CN104616015B - 一种基于主被动遥感数据的农村居民点用地提取方法 - Google Patents

一种基于主被动遥感数据的农村居民点用地提取方法 Download PDF

Info

Publication number
CN104616015B
CN104616015B CN201510014784.8A CN201510014784A CN104616015B CN 104616015 B CN104616015 B CN 104616015B CN 201510014784 A CN201510014784 A CN 201510014784A CN 104616015 B CN104616015 B CN 104616015B
Authority
CN
China
Prior art keywords
remote sensing
residential area
land use
scattering
rural residential
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510014784.8A
Other languages
English (en)
Other versions
CN104616015A (zh
Inventor
李天祺
朱秀芳
潘耀忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN201510014784.8A priority Critical patent/CN104616015B/zh
Publication of CN104616015A publication Critical patent/CN104616015A/zh
Application granted granted Critical
Publication of CN104616015B publication Critical patent/CN104616015B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于主被动遥感数据的农村居民点用地提取方法，包括如下步骤：(1)获取数据和预处理；(2)归一化植被指数计算；(3)归一化建筑指数计算；(4)POLSAR二面角散射分量计算；5)最大似然分类。本发明综合应用光学遥感与微波遥感信息，二者优势互补可以更充分的体现地物间的差异，大大提高了农村居民点用地提取的精度。

Description

一种基于主被动遥感数据的农村居民点用地提取方法
技术领域
本发明涉及遥感图像处理技术，具体为一种基于主被动遥感数据的农村居民点用地提取方法。
背景技术
提取农村居民点用地分布、建设规模，对于节约耕地，合理开发利用土地资源，改善农村生态环境，促进城市化发展、新农村建设具有重要意义。遥感技术是以物理手段、数学方法和地理学分析为基础，是一种综合应用技术，能够宏观、动态、快速地识别和提取地表信息。利用遥感技术提取城乡居民地、建筑用地信息，在国内外已有大量研究。农村居民点用地具有规模小，数量多，布局松散的特点，多分布于耕地用地之中；建筑特点上，单个民居占地面积小、民居之间布局紧凑、规模不一，且多以两层及以下建筑为主。现有研究在农村居民点用地的提取上还存一些不足：中分辨率光学影像中，农村居民地周边的未利用地、休耕裸地与居民点用地存在相近的光谱，造成异物同谱的混分。虽然通过光谱阈值上的差别可加以区分，但阈值提取方法的普适性不强。高分辨率光学影像通过纹理特征可以很好的区分农村居民地与相邻裸地，但其数据的获取周期较长，且受云污染的影响。微波遥感可以全天时全天候地获取数据，POLSAR图像可以记录地物回波的振幅及不同极化状态组合的相位差，具有丰富的地物信息。从散射机理上，POLSAR图像可以准确的区分裸地和农村居民点用地，但由于农村民居较低矮，提取中难以区分农村居民点用地与周边的林地。
发明内容
本发明的目的在于提供一种基于主被动遥感数据的农村居民点用地提 取方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于主被动遥感数据的农村居民点用地提取方法，包括如下步骤：
(1)获取数据和预处理；
根据所收集的光学遥感图像和雷达图像进行数据预处理；
(2)归一化植被指数计算；
根据预处理后的数据，选择红光波段和近红外波段计算归一化植被指数；
(3)归一化建筑指数计算；
根据预处理后的数据，选择短波红外波段和近红外波段计算归一化建筑指数；
(4)POLSAR二面角散射分量计算；
利用Krogager分解方法计算POLSAR二面角散射分量；
(5)最大似然分类；
将归一化植被指数、归一化建筑指数、及POLSAR二面角散射分量合成多波段图像，建立图像分类体系，考虑各种地物的光谱与纹理等特征选取训练样本，利用遥感图像最大似然分类方法对多波段影像分类，将分类结果合并成居民地和非居民地两类。
作为本发明进一步的方案，所述步骤(1)的数据预处理包括辐射校正、几何纠正和配准。
作为本发明进一步的方案，所述步骤(2)的归一化植被指数的计算公式如下所示：
NDVI＝(Bnir-Bred)/(Bnir+Bred)
其中，NDVI为归一化植被指数，Bred和Bnir分别为遥感图像红波波段和近红 外波段的反射率。
作为本发明进一步的方案，所述步骤(3)的归一化建筑指数的计算公式如下所示：
NDBI＝(Bswir-Bnir)/(Bswir+Bnir)
其中，NDBI为归一化建筑指数，Bswir和Bnir分别为遥感图像短波红外波段和近红外波段的反射率。
作为本发明进一步的方案，所述步骤(4)的Krogager分解方法又称SDK分解，其分解以圆极化基为基础，根据旋转不变性，将满足互易型目标散射矩阵分为球散射分量(sphere)、二面角散射分量(diplane)和左手或右手螺旋体分量(helix)，即：
其中，为圆极化基散射矩阵，ks＝|SRL|，kd＝min(SLL，SRR)，kh＝abs(|SLL|-|SRR|)，分别表示球散射分量系数、二面角散射分量系数和螺旋体分量系数；θ为二面角散射和螺旋体散射分量的方位角；φ为散射矩阵的绝对相位，φS表示在同一分辨率单元中球散射分量相对于二面角散射分量的相位差。
与现有技术相比，本发明的优点：本发明综合应用光学遥感与微波遥感信息，二者优势互补可以更充分的体现地物间的差异，大大提高了农村居民点用地提取的精度。
附图说明
图1是根据本发明实施例的基于主被动遥感数据的农村居民点用地提取方法的流程图；
图2为试验区示意图；
图2A为试验区的农村居民点分布图；
图2B为试验区的Landsat8 OLI假彩色合成图像示意图；
图2C为试验区的Radarsat-2全极化彩色合成图像(R：HH；G：VV；B：HV)示意图；
图3为H/α平面划分示意图；
图4为试验区的五类地物样本特征空间分布图；
图5为极化相关系数丰度图；
图6为试验区的居民地提取结果对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步阐述。
本发明的研究区位于河北省衡水市桃城区与深州市交界处，选取其中10km×10km范围如图2所示，土地利用类型涵盖了耕地、水体、林地、未利用地和城乡、工矿、居民用地，其中城乡、工矿、居民用地主要以农村居民点为主，耕地作物主要为冬小麦和夏玉米复种。图2(A)农村居民点分布图中，农村居民点分布松散，规模不一，通过对高分影像的目视解译，研究区中共包含农村居民点38个。研究中使用的数据为Landsat8的OLI影像，图2(B)Landsat8 OLI假彩色合成图像，空间分辨率为30m，影像中没有云污染；SAR数据使用的Radarsat-2全极化单视复型数据，图2(C)Radarsat-2全极化彩色合成图像(R：HH；G：VV；B：HV)，经地形矫正后空间分辨率为8m；两景数据的获取时间均为2014年3月底，相差在5d以内，此时耕地作物主要为返青后的冬小麦。
如图1所示，本发明主要流程包括：数据预处理、归一化差异指数计算、POLSAR极化目标分解、分类提取农村居民点用地、农村居民点用地提取结果 对比分析。
数据预处理主要包括在ENVI中FLAASH模块下对Landsat8 OLI影像的大气校正；NEST中对Radarsat-2数据的定标及几何矫正，PolsarPro中改进Lee滤波器对Radarsat-2数据相干斑抑制处理，以及最后对两景数据中研究区的剪裁与配准。
通过计算归一化差异指数可以很好地降低多光谱数据波段之间的光谱冗余度，并凸显目标地类、抑制背景噪声，更适用于专题信息的提取和研究。本文中选取两种与农村居民点用地提取相关的归一化差异指数：归一化植被指数(NDVI)和归一化建筑指数(NDBI)。
如式1所示，归一化植被指数(Normalized Difference Vegetation Index，NDVI)，是比值植被指数的改进，由Deering最先提出。由于绿色植被具有在可见光红波段的强吸收与近红外波段的强反射的特点，通过两者的非线性归一化得来的归一化植被指数可以有效的增强植被植被信息，式1：NDVI＝(TM4_TM3)/(TM4+TM3)
如式2所示，归一化建筑指数(Normalized Difference Built-up Index，NDBI)，是基于建筑用地在短波红外波段反射率大于近红外波段反射率的原理而建立的，NDBI指数法在地表植被覆盖较高的区域能够很好的提取建筑用地，但在本研究区中，较多裸地的存在，与农村居民点用地造成混分。
式2：NDBI＝(TM5_TM4)/(TM5+TM4)
式1和式2中：TM3，TM4，TM5分别为TM影像的红光波段(0.63～0.69μm)，近红外波段(0.76～0.90μm)，和短波红外波段(1.55～1.75μm)。
基于散射机理的极化目标分解可分为相干目标分解和非相干目标分解。原始POLSAR图像通过极化目标分解，将不同的地物散射机制引起的极化特 征进行分离，得到分解后的各散射分量都具有明确的物理解释。本发明中主要用到两种极化目标分解方法，其中Krogager分解量用于本发明所述的农村居民点用地提取方法，Cloude分解量用于实验对比。
Krogager分解又称SDK分解，由Krogager于1990年提出。其分解以圆极化基为基础，根据旋转不变性，将满足互易型目标散射矩阵分为球散射分量(sphere)、二面角散射分量(diplane)和左手或右手螺旋体分量(helix)，即：
其中，为圆极化基散射矩阵，ks＝|SRL|，kd＝min(SLL，SRR)，kh＝abs(|SLL|-|SRR|)，分别表示球散射分量系数、二面角散射分量系数和螺旋体分量系数；θ为二面角散射和螺旋体散射分量的方位角；φ为散射矩阵的绝对相位，φS表示在同一分辨率单元中球散射分量相对于二面角散射分量的相位差。
Cloude，Pottier等人于1996年提出了一种包含了所有散射机理的Cloude分解方法。该方法基于极化相干矩阵[T]，将图像分解为散射熵H、平均散射角α等分量。在一般情况下，媒质不具有反射对称性，相干矩阵[T]可以分解为三个独立相干矩阵[Tn]之和：
其中，[Ti]均为秩为1的独立相干矩阵，λi为特征值，[Ti]分别代表一种散射机制，其对应的λi表示该散射机制的强度。由此，散射熵定义为：
平均散射角定义为：
其中，
散射熵(0≤H≤1)表示散射媒质从各向同性散射(H＝0)到完全随机散射(H＝1)的随机性；平均散射角α对应从奇次散射(或表面散射)(α＝0°)到偶极子散射(或体散射)(α＝45°)到偶次散射(或二面角散射)(α＝90°)的变化。
如图3所示，基于Cloude分解可以得到由散射熵(H)与散射角(α)构成的平面，平面中不同的散射机制被划分为9个区域，，图中曲线内为有效区域，对应8类散射机制。H/α/Wishart迭代分类是由Lee等人提出的一种结合非监督目标分解分类器和监督Wishart分类器的分类方法。H/α/Wishart迭代分类首先在H/α平面中进行非监督分类，然后将分类结果作为Wishart分类器的训练样本输入，进行迭代分类，在POLSAR地物与土地利用分类中简单而有效。
POLSAR成像中，地物对不同极化状态的电磁波表现不同的散射特性，根据极化散射机理机理可以区分不同的地物。散射机理主要分为奇次散射、偶次散射、体散射和漫散射四种。农村居民点用地包括房屋、道路、院落、绿化带等，但主要以房屋为主，在散射机理中属于偶次散射，经极化分解后的二面角散射分量表现为较强的后向散射，因此在实验中选择Krogager分解中的二面角散射分量Kd用于农村居民点用地的提取。
研究区主要为农村居民点用地、耕地、林地、裸地和水体5类地物，对比高分辨率光学影像，人工选取各类地物样本。各类样本点在NDVI、NDBI、 Kd分量的空间分布如图4所示。
如图4，在NDVI、NDBI、及Kd分量构成的三维特征空间中，地物被清楚的划分为5个区域，农村居民点用地在三个特征中均处于高值区域，在NDVI与NDBI组成的二维空间中，农村居民点用地与裸地难以区分，而在Kd分量中农村居民点用地处于高值区域；在Kd分量中，同处高值区域的林地与部分耕地可以通过NDVI与NDBI加以区分。因此通过上述三种特征可以很好地提取农村居民点用地信息。
POLSAR建筑提取研究表明，建筑物与自然杂波在极化特征参数上具有明显的差异，通过极化特征参数可以很好地区分森林与建筑用地。因此，实验中分别选取线极化相关系数cor(SHV，SVV)和圆极化相关系数cor(SRR，SLL)用于区分农村居民点用地与林地，两类地物在两种极化相关系数图像中直方图如图5所示。
如图5，在圆极化相关系数中，农村居民点用地与林地样本基本重合，两类地物圆极化相关系数均值均在0.38左右；在线极化相关系数中，农村居民点用地样本均值为0.35，林地样本均值为0.13，但整体两类地物样本的分布仍存在较大相交区域。在本实验中，极化特征参数的引入并不能很好的区分两者。利用极化特征参数区分自然地物与建筑，主要利用自然杂波方位角的对称性，而研究区中的林地以人工种植林为主，同一林地区域植被长势相近，且分布呈一定规律，不同于自然生长的森林。
本发明选用三种分类方法进行农村居民点用地的提取，其中监督分类选取农村居民点用地、耕地、林地、裸地、水体5类地物的训练样本，样本中农村居民点用地80个，耕地80个，林地50个，裸地70个，水体40个，分类器为最大似然分类；H/α/Wishart迭代分类，初始分类结果为8类，后 根据散射机制合并为5类。三种分类结果经分类后处理后，结果如图6所示：
如图6所示，基于光学归一化差异指数NDVI、NDBI与POLSAR散射分量Kd的监督分类结果较好，分类结果中农村居民点用地的轮廓较为清晰；而只通过光学归一化差异指数的监督分类提取的农村居民点用地中存在较多错分的裸地，如图6中A、B处为一条人工水渠两侧的休耕地，C处为未利用地，D处为休耕地；在H/α/Wishart迭代分类结果中林地、部分耕地与农村居民点用地造成了大量混分，如图6中，E处为耕地，主要为冬小麦，F处为耕地间的行道树，G处为一片规模较大的林地，此外在农村居民点用地内部有不同程度的漏分，其中最为严重的为图6中H处，其原因可能为在农村居民点用地内部房屋过于密集处，散射类型从二面角散射变为体散射所造成。为定量评估提取精度，在研究区内生成随机点1000个，并通过目视识别，对样本点类型进行判断，其中农村居民点用地样本为104个，三种分类结果中农村居民点用地分类精度，如下表1：
表1三种方法的分类精度对比(示例)
NDVI、NDBI、Kd监督分类 NDVI、NDBI、监督分类 H/a/Wishart迭代分类
用户精度 91.7％ 67.4％ 56.8％
制图精度 85.2％ 93.3％ 80.8％
Kappa系数 92.6％ 75.2％ 62.0％
从上述结果可见，基于NDVI、NDBI与Kd分量的监督提取方法精度较高，相比利用光学归一化差异指数的监督提取方法，用户精度有很大的提高，能够很好的解决休耕地、未利用地在农村居民点用地提取中的错分问题；H/α/Wishart迭代分类结果中错分、漏分均存在，其中错分较为严重，错分类别主要为林地，如图6中E、F、G，漏分出现于农村居民点用地内部，如 图6中H处。
本发明提出的基于NDVI、NDBI与Kd分量的农村居民点用地提取方法是一种行之有效的方法，该方法结合了光学与微波信息可以更充分的体现地物间的差异，在农村居民点用地的提取中，二者优势互补，分类结果中有效的减小了错分率。在POLSAR图像中，人工林地与行道树所表现的散射特征不同于自然杂波，极化特征参数上不能很好的区别于农村居民点用地。H/α/Wishart迭代分类中存在一定程度的漏分，其中，个别区域漏分严重，表明农村居民点用地的散射机制不为单一的二面角散射。
本发明利用光学数据与POLSAR数据结合的方法对华北平原的一处区域进行农村居民点用地提取实验，实验中，该发明有很好的提取精度，
显然，以上所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (5)

1.一种基于主被动遥感数据的农村居民点用地提取方法，其特征在于，包括如下步骤：
(1)获取数据和预处理；
根据所收集的光学遥感图像和雷达图像进行数据预处理；
(2)归一化植被指数计算；
根据预处理后的数据，选择红光波段和近红外波段计算归一化植被指数；
(3)归一化建筑指数计算；
根据预处理后的数据，选择短波红外波段和近红外波段计算归一化建筑指数；
(4)POLSAR二面角散射分量计算；
利用Krogager分解方法计算POLSAR二面角散射分量；
(5)最大似然分类；
将归一化植被指数、归一化建筑指数、及POLSAR二面角散射分量合成多波段图像，建立图像分类体系，考虑各种地物的光谱与纹理特征选取训练样本，利用遥感图像最大似然分类方法对多波段影像分类，将分类结果合并成居民地和非居民地两类。
2.根据权利要求1所述的一种基于主被动遥感数据的农村居民点用地提取方法，其特征在于，所述步骤(1)的数据预处理包括辐射校正、几何纠正和配准。
3.根据权利要求1所述的一种基于主被动遥感数据的农村居民点用地提取方法，其特征在于，所述步骤(2)的归一化植被指数的计算公式如下所示：
NDVI＝(Bnir-Bred)/(Bnir+Bred)
其中，NDVI为归一化植被指数，Bred和Bnir分别为遥感图像红光波段和近红外波段的反射率。
4.根据权利要求1所述的一种基于主被动遥感数据的农村居民点用地提取方法，其特征在于，所述步骤(3)的归一化建筑指数的计算公式如下所示：
NDBI＝(Bswir-Bnir)/(Bswir+Bnir)
其中，NDBI为归一化建筑指数，Bswir和Bnir分别为遥感图像短波红外波段和近红外波段的反射率。
5.根据权利要求1所述的一种基于主被动遥感数据的农村居民点用地提取方法，其特征在于，所述步骤(4)的Krogager分解方法又称SDK分解，其分解以圆极化基为基础，根据旋转不变性，将满足互易型目标散射矩阵分为球散射分量(sphere)、二面角散射分量(diplane)和左手或右手螺旋体分量(helix)，即：
其中，[S(r,l)]为圆极化基散射矩阵，ks＝|SRL|，kd＝min(SLL，SRR)，kh＝abs(|SLL|-|SRR|)，分别表示球散射分量系数、二面角散射分量系数和螺旋体分量系数；θ为二面角散射和螺旋体散射分量的方位角；为散射矩阵的绝对相位，表示在同一分辨率单元中球散射分量相对于二面角散射分量的相位差。
CN201510014784.8A 2015-01-13 2015-01-13 一种基于主被动遥感数据的农村居民点用地提取方法 Expired - Fee Related CN104616015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510014784.8A CN104616015B (zh) 2015-01-13 2015-01-13 一种基于主被动遥感数据的农村居民点用地提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510014784.8A CN104616015B (zh) 2015-01-13 2015-01-13 一种基于主被动遥感数据的农村居民点用地提取方法

Publications (2)

Publication Number Publication Date
CN104616015A CN104616015A (zh) 2015-05-13
CN104616015B true CN104616015B (zh) 2018-10-09

Family

ID=53150452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510014784.8A Expired - Fee Related CN104616015B (zh) 2015-01-13 2015-01-13 一种基于主被动遥感数据的农村居民点用地提取方法

Country Status (1)

Country Link
CN (1) CN104616015B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934405B (zh) * 2017-03-21 2019-10-11 北京师范大学 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法
CN107229913A (zh) * 2017-05-23 2017-10-03 国家地理空间信息中心 基于高分卫星遥感数据结合建筑高度的人口密度分析系统
CN107256452A (zh) * 2017-05-23 2017-10-17 国家地理空间信息中心 基于高分卫星遥感数据的城镇化水平评价系统
CN107862255B (zh) * 2017-10-23 2020-12-22 交通运输部科学研究院 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法
CN108563674B (zh) * 2018-02-11 2019-11-08 中国水产科学研究院南海水产研究所 基于rs和gis的海域地理要素测量方法、系统及装置
CN110197174A (zh) * 2018-02-26 2019-09-03 刘风华 文物、字画和原产商品的数字化技术
CN109446965B (zh) * 2018-10-22 2021-07-13 北京师范大学 一种基于无人机数据的烟田自动识别方法
CN110390267B (zh) * 2019-06-25 2021-06-01 东南大学 一种基于高分遥感影像的山地景观建筑提取方法和设备
CN115331116B (zh) * 2022-10-13 2023-04-18 潍坊绘圆地理信息有限公司 基于多模态数据的地面目标精准识别星上模糊推理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268587A (zh) * 2013-05-06 2013-08-28 重庆市勘测院 利用仿建筑用地指数获取城市建筑用地信息的方法
CN103530883A (zh) * 2013-10-21 2014-01-22 河南大学 居民点面积空间识别方法
CN103761741A (zh) * 2014-01-23 2014-04-30 电子科技大学 一种基于极化目标分解特征的变分极化sar图像分割方法
CN103824084A (zh) * 2014-03-12 2014-05-28 西安电子科技大学 基于sdit和svm的极化sar图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268587A (zh) * 2013-05-06 2013-08-28 重庆市勘测院 利用仿建筑用地指数获取城市建筑用地信息的方法
CN103530883A (zh) * 2013-10-21 2014-01-22 河南大学 居民点面积空间识别方法
CN103761741A (zh) * 2014-01-23 2014-04-30 电子科技大学 一种基于极化目标分解特征的变分极化sar图像分割方法
CN103824084A (zh) * 2014-03-12 2014-05-28 西安电子科技大学 基于sdit和svm的极化sar图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Classification and Feature Extraction for Remote Sensing Images From Urban Areas Based on Morphological Transformations;Jon Atli Benediktsson 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20030930;第41卷(第9期);全文 *
基于多特征决策树的建设用地信息提取;饶萍 等;《农业工程学报》;20140630;第30卷(第12期);第2.1、2.4.1、2.4.4、2.4.5节 *
基于极化分解的极化SAR图像分类;何吟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115(第1期);第1.1、2.3.1.2、3.2.2、3.2.5节 *

Also Published As

Publication number Publication date
CN104616015A (zh) 2015-05-13

Similar Documents

Publication Publication Date Title
CN104616015B (zh) 一种基于主被动遥感数据的农村居民点用地提取方法
Tian et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing
Jahncke et al. Mapping wetlands in Nova Scotia with multi-beam RADARSAT-2 Polarimetric SAR, optical satellite imagery, and Lidar data
Mallinis et al. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site
DING et al. Study on soil salinization information in arid region using remote sensing technique
Braun et al. Mapping imperviousness using NDVI and linear spectral unmixing of ASTER data in the Cologne-Bonn region (Germany)
CN104361338B (zh) 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法
Ballabio et al. A plant ecology approach to digital soil mapping, improving the prediction of soil organic carbon content in alpine grasslands
Couteron et al. Textural ordination based on Fourier spectral decomposition: a method to analyze and compare landscape patterns
Zhang et al. Remote sensing of impervious surfaces in tropical and subtropical areas
Sartori et al. Mapping macrophyte species in the Amazon floodplain wetlands using fully polarimetric ALOS/PALSAR data
CN103927558B (zh) 一种软硬变化检测的冬小麦遥感识别方法
CN110308097A (zh) 一种卫星图像云检测方法及系统
Fu et al. Synergy of multi-temporal polarimetric SAR and optical image satellite for mapping of marsh vegetation using object-based random forest algorithm
Ashiagbor et al. Pixel-based and object-oriented approaches in segregating cocoa from forest in the Juabeso-Bia landscape of Ghana
Feng et al. A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries
CN107121681B (zh) 基于高分卫星遥感数据的居民地提取系统
Vannier et al. Detection of wooded hedgerows in high resolution satellite images using an object-oriented method
CN115953685A (zh) 多层多尺度分割的农用大棚类型信息提取方法及系统
Ehsani et al. Efficiency of Landsat ETM+ Thermal Band for Land Cover Classification of the Biosphere Reserve “Eastern Carpathians”(Central Europe) Using SMAP and ML Algorithms
Ding et al. Improving urban land cover mapping with the fusion of optical and SAR data based on feature selection strategy
Bai et al. Spectral unmixing approach in remotely sensed forest cover estimation: A study of subtropical forest in Southeast China
Adhikari A Comparison of Water Indices and Binary Thresholding Techniques for Water Surface Delineation for St. Croix Watershed Area
Li et al. Urban impervious surfaces estimation from RADARSAT-2 polarimetric data using SVM method
Chang et al. Regional and Global-Scale LULC mapping by Synergetic Integration of NDVI from Optical data and Degree of Polarization from SAR data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181009

Termination date: 20210113