ， 则表明精度为高度 的一致性 （ ｓ ｕ ｂ ｓ ｔ ａ ｎ ｔ ｉ ａ １ ），
环境 科 学
Ｈ Ａ Ｉ Ｘ ｌ Ａ Ｋ Ｅ Ｘ Ｕ Ｅ
图 ２ 技术 流程 图
２ ． １建立分类层次
ｅ Ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ 可 以根据 构 建 的类层 次 结构 对地 物 进行 逐级 分 层分 割 ，对 非 目标地 类进 行掩 膜 ，这 样就 避免 了其 它 目标
围 ‘ ｄａ ｓ ｓ ｅ ｓ
豳 ● 陆地 ；国 ● 非 值被 ● 道 路 ｏ 建 ｊ 地 ● 植被 ● 菜地园地 ０ 耕地 ；Ｏ 赫ａ 也 国 。 水体
河 藏
对当前 目标提取时的干扰 ，提高了分类精度 ，又极大地减少
ｉ
了每次分Байду номын сангаас所处理的分类单元数 ，提高了分类效率［ ６ Ｊ 。本研
城市道路信息提取方法探讨
第35卷第2期2019年6月测绘标准化Standardization of Surveying and MappingVol. 35No.2Jun.2019城市道路信息提取方法探讨马婵1马润霞2（1•西安科技大学测绘科学与技术学院陕西西安710054；2,自然资源部大地测量数据处理中心陕西西安710054）On the Methods for Urban Road Information ExtractionMA Chan MA Runxia摘要:利用高分辨率遥感影像的高空间分辨率、高时间分辨率的特点，可较好地满足路线信息提取成果的需求。
提出一种基于面向对象分类的城市道路提取方法。
首先，进行面向对象分类并提取道路中心线；然后，利用MATLAB二值化处理及调用MATLAB细化函数等相关操作清除非道路区域，优化道路;最后,通过建立缓冲区提取城市道路信息，提取较理想的初始道路网络。
这种道路提取方法可为基于遥感图像提取道路信息提供借鉴。
关键词:道路提取;面向对象分类;二值化处理;缓冲区分析；MATLAB中图法分类号:P237.2；P283.2随着传感器的发展,遥感影像分辨率进一步提高,遥感影像的应用也越来越广，影像中所包含的数据信息已成为研究的热点。
城市道路是遥感影像中的一个重要地物,表现形式非常复杂,主次干道的宽窄不一，道路段间的材质不同,在遥感影像中呈现的光谱特征有所不同。
传感器在成像过程中，因传感器、地理位置等要素,造成道路信息提取不够完整,给路线的自动化获取带来了极大的难题。
目前，提取道路信息采用的方法都存在人工干预过多的情况,且很多算法还不完整，因而对道路提取相关问题进行研究仍有非常重要的意义。
刘俊⑴等提出基于多标准的差异分辨率遥感影像路线提取办法。
施海亮⑵等论述了城市遥感影像中路线提取的特点，以及当今道路特征提取的一些研究成果。
徐天才⑶等采用形态学细化算法，对图像进行二值化操作后,使用栅格数据中的细化操作,提高了线提取精度及计算效率，然后利用模糊Hough变换算法提取遥感图像中的城市道路。
基于高分辨率遥感影像的城市建筑目标提取研究
基于高分辨率遥感影像的城市建筑目标提取研究韩权卫 ,孙越 ,龚威平( 国家测绘局地图技术审查中心,北京100048; 住房和城乡建设部城乡规划管理中心,北京100835)收稿日期:2009-12-24修订日期:2010-01-20基金项目:国家十一五科技支撑计划课题!城镇体系规划监测关键技术研究∀(编号:2006BA J14B02),住房城乡建设部研究开发项目!海量数据遥感数据库支撑下的城市规划动态监测系统研究∀(编号:2008-k9-12)。
作者简介:韩权卫(1960~),男,研究方向:地图制图和GIS 。
E m ail:hanqw@sbsm.g 摘要:基于G eoeye 1高分辨率遥感影像,根据机场、大型公共建筑、污水处理厂3类建筑目标的光谱特征和形状特征,采用面向对象分类识别方法,并结合城市总体规划专题数据,对上述3类建筑目标进行提取实验。
实验表明,本文提出的技术路线对上述3类城市建筑目标提取具有较好的应用效果。
关键词:城市建筑目标;高分辨率遥感影像;面向对象;专题数据doi:10.3969/j.issn.1000-3177.2011.01.015中图分类号:T P79 文献标识码:A 文章编号:1000-3177(2011)113-0073-04Research on Extraction of Urban Constructions Based OnHigh Spatial Resolution Remote Sensing ImageHA N Q uan wei ,SU N Y ue ,G ON G W ei ping( M ap S up er v ision Center of SB SM ,Beij ing 100048;T he A dministration Center of Urban r ur al Planning Ministry of H ouse &Ur ban r ur al Develop ment,Beij ing 100835)Abstract:T his paper intr oduces an ex periment in w hich the a irpor t,big public const ruct ions and sewag e far ms ar e ex tracted based o n t he hig h spatial r eso lutio n r emote sensing image G eoEye 1.In processing,the spect ral and shape features of the three ur ban constructions and o bject o riented metho d,combined thematic infor mation of urban planning wer e used.It prov ed that the technical r oute this paper offered has a g oo d applicatio n effect o n the ex tractio n o f three urban constr uctio n featur es.Key words:urban construction o bjects;hig h reso lution remote sensing image;objected oriented method;thematic information data1 引 言随着遥感影像空间分辨率的不断提高,其在城市规划、建设和管理中的应用也越来越广;主要包括城市建设用地现状调查,园林绿化的现状调查和评价[1],城乡规划实施情况的动态监测,城市硬化地表格局特征研究[2],城市非正规垃圾场监测[3],以及在城市公共安全和灾害应急与评估中的应用等。
基于面向对象方法的高分辨率遥感影像道路提取方法研究
基于面向对象方法的高分辨率遥感影像道路提取方法研究周爱霞;余莉;冯径;张雪艳【期刊名称】《测绘与空间地理信息》【年(卷),期】2017(000)002【摘要】With the continuous improvement of the resolution of remote sensing image,automatic extraction of object based on high resolution image becomes research direction.In the paper,we used the method of object oriented image analysis to carry out the road extraction experiments on IKONOS images under the help of remote sensing image processing software-Ecognition,The image segmentation scheme,road extraction rules and post processing method were discussed.%随着遥感影像分辨率的不断提高,基于高分辨率遥感影像的目标自动提取逐步成为研究热点.本文采用面向对象的图像分析方法,基于Ecognition遥感图像处理平台,对IKONOS 影像进行道路提取实验,重点对图像分割方案、道路提取规则、后处理方法等进行探讨.【总页数】4页(P1-4)【作者】周爱霞;余莉;冯径;张雪艳【作者单位】解放军理工大学气象海洋学院,江苏南京211101;94840部队,江苏南京210049;解放军理工大学气象海洋学院,江苏南京211101;解放军理工大学气象海洋学院,江苏南京211101【正文语种】中文【中图分类】P237【相关文献】1.基于Hough变换的高分辨率遥感影像道路提取方法研究 [J], 余峰;余洁;简骁2.基于地理国情普查高分辨率遥感影像的道路提取方法研究 [J], 顾剑华;孙鑫;李红3.基于高分辨率遥感影像的城市道路提取方法研究 [J], 朱晓铃;邬群勇4.高分辨率遥感影像道路提取方法研究 [J], 龚婷婷5.基于Snakes模型的高分辨率遥感影像城区道路提取方法研究 [J], 施海亮;周绍光;徐勇因版权原因，仅展示原文概要，查看原文内容请购买。
envi基于规则的面向对象信息提取原理
envi基于规则的面向对象信息提取原理面向对象信息提取是指从文本中自动抽取和理解结构化的信息，以便支持各种应用程序，如搜索引擎、问答系统和信息检索等。
基于规则的面向对象信息提取原理是一种常见的信息提取方法，它通过事先定义的规则来识别和提取文本中的信息。
本文将首先介绍面向对象信息提取的基本概念，然后详细分析基于规则的面向对象信息提取原理，最后探讨该方法的优缺点和应用场景。
一、面向对象信息提取的基本概念面向对象信息提取是一种自然语言处理技术，它通过分析文本中的句子结构和语义关系，从中提取出特定的实体和关系，如人名、地点、组织、事件等。
以下是面向对象信息提取的基本概念：1.信息提取的目标：信息提取的目标是从非结构化文本中获取结构化的信息。
这些信息可以用于构建知识图谱、语义搜索等应用。
2.实体和关系：在信息提取中，实体是指文本中具体的事物，如人名、地点、组织等；关系是指实体之间的联系，如工作关系、上下级关系等。
3.文本分析技术：信息提取通常需要借助自然语言处理和机器学习技术，如词法分析、句法分析、语义分析等，来识别文本中的实体和关系。
4.应用场景：面向对象信息提取可以应用在诸如搜索引擎、智能问答系统、信息检索等各种应用中，为用户提供更加准确和个性化的信息。
二、基于规则的面向对象信息提取原理基于规则的面向对象信息提取是一种基于事先定义的规则来识别和提取文本中的信息的方法。
以下是该方法的基本原理：1.规则定义：首先需要定义一系列规则来识别文本中的实体和关系。
这些规则可以是基于词法、句法、语义等多种信息的匹配和匹配规则。
2.文本解析：接下来需要对文本进行解析，通过自然语言处理技术和机器学习算法来识别文本中的实体和关系，以及它们之间的语义关系。
3.规则匹配：在文本解析的基础上，利用事先定义的规则来匹配文本中的实体和关系，从而提取出需要的信息。
4.信息提取：最后，通过规则匹配得到的结果，提取出文本中的结构化信息，如人名、地点、事件等。
eCognition(易康)软件在城市绿化覆盖调查中的应用
eCognition（易康）软件在城市绿化覆盖调查中的应用发表时间：2018-03-22T14:32:50.237Z 来源：《防护工程》2017年第32期作者：陶方李文林熊健[导读] 随着影像提取技术、遥感处理技术和计算机智能化等技术的发展，影像提取的工作将会越来越便捷、需要人工干涉的内容也会越来越少、精度也将越来越高。
江苏省地质勘查技术院江苏南京 210018摘要：城市绿化覆盖调查是结合江苏省自然地理现状、美丽江苏建设需要及政府、公众关注点的要求下开展的任务。
本论文以易康软件作为平台，在已有航天遥感影像的基础上，研究如何使用遥感影像半自动解译等方法，通过遥感影像获取与处理、城市绿化信息提取等技术，对城市建成区和中心城区开展城市绿化覆盖遥感调查，获取城市绿化覆盖解译成果及统计分析成果。
关键词：易康；高分辨率影像；多尺度分割；地物提取0引言城市绿化覆盖调查可以反映出城市绿化建设的覆盖程度，对城市绿化及生态环境以及城市生存环境可进行对比分析，得出的数据可以反应城市宜居指数，也为城市生态建设提供指引。
随着卫星数据的积累，我们虽然获取大量的高分辨率影像，但使用传统的人工矢量化方式进行生产，无法满足城市绿化覆盖调查大范围、更新快的需求。
如何减少人工编辑的工作量同时又能高效准确的提取地物信息，是目前制约着遥感技术发展的一个难题。
因此，自动、高效、准确的基于遥感影像地物提取方法已经成为遥感应用领域的主要发展方向。
本文将通过易康软件，研究如何通过高分辨率卫星影像来提取城市绿化信息。
1 eCognition（易康）软件eCognition是全球第一个基于面向对象的影像分析软件，其面向对象的影像分析方式可充分利用已有的矢量、栅格、DEM、点云等数据信息对所有类型的常用影像数据源进行智能高效的解译。
城市绿化覆盖调查的解译方案分为人工解译和自动解译。
人工解译耗时长、综合不够精确、人为主观判断因素影响过大，而全自动解译存在难度大、地物提取不够智能、工程化应用太难等弊端，因此两者结合是目前最好的解决方案。
基于卫星遥感影像的城市建筑物分类提取研究
基于卫星遥感影像的城市建筑物分类提取研究摘要遥感技术是根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。
作为空间地理信息系统建设的一种有效方法，在智慧城市建设中发挥着重要作用。
文章通过应用遥感影像进行城市建筑物自动化分类提取方法的研究，为相关技术应用于智慧城市建设提供参考。
关键词：智慧城市；遥感影像；建筑物；自动化提取1.研究背景随着经济社会的高速发展，城市面貌也在发生着巨大的变化，为了更科学有效的进行城市规划、建设和管理，城市建设管理部门需要及时掌握城市建设变化情况。
在远程遥感观测技术出现之前，人们主要通过工程测量等方法来收集城市信息，进行城市规划与管理。
卫星遥感技术以其大范围、快速准确获取地面信息的优越性，越来越广泛应用于土地利用、城市规划与管理等领域。
在智慧城市建设中，对于建筑物的识别提取是极其重要的，如何识别建筑物从而更好的分类和提取也直接关系到建筑物提取的自动化程度。
此外，由于城市建设的不断发展，城市建筑物不断更新变化，因此，对建筑物进行有效的识别与提取是一个非常关键的问题，找到一种准确高效且自动化的高分遥感建筑物提取方法来替代人工方式具有重要意义。
2.研究现状目前的建筑物提取主要是通过利用图像特征信息来进行图像建筑物的识别以及提取。
这些年来，国内外的很多学者都专注于对遥感影像建筑物进行精确识别，以及在影像上提取出建筑物等信息的研究，并且提出了很多的方法和理论，也取得了一定的成果。
比如利用建筑物的位置关系对相似的建筑物进行过滤，最后通过图割算法实现对建筑物的精确提取；过Mask R-CNN算法来实现对建筑物的矢量提取；通过人工提取的方法对房屋进行提取，从而实现对建筑物房屋位置、范围等的初步自动化提取等。
在国外，Janja Avbelj and Rupert Muller提出了一种新的彩色高分辨率遥感图像建筑物提取方法。
面向对象的高分辨率遥感影像道路提取算法
面向对象的高分辨率遥感影像道路提取算法金静;党建武;王阳萍;翟凤文【摘要】针对高分辨率遥感影像的特点,提出了一种基于面向对象思想的自动道路提取方法.首先对遥感影像进行双边滤波,平滑细节信息并保留道路边缘信息;然后使用模糊C均值算法分割图像以得到独立的地物对象,并结合道路几何特征对各对象滤波得到候选道路段;使用区域增长算法形成道路网,最后使用形态学方法实现道路网的修整和细化.实验表明,该方法无需人工选取道路种子点,就可以在不同场景的遥感影像中有效地提取出道路目标.%An automatic object oriented method of road extraction is proposed for high-resolution remote sensing image.At first,the bilateral filter is used in image to smooth the detail information and retain road edge.Then the image is segmented to independent ground objects by FCM algorithm and each object is filtered combining geometric feature to obtain candidate road segments.The region growing algorithm is used for road segment connection to get network.Finally,the road network is repaired and thinned by the morphology method in post processes.The experiments show that the method can extract the road target efficiently from the high resolution image in different scenes without selecting road seeds artificially.【期刊名称】《兰州交通大学学报》【年(卷),期】2017(036)001【总页数】5页(P57-61)【关键词】高分辨率遥感影像;道路提取;面向对象;模糊C均值聚类;形状滤波【作者】金静;党建武;王阳萍;翟凤文【作者单位】兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070【正文语种】中文【中图分类】TP391.4利用遥感影像提取各类地物目标是构建及更新地理空间数据库的重要手段之一[1].道路作为现代交通体系的主要人造地物，是地图和地理信息系统中重要的标识对象，道路的准确提取对于GIS数据库更新、城市观测与规划等具有重要意义.高分辨率遥感影像虽然含有丰富的地物空间细节信息，但是其目标提取通常会伴随更多噪声与干扰.道路提取方法可划分为半自动和自动两大类.半自动道路提取以人工交互方式获取种子点、道路方向等参数[2]，典型方法有Ribbon snake模型[3]、ZiplockSnake[4]模型.此类方法同时利用了道路几何和辐射特征，例如,文献[5]提出一种基于均值漂移算法的半自动道路提取算法，能较准确地提取道路中心线，但道路种子点须人工选定.半自动道路提取过程中的人工操作增加了提取复杂度，因而降低了方法的处理能力与适用性.自动道路提取通过引入机器学习算法、智能算法来实现道路提取的智能化、自动化，是目前道路提取的主要研究方向，主要分为基于分类的方法、基于知识的方法、基于数学形态学的方法和基于动态规划的方法等[6].例如,文献[7]使用模糊推理实现遥感图像的道路网提取，在包含立交桥的立体交通网中获得了较好效果，但模糊推理过程需要很高的时间代价；文献[8]提出基于扩展卡尔曼滤波和粒子滤波的道路检测模型，能够追踪到所有道路分叉路口，但其效果依赖于模型参数的选择.因道路所处环境的复杂性和差异性，以及阴影、道路物体等遮挡的干扰，使得遥感影像的自动、准确、快速地提取道路仍是一个很有挑战性的工作.既有算法可以归类为面向像元的道路检测方法，这些算法均以像元作为独立个体单独考虑，忽略了像元间的关系.面向对象法认为影像由包含重要语义信息的影像对象以及对象间的相互关系构成，影像对象由同质的、连续的像元组成.与中低分辨率遥感图像不同，高分辨遥感图像除了光谱特征外还具有更为丰富的空间结构和纹理信息，因此可充分利用对象的光谱特征、纹理特征、形状特征等实现道路提取.本文提出一种基于面向对象的高分辨率遥感影像自动道路提取方法.首先对影像进行双边滤波实现保边去噪，然后用模糊C均值算法进行影像分割，以得到的地物对象作为目标，并使用形状滤波提取道路段作为道路种子，最后应用区域增长算法连接道路种子、用数学形态学方法修整和提取道路中心线，最后得到道路网络. 道路提取的难点在于遥感图像中的道路特征会受传感器的类型、光谱分辨率、空间分辨率、天气以及地面特征的影响.但总的来说，道路都具备有明显区别于其他地物的几何特征、辐射特征、拓扑特性和上下文特征[9].本文利用辐射特征使用聚类算法对影像进行分割得到对象，再利用道路的几何特征进行形状滤波，再以拓扑特征为依据进行道路的连接.算法的流程如图1所示.高分辨率遥感影像提供了更为丰富的地物细节信息，但道路上的行人、车辆、交通线等这些地物会成为道路提取时的噪声干扰，降低道路提取的精度.因此，需要对遥感影像进行噪声平滑的预处理，而在平滑去噪的同时，又希望能充分保留在道路提取中十分重要的道路边缘信息.基于此，使用双边滤波器(bilateral filter)[10]对遥感影像进行预处理.双边滤波器和高斯滤波器一样利用了局部加权平均，不同的是双边滤波器在二维邻域内的加权系数由空间邻近度因子ωs和亮度像似度因子ωr的乘积组合而成.即对于中心点f(x,y)，其邻域Nx,y中的像素点f(i,j)的权值ω(i,j) 的计算方法为ω(i,j)=ωs(i,j)ωr(i,j).道路的辐射特征包括:道路的两个边缘处有较大的梯度；道路区域的灰度值基本一致；道路表面与树、建筑等非道路区域有十分明显的区别.因此，本文针对于道路辐射特征的特点，使用模糊C均值 (Fuzzy C-Means，FCM )聚类算法[11-12]对影像进行分割，以得到各个不同的对象.模糊C均值聚类是一种非监督分类的算法，它将模糊集的概念应用到聚类分析中，以隶属度来说明样本属于各个组的程度，而不是简单绝对的“属于”或者“不属于”某一分组.这种模糊思想的应用，使得FCM聚类算法相比传统的“硬分类”方法可以得到更好的分类结果.FCM聚类算法的目标函数为‖xk-vi‖2 .n.c.在图像分割中，使用像素3个通道的颜色值作为样本点的特征进行聚类，初始聚类中心可通过随机方式得到.道路相比于其他地物具备一些明显的几何特征，例如道路的总面积不会太小，道路基本呈现出细长的形态等.因此，可使用特定的形状特征对1.2节分割后得到的各个对象进行筛选滤波，以得到候选的道路段区域.一般可使用以下特征进行滤波：1)面积S：计算分割得到的各个对象区域内像素的个数，设置面积阈值Ts去除分割后面积很小的干扰物体.可根据影像分辨率的高低和提取目标的大小来确定Ts. 2)长宽比R：通过计算分割对象最小边界矩形的长宽比得到R，即R=Lext/Wext.其中：Lext、Wext分别为最小外接矩形的长与宽.3)填充度F：指同时在对象区域和其最小边界矩形中的像素比例，即F=S/Sext.4)形状因子e：其计算公式为e=L2/S.它描述了对象区域单位面积的周长大小，e值越大，表明单位面积的周长大，即为复杂形状；反之则为简单形状.圆形的e值为12.6，正方形的e值为16，三角形的e值为20.8.5)长度L和宽度W：分别指对象区域最小边界矩形的长度和宽度.这两个特征可以用来滤除河流、扁长的建筑物屋顶等地物.道路拓扑特性的含义是指道路会构成连通的道路网，不会发生突然的中断.因此，需要对形状滤波后得到的若干候选道路段进行连接以便生成道路网.在此，使用区域增长算法[13]来生成道路网.首先从候选道路段的边缘部分随机选择若干个种子点，从每一个已提取的种子点开始搜索其4邻域范围的像素，如其中有满足灰度差小于阈值T的像素，则将该像素作为增长后的区域，并将其作为新的种子点继续按照上述方法搜索，直至所有种子点不满足条件为止.该方法可以最大限度地将相似区域进行归并，较理想地实现候选道路段的连接.得到道路网后要对提取的道路信息进行细线化，以获取道路中心线.为了避免提取的道路表面中由于光谱差异造成的空洞导致细化后存在闭路的问题，首先利用形态学的闭合和膨胀操作进行空洞填充，然后再进行细化，以得到较理想的细化效果.对于细线化后可能存在部分的短线条(毛刺)，通过迭代去除端点方式去除[14].首先，选择World View卫星2012年浙江某一城镇地区的0.3 m高分辨率遥感影像作为第一个实验数据，图像的大小为280×430像素，在Matlab下对算法进行仿真实验.如图2a所示，该影像主要包括不同光谱特征的房屋顶、草地、泥土地、道路等地物，同时，影像中间还存在一部分与道路“异物同谱”的狭长地物.一般地，双边滤波器的半宽取N=2，即滤波窗口的大小为5×5.同时，经过反复实验总结，当σs=2,σr=0.1时影像可以得到比较好的保边去噪的效果.通过大致的目视解译，影像的地物基本可以划分为5类，因此，FCM聚类算法的聚类数k=5.实验表明模糊加权指数m<2时趋于硬分割，当m≥2时分类趋于平滑，因此处理中取m=2；形状滤波的各个参数通过反复实验得到较好的阈值，分别为：面积阈值为20，长宽比R=5，填充度F=0.4，形状因子e=18，长度L设置为50，宽度设置为10.对原始影像进行灰度化及双边滤波预处理后可以得到图2b的影像.可见，道路上的车辆、行人等得到了模糊处理，而道路、建筑物顶等边缘信息得到了较好的保留.图2c是使用FCM聚类算法迭代100次以后得到的分割结果，将分割得到的道路类对象提取出并对其二值化后得到图2d；然后，对图2d的各个联通区域进行形状滤波，得到了粗提取的道路段，如图2e所示；应用区域增长算法进行连接，可得到图2f所示的道路网；再对其进行形态学处理和细化，就得到最终的道路中心线，如图2g所示.由于双边滤波器有效的“保边去噪”预处理以及使用FCM算法对地物对象进行的精确有效的分割，然后结合形状滤波剔除了和道路异物同谱的一些地物，算法能够正确提取出主要的道路部分.为了验证算法的普适性，实验2选择包含乡村道路的遥感影像使用本文算法对道路进行提取，原始影像如图3a所示.影像的大小为660×396像素，影像中包括植被覆盖的林地、田地、赤裸的土地和道路等几类地物，道路右下侧有一部分裸地和道路光谱特征类似.双边滤波器的半宽取N=2，即滤波窗口的大小为5×5.经过反复实验的总结取σs=1.5,σr=0.2,；通过大致的目视解译，影像的地物基本可以划分为4类，因此，FCM聚类算法的聚类数k=4，同理取m=2；形状滤波的各个参数通过大量反复实验得到较好的阈值，分别为面积阈值为60，长宽比R=8,，填充度F=0.4，形状因子e=18，长度L设置为80，宽度设置为20.双边滤波后的结果如图3b所示，图3c、图3d是聚类和道路分割结果二值化后的图像.对二值图像形状因子滤波并使用形态学方法填充空洞可以得到提取的道路部分如图3f所示.由于已经得到了连续的道路网，因此没有进行道路网连接的处理.最后细化和消除毛刺后得到道路的中心线如图3g所示，由于该道路网没有分叉口，形态比较规整，所以消除毛刺取得了较好的效果.因此，在乡村道路场景下该算法也可以比较完整地提取出影像中的道路.本文提出的面向对象的高分辨率遥感影像道路自动提取方法，应用FCM聚类算法进行影像分割得到独立地物对应的对象，再结合道路几何特征对其形状滤波得到道路种子，使用区域增长算法连接道路种子，最后通过形态学方法进行道路网的修整和细化.该方法在城镇和乡村场景下都能较清晰完整地从影像中提取道路目标，但仍存在两个有待改进的问题：首先,因仅使用道路光谱信息进行对象的聚类分割，故当路面干扰信息较大、灰度不一致时会影响分割效果;其次,各步骤处理的阈值通过反复实验确定，缺乏灵活性.下一步工作需考虑结合影像的其他特征实现对象的聚类分割，并研究基于机器学习的自适应的阈值选取.。
结合尺度空间的面向对象高分辨率影像城市道路提取
结合尺度空间的面向对象高分辨率影像城市道路提取陈杰;邵权斌;梅小明;邓敏;侯佳良【期刊名称】《测绘工程》【年(卷),期】2016(025)012【摘要】Urban road extraction from remote sensing image is significant for city construction ,planning and map updating .An automatic extraction algorithm of urban road by integrating scale‐space and object‐based approach is proposed in this paper .Furthermore ,canny operator is used to produce the gradient image ,where marker‐based watershed transform is conducted to achieve image regional objects .Rules are designed to choose the road objects step by step and other objects are discarded , based on the typical geometric and spectrum features of urban roads and the former cluster results .Then ,the morphological skeleton algorithm is used to generate centerline of these road objects followed by some post‐processing work ,such as skeleton smoothing and connection .The experiment results show that the proposed method is suitable for automatic extraction of urban road ,and the applicability of algorithm and the accuracy of result s go for the updating of urban road‐network .%基于遥感影像的城市道路提取对于城市建设、规划和地图更新等有重要意义。
基于激光雷达道路可通行区域的检测与提取
基于激光雷达道路可通行区域的检测与提取邹斌;王磊【摘要】A road segmentation method based on vehicle-mounted 3D lidar is extracted for the detection and extraction of road of driverless vehicles.First use of radar angle clustering method to extract single laser radar scan,then with the modified K-mean clustering algorithm to obtain the optimal clustering point set,using highly feature extraction,combined with DBSCAN clustering method to extract footpaths,according to the least squares method for polynomial curve fitting can pass the road.The experimental results show that this method can effectively extract the passage area in real-time.%该文针对无人驾驶车辆道路可通行区域检测与提取的问题,提出了一种基于车载三维激光雷达的道路分割提取方法.首先利用雷达探测角度提取激光雷达扫描单线,然后用改进K-means聚类算法获取最优聚类点集,再利用高度特征提取障碍物,结合基于密度的DBSCAN聚类方法提取路沿,最后根据最小二乘法对可通行区域进行曲线拟合.试验结果表明,该方法可以实时有效地提取路面可通行区域.【期刊名称】《自动化与仪表》【年(卷),期】2018(033)002【总页数】7页(P33-38,49)【关键词】无人驾驶车辆;三维激光雷达;道路分割;K-means算法;DBSCAN算法;最小二乘法【作者】邹斌;王磊【作者单位】武汉理工大学现代汽车零部件技术湖北省重点实验室汽车零部件技术湖北省协同创新中心,武汉 430070;武汉理工大学现代汽车零部件技术湖北省重点实验室汽车零部件技术湖北省协同创新中心,武汉 430070【正文语种】中文【中图分类】TP27无人驾驶车辆是利用车载传感系统来感知车辆周围环境，自行规划行车路线控制车辆成功抵达目的地的智能车[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于eCognition的面向对象城市道路提取
基于面向对象思想，使用高分一号影像对赣州市开发区城市道路进行提取。
利用分水岭分割算法对影像进行分割后，通过水体和植被的特征提取出道路潜在区域，结合最能区别道路与其他地物的光谱特征和几何特征，利用eCognition的最邻近分类器提取出道路目标。
标签：面向对象；道路提取；影像分割；eCognition
引言
随着遥感科学技术的发展，高分辨率遥感数据越来越多，高分辨率能反映出丰富的地物细节与结构纹理信息。
道路信息是高分遥感影像上的重要地物信息之一，如何从海量的高分影像数据中提取出道路目标已经成为目前遥感领域研究的重点。
然而，随着现代社会的发展，城市建设的深入，遥感影像上反映的地物信息越来越丰富，影像上的地物细节也越来越复杂，道路目标更清晰，同时噪声也随之而来，极容易存在“同物异谱”及“同谱异物”现象，如建筑物，车辆等，这使得在高分影像中的道路提取难度也随之增大。
传统的道路提取方法都是基于像元及光谱信息来对影像进行分析处理，虽然近年来出现很多新的算法。
但从根本上还是从像元的角度分析遥感影像，不会考虑像元内部的纹理特征及像元间的关联信息，这样就很容易产生“胡椒盐现象”，从而提取的精度也不高；然而，面向对象的影像分析方法，通过结合多种影像特征，比如光谱特征、几何特征、纹理特征以及上下文特征综合分析往往能取得较基于像元提取的方法更高的精度。
因此将面向对象的方法应用到高分影像道路提取中能取得更高的研究意义及应用价值。
1 面向對象的道路提取方法
在高分辨率遥感图像道路自动提取的方法中，有很多方法需要先对道路进行整体粗提取，然后针对提取出的道路进行后处理来完善路网的结构。
本文的技术路线归根于这种设计思想和道路的四个影像特征（光谱特征、几何特征、上下文特征和拓扑特征）。
为了充分挖掘高分辨率影像中的道路特征，首先对图像进行预处理来消除部分噪声。
然后采用改进的分水岭算法进行图像分割获取影像对象，这是面向对象影像分析的必要环节。
在道路特征提取中采用了多尺度分析的方法，分别对主干道路和次要路段采用不同的灰度、长宽比等特征指标进行提取。
最后，采用拓扑连接和数学形态学方法处理道路提取过程中产生的道路中断并去除部分影像噪声，在更高层次上进一步完善道路提取的结果。
1.1 改进的分水岭分割算法
虽然分水岭的分割速度很快，但由于该算法对微弱边缘的敏感性较强，受噪声的影响分割结果存在过度分割现象。
这种分割结果存在大量的分割区域，不仅
增加后续分析的代价，而且过多的琐碎区域使得地物的形状特征也不能很好的应用，本文通过选择适当的局域同质性阈值、剔除局部极小值小面积区域、去除小斑块和区域合并来解决过分割问题。
1.2 面向对象的道路特征提取
面向对象的遥感信息提取方法主要是依据影像对象特征来描述地物目标的重要属性信息。
分水岭变换将图像分割为影像对象后可以得到比较完整的影像对象，但由于“异物同谱”现象的存在，道路对象还不能提取出来。
但是，道路影像对象在几何特征、辐射特征等方面与其他影像对象有很大的区别。
本文基于道路对象的辐射特征、几何特征和上下文特征，采用面向对象方法，对影像对象的特征因子做定量描述，进而提取道路信息。
2 面向对象的道路提取实验
选取江西省赣州市某城区为研究区，采用2016年5月30日的高分辨率遥感影像。
数据全色波段的分辨率是1米。
原图如图1所示。
在进行道路特征提取之前先对遥感影像进行一些预处理，其中包括直方图均衡化，中值滤波。
然后将全色影像与多光谱影像进行融合，对其进行分水岭变换，选择合适的阈值对分割结果进行同质性阈值合并，然后去除小斑块和区域合并，此时道路对象基本已经合并在一起，还需要综合利用多种特征将其与其他地物区分开。
因为植被、水体的光谱特征与道路的光谱特征差异较大，因此可以分别利用NDVI指数和NDWI指数去除植被、水体，提取出道路潜在区域。
选取6种光谱特征和几何特征进行试验建立道路特征知识库，分别为不对称性，密度，长宽比，面积，长度，矩形度。
由于不同等级道路的宽度和长度不一致，将研究区内的道路分为主干路和次要路，对其分别提取。
最终提取结果如图2所示。
3 结束语
从该结果可以看出，该提取方法基本能够较完善的提取出整个实验区的道路，可以看出面向对象方法具有比较大的优势，通过分水岭分割算法，将影像内的边缘信息完整检测出来，综合利用阈值合并和去除小斑块和区域合并极大地提高了信息提取质量。
最后利用多种道路特征区分道路和其他地物。
当然还有一些不足的地方，比如提取结果很以来分割质量，这也就需要道路能与背景地物能有较大的反差。
综合来看，利用面向对象的方法提取道路目标还是可行的。
参考文献
[1]张聪颖，田淑芳.基于ENVI Zoom面向对象的高分辨率影像的道路提取[D].中国地质大学（北京）地球科学与资源学院1001-8972.20
10.23.044.
[2]申真.基于面向对象的高分辨率遥感影像道路提取研究[D].江西理工大学，2012.
[3]蔡红.高分辨率遥感图像城市道路自动提取方法研究[D].中国地质大学（北京），2015.。