超高分辨率遥感影像城市建筑物和道路分类研究
发布时间：2021-07-21 18:19
最近20年来,遥感技术发展迅速,高分辨率遥感影像产品进步明显,遥感影像数据产品加速累积并呈现出海量化的特点。建筑物和道路是与人们生活联系最为紧密的人工地物,占据城市的大部分面积。民用方面,导航定位、自动驾驶、城市规划、防灾减灾、数字城市建模都对建筑物和道路的识别有较大需求;军事方面,目标识别与判读、战争推演与模拟、战场环境保障都需要对建筑物和道路进行识别。如何高效利用高分辨率和超高分辨率遥感数据,快速提取建筑物和道路信息,已成为遥感领域普遍关注的热点问题。目前,基于对象的建筑物、道路识别方法主要利用了目标对象的光谱信息、几何信息、纹理信息和语义信息,与基于像素的目标识别方法相比,鲁棒性更强,精确度也更高。基于对象方法使用的特征集主要是从影像对象中提取的二维特征信息,对于一些材质相似或相同的不同类别地物目标,进行有效区分的难度很大。特别是在人工地物的识别中,“异物同谱”和“同物异谱”的现象十分严重,经常出现误检测。同时,随着影像空间分辨率的日益提高,特别是亚米级、厘米级的超高分辨率遥感影像数据产品涌现,影像场景里的地物景观愈加复杂,尤其表现在光谱特征和纹理特征的变化更加丰富,“同物异谱”...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
技术路线流程图
第二章 研究区概况与典型地物目标2.1 研究区概况2.1.1 研究区概况本次实验研究区位于欧洲中部德国恩兹河畔法伊欣根（Vaihinggen），该区域西临恩兹河，南侧和东侧为大面积的农业用地，东南角有部分工业用地。城镇居民区建筑物多为独栋房屋，且规则整齐；道路铺设统一有序，纹理均匀。通过遥感影像目视解译可知，该区域农业资源丰富、工业发展条件优越，整体经济发展水平较高。该研究区土地覆被可分为 4 个一级类，其中包括居民用地、交通用地、林地、草地；7 个二级类，其中包括城镇建筑用地、公路用地、停车场、灌木林、草地、裸地。本文从影像上选取了 1 个实验研究区，影像尺寸为 2048×2048个像元（图 2-1）。
已经发展形成了许多影像分割参数优选算法，这些参数优选监督和非监督两大类。监督参数优选方法是通过参考数据和调割结果最接近目标对象（比如 ED2[61]和 SAA[62]）。非监督参种完全数据驱动的和依靠影像统计特征来决定最优分割参数]和 SOP[54]）。目前监督和非监督的参数优选方法都已经被应的各个领域，一般认为监督参数优选方法得到的分割结果产生]，因为分类是严重依赖于分割的[65]；但也有学者认为分类结果有一般认为的严重，在分类精度相近的情况下，趋向于使用效数优选方法[66]。获得更优的分割结果，本文采用 Liu 等设计研究的不一致性评优选，该方法是一种有监督的多尺度分割参数优选算法。该方集与分割数据集的叠置分析，得到“一对多”、“一对一”和“多（图 3-1），分别对应影像的“过分割”、“尺度因子趋于合适”结果[67]。
【参考文献】：
期刊论文
[1]融入边界特征的遥感影像多尺度分割[J]. 翟德超,范亚男,周亚男. 国土资源遥感. 2019(03)
[2]特征组合优化的高分辨率遥感影像变化检测[J]. 黄亚朋,何浩. 测绘与空间地理信息. 2019(01)
[3]一种结合数字表面模型的建筑物提取方法[J]. 王子明. 地理空间信息. 2019(01)
[4]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[5]融合航空影像的震后机载LiDAR建筑物点云提取[J]. 邓飞,窦爱霞,王晓青. 遥感学报. 2018(S1)
[6]基于SVM的光学遥感影像分类与评价[J]. 万意,李长春,赵旭辉,刘冰洁. 测绘地理信息. 2018(06)
[7]面向对象建筑物目标提取的最优分割尺度选择[J]. 郑东玉,慎利,李志鹏. 地理信息世界. 2018(05)
[8]基于国产高分卫星面向对象城市地物最优尺度选择及评价研究[J]. 孙瑞,王洪光,李俊辉,朱昊. 测绘与空间地理信息. 2018(10)
[9]多特征约束的高分辨率光学遥感影像道路提取[J]. 戴激光,杜阳,方鑫鑫,王杨,苗志鹏. 遥感学报. 2018(05)
[10]机载激光雷达森林垂直结构剖面参数的沿海平原人工林林分特征反演[J]. 刘浩,张峥男,曹林. 遥感学报. 2018(05)
博士论文
[1]基于机器学习的遥感图像分类研究[D]. 张雁.北京林业大学 2014
[2]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]纹理增强提取与面向对象结合的高分影像分类的应用[D]. 郝剑南.东华理工大学 2018
[2]基于高分辨率影像面向对象的建筑物信息提取[D]. 张永飞.安徽理工大学 2018
[3]遥感影像建筑物提取与深度学习[D]. 潘昕.北京建筑大学 2018
[4]机载LiDAR点云数据滤波及建筑物提取研究[D]. 张抒远.长安大学 2018
[5]利用高分辨率遥感影像提取城市路网信息[D]. 任建平.兰州大学 2018
[6]基于多层次分割分类模型及其特征空间优化的高分辨率遥感影像城市建筑物提取研究[D]. 党涛.兰州大学 2018
[7]结构特征与立体特征协同的建筑物识别研究[D]. 丁照伦.哈尔滨工业大学 2017
[8]基于改进的半随机森林算法的道路识别技术研究[D]. 潘博众.南京大学 2017
[9]多源高分辨率遥感数据建筑物提取技术研究[D]. 李思聪.哈尔滨工程大学 2017
[10]高分辨率遥感影像分割结果的不一致性评价指标比较研究[D]. 杨栋.兰州大学 2016
本文编号：3295535
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
技术路线流程图
第二章 研究区概况与典型地物目标2.1 研究区概况2.1.1 研究区概况本次实验研究区位于欧洲中部德国恩兹河畔法伊欣根（Vaihinggen），该区域西临恩兹河，南侧和东侧为大面积的农业用地，东南角有部分工业用地。城镇居民区建筑物多为独栋房屋，且规则整齐；道路铺设统一有序，纹理均匀。通过遥感影像目视解译可知，该区域农业资源丰富、工业发展条件优越，整体经济发展水平较高。该研究区土地覆被可分为 4 个一级类，其中包括居民用地、交通用地、林地、草地；7 个二级类，其中包括城镇建筑用地、公路用地、停车场、灌木林、草地、裸地。本文从影像上选取了 1 个实验研究区，影像尺寸为 2048×2048个像元（图 2-1）。
已经发展形成了许多影像分割参数优选算法，这些参数优选监督和非监督两大类。监督参数优选方法是通过参考数据和调割结果最接近目标对象（比如 ED2[61]和 SAA[62]）。非监督参种完全数据驱动的和依靠影像统计特征来决定最优分割参数]和 SOP[54]）。目前监督和非监督的参数优选方法都已经被应的各个领域，一般认为监督参数优选方法得到的分割结果产生]，因为分类是严重依赖于分割的[65]；但也有学者认为分类结果有一般认为的严重，在分类精度相近的情况下，趋向于使用效数优选方法[66]。获得更优的分割结果，本文采用 Liu 等设计研究的不一致性评优选，该方法是一种有监督的多尺度分割参数优选算法。该方集与分割数据集的叠置分析，得到“一对多”、“一对一”和“多（图 3-1），分别对应影像的“过分割”、“尺度因子趋于合适”结果[67]。
【参考文献】：
期刊论文
[1]融入边界特征的遥感影像多尺度分割[J]. 翟德超,范亚男,周亚男. 国土资源遥感. 2019(03)
[2]特征组合优化的高分辨率遥感影像变化检测[J]. 黄亚朋,何浩. 测绘与空间地理信息. 2019(01)
[3]一种结合数字表面模型的建筑物提取方法[J]. 王子明. 地理空间信息. 2019(01)
[4]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[5]融合航空影像的震后机载LiDAR建筑物点云提取[J]. 邓飞,窦爱霞,王晓青. 遥感学报. 2018(S1)
[6]基于SVM的光学遥感影像分类与评价[J]. 万意,李长春,赵旭辉,刘冰洁. 测绘地理信息. 2018(06)
[7]面向对象建筑物目标提取的最优分割尺度选择[J]. 郑东玉,慎利,李志鹏. 地理信息世界. 2018(05)
[8]基于国产高分卫星面向对象城市地物最优尺度选择及评价研究[J]. 孙瑞,王洪光,李俊辉,朱昊. 测绘与空间地理信息. 2018(10)
[9]多特征约束的高分辨率光学遥感影像道路提取[J]. 戴激光,杜阳,方鑫鑫,王杨,苗志鹏. 遥感学报. 2018(05)
[10]机载激光雷达森林垂直结构剖面参数的沿海平原人工林林分特征反演[J]. 刘浩,张峥男,曹林. 遥感学报. 2018(05)
博士论文
[1]基于机器学习的遥感图像分类研究[D]. 张雁.北京林业大学 2014
[2]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]纹理增强提取与面向对象结合的高分影像分类的应用[D]. 郝剑南.东华理工大学 2018
[2]基于高分辨率影像面向对象的建筑物信息提取[D]. 张永飞.安徽理工大学 2018
[3]遥感影像建筑物提取与深度学习[D]. 潘昕.北京建筑大学 2018
[4]机载LiDAR点云数据滤波及建筑物提取研究[D]. 张抒远.长安大学 2018
[5]利用高分辨率遥感影像提取城市路网信息[D]. 任建平.兰州大学 2018
[6]基于多层次分割分类模型及其特征空间优化的高分辨率遥感影像城市建筑物提取研究[D]. 党涛.兰州大学 2018
[7]结构特征与立体特征协同的建筑物识别研究[D]. 丁照伦.哈尔滨工业大学 2017
[8]基于改进的半随机森林算法的道路识别技术研究[D]. 潘博众.南京大学 2017
[9]多源高分辨率遥感数据建筑物提取技术研究[D]. 李思聪.哈尔滨工程大学 2017
[10]高分辨率遥感影像分割结果的不一致性评价指标比较研究[D]. 杨栋.兰州大学 2016
本文编号：3295535
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3295535.html
