面向对象的遥感影像信息提取

合集下载

面向对象的GEO遥感影像分类与信息提取

面向对象的GEO遥感影像分类与信息提取
于相 元 的 分 类 方 法 高 。
关 键 词 : 球 之 眼 卫 星 ; 感 图像 处 理 系统 ; 向对 象 地 遥 面 中 图分 类 号 : 3 1 TP 9 文献标识 码 : A 文 章 编 号 : 6 49 4 ( 0 1 0 — 2 30 1 7 — 9 4 2 1 ) 60 0 — 4

2 实 验 区及 数 据 源
2 1 地 球 之 眼 一1卫 星 的 基 本 参 数 设 置 .
方 面 是 我 们 获 得 的遥 感 图 片 分 辨 率 越 来 越
高 , 一方 面是 人们 对遥 感 信 息 的 认 识 和利 用 程 度 另 远远 落后 于遥感 信 息 获 取 的速 度 , 造成 大量 资 源 的 严 重 浪费 , 但据 统计 , 人们 用 到 的遥 感信 息仅 占全 部 获 取信 息 的 5%左右 , 而深 层 次 的信 息 开发更 少 , 这
1 引言
过去 4 0年间遥 感技 术有 了长足 的发展 , 备 了 具
出, 而光 谱分 辨率 并 不 高 , 因此 , 对 高 空 间分 辨 率 针 图像 , 在分 类 时不 能仅 依靠其 光谱 特征 , 多 的是 要 更
利 用 其几何 信 息和 结构 信息 。
高光谱 分辨 率 、 时 间 分辨 率 、 高 高空 间分 辨 率 、 传 多 感器 、 多平 台 、 多角 度 对 地 观 测 能力 , 已经形 成 了三
2 2 实 验 区 域 .
分 析 的分 类 方法 , 主要 包括 监督 分类 和非 监督 分类 。
监督 分类 是一 种 常用 的精度 较高 的统 计判 决分 类 , 已知类 别 的训练 场地 上提 取各 类训 练样 本 , 在 通
过选 择特 征变 量 、 确定判 别 函数 或判 别规则 , 而把 从 图像 中的各 个 像 元 点 划 归 到 各 个 给 定 类 的 分 类 方 法_ 。非监 督 分 类 是 在 没 有 先 验 类 别 知 识 的 情 况 2 ]

面向对象的遥感影像水田信息提取方法研究

面向对象的遥感影像水田信息提取方法研究
i ma g e h a s a v e r y i mp o r t a n t r o l e a n d s i g n i i f c a n c e . T h i s a r t i c l e w i l l d i v i d e t h e p a d d y i n t o c r o p s p a d d y , mu l c h p l a n t i n g p a d d y a n d n o p l a n t i n g
s e g me n t a t i o n o f i ma g e , d i f f e r e n t l a n d t y p e s u s i n g d i f f e r e n t s e g me n t a t i o n s c a l e , a p p l i e s f u z z y c l a s s i i f c a t i o n me t h o d t o b u i l d t h e p a d d y f e a t u r e k n o wl e d g e b a s e b y c o mb i n i n g w i t h t h e s p e c t r u m,s h a p e s ,t e x t u r e s a n d o t h e r  ̄a tu ms o f i ma g e s d f o r p a d d y i n f o r ma t i o n e x t r a c t i o n .
e x t r a c t i o n o f i n f o r m a t i o n i s n o l o n g e r o n l y j u s t t h e e x t r a c t i o n o f r i c e , t h u s e x t r a c t i n g p a d d y i n f o r ma t i o n f r o m h i g h - r e s o l u t i o n r e mo t e s e n s i n g

面向对象的高分辨率遥感影像道路自动提取实验

面向对象的高分辨率遥感影像道路自动提取实验

to e h oo yo be to in e oe tatt er a fr t nfo h g -e ouin rmoes n ig i g o eifr to in tc n lg fo jc- re td t x rc h o di o mai r m ih rs lto e t e sn ma ewh s no main n o
XU oc e g BI into WANG n - ig Qu n -u 0 Ga —h n 0, a -a 。, J Xig xn 0, Ho gj n
( B i ig P n r ma S a eT c n lg o , t . B iig 1 0 8 ① e n a o a p c eh oo y C . L d , e n 0 0 5 J j ② C ne o a t be v t na d Di i l a t C iee a e f S in e , e ig 1 0 9 ) e tr rE rhO sr a i n g t r f o a E h, h n s Ac d my o c cs B i n 0 0 4 e j
Ab ta t Th r d t n lr a x r c in o e t e sn i l a e s ft e me h d c mb n n t t t s wi n sr c : e t a ii a o d e t a t f r mo e s n i g man y m k s u e o h t o o i i g s a i i t ma o o sc h p we n e p e a i n wh c s l w r cso n n fi in . e n i ,h t o e e d n t ep o l o p rii a e n o ri t r r t t , ih i o i p e iin a d ie fce t M a wh l t eme h d d p n s o h e p e wh a tcp t s i o n e

基于面向对象方法的遥感影像桥梁提取

基于面向对象方法的遥感影像桥梁提取

B S u k iNI n , I G i.xr c b ig ag t fo rmoey sne ma ey b sd o beto i td me o . O h - u, E Ro g D N L nE ta t r etr e rm e tl e sd i gr ae n o jc— r ne t d d s e h
区域 生长方法对影像进行分割 , 以分割后 产生的图像对 象为基本处理单元进行 分类 , 取 出水体类别。然后在分析桥 梁 目标特征 提 的基础上 , 利用图像 对象的形状特征 , 以及桥 梁和水体 的上 下文 关系特征 , 提取影像 中的桥 梁 目标。 最后以实验 验证 了所提 出方法
薄树奎 , 聂 荣 , 丁 琳
B S u k i NI n DI i O h — u E Ro g , NG L n ,
1 . 郑州航空工业管理学院 计算机科学 与应 用系 , 郑州 4 0 1 50 5 2中国科学 院 遥感应用研究所 , . 北京 10 0 0 11
1De a t n f Co u e n p iai n, h n z o n t u e o r n u i a n u t n g me t Z e g h u 4 0 1 C i a . pr me t o mp tr a d Ap l t c o Z e g h u I si t f Ae o a t l I d s y Ma a e n , h n z o 5 0 5, h n t c r
r s lt n r moe s n i g i g . i al h f t n s f t e p o o e t o s tse n t e e p r n . e ou i e t e s ma eF n l t e ef e e s o h rp s d meh d i e td i x e me t o n y e h i 一

高分一号-卫星遥感影像面向对象的水边线提取

高分一号-卫星遥感影像面向对象的水边线提取

高分一号-卫星遥感影像面向对象的水边线提取摘要:本文通过采用高分一号卫星的遥感影像,结合面向对象的方法实现水边线的提取。

通过对高分一号卫星遥感影像的数据处理,生成具有高精度的数字卫星图像,并利用面向对象的方法,基于多特征融合的思想,对水边线进行提取,并与现场调查结果进行对比,结果表明本文提取出的水边线与现场调查结果相近,具有较高的提取准确度。

关键词:高分一号,遥感影像,面向对象,水边线提取,多特征融合,提取准确度Introduction:随着卫星技术的不断发展,卫星遥感技术已经成为了地球环境变化研究的有力工具。

水边线是很多地理信息系统应用中一个重要的参数,例如水资源管理、海岸线资料的获取等。

本文基于高分一号卫星遥感影像,采用面向对象的方法实现水边线的提取。

Methodology:本文采用高分一号卫星遥感影像,对其进行预处理、增强,利用面向对象的方法提取水边线。

面向对象的方法能够对地物进行更加精细的识别和分类,进而提高水边线提取的准确率。

同时,为了增加提取准确率,本文采用多特征融合的思想,将多种特征结合在一起进行水边线提取。

具体步骤如下:1. 预处理:将高分一号卫星遥感影像进行预处理,包括图像平滑、噪声去除等。

2. 增强处理:对预处理后的图像进行增强处理,增强水边线的对比度和边缘信息。

3. 物体分割:采用基于颜色和纹理的物体分割算法,对水域及其周围的其他物体进行分割。

4. 特征提取:对分割后的物体进行特征提取,包括:颜色、纹理、形状、边缘等。

5. 特征融合:采用多特征融合的思想,将多种特征结合在一起进行水边线提取。

6. 水边线提取:基于提取出来的特征,采用基于几何形状的水边线提取算法,提取出水边线。

Results:将本文提取的水边线与现场调查结果进行对比,结果表明本文提取出的水边线与现场调查结果相近。

同时,本文采用准确度和混淆矩阵对提取结果进行评估,证明了本文的提取方法具有较高的准确度和可靠性。

Conclusion:通过对高分一号卫星遥感影像的处理和分析,本文采用面向对象的方法,结合多特征融合的思想,实现了对水边线的提取。

面向对象的喀斯特地区土地利用遥感分类信息提取——以贵州毕节地区为例

面向对象的喀斯特地区土地利用遥感分类信息提取——以贵州毕节地区为例
息 自动提 取技 术研 究 。实验 结果 表 明 , 在 喀斯 特地 区 运用 面 向对象 的分 类 技 术不 仅 可 以充 分 考 虑 喀斯 特
要 是基 于 单 个 像 元 进 行 , 忽 略 了 邻 近 像 元 之 间 的纹 理、 结构 等 信息 , 导致 分类 精度 下 降 。此外 , 传统 分类 方 法 的 自动 化 程 度 也 不 高 。 因 此 , 作 为 一 种 新 的方 法, 面 向对象 的遥 感 分类技 术应 运 而生并 得 到 了迅速
中图 分 类 号 : TP 7 5 文 献标 识 码 : A
0 引 言
遥 感影 像信 息 提取 一直 是人们 研 究 的重点 , 尤其
是 山区的遥 感 分类 更是 一个 难题 , 传统 的分 类方 法 主
本文 选 择贵州 省 毕节市 作 为实验 区 , 以L a n d s a t 一 5卫 星 TM 影 像 数 据作 为 信 息 源 , 以e C o g n i t i o n D e — v e l o p e r( v 8 . 7 ) 作 为影 像 分 类 软 件 , 开 展 土 地 利用 信
的发展 。李 素英 等 通 过对 比面 向对 象 技 术 与传 统 分 类 技术 的分 类结 果 , 发现 面 向对象 技术 可 以充分 利用
地貌 特征 的影 响作 用 , 避免“ 椒盐” 现 象 的产 生 , 提 高 了分 类精 度 , 而且 还增 强 了 自动化 程 度 。
1 研 究 区 概 况
第 3 2卷
第 2期
中 国 岩 溶
CA RS0 L0 GI CA SI NI CA
Vo1 . 3 2 NO . 2
2 0 1 3年 6月
J u n. 2 0 1 3

面向对象的遥感影像信息提取方法研究

面向对象的遥感影像信息提取方法研究

面向对象的遥感影像信息提取方法研究
曹小鸿
【期刊名称】《测绘与空间地理信息》
【年(卷),期】2022(45)5
【摘要】近年来,基于遥感影像的面向对象信息提取方法得到了快速发展。

本文对相关文献进行综述统计,首先阐述了面向对象信息提取方法的研究进展及应用领域;然后给出了信息提取的技术流程,总结了对象生成、规则集构建、影像分类等关键技术及其存在的问题;最后对面向对象技术的发展趋势进行了展望。

【总页数】5页(P116-119)
【作者】曹小鸿
【作者单位】三和数码测绘地理信息技术有限公司
【正文语种】中文
【中图分类】P237
【相关文献】
1.面向对象的遥感影像水田信息提取方法研究
2.基于面向对象的遥感影像空间信息提取方法研究
3.基于规则面向对象的遥感影像分类方法在信息提取中的应用
4.一种面向对象的高分辨率遥感影像信息提取方法
5.面向对象的遥感影像地物信息提取方法研究
因版权原因,仅展示原文概要,查看原文内容请购买。

面向对象的遥感影像信息提取研究

面向对象的遥感影像信息提取研究

面向对象的遥感影像信息提取研究刘小鹏;窦关新;赵宝军;韩丛波【摘要】结合地理国情监测,从理论和实践上分析了面向对象的遥感影像信息提取的意义,提出了面向对象的遥感影像多尺度信息提取的算法、流程及关键技术环节,在应用的基础上对解译结果进行了分析与评定,总结了经验及技巧,指出了目前应用中仍存在的难点和今后的研究重点.【期刊名称】《北京测绘》【年(卷),期】2016(000)002【总页数】4页(P106-109)【关键词】高分辨率;面向对象;多尺度;算法【作者】刘小鹏;窦关新;赵宝军;韩丛波【作者单位】国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054【正文语种】中文【中图分类】P2371 引言近年来,传感器技术得到快速发展,卫星遥感呈现出多平台、多传感器、多角度和高空间分辨率、高光谱分辨率、高时间分辨率的特点。

其中,高分辨率遥感的重要特征之一是高空间分辨率,也是目前遥感领域普遍关注的重点。

基于高分辨率遥感影像的信息提取技术已经成为遥感界应用研究的热点之一,遥感图像信息提取的研究,将推进遥感信息提取技术从基于像元的分类转为面向对象的识别。

地理国情监测是综合利用“3S”等现代测绘地理信息技术,基于高分辨率遥感卫星影像,整合各时期的测绘成果档案,对自然、人文等地理要素进行动态监测,以全面掌握地表自然、生态以及人类活动的基本情况。

2 面向对象分类方法2.1 基本概念面向对象的遥感影像信息提取,需先对遥感影像数据进行分割,从二维化了的影像信息阵列中恢复出影像所反映的景观场景中目标地物的空间形状及组合方式。

影像的最小单元不再是单个像素,而是一个个对象,后续的影像分析和处理也都基于对象进行。

建立不同尺度的分类层次,在每一层上分别定义不同类别对象的纹理特征、光谱特征、形状特征、等级特征以及上下文相邻关系特征等。

高分辨率遥感影像面向对象耕地信息提取方法探讨

高分辨率遥感影像面向对象耕地信息提取方法探讨

高分辨率遥感影像面向对象耕地信息提取方法探讨摘要:随着高分辨率遥感技术发展,高分辨率遥感影像得到广泛应用,特别是高分辨率遥感影像面向对象信息提取技术应用广泛。

本文以某地区遥感影像为基础数据,探讨了高分辨率遥感影像面向对象耕地信息提取的技术方法,并对耕地信息提取实验结果进行精度评价,得到了良好的效果。

关键词:面向对象特征提取耕地随着遥感卫星技术的发展,高分辨率遥感影像得到了普遍应用,遥感信息提取技术得到了快速发展,特别是面向对象高分辨率遥感影像信息提取技术的实现,为人们的生产生活提供了极大方便。

面向对象提取技术促进了影像分析技术的发展[1],与传统的基于像素的分类结果相比,基于目标对象的方法得到的结果更容易被解译,而且处理结果中图斑的完整性更好[2]。

特别是利用面向对象的分类方法进行了耕地信息提取,能达到理想的精度,效果较好。

本文就基于ENVI EX高分辨率遥感影像面向对象耕地信息提取技术方法进行探讨。

1 研究区域和影像数据1.1 数据源为了准确的提取耕地信息,选择某城市全色波段与多光谱融合后的影像作为实验数据,研究区域中包括典型的耕地,以及少量的建筑物和水体。

2 耕地信息提取及分类2.1 发现对象2.1.1 准备工作根据数据源和特征提取类型等情况,进行分类提取之前,可以有选择地对对原始影像进行几何校正、辐射校正等预处理工作,如调整空间分辨率、调整光谱分辨率等。

2.1.2 影像分割及分割参数的确定影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值,决定生成最小多边形的级别大小,分割的质量及信息提取的精度。

ENVI EX提供了一种阈值法进一步精炼分块的方法,即基于亮度值的栅格操作,根据分割后结果中的一个波段的亮度值聚合分块。

分割效果的好坏一定程度决定了分类效果的精确度,结合preview 预览分割效果,选择一个理想的分割阀值,尽可能好地分割出边缘特征。

根据参数选择原则,设置分割参数,通过试验得出,分割尺度为50,耕地类型能够被准确的分割出来,该参数比较合适。

基于面向对象的遥感影像空间信息提取方法研究

基于面向对象的遥感影像空间信息提取方法研究
户需求。 2 面 向对 象 空间信 息提 取方 法
面 向对象 信 息提 取方法 的 流程 图 ( 见图 1 ) ,该 过程 分 为 两 部分 ,即发 现 对 象和 特 征提 取 。首先 定
面 向对 象 的信息 提 取 方 法是 一 种 新型 的影 像 分 义 提取 要 素 ,然 后对 影 像 进 行多 尺 度 分割 ,获取 同
析 方 法 ,是 以临近像 元为 对 象来 识 别 感 兴趣 的光谱 质对 象 ,对 同质 对象 进 行 斑块 合 并 和精 炼 ,利用 影 要 素 ,充 分 利用 高 分 辨率 的全色 和 多光谱 数 据 ,利 像特 征 库 ( 影像 灰度 特 征 和 几何 结 构特 征 )建立 不
用 空 间 、质 地和 光 谱 信息 来 分割 和 分 类特 点 ,它 依 同对 象 的提 取规 则 及样 本 ,进行 规 则 分类 ,最 终 以 据 地 物 的 光 谱 同质性 对 影 像进 行 分割 , 得 到 一 个 个 高精 度 的分类 结果 或矢 量输 出提 取对 象 。 具有 几 何特 征和 空 间信 息 的 同质 区域 ,并 以 高精度
更 多用 户 服务 ,具 有重 要意 义 。
法进 行信 息提 取 。
传 统 方 式 从 遥感 影 像 上 获取 空 间数据 如 道 路 、 3研 究资 料准 备及 技术 路线 居 民地 、水 系 及其 它 一些 相 关信 息 等 ,都 是 利用 手 3 . 1研 究 资料 准备 工 方 式 直接 在 影像 上 采 集 ,不但 工 作量 大 ,而 且成
发现m t 象
影像预处理 } _ _ 定义提取要素 卜 影像对尺度分割 卜 +l 合并分块 } _ 精炼分块 I

特 征 提 取
输 出矢量 图 一 特征提取 I . I _ _ 规则分类

面向对象的高分辨率遥感影像阴影提取方法

面向对象的高分辨率遥感影像阴影提取方法

面向对象的高分辨率遥感影像阴影提取方法
面向对象的高分辨率遥感影像阴影提取方法,是一种基于遥感影像对象提取技术实现的阴影变化检测方法。

该方法主要分为以下几个步骤:
1. 数据预处理:读取高分辨率遥感影像,进行预处理操作,包括灰度校正、空间校正、大气校正等。

2. 影像分割:使用Mean-Shift算法或Watershed算法进行影像分割,将遥感影像分割成多个对象。

3. 特征提取:根据光学特性和形态特征等选取阴影提取特征,如颜色、形状、纹理、边缘等,计算每个对象的特征向量。

4. 阴影提取:将特征向量输入到分类器中进行分类处理,判断每个对象是否是阴影,将阴影对象分割出来。

5. 阴影变化检测:对两幅遥感影像进行阴影提取,比较两幅影像中的阴影对象是否存在变化,建立变化检测模型。

该方法具有提取精度高、计算速度快等优点,可以广泛应用于城市规划、土地利用、生态环境等领域。

遥感影像信息提取方法

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。

面向对象的遥感影像分类技术

面向对象的遥感影像分类技术

面向对象分类的 基本原理
面向对象分类的基本概念
面向对象分类: 将遥感影像分割 为多个对象,每 个对象具有相同 的属性和特征
基本原理:通过 分析遥感影像的 纹理、颜色、形 状等特征,将具 有相似特征的像 素划分为同一个 对象
优势:能够更好 地处理遥感影像 中的噪声和异物, 提高分类精度
应用领域:广泛 应用于土地覆盖 分类、灾害监测、 环境监测等领域
遥感影像分类技术的分类方法
监督分类:利用已知类别的样本进行训练,然后对未知类别的影像进行分类
无监督分类:无需已知类别的样本,直接对影像进行分类
半监督分类:结合监督分类和无监督分类的方法,提高分类准确性
深度学习分类:利用深度学习技术,如卷积神经网络(CNN)、循环神经网络(RNN)等,进行 遥感影像分类
技术发展对策与建议
加强技术研发,提高分类精度和速度 拓展应用场景,如农业、环保、城市规划等领域 加强与其他领域的交叉学科合作,如人工智能、大数据等 制定相关政策和标准,推动技术发展和应用
感谢您的观看
汇报人:XX
在林业领域的应用
森林资源调查:通过遥感影像分类技术,可以快速准确地获取森林资源的分布、面积和种类等信息。
森林健康监测:通过对遥感影像的分析,可以及时发现森林的病虫害、火灾等灾害,并采取相应的 措施。
森林资源管理:通过遥感影像分类技术,可以评估森林资源的利用情况,为森林资源的保护和管理 提供依据。
选择分类器的依据:数据集的大小、 特征的复杂性、计算资源的限制等
分类结果后处理与优化
后处理方法:平 滑、滤波、边缘 检测等
优化策略:调整参 数、选择合适的分 类器、融合多种分 类方法等
评价指标:精度、 召回率、F1值等

面向对象信息提取的共性技术研究

面向对象信息提取的共性技术研究

No 5 .
中 图 分类 号 :D 5 . ,2 T 336P3
文献 标 识 码 : A
面 向 对 象 信 息 提 取 的 共 性 技 术 研 究
魏金 明 , 吴闯 , 仲伟政
( 济南 市 勘 察 测绘 研 究 院 , 山东 济 南 摘 201) 5 0 3 要: 面向 对 象 的信 息提 取 方 法 已成 为 高分 辨 率遥 感 影 像 信 息 提 取 研 究 的 热 点 , 多 学 者 利 用 该 方 法 对 遥 感 影像 许
果的精度和准确性进 行 了肯定 。Qa u利用面 向对 i Y n 象分类方法 , 用航 空高分辨率遥感 影像进 行 了森林 资源 的调查 , 分类数量达 到 4 3个 , 得 了比较满意 的结果 。 取
虽然许多学者利用该方法对遥感影像进行分类和信息提
取, 并取得 了很好 的效 果。但 目前还 没有人对 其共 性技 术进行系统的总结。文 中总结 了基于对象的遥感影像 信
进 行 分 类和 信 息 提 取 , 取 得 了很 好 的 效果 。但 目前 还 没 有 人 对 其 共 性 技 术 进 行 系统 的 总 结 。 本 文 总 结 了面 向 对 象 并
的 遥 感 影像 信 息 提 取 通 用技 术流 程 , 并对 其 中的 共性 技 术 如 影 像 分割 、 特征 定 义及 选 取 、 像 分 类 等做 以相 关的 介 绍 。 影 关 键词 : 向 对 象 ; 息提 取 ; 分辨 率 ; 像 分 割 ; 像 分 类 面 信 高 影 影
3 共 性 技术
在面 向对象 的信 息提 取技 术 流 程 中 总 结 了面 向 信息 提取 方 法 的共性 技 术 它 包 括 : 据准 备 , 数 影像 多
, ,

基于面向对象的遥感影像植被信息提取

基于面向对象的遥感影像植被信息提取

别分类技术 .北京建筑工程学院学报 ,06;2 4 :6 2 2 0 2 ( )2 —_9
7 唐 伟 , 河, 书 培
法. 面向对象 的高 空分辨率遥感 影像道路
信息提取 .地球信息科学 ,0 8 1 ( )2 7 6 20 ;0 2 :5 —2 2
8 明冬 萍 , 骆剑承 , 周成虎 , .高分辨率遥感影像信息提取及块状 等
8 2 81 1— 5
4 文贡坚 , 王润生 .从航空遥感图像中 自动提取主要道路 .软件学
报 ,0 0 1 ( ) 97 6 2 0 ;1 7 :5—9 4
图 4 分类结果 图( 蓝色表示植被 , 黄色表示 非植 被 )
5 明冬萍 , 剑承 , 占锋 , .高分辨率遥感影像信息提取与 目标 骆 沈 等 识别技术研究 .测绘科学 ,0 5 3 3 :8 2 20 ;0( ) 1—-0 6 王文字 , 李 博 .基于 e ontn的高分 辨率遥感 图像的 目标识 C g io i
8期
李春艳 : 基于面 向对象 的遥感影像植被信息提取
l4 93
植 被 , 色 区域 表 示 非 植 被 。但 此 分 类 图 并 不 理 黄 想 , 因是 植被 区域 ( 原 或非 植被 区域 ) 中的相 邻 区域 并没 有合并 , 然 显示 出很 多 小块 。为 了使 得 到 的 仍 分类 图更加 美 观 , 已分类 图基 础 上 分别 对 植 被 区 在
2 1 的土地 交 易 案 例 , 制 土 地 价 格 季 度 指 数 , 00年 编 表 明重 复交 易模 型在 编 制 土地 价 格 指数 上 可 行 , 且 将 H dnc 型与 重复交 易模 型联 合应 用会 得 到 更 eoi模 好 的结果 。
参 考 文 献

遥感信息提取及应用

遥感信息提取及应用
特征2
特征3
特征m

结果特征元
μc1
μc2
μc3

μc4
表示对应目标类中所选择的特征
面向基元的遥感信息提取流程
数据输入 认知基元 模糊分类 输出结果 基元特征库 专家决策知识库
对象识别规则
Level
尺度
提取目标
规则
备注
2
48
大面积分布,纹理特征明显的类别。
水体:波段2和波段3的比率,以及亮度值。 林地与已开发区域通过波段1的均值进行区分。
监督分类法:选择具有代表性的典型实验区或训练区,用训练区中已知地面各类地物样本的光谱特性来“训练”计算机,获得识别各类地物的判别函数或模式,并以此对未知地区的像元进行分类处理,分别归入到已知的类别中。
01
非监督分类:是在没有先验类别(训练场地)作为样本的条件下,即事先不知道类别特征,主要根据像元间相似度的大小进行归类合并(即相似度的像元归为一类)的方法。
02
图像分类中的有关问题—混合像元
选取的特征变量应有这样的性质,即对于不同类别的模式,特征量值相差较大;而对于同类模式,则应有大体接近或相同的特征值。
对于某一类模式而言,特征量及特征值应能充分地表明该模式属于该类而不属于其它类别地主要根据。
目视判读
单击此处添加文本具体内容,简明扼要地阐述你的观点
01
遥感影像的基本特征?
02
特征的表现方式—判读标志
03
判读标志:地物在图像上的各种特有的表现方式
景物特征和判读标志
形状
01
大小
02
图形与边界
03
阴影
04
位置
05
  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. 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. 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)。

面向对象的遥感影像信息提取摘要:随着遥感技术的不断发展,遥感影像的分辨率不断的提高,如何对遥感影像中的地物信息进行高效、快速的提取,是当前研究的热点问题。

面向对象的方法先对影像进行多尺度分割得到同质区域对象,充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。

面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点,更高效的获取地物信息,得到更高精度的分类结果。

关键词:多尺度分割、分类、遥感影像、面向对象Abstract:With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information moreefficiently and gets the classification result with higher precision.Key word:Multi-scale segmentation、classification、remote sensing image、object oriented.1引言利用面向对象的信息提取技术,可以更好掌握实际生产生活中地物变化情况,以及土地利用等情况,能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。

鉴于基于像元的传统分类方法不能区分“同谱异物”和“同物异谱”的现象,面向对象的信息提取技术应运而生,该技术可以更快速、更高效地从遥感影像上获得精度更高的结果。

本文以实际项目为例,采用面向对象和多尺度分割技术,利用eCognition软件对遥感影像进行自动提取,并对分类结果精度进行评价。

2 实验数据及影像的预处理2.1 实验数据本文选取云南省临沧市镇康县肖家寨为研究区域。

研究区内主要以山地为主,道路崎岖蜿蜒,植被覆盖率较高。

实验中使用的遥感影像是航拍影像,包括红、绿、蓝三个波段。

2.2 影像的预处理2.2.1 影像的几何校正在对遥感影像进行提取信息前,为保证结果的精度更高,需对遥感影像进行预处理。

本文主要进行了几何精校正和薄云处理。

本文用ENVI软件进行图像对图像的校正处理。

选用已有准确地理坐标和投影信息的遥感影像作为基准,在研究区影像上选取容易区分的精细控制点。

在影像的边缘处选取控制点来避免外推;道路、河流等的交叉点处也选取控制点,使控制点均匀地分布在影像上,最后通过双线性插值法进行重采样来完成校正。

本文所使用的遥感影像为航拍影像,容易受到大气状况的影响,需进行薄云处理。

薄云处理的方法主要有:基于单波段影像的云去除方法和基于影像融合的云去除方法。

由于上述方法需要不同的外部辅助条件,本文选用一种更常用的方法——同态滤波,其中最重要的是选择适当的滤波,该方法克服了其他方法的不足,具有较好的可行性和实用性。

经过对遥感影像的预处理,并通过直方拉伸改善影像亮度集中区域,最终获得了清晰度更好,光谱信息更良好的遥感影像。

3 面向对象的遥感影像信息提取方法与技术3.1基本思路面向对象的分类技术,集合邻近像元为对象用来识别感兴趣的光谱要素,充分利用高分辨利用全色和多光谱数据的空间、纹理和光谱信息来分割和分类的特点,以高精度的分类结果或者矢量输出。

该技术主要分为两部分:影像对象的构建和对象的分类。

3.2多尺度分割影像对象的构建是面向对象的信息提取技术中的关键。

该过程将整个影像分割成许多不交叉、不重叠的非空区域,所有这些区域都在内部连接,并且每个区域中都有着相同的或相似的特征。

本文用eCognition软件进行多尺度分割,逐个将地类特征相同的像元合并为小对象,然后将小对象依据特性再合并成较大的对象,这些较大的对象一般是多边形,并且是不规则的。

在分割过程中,对象的异质性逐步变小,在设定的最优分割尺度下,影像对象与整个影像同质性达到最大化。

分割结果是不同大小和多个像元集合形成的很多个对象。

这些同质对象不仅具有光谱特性,还具有形状、背景和纹理等特征。

3.2.1 多尺度分割参数选取多尺度分割参数主要有分割尺度、波段权重、形状因子(紧致度、平滑度)等。

(1)波段权重值的选取。

波段权重值设置的越大,分割过程中在相应层中的信息被使用的程度就越高。

本文选取的值为默认值1。

(2)分割尺度。

分割尺度选取的不同,会得到大小和数目都不相同的对象。

分割尺度设置的越小,得到对象的数目就越多,面积也就越小。

采用多级分割的方法,建立一个多层次的分割系统。

首先以分割尺度为100,进行了初始分割,分割尺度依次减小10进行分割,直至分割尺度选为70,发现对面积较小的地物分割效果还是较差,如:有些面积过小的耕地会被分割到植被或居民地里;便直接选取了40的分割尺度,此次分割的地物对象过于密集,大部分房屋被分为了两部分,进过多次试验对比后,最终确定较为合适的50作为最佳分割尺度。

对于分割尺度,选用不同的值进行反复实验和观察对比。

在影像过大时,裁剪出一部分影像进行实验,在得到最优分割参数后,再把该值运用到整幅影像即可。

此外,针对分割尺度的选取,单一分割尺度不能很好的适用于所有地物,试验中对不同的地物通过反复试验找出适用于各种地物的最优分割尺度,分割效果优于整幅影像选取同一个分割尺度。

(3)地物的特征值设置。

本文的特征值主要选用形状因子和紧密度因子。

在分割尺度为50的基础上,第一次试验紧密度因子值设置为0.5,形状因子值设置为0.1。

第二次试验紧密度因子值为设置1,形状因子值设置0.5,通过目视解译,观察到第二次试验结果分类效果已经较为符合实际情况,此次试验结果作为分割的最终结果。

3.3 面向对象的遥感信息提取试验面向对象的遥感信息提取,在eCognition软件平台,通过多次实验构建分割系统,得到最优的分割参数,在此基础上进行面向对象的信息提取。

最邻近法和隶属函数法是面向对象的常用分类方法。

为保证最大化的利用影像的特征信息,本文选用了最近邻法,它是一种基于样本的分类方法,基本原理是用已确定的样本对象的某个特征作为中心,计算待分类对象的特征与样本对象的特征的距离,待分类对象与样本对象最近,就会被分到和样本对象相同地类的地物类中。

实验首先通过人工目视判读,选取样本对象,再通过实验平台进行影像全域的地类信息提取。

(1)首先通过目视判读,观察到影像上地物有耕地、居民地、道路、植被。

以前文进行的多尺度分割为基础,建立分类体系。

其中,DL代表道路,GD代表耕地,JMD代表居民地,ZB代表植被。

(2)选择样本。

在选择样本时,应尽量使样本最大化的均匀分布在影像上,且具有显著地代表性。

当使用最近邻方法时,应该定义特征空间,特征空间中通常使用均值、亮度和比率作为特征变量,本文采用的特征变量是均值、标准差。

3.3.2 分类后处理本文的分类后处理主要有以下三个步骤:(1)合并区域。

将一个类别的相邻对象合并成一个大对象,并需要将每个类别分别合并。

需要注意的是合并前需将样本单独保存,因为对象合并后,再选取的样本,样本将是一个很大的对象区域,以此作为样本进行精度评定,会有一定的影响。

(2)规范化。

每种地物分别进行增长和收缩处理,在收缩处理后,很多连续的地方会断开,断开处的像元会处于未分类状态,如道路这种必须是连续性的地类,平滑处理会改变它的连续性,需要在平滑处理后,经过人工的目视判读,发现断开或者不合理的地方,手动修改后让地物类保持客观属性。

(3)小斑块去除。

在规范化处理后,分类结果会出现未被归于任何一类的情况,需要对未归类的小图斑进行处理,进行小斑块去除后,未被归类的像元会被分到相邻的地物中。

分类后处理结果如图4.4所示。

图4.4 分类后处理结果图分类结果在进行了合并、平滑及小图斑去除后,在影像上能明显看出,由于研究区植被所占面积较大,但植被的生长速度不尽相同,加上影像在拍摄时,除了居民地附近的耕地里种植了一些作物,其他地方的耕地都处于裸露状态,基于选择样本的特征还是有些难以区分植被和耕地;在进行了规范化(增长、收缩)后,会把道路等连续性地类打断,破坏了地物连续性的客观特征。

最终人工目视判读,找出不符合地物客观特征的区域,经过人工修改,让分类结果更具现实性;在完成分类后,影像上依然存在一些很小的对象错分、漏分,这些对象仅仅只有两三个像元组成,本应该在进行了分类后处理的合并时归到附近特征信息最相似的地类中,但它们依然单独存在。

例如:通过目视判读可以看出,有些应该全是植被覆盖的区域,出现了一个很小区域的耕地或居民地,即明显的“椒盐”现象。

面向对象的信息提取技术,在很大程度上已经优于基于像元的传统方法,但是在细节的地方,依然存在需要优化、提升的方面,才能让提取的结果精度更高、提取结果更符合实际。

3.4 精度评定本文在eCognition软件中利用混淆矩阵为理论基础进行精度评定,通过在分类结果中分别选取对应的样本,把样本和参考数据对比,建立混淆矩阵,再利用混淆矩阵计算出精度指标。

精度的主要指标有生产者精度、用户精度、总体精度和Kappa系数。

进行精度评定后,系统自动算出混淆矩阵、单一类别精度以及总体类精度。

本文采用的基于样本的精度评定方法,精度评定是通过分类后处理合并后才进行的,道路保持了自身的连续性,所以道路的所有单一类别精度的值全为1;选为精度评定样本的耕地也只选择了一块较大的,所以耕地所有的单一类别精度的值全为1;其他的地物都选择了多个样本,它们单一类别精度的值都在75%以上,精度已经达到设计所要求的标准。

相关文档
最新文档