最近20年來,遙感技術(shù)發(fā)展迅速,高分辨率遙感影像產(chǎn)品進(jìn)步明顯,遙感影像數(shù)據(jù)產(chǎn)品加速累積并呈現(xiàn)出海量化的特點(diǎn)。建筑物和道路是與人們生活聯(lián)系最為緊密的人工地物,占據(jù)城市的大部分面積。民用方面,導(dǎo)航定位、自動駕駛、城市規(guī)劃、防災(zāi)減災(zāi)、數(shù)字城市建模都對建筑物和道路的識別有較大需求;軍事方面,目標(biāo)識別與判讀、戰(zhàn)爭推演與模擬、戰(zhàn)場環(huán)境保障都需要對建筑物和道路進(jìn)行識別。如何高效利用高分辨率和超高分辨率遙感數(shù)據(jù),快速提取建筑物和道路信息,已成為遙感領(lǐng)域普遍關(guān)注的熱點(diǎn)問題。目前,基于對象的建筑物、道路識別方法主要利用了目標(biāo)對象的光譜信息、幾何信息、紋理信息和語義信息,與基于像素的目標(biāo)識別方法相比,魯棒性更強(qiáng),精確度也更高。基于對象方法使用的特征集主要是從影像對象中提取的二維特征信息,對于一些材質(zhì)相似或相同的不同類別地物目標(biāo),進(jìn)行有效區(qū)分的難度很大。特別是在人工地物的識別中,“異物同譜”和“同物異譜”的現(xiàn)象十分嚴(yán)重,經(jīng)常出現(xiàn)誤檢測。同時,隨著影像空間分辨率的日益提高,特別是亞米級、厘米級的超高分辨率遙感影像數(shù)據(jù)產(chǎn)品涌現(xiàn),影像場景里的地物景觀愈加復(fù)雜,尤其表現(xiàn)在光譜特征和紋理特征的變化更加豐富,“同物異譜”... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：92 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線流程圖

第二章 研究區(qū)概況與典型地物目標(biāo)2.1 研究區(qū)概況2.1.1 研究區(qū)概況本次實(shí)驗(yàn)研究區(qū)位于歐洲中部德國恩茲河畔法伊欣根（Vaihinggen），該區(qū)域西臨恩茲河，南側(cè)和東側(cè)為大面積的農(nóng)業(yè)用地，東南角有部分工業(yè)用地。城鎮(zhèn)居民區(qū)建筑物多為獨(dú)棟房屋，且規(guī)則整齊；道路鋪設(shè)統(tǒng)一有序，紋理均勻。通過遙感影像目視解譯可知，該區(qū)域農(nóng)業(yè)資源豐富、工業(yè)發(fā)展條件優(yōu)越，整體經(jīng)濟(jì)發(fā)展水平較高。該研究區(qū)土地覆被可分為 4 個一級類，其中包括居民用地、交通用地、林地、草地；7 個二級類，其中包括城鎮(zhèn)建筑用地、公路用地、停車場、灌木林、草地、裸地。本文從影像上選取了 1 個實(shí)驗(yàn)研究區(qū)，影像尺寸為 2048×2048個像元（圖 2-1）。

已經(jīng)發(fā)展形成了許多影像分割參數(shù)優(yōu)選算法，這些參數(shù)優(yōu)選監(jiān)督和非監(jiān)督兩大類。監(jiān)督參數(shù)優(yōu)選方法是通過參考數(shù)據(jù)和調(diào)割結(jié)果最接近目標(biāo)對象（比如 ED2[61]和 SAA[62]）。非監(jiān)督參種完全數(shù)據(jù)驅(qū)動的和依靠影像統(tǒng)計(jì)特征來決定最優(yōu)分割參數(shù)]和 SOP[54]）。目前監(jiān)督和非監(jiān)督的參數(shù)優(yōu)選方法都已經(jīng)被應(yīng)的各個領(lǐng)域，一般認(rèn)為監(jiān)督參數(shù)優(yōu)選方法得到的分割結(jié)果產(chǎn)生]，因?yàn)榉诸愂菄?yán)重依賴于分割的[65]；但也有學(xué)者認(rèn)為分類結(jié)果有一般認(rèn)為的嚴(yán)重，在分類精度相近的情況下，趨向于使用效數(shù)優(yōu)選方法[66]。獲得更優(yōu)的分割結(jié)果，本文采用 Liu 等設(shè)計(jì)研究的不一致性評優(yōu)選，該方法是一種有監(jiān)督的多尺度分割參數(shù)優(yōu)選算法。該方集與分割數(shù)據(jù)集的疊置分析，得到“一對多”、“一對一”和“多（圖 3-1），分別對應(yīng)影像的“過分割”、“尺度因子趨于合適”結(jié)果[67]。

【參考文獻(xiàn)】：
期刊論文
[1]融入邊界特征的遙感影像多尺度分割[J]. 翟德超,范亞男,周亞男.  國土資源遙感. 2019(03)
[2]特征組合優(yōu)化的高分辨率遙感影像變化檢測[J]. 黃亞朋,何浩.  測繪與空間地理信息. 2019(01)
[3]一種結(jié)合數(shù)字表面模型的建筑物提取方法[J]. 王子明.  地理空間信息. 2019(01)
[4]基于深度學(xué)習(xí)的高分辨率遙感影像建筑物提取方法[J]. 范榮雙,陳洋,徐啟恒,王競雪.  測繪學(xué)報. 2019(01)
[5]融合航空影像的震后機(jī)載LiDAR建筑物點(diǎn)云提取[J]. 鄧飛,竇愛霞,王曉青.  遙感學(xué)報. 2018(S1)
[6]基于SVM的光學(xué)遙感影像分類與評價[J]. 萬意,李長春,趙旭輝,劉冰潔.  測繪地理信息. 2018(06)
[7]面向?qū)ο蠼ㄖ锬繕?biāo)提取的最優(yōu)分割尺度選擇[J]. 鄭東玉,慎利,李志鵬.  地理信息世界. 2018(05)
[8]基于國產(chǎn)高分衛(wèi)星面向?qū)ο蟪鞘械匚镒顑?yōu)尺度選擇及評價研究[J]. 孫瑞,王洪光,李俊輝,朱昊.  測繪與空間地理信息. 2018(10)
[9]多特征約束的高分辨率光學(xué)遙感影像道路提取[J]. 戴激光,杜陽,方鑫鑫,王楊,苗志鵬.  遙感學(xué)報. 2018(05)
[10]機(jī)載激光雷達(dá)森林垂直結(jié)構(gòu)剖面參數(shù)的沿海平原人工林林分特征反演[J]. 劉浩,張崢男,曹林.  遙感學(xué)報. 2018(05)

博士論文
[1]基于機(jī)器學(xué)習(xí)的遙感圖像分類研究[D]. 張雁.北京林業(yè)大學(xué) 2014
[2]高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D]. 黃昕.武漢大學(xué) 2009

碩士論文
[1]紋理增強(qiáng)提取與面向?qū)ο蠼Y(jié)合的高分影像分類的應(yīng)用[D]. 郝劍南.東華理工大學(xué) 2018
[2]基于高分辨率影像面向?qū)ο蟮慕ㄖ镄畔⑻崛D]. 張永飛.安徽理工大學(xué) 2018
[3]遙感影像建筑物提取與深度學(xué)習(xí)[D]. 潘昕.北京建筑大學(xué) 2018
[4]機(jī)載LiDAR點(diǎn)云數(shù)據(jù)濾波及建筑物提取研究[D]. 張抒遠(yuǎn).長安大學(xué) 2018
[5]利用高分辨率遙感影像提取城市路網(wǎng)信息[D]. 任建平.蘭州大學(xué) 2018
[6]基于多層次分割分類模型及其特征空間優(yōu)化的高分辨率遙感影像城市建筑物提取研究[D]. 黨濤.蘭州大學(xué) 2018
[7]結(jié)構(gòu)特征與立體特征協(xié)同的建筑物識別研究[D]. 丁照倫.哈爾濱工業(yè)大學(xué) 2017
[8]基于改進(jìn)的半隨機(jī)森林算法的道路識別技術(shù)研究[D]. 潘博眾.南京大學(xué) 2017
[9]多源高分辨率遙感數(shù)據(jù)建筑物提取技術(shù)研究[D]. 李思聰.哈爾濱工程大學(xué) 2017
[10]高分辨率遙感影像分割結(jié)果的不一致性評價指標(biāo)比較研究[D]. 楊棟.蘭州大學(xué) 2016



本文編號：3295535