面向对象的荒漠绿洲区高分一号遥感影像信息提取技术研究

为了更加快速、准确的提取出荒漠绿洲区土地利用类型,采用面向对象的分类方法,利用e Cognition软件对荒漠绿洲区磴口县高分一号遥感影像进行多尺度分割,并对分割尺度、颜色、形状、紧密度和光滑度等参数设置进行多次的试验,最终确定了荒漠绿洲区高分一号遥感影像信息提取的最佳分割尺度与分类规则。对研究区高分一号影像也采用最大似然法分类法进行分类,分类精度为78.65%,kappa系数为0.6984,面向对象分类方法的分类精度为92.51%、kappa系数为0.8767,荒漠绿洲区面向对象的分类方法提取精度明显优于最大似然法。     

基于高分遥感数据的昌吉市棉花面积识别研究

本文探讨了如何利用高分遥感数据大范围快速提取棉花种植面积。本研究以昌吉市为研究区,基于高分一号(GF-1)遥感影像,利用实地调查的2015年昌吉市作物种植信息,选取不同的监督分类方法,加入耕地掩膜,分析得出昌吉市棉花识别的最佳识别时相以及最佳识别方法。结果表明,棉花与其他种植作物分离程度最好月份为7月,棉花种植面积最佳识别月份为7月,支持向量机分类方法总体精度最高,总体精度为95.24%,Kappa系数0.935。棉花种植面积提取以小于6个像元为最小图斑时结果最佳。高分一号遥感影像7月以支持向量机分类法解译出的2015年昌吉市棉花面积为15 974 hm2,棉花面积提取精度为95.79%。     

基于灰度梯度图像分割的单木树冠提取研究

树冠是树木的重要组成部分,基于遥感影像的树冠提取对于森林资源调查监测具有重要意义,但准确获得树冠的形状和边界比较困难。高分辨率影像具有丰富的纹理和光谱信息,基于高分辨率影像单木树冠勾勒技术为森林资源调查提供了一种快速有效的测树途径。但是,由于高分影像信息冗杂,面向对象的分割方法数据计算量大,并且需要人工设置光谱或纹理阈值才可以实现单木分割,导致工作效率下降,鲁棒性差。图像增强通过改变原始图像的结构关系,有选择地突出或者抑制图像中的某些特征,有效的图像增强有益于提高单木树冠分割的准确程度。因此,本文提出一种基于影像的灰度梯度图像分割的树冠提取方法,通过对比传统的罗伯斯、拉普拉斯算子与改进的数学形态学算子,利用目视解译与灰度直方图结合的方法确定最优选择为改进的数学形态学算子。然后,利用改进的数学形态学算子结合面向对象多尺度分割方法,简化原始影像复杂的背景信息,快速提取大范围单木树冠信息。以甘肃省张掖市大野口林区机载激光雷达系统携带的CCD影像为数据源,提取实验区单木树冠,并从空间和形状上验证效果。实验结果表明:在高分影像的灰度梯度图像上进行面向对象分割提取单木冠幅, 单木株数精度为83.19%,形状精度达到88.62%,优于传统林业调查精度,且冠幅获取速度快,效率高,并可以较为精确地提取树冠边界。      

基于无人机可见光遥感影像的耕地精准分类方法研究

无人机可见光遥感具有使用成本低、操作简单、实时获取遥感影像、地面分辨率高等优势。提出了一种利用无人机可见光遥感影像进行耕地精准分类的方法,以广东省惠州市惠东县铁涌镇石桥村部分耕地的可见光遥感影像为研究对象,对耕地的面积信息、形状信息以及位置信息进行监测和提取,采用面向对象法对影像中两种基于可见光波段的植被指数、纹理信息、形状信息进行分析,研究出分类提取耕地信息的较佳方案。经过反复实验确定分割尺度45、合并尺度90为分割参数,同时利用波段信息和纹理信息对未种植作物耕地和其他地物进行分离。该方法总体精度为89.23%,Kappa系数为0.72。实验结果表明利用无人机可见光遥感数据对耕地进行分类虽然存在一些细碎地块被错提、误提的情况,但总体精度仍然保持在一个很高的水准,可以为耕地作物分类提供参考,为实现精准农业提供精准的数据基础。     

基于Landsat8和高分一号影像的沙湾县作物种类识别研究

本研究探讨了如何利用中分辨率遥感影像实现县域作物快速识别的方法。以沙湾县为研究区,基于Landsat8和高分一号遥感影像,利用实地调查的2016年沙湾县作物种植信息,建立解译标志,加入耕地掩膜,选取不同的监督分类方法,对沙湾县作物识别的最佳识别时相、最佳识别方法以及最佳数据源进行研究。结果表明:Landsat8影像与高分一号影像分别在7月与9月可分离度与总体精度最高;通过六种分类方法对比,均为支持向量机分类法分类精度最高,Landsat8影像总体精度91. 22%,Kappa系数0. 916,高分一号影像总体精度88. 23%,Kappa系数0. 876,Landsat8影像分类整体精度略高于高分一号影像;对于两种数据源,棉花、玉米、小麦和其它作物分类总体精度均达到88. 23%以上,证明使用中分辨率遥感影像对县域作物进行识别是可行的。     

基于高分二号影像结合纹理信息的茶园提取

为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。     

面向耕地的高分一号卫星遥感影像融合方法研究

选择国产高分一号(GF-1)卫星2 m全色/8 m多光谱影像,对增强耕地信息的遥感影像融合方法进行了研究,研究所选择的融合方法包括Subtractive法、Brovey变换法、MHIS法、HCS法和Gram-Schmidt法,并从主观和客观方面对融合影像质量进行了评价,基于融合影像对研究区耕地信息的增强进行了分析。结果表明,面向耕地信息时,MHIS法融合影像最好。     

高分一号卫星影像监测水稻种植面积研究综述

简要介绍了高分一号卫星应用于农情遥感监测的优势和水稻种植面积遥感监测的原理,着重对遥感影像数据预处理、遥感影像分类方法与水稻面积提取技术等方面的研究进展进行了综述。高分一号卫星具有高空间分辨率和时间分辨率的特点,反映作物的光谱特征明显,适合选用为农情遥感监测的数据源;基于高分辨率卫星影像的水稻种植面积提取技术比较成熟;基于决策树、人工神经网络、专家知识、人工目视解译等分类提取方法应用前景广阔,但精度有待进一步提高。     

纹理特征与面向对象结合的高分影像耕地提取应用

以闪电河乡马神庙村的耕地提取为例,研究了纹理特征与面向对象结合的高分影像耕地提取的应用。结果表明,结合纹理特征增强算法的提取影像的纹理特征进而进行面向对象的影像分类的方法能够显著提高高分辨率遥感影像分类的精度,尤其是对耕地这一拥有规则的纹理特征的植被类型的地表覆盖地类的影像分类的精度有很大提高。     

基于面向对象的设施蔬菜高分遥感影像提取

以河北省廊坊市香河县五百户镇为研究区,综合利用高分二号(GF-2)遥感影像的光谱、纹理特征,并结合边缘检测、阈值分割、数学形态学算法,设计了面向对象的多特征融合设施蔬菜面积提取方法。首先对影像进行增强处理,结合影像中光谱和纹理特征剔除建筑物和道路干扰。然后采用阈值分割算法将边缘检测后的"噪声"进行删除,并使用数学形态学方法提高影像分割效率。最后对于一些难以去除的"噪声"采用面积(Ar)、周长(Per)、圆形度(Rd)、长宽比(Pwl)、矩形比(Pr)这5个形状特征参数进行剔除,实现利用高分遥感影像提取设施蔬菜面积。精度验证结果表明,该方法在试验区野外核查的精度为86.02%,随机样本点的总体分类精度为84.5%,Kappa系数为83.1%。     

作物耕作节律与多时相遥感结合的山地耕地信息提取方法探索

【目的】由于山地地貌区的耕地分布破碎度大,仅应用中分辨率遥感影像难以获得高精度的山地耕地分布信息,如何提高应用中分辨率遥感影像提取山地耕地信息的精度是亟需研究的问题。【方法】本文在分析区域主要作物及其生育期随季节变化的基础上,根据耕地与其他地物在植被覆盖时间序列变化上的区别,基于多时相遥感影像,提出了一种将作物生长和耕作节律与多时相遥感结合的耕地信息遥感提取方法。【结果】应用该方法准确的提取了典型山地区四川省会理县的耕地分布信息。【结论】这种方法提取速度快,结果具有一定的实时性和较高的准确性,可以满足耕地利用及管理中对耕地信息适时获取的要求,也可以应用于对历史耕地矢量数据中地块错分进行修正、更新漏分问题等。     

基于高分一号影像的天津市宝坻区地表覆盖分类研究

由于国产高分一号卫星WFV相机的16 m数据获取具有免费、时效性好等特点而被广泛应用于遥感信息提取。面向对象的分类方法能够解决基于传统像素的分类方法所具有的破碎性强、易产生同谱异物现象的问题。本研究采用基于面向对象的分类思路,以天津市宝坻区为研究区域,通过获取高分一号卫星影像并进行预处理,利用遥感信息处理软件eCognition对该数据进行影像分割,并对影像分割斑块进行基于规则的分类,提取出宝坻区范围内植被、水体、建设用地、裸地四类地物,并利用高分辨率影像对比进行精度验证,分类总精度达到93%。结果表明:利用高分一号国产卫星16 m影像,采用面向对象的分类思路进行地表覆盖类别的信息提取,可以快速便捷地实现目标区域空间地理信息的获取,对于监测地表覆盖面积和分布状况起到指导作用。     

基于国产GF-2遥感影像的大麻地块提取方法研究 ——以安徽省六安市苏埠镇为例

针对传统的基于像元的分类方法提取大麻地块结果存在较为破碎、精度较低的问题,以国产"高分二号"(GF-2)4m的多光谱遥感影像为数据源,在安徽省六安市苏埠镇选取了一个研究区,使用基于规则集的面向对象的方法实现了大麻地块的精确提取。首先,对研究区预处理过的GF-2遥感影像进行多尺度分割,在多尺度分割结果的基础上,确定提取大麻地块的最优分割尺度。其次,针对不同地物类型选取样本对象生成光谱曲线,分析大麻地块与其他地物类型的异同点,并基于光谱分析结果构建规则集最终实现大麻地块的提取。最后,将基于规则集的面向对象分类结果和基于像元分类(监督分类)的结果进行对比分析。结果表明,基于规则集的面向对象方法可以有效的提取出研究区内的大麻地块,精度可以达到91.09%,解决了传统基于像元分类方法提取大麻地块结果较为破碎的问题。     

基于高分二号卫星影像的粤北地区香芋遥感识别研究

【目的】高分辨率遥感影像为农作物监测提供高精度的支撑,香芋作为粤北地区的特色作物,是国家地理标志产品,对其监测有助于加强管控和调控。【方法】选择香芋关键物候期的高分二号卫星遥感影像,提取归一化植被指数、归一化差异水体指数、纹理信息,构建融合多特征光谱纹理影像,比较多种组合影像,采用支持向量机作为分类器,对香芋的识别精度进行分析。【结果】融合多特征光谱纹理影像的香芋识别精度最高,总体精度达到96.04%,对香芋的识别精度达到95.30%,比多光谱影像分类精度分别提高5%和6.8%,是多光谱全色融合影像分类精度提升幅度的2倍,且各类地物边界轮廓清晰,图像平滑,细碎图斑很少。【结论】高分二号影像是识别粤北地区香芋的理想数据源,分类精度较高,能够满足农作物监测的需求,能为制定病虫害防治措施,调节种植结构提供支持。     

基于改进DeepLab v3+模型和迁移学习的高分遥感耕地信息提取方法

针对实际遥感耕地信息提取工作中，多源数据特征复杂、样本标注工作繁重等导致高空间分辨率影像解译精度不高、自动化程度不够的问题，本研究基于DeepLab v3+模型，提出一种融合邻域边缘加权模块(NEWM)和轴向注意力机制模块(CBAM-s)的卷积网络模型DEA-Net,结合迁移学习方法进行高分辨率遥感影像耕地信息提取。首先，在浅层网络结构中加入邻域边缘加权模块，提升高分辨率下地物的连续性，细化边缘分割粒度；其次，在深层网络结构中添加轴向注意力机制模块，增加细小地物的关注权重，减少深度卷积导致地物丢失的情况；最后，采用迁移学习的思想，降低样本标注工作量，提高模型学习能力。利用高分卫星土地覆盖数据集(GID)数据构建源域数据集进行模型预训练，将获取的模型参数及权重信息迁移至大数据与计算智能大赛(BDCI)遥感影像地块分割竞赛数据集和全国人工智能大赛(NAIC)遥感影像数据集制作的2种不同目标域数据集中，微调训练后应用于耕地信息提取研究。结果表明，本研究构建方法能够增强模型的空间细节学习能力，提高耕地语义分割精度的同时，降低2/3以上的训练样本数量，为遥感耕地信息提取及农业数据智能化利用提供新...     

机载与星载高分遥感影像单木树冠分割方法和适宜性对比

目的应用高分辨率遥感影像快速准确提取单木树冠信息,对现代森林管理具有重要意义。面向对象的多尺度分割方法能有效地解决基于像元特征分析的局限,是单木树冠提取的重要技术途径。本文对比分析了不同遥感平台和人工林树种的树冠提取精度,探究实验方法针对不同尺度影像数据和树种的优势及适用性,并结合调查目的为影像数据的选取提供参考。方法以广西壮族自治区高峰林场为研究区,选取低空无人机CCD、机载CCD和星载高分二号遥感影像数据,针对树冠区域与背景区域的对比度效果不佳的问题,首先采用小波变换进行图像增强处理,去除影像噪声,增强树冠与背景的对比度;然后应用面向对象的多尺度分割方法,排除背景区域的干扰,针对树冠区域进行单木树冠的快速提取;最后对3种影像下提取的杉木和桉树人工林单木树冠的流程和方法,以及树冠提取精度进行研究分析。结果采用小波变换对无人机和机载平台影像增强效果显著,无人机平台下桉树和杉木实验区单木分割精度分别为87%和93.3%,冠幅估测精度为84.2%和85.1%;机载平台下桉树和杉木实验区单木分割精度为89%和91.1%,冠幅估测精度为83.9%和84.4%;而小波变换对星载平台影像增强效果不佳,桉树和杉木实验区的单木分割精度为82%和89%,冠幅估测精度为72.3%和73.3%。结论在无人机和机载平台下,应用多尺度分割得到的树冠提取精度相接近;在星载平台下,直接应用多尺度分割进行单木树冠提取,受影像自身空间分辨率的局限,提取精度低于前两种平台,但也能够满足森林调查的基本需求。      

应用可见光遥感影像的林区植被分割方法

为快速准确提取可见光遥感图像中的林区植被,降低林区复杂地物与不均匀的光照对提取效果的影响。采用无人机获取的林区可见光遥感图像,利用ArcGIS软件根据植被与裸地、道路以及光照均匀程度的不同占比进行裁剪,获得5个试验样区,分别利用多尺度分割、光谱差异分割和多尺度结合光谱差异分割方法对样区影像进行分割,应用最近邻分类方法分类并分析3种分割方法对分类精度的影响。研究结果表明：基于多尺度分割的分类精度整体优于光谱差异分割和多尺度结合光谱差异分割,植被分类总体精度分别为90.0%、93.0%、92.0%、89.0%、94.0%,Kappa系数分别为0.801、0.855、0.839、0.781、0.880。使用多尺度分割在林区植被提取时受环境影响小,可以有效提取林区植被信息。     

基于DOM航空影像单木树冠提取

准确提取单木树冠边界是获取森林数量参数的重要基础，是高分辨率遥感图像林业应用的技术难题。基于DOM航空影像数据源，采用面向对象的方法对研究区内的2个树种的林分进行了单木树冠边界提取研究。首先利用桉树和杉木的空间分布矢量数据对DOM航空影像进行掩膜处理，在掩膜区域内进行多层次多尺度图像分割得到初步树冠分割结果，并剔除非树冠信息；再以树冠信息种子对象为基础，使用区域增长算法对树冠信息种子对象增长得到单木树冠范围；最后使用形态学滤波的方法优化单木树冠边界，完成林区内桉树和杉木两类树种的单木树冠边界提取。结果表明，由于不同树种的树冠存在尺度和形态差异，进行单木树冠分割时需要设置不同的参数才能到达较好的分割效果。本研究中桉树和杉木的单木树冠提取总体精度分别为86.75%与89.21%，可满足林业部门获取森林单木树冠的精度需求。     

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。      

面向对象影像分类与提取法在农作物遥感解译中的应用

根据Landsat8遥感数据,利用eCognition软件,以黄淮海平原饶阳县某地区为试验区,通过对分割参数的定量试验,确定了地物对象的最佳分割尺度;在此基础上分析植被、非植被的典型特征,采用面向对象方法研究植被的信息提取,并对提取结果进行了精度评价。试验结果表明:面向对象影像分类方法能极大地提高分类精度,并实现了植被信息的准确提取,为我国主要粮食基地农作物遥感调查与监测提供了技术支撑。