CN108446636A - 地物识别方法及系统 - Google Patents

地物识别方法及系统 Download PDF

Info

Publication number
CN108446636A
CN108446636A CN201810233711.1A CN201810233711A CN108446636A CN 108446636 A CN108446636 A CN 108446636A CN 201810233711 A CN201810233711 A CN 201810233711A CN 108446636 A CN108446636 A CN 108446636A
Authority
CN
China
Prior art keywords
heterogeneity
heterogeneous
segmentation
spatial resolution
segmentation result
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.)
Pending
Application number
CN201810233711.1A
Other languages
English (en)
Inventor
江东
宋晓阳
付晶莹
郝蒙蒙
丁方宇
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN201810233711.1A priority Critical patent/CN108446636A/zh
Publication of CN108446636A publication Critical patent/CN108446636A/zh
Pending legal-status Critical Current

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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种地物识别方法，该方法包括：获取预设区域的高空间分辨率遥感影像；基于异质性对高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，异质性包括第一异质性和第二异质性，第一异质性包括光谱异质性和/或形状异质性，第二异质性包括纹理异质性和/或高度异质性；获取预设规则集；以及基于预设规则集提取分割结果中的目标分割结果，以实现对预设区域内目标地物的识别，其中，目标分割结果与目标地物相对应。本公开还提供了一种地物识别系统、一种计算机设备以及一种计算机可读介质。

Description

地物识别方法及系统
技术领域
本公开涉及一种地物识别方法及系统、一种计算机设备以及一种计算机可读介质。
背景技术
地物是指地面上各种有形物(如山川、森林、建筑物等)和无形物(如省、县界等)的总称。泛指地球表面上相对固定的物体。
以地物中的有形物为例，为了满足各种研究的需要，一般会基于遥感影像对山川、森林、建筑物等进行识别。比如建筑物是城区的重要组成部分，为了能够更好地完成城区规划、城市化评估、景观分析、灾害管理及人口估算，精确了解城区建筑物的分布情况是非常重要的。随着遥感卫星技术的快速发展以及遥感卫星影像分辨率的不断提高，利用遥感卫星影像进行建筑物自动识别一直是重要的研究。然而，由于建筑材料的不同、建筑物复杂的形状和建筑物周围环境的影响，因此建筑物自动识别变得更加困难，甚至很难将建筑物从其他人工地物中区分出来。
目前，传统的建筑物识别一般都是依靠目视解译，但是目视解译主要依靠工作人员丰富的工作经验和详细的实地调查资料，虽然精度高，但是工作量非常大，需要消耗大量的人力、物力，成本高而且效率低。并且，由于目视解译全部是人工完成的，往往会因解译人不同而导致解译结果不同，甚至会存在较多的误差。
此外，现有的自动分类如非监督分类和监督分类，一般自动化程度高的方法得到的分类结果通常精度都不高，因而其自动化程度和精度不能同时满足城区建筑物的识别需求。近年来针对信息越来越多的高分辨率影像，高精度、高效率的城市建筑物自动提取成了现在研究的热点及难点。基于高空间分辨率遥感影像的城市建筑物提取方法也越来越多，比如传统的基于像元的方法主要包括监督分类和非监督分类两种，比较常用的监督分类有最小距离法、最大似然分类法、马氏距离法等，非监督分类有分类集群法、波谱特征曲线图形识别法等。但是这些基于像元的分类方法都是依靠像元的光谱信息来提取地物信息的方法，没有利用到纹理、形状等丰富的空间信息，更适用于中低分辨率影像。同时由于高分辨遥感影像数据都带有一定的综合光谱信息，影像分辨率非常高，不同地物会存在一定量的混合像元，导致影像分类会出现较多的“椒盐效应”现象，难以提取形状完整的建筑物。而且人工地物的像元光谱比较相似，如道路和建筑物仅仅依靠光谱很难区分，很容易出现“同谱异物”和“同物异谱”现象，难于从人工地物中提取建筑物。这种方法应用于高空间分辨率遥感影像会出现漏分和错分，降低分类精度。针对高空间分辨率遥感影像的特点，面向对象的分类方法逐渐代替了传统的基于像元的分类方法，虽然能充分利用高分辨率的光谱以及丰富的形状、纹理等空间特征，但是该方法是通过利用对象的空间及光谱特征对影像进行分割，使得同质像元组成大小不同的对象，分割对象内部的一致性及分割对象与相邻分割斑块对象的异质性均达到最大，在分割的影像对象基础上进行分类。
但是，在实现本公开构思的过程中，发明人发现现有技术中至少存在以下缺陷：目前面向对象的分类方法在分割对象时只考虑了光谱和形状特征，而建筑物的形状一般比较复杂，并且建筑物屋顶的光谱并不一致，因而很难将建筑物的完整轮廓分割出来。并且在该方法中，由于忽略了建筑物最为突出的特征，即高度特征，因此影响了面向对象分类方法的精度。
发明内容
本公开的一个方面提供了一种地物识别方法，包括：获取预设区域的高空间分辨率遥感影像；基于异质性对上述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，上述异质性包括第一异质性和第二异质性，上述第一异质性包括光谱异质性和/或形状异质性，上述第二异质性包括纹理异质性和/或高度异质性；获取预设规则集；以及基于上述预设规则集提取上述分割结果中的目标分割结果，以实现对上述预设区域内目标地物的识别，其中，上述目标分割结果与上述目标地物相对应。
可选地，基于异质性对上述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果包括：在初次分割过程中，以像元为单位，针对上述高空间分辨率遥感影像中的两两相邻像元进行上述第一异质性和上述第二异质性计算，并将异质性满足第一条件的两两相邻像元分割在一个第一对象中，得到多个第一对象；以及在后续分割过程中，以对象为单位，对上述高空间分辨率遥感影像中分割出的上述多个第一对象，针对两两相邻第一对象进行上述第一异质性和上述第二异质性计算，并将异质性满足第二条件的两两相邻第一对象分割在一个第二对象中，得到多个第二对象，进而判断上述多个第二对象是否还能继续分割，若上述多个第二对象还能继续分割，则执行与对上述多个第一对象相同的分割操作对上述多个第二对象进行分割，以此循环，将直到无法再进行对象分割为止所得到的分割结果作为最终分割结果。
可选地，基于异质性对上述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果包括：从上述高空间分辨率遥感影像中读取用于衡量上述第一异质性的第一异质性参数；在第二异质性至少包括上述纹理异质性的情况下，根据上述高空间分辨率遥感影像计算用于衡量上述纹理异质性的第二异质性参数；以及在第二异质性至少包括上述高度异质性的情况下，从上述预设区域的立体像对影像中或者雷达数据中读取用于衡量上述高度异质性的第三异质性参数。
可选地，上述方法还包括：在识别出上述预设区域内的上述目标地物后，判断识别出的上述目标地物是否满足预设精度要求；以及若不满足，则重新构建预设规则集，并基于重新构建的预设规则集重新提取上述分割结果中的目标分割结果，以实现对上述预设区域内上述目标地物的识别。
可选地，上述方法还包括：若满足，则制作关于上述预设区域的建筑物分布图。
可选地，上述目标地物包括：建筑物。
可选地，上述纹理异质性包括：植被覆盖指数异质性。
可选地，上述高度异质性包括：数字表面模型异质性。
本公开的另一个方面提供了一种地物识别系统，包括：第一获取模块，用于获取预设区域的高空间分辨率遥感影像；分割模块，用于基于异质性对上述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，上述异质性包括第一异质性和第二异质性，上述第一异质性包括光谱异质性和/或形状异质性，上述第二异质性包括纹理异质性和/或高度异质性；第二获取模块，用于获取预设规则集；以及识别模块，用于基于上述预设规则集提取上述分割结果中的目标分割结果，以实现对上述预设区域内目标地物的识别，其中，上述目标分割结果与上述目标地物相对应。
可选地，上述分割模块包括：第一分割单元，用于在初次分割过程中，以像元为单位，针对上述高空间分辨率遥感影像中的两两相邻像元进行上述第一异质性和上述第二异质性计算，并将异质性满足第一条件的两两相邻像元分割在一个第一对象中，得到多个第一对象；以及第二分割单元，用于在后续分割过程中，以对象为单位，对上述高空间分辨率遥感影像中分割出的上述多个第一对象，针对两两相邻第一对象进行上述第一异质性和上述第二异质性计算，并将异质性满足第二条件的两两相邻第一对象分割在一个第二对象中，得到多个第二对象，进而判断上述多个第二对象是否还能继续分割，若上述多个第二对象还能继续分割，则执行与对上述多个第一对象相同的分割操作对上述多个第二对象进行分割，以此循环，将直到无法再进行对象分割为止所得到的分割结果作为最终分割结果。
可选地，上述分割模块包括：第一读取单元，用于从上述高空间分辨率遥感影像中读取用于衡量上述第一异质性的第一异质性参数；计算单元，用于在第二异质性至少包括上述纹理异质性的情况下，根据上述高空间分辨率遥感影像计算用于衡量上述纹理异质性的第二异质性参数；以及第二读取单元，用于在第二异质性至少包括上述高度异质性的情况下，从上述预设区域的立体像对影像中或者雷达数据中读取用于衡量上述高度异质性的第三异质性参数。
可选地，上述系统还包括：判断模块，用于在识别出上述预设区域内的上述目标地物后，判断识别出的上述目标地物是否满足预设精度要求；以及重识别模块，用于在识别出的上述目标地物不满足上述预设精度要求的情况下，重新构建预设规则集，并基于重新构建的预设规则集重新提取上述分割结果中的目标分割结果，以实现对上述预设区域内上述目标地物的识别。
可选地，上述系统还包括：制图模块，用于在识别出的上述目标地物满足上述预设精度要求的情况下，制作关于上述预设区域的建筑物分布图。
可选地，上述目标地物包括：建筑物。
可选地，上述纹理异质性包括：植被覆盖指数异质性。
可选地，上述高度异质性包括：数字表面模型异质性。
本公开的又一方面提供了一种计算机设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现以上任一项所述的地物识别方法。
本公开的再一方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现以上任一项所述的地物识别方法。
附图说明
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
图1示意性示出了根据本公开实施例的地物识别方法的流程图；
图2A示意性示出了根据本公开实施例的基于异质性对高空间分辨率遥感影像进行多尺度分割的流程图；
图2B示意性示出了根据本公开另一实施例的地物识别方法的流程图；
图3示意性示出了根据本公开实施例的地物识别系统的框图；
图4A示意性示出了根据本公开实施例的分割模块的框图；
图4B示意性示出了根据本公开另一实施例的分割模块的框图；
图4C示意性示出了根据本公开另一实施例的地物识别系统的框图；以及
图5示意性示出了根据本公开实施例的可实现地物识别方法及系统的计算机设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此，本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
以下对本公开涉及的技术术语解释如下：
高空间分辨率遥感技术，即用很窄而连续的光谱通道对地物持续遥感成像的技术。高空间分辨率遥感在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术。
数字表面模型(Digital Surface Model DSM，简称为DSM)，是指物体表面形态以数字表达的集合，可以是地物表面的模拟，包括植被表面、房屋的表面，对DSM进行加工，去掉房屋、植被等信息。
本公开的实施例提供了一种地物识别方法以及能够应用该方法的地物识别系统。该方法包括获取预设区域的高空间分辨率遥感影像；基于异质性对高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，异质性包括第一异质性和第二异质性，第一异质性包括光谱异质性和/或形状异质性，第二异质性包括纹理异质性和/或高度异质性；获取预设规则集；以及基于预设规则集提取分割结果中的目标分割结果，以实现对预设区域内目标地物的识别，其中，目标分割结果与目标地物相对应。
需要注意的是，本公开可以适应于针对高空间分辨率遥感影像对其中包含的任意地物比如建筑物、山川、森林等进行识别的场景。以下将以识别建筑物的应用场景为例详细阐述本公开实施例，需要说明的是，识别建筑物的应用场景仅为可以应用本公开实施例的场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他场景。
图1示意性示出了根据本公开实施例的地物识别方法的流程图。
如图1所示，该方法包括操作S101～S103。
在操作S101，获取预设区域的高空间分辨率遥感影像；
在操作S102，基于异质性对该高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，该异质性包括第一异质性和第二异质性，该第一异质性包括光谱异质性和/或形状异质性，该第二异质性包括纹理异质性和/或高度异质性；
在操作S103，获取预设规则集；以及
在操作S104，基于该预设规则集提取该分割结果中的目标分割结果，以实现对该预设区域内目标地物的识别，其中，该目标分割结果与该目标地物相对应。
作为一种可选的实施例，该目标地物可以包括：建筑物。
作为一种可选的实施例，该纹理异质性可以包括：植被覆盖指数异质性。
作为一种可选的实施例，该高度异质性可以包括：数字表面模型异质性。
需要说明的是，异质性就是一个群体里面，所有个体的特征差异程度，异质性越高，个体的特征分布越分散。
在本公开实施例中，针对一预设区域，如果要识别该区域内的某种地物比如建筑物，则可以获取该区域的高空间分辨率遥感影像，并对其进行多尺度分割，具体地，可以先进行像元尺度的影像分割，再对分割结果进行对象尺度的影像分割，进一步地对象尺度的影像分割又可以包括多次影像分割。而无论是那种尺度的影像分割，都可以基于异质性进行，此处的异质性至少包括两大类，分别为第一异质性和第二异质性，而第一异质性主要包括光谱异质性和形状异质性等，第二异质性主要包括纹理异质性和高度异质性等。通过这两类异质性尤其是第二异质性，可以防止在影像分割过程中将植被、马路等混入属于建筑物的像元或对象中，从而影像最终的识别结果。
此外，预设规则集可以根据用户的实际识别需求进行设置，比如如果想要识别建筑物，则可以将其设置为平均光谱高于预设光谱值，面积在50平左右，高度大于3米，纹理方面使植被覆盖指数(Normalized Difference Vegetation Index，简称为NDVI)大于0且小于1等。由于建筑物的光谱一般较高，水的光谱一般较低，因而平均光谱高于预设光谱值这一规则可以将预设区域内的水流等排出在外，并且由于建筑物的面积一般较小，山川的面积一般较大，因而面积在50平左右这一规则可以将预设区域内的山川等排出在外，并且由于建筑物的高度一般较高，马路的高度几乎可以忽略，因而高度大于3米这一规则可以将预设区域内的马路等排出在外，并且由于植被的NDVI一般大于0且小于1，因NDVI大于0且小于1这一规则可以将预设区域内的植被等排出在外，等等，如此便可以将建筑物准确地识别出来。
通过本公开实施例，由于在影像分割过程中不仅考虑了第一异质性的影响，而且还同时考虑了第二异质性的影响，因而可以更准确地分割影像中包含的不同地物，在影像分割更准确的基础上，基于预设规则集对分割结果进行识别从而能够达到更精确的识别精度。也即，本公开能够克服目前面向对象的分类方法在分割对象时只考虑了光谱和形状特征，而建筑物的形状一般比较复杂，并且建筑物屋顶的光谱并不一致，因而很难将建筑物的完整轮廓分割出来的缺陷。并且在该方案中，由于考虑了建筑物最为突出的特征，即高度特征，因此可以提高了面向对象分类方法的精度。
下面参考图2A和图2B，结合具体实施例对图1所示的方法做进一步说明。
作为一种可选的实施例，基于异质性对该高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果可以包括：在初次分割过程中，以像元为单位，针对该高空间分辨率遥感影像中的两两相邻像元进行该第一异质性和该第二异质性计算，并将异质性满足第一条件的两两相邻像元分割在一个第一对象中，得到多个第一对象；以及在后续分割过程中，以对象为单位，对该高空间分辨率遥感影像中分割出的该多个第一对象，针对两两相邻第一对象进行该第一异质性和该第二异质性计算，并将异质性满足第二条件的两两相邻第一对象分割在一个第二对象中，得到多个第二对象，进而判断该多个第二对象是否还能继续分割，若该多个第二对象还能继续分割，则执行与对该多个第一对象相同的分割操作对该多个第二对象进行分割，以此循环，将直到无法再进行对象分割为止所得到的分割结果作为最终分割结果。
具体地，第一异质性可以包括光谱异质性和形状异质性，第二异质性可以包括纹理异质性和高度异质性，其中，纹理异质性可以包括NDVI异质性，高度异质性可以包括DSM异质性。
在初次分割过程中，以单个像元为单位，针对该高空间分辨率遥感影像中的所有两两相邻像元进行光谱异质性、形状异质性、NDVI异质性、以及DSM异质性计算，并将异质性满足第一条件的两两相邻像元分割在一个第一对象中，得到多个第一对象。优选地，在此过程中，还可以基于像元进行总体异质性计算，并判断总体异质性是否大于第一预设尺度，如果是，则直接基于初次分割过程得到的分割结果对目标地物如建筑物进行识别，否则则需要继续基于第一对象进行分割，即执行后续分割过程的相关操作。
在后续分割过程中，需要在初次分割得到的分割结果的基础上进行分割，此时，以单个第一对象为单位，该高空间分辨率遥感影像中分割出的该多个第一对象，针对两两相邻第一对象进行光谱异质性、形状异质性、NDVI异质性、以及DSM异质性计算，并将异质性满足第二条件的两两相邻第一对象分割在一个第二对象中，得到多个第二对象，优选地，在此过程中，还可以基于对象进行总体异质性计算，并判断总体异质性是否大于第二预设尺度，如果是，则直接基于本次分割过程得到的分割结果即多个第二对象对目标地物如建筑物进行识别，否则则需要继续基于第二对象进行分割，以此循环，将直到无法再进行对象分割为止所得到的分割结果作为最终分割结果。需要说明的是，基于第二对象、第三对象，……，第N对象进行分割的操作与基于第一对象进行分割的操作基本类似，在此不再赘述。
通过本公开实施例，无论是初次分割过程中的影像分割还是在后续分割过程中的影像分割，都会同时考虑第一异质性和第二异质性，也即本公开实际上是一种能够融合了光谱、形状、纹理与DSM的建筑物自动识别方法，对面向对象分割方法的基础步骤进行优化，融合多源信息，尤其是加入了能够突出建筑物的最主要的特征信息即DSM，提高了多尺度分割的精度。然后在此基础上，根据多源信息构成的规则集进行分类，能够得到更高的分类精度。总之，本公开充分解决了现有的建筑物自动识别方案困难大、精度低以及难以业务化的问题，是一种能够保证提取精度的建筑物自动识别方案。
图2A示意性示出了根据本公开的实施例的身份识别过程的时隙设置。如图2A所示，作为一种可选的实施例，操作S102基于异质性对该高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果包括如下操作：
在操作S1021，从该高空间分辨率遥感影像中读取用于衡量该第一异质性的第一异质性参数；
在操作S1022，在第二异质性至少包括该纹理异质性的情况下，根据该高空间分辨率遥感影像计算用于衡量该纹理异质性的第二异质性参数；以及
在操作S1023，在第二异质性至少包括该高度异质性的情况下，从该预设区域的立体像对影像中或者雷达数据中读取用于衡量该高度异质性的第三异质性参数。
也即，具体实施时，第一异质性参数包括光谱异质性参数和形状异质性参数等可以直接从高空间分辨率遥感影像中读取，而第二异质性参数中的纹理异质性参数如NDVI异质性参数可以基于该高空间分辨率遥感影像中的数据计算得到。第二异质性参数中的高度异质性参数如DSM异质性参数则可以通过雷达数据或者立体像对影像获得，需要说明的是，立体像对影像或雷达数据所针对的区域与前述的高空间分辨率遥感影像所这对的区域相同，或者前者所针对的区域包含后者所针对的区域。
通过本公开实施例，不仅可以充分利用高空间分辨率遥感影像的相关数据如NDVI数据，而且还可以配合立体像对影像或者雷达数据反演DSM数据，由于高空间分辨率遥感影像不仅具有成像周期短、分辨率高等特点，同时可以融合立体像对影像或者雷达数据等多源数据，因此对于复杂的建筑物如城市建筑物提取能够得到更好的提取结果。
需要说明的是，在本公开实施例中，将高空间分辨率遥感影像和立体像对影像(或者雷达数据)结合，是实现建筑物自动识别方法的主要发明构思。相对于中低分辨率的遥感影像而言，高空间分辨率遥感影像中的地物形状轮廓更加清晰，纹理特征变得明显而复杂，空间细节信息变得更加丰富，因此结合从立体像对影像(或者雷达数据)提取的DSM数据，能够为建筑物提取尤其是复杂的城市建筑物提取提供高度信息，由此可以提高建筑物自动识别方法的精度。
此外，在面向对象分类方法的多尺度分割步骤和地物识别两个关键步骤中添加DSM和NDVI是本发明的又一创新点。多尺度分割步骤最关键的就是异质性的计算，本公开在异质性计算过程中融合光谱、形状、纹理和DSM高度信息，能够得到更高精度的多尺度分割结果。并且在地物识别过程中，加入NDVI和DSM两个特征规则，也能够提高分类结果。
图2B示意性示出了根据本公开另一实施例的地物识别方法的流程图。如图2B所示，作为一种可选的实施例，该方法还包括如下操作：
在操作S105，在识别出该预设区域内的该目标地物后，判断识别出的该目标地物是否满足预设精度要求；以及
在操作S106，若不满足，则重新构建预设规则集，并基于重新构建的预设规则集重新提取该分割结果中的目标分割结果，以实现对该预设区域内该目标地物的识别。
进一步地，如图2B所示，作为一种可选的实施例，该方法还包括如下操作：
在操作S107，若满足，则制作关于该预设区域的建筑物分布图。
也即，在本公开实施例中，在识别出预设区域内的目标地物后，优选地，可以进一步确定本次的识别结果是否满足预设精度要求，若不满足，则可以重新构建预设规则集，并基于重新构建的预设规则集再次提取前述分割结果中的目标分割结果，以从预设区域内中提取满足预设精度要求的目标地物。如果还无法满足该预设精度要求，则可以重复循环执行操作S105和操作S106，直到识别结果满足该预设精度要求为止，以便能够得到精度满足要求的识别结果。
进一步，在识别出的该目标地物满足该预设精度要求的情况下，制作关于该预设区域的建筑物分布图，以基于此便能够更好地完成城区规划、城市化评估、景观分析、灾害管理及人口估算。
以下以一个具体实施例详细阐述本公开技术方案：
例如，可以通过高空间分辨率遥感影像对北京市海淀区内的建筑物进行识别，具体地，可以通过以下步骤实现建筑物识别目的：
步骤1，首先根据针对北京市海淀区的高空间分辨率遥感影像计算NDVI，然后根据针对北京市海淀区的立体像对影像反演DSM，然后融合光谱波段、NDVI和DSM，生成输入数据；
步骤2，设置多尺度分割中所需的参数；
步骤3，开始进行多尺度分割，并计算总体异质性f，具体如下：
f＝WNDVI·(wcolor·hcolor+Wshape·hshape+Wdsm·hDSM)
其中，wNDVI表示NDVI的异质性权重，wcolor，wshape和wdsm分别表示光谱、形状和DSM的异质性权重。hcolor，hshape和hDSM分别表示光谱异质性数据、形状异质性数据和DSM异质性数据；
其中，c表示影像的光谱波段数，wi表示影像中i光谱波段的权重，nm表示合并后对象中包含的像元个数，σm表示合并后对象的标准方差，n1、n2表示合并前两个相邻对象的像元个数，σ1、σ2表示合并前两个相邻对象的标准方差。
hshape＝w2·hcom+(1-w2)·hsmooth
其中，w2表示紧致度的权重，hcom表示紧致度差异性数据，hsmooth表示光滑度差异性数据。
紧致度差异性数据计算如下：
其中，nm表示合并后对象中包含的像元个数，n1、n2表示合并前两个相邻对象中包含的像元个数，Em表示合并后对象区域的实际边界长度，E1、E2表示合并前两个相邻对象区域的实际边界长度。
光滑度差异性数据计算如下：
其中，nm表示合并后对象中包含的像元个数，n1、n2表示合并前两个相邻对象中包含的像元个数，Em表示合并后对象区域的实际边界长度，E1、E2表示合并前两个相邻对象区域的实际边界长度，Lm表示包含合并后影像区域范围的矩形边界长度，L1、L2表示包含合并前影像区域范围的两个矩形边界长度。
NDVI_mean＝(NIR_mean-R_mean)/(NIR_mean+R_mean)
其中，NDVI_mean1和NDVI_mean2分别表示两个将要合并像元的NDVI平均值。
hDSM＝DSM_Mdiff+Pn_diff+PDSM_diff/En_diff
DSM_Mdiff＝DSM_meanl-DSM_mean2
其中，DSM_Mdiff表示两个将要合并对象的DSM平均值的差。En_diff表示两个对象公共边上的像元个数，Pn_diff表示公共边上所有像元中DSM差值大于5的像元个数，PDSM_diff表示公共边上所有像元DSM差值和，DSM_mean1和DSM_mean2表示两个对象平均DSM的差值。
步骤4，根据设置的参数，以及计算的异质性，进行遥感影像迭代分割，获得同质像元聚类的图斑矢量结果，即以地物为对象的矢量图斑数据。
步骤5，根据建筑物的光谱、形状、纹理以及高度信息，构建建筑物提取规则集。
步骤6，根据构建的建筑物提取规则集进行建筑物自动提取，得到建筑物提取结果。
步骤7，进行提取的建筑物提取结果进行精度评价，如果精度评价符合要求，则结束。如果精度评价不符合要求，则修改规则集，重新进行建筑物提取。
图3示意性示出了根据本公开实施例的地物识别系统的框图。
如图3所示，该地物识别系统300包括第一获取模块310、分割模块320、第二获取模块330和识别模块340。该地物识别系统300可以执行上面参考图1以及图2A和图2B描述的方法，以实现对预设区域内目标地物的识别。
第一获取模块310，用于获取预设区域的高空间分辨率遥感影像。
分割模块320，用于基于异质性对该高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，该异质性包括第一异质性和第二异质性，该第一异质性包括光谱异质性和/或形状异质性，该第二异质性包括纹理异质性和/或高度异质性。
第二获取模块330，用于获取预设规则集。
识别模块340，用于基于该预设规则集提取该分割结果中的目标分割结果，以实现对该预设区域内目标地物的识别，其中，该目标分割结果与该目标地物相对应。
作为一种可选的实施例，该目标地物包括：建筑物。
作为一种可选的实施例，该纹理异质性包括：植被覆盖指数异质性。
作为一种可选的实施例，该高度异质性包括：数字表面模型异质性。
通过本公开实施例，由于在影像分割过程中不仅考虑了第一异质性的影响，而且还同时考虑了第二异质性的影响，因而可以更准确地分割影像中包含的不同地物，在影像分割更准确的基础上，基于预设规则集对分割结果进行识别从而能够达到更精确的识别精度。也即，本公开能够克服目前面向对象的分类方法在分割对象时只考虑了光谱和形状特征，而建筑物的形状一般比较复杂，并且建筑物屋顶的光谱并不一致，因而很难将建筑物的完整轮廓分割出来的缺陷。并且在该方案中，由于考虑了建筑物最为突出的特征，即高度特征，因此可以提高了面向对象分类方法的精度。
图4A示意性示出了根据本公开实施例的分割模块的框图，如图4A所示，作为一种可选的实施例，该分割模块320包括：第一分割单元321，用于在初次分割过程中，以像元为单位，针对该高空间分辨率遥感影像中的两两相邻像元进行该第一异质性和该第二异质性计算，并将异质性满足第一条件的两两相邻像元分割在一个第一对象中，得到多个第一对象；以及第二分割单元322，用于在后续分割过程中，以对象为单位，对该高空间分辨率遥感影像中分割出的该多个第一对象，针对两两相邻第一对象进行该第一异质性和该第二异质性计算，并将异质性满足第二条件的两两相邻第一对象分割在一个第二对象中，得到多个第二对象，进而判断该多个第二对象是否还能继续分割，若该多个第二对象还能继续分割，则执行与对该多个第一对象相同的分割操作对该多个第二对象进行分割，以此循环，将直到无法再进行对象分割为止所得到的分割结果作为最终分割结果。
通过本公开实施例，无论是初次分割过程中的影像分割还是在后续分割过程中的影像分割，都会同时考虑第一异质性和第二异质性，也即本公开实际上是一种能够融合了光谱、形状、纹理与DSM的建筑物自动识别方法，对面向对象分割方法的基础步骤进行优化，融合多源信息，尤其是加入了能够突出建筑物的最主要的特征信息即DSM，提高了多尺度分割的精度。然后在此基础上，根据多源信息构成的规则集进行分类，能够得到更高的分类精度。总之，本公开充分解决了现有的建筑物自动识别方案困难大、精度低以及难以业务化的问题，是一种能够保证提取精度的建筑物自动识别方案。
图4B示意性示出了根据本公开另一实施例的分割模块的框图，如图4B所示，作为另一种可选的实施例，该分割模块320包括：第一读取单元323，用于从该高空间分辨率遥感影像中读取用于衡量该第一异质性的第一异质性参数；计算单元324，用于在第二异质性至少包括该纹理异质性的情况下，根据该高空间分辨率遥感影像计算用于衡量该纹理异质性的第二异质性参数；以及第二读取单元325，用于在第二异质性至少包括该高度异质性的情况下，从该预设区域的立体像对影像中或者雷达数据中读取用于衡量该高度异质性的第三异质性参数。
通过本公开实施例，不仅可以充分利用高空间分辨率遥感影像的相关数据如NDVI数据，而且还可以配合立体像对影像或者雷达数据反演DSM数据，由于高空间分辨率遥感影像不仅具有成像周期短、分辨率高等特点，同时可以融合立体像对影像或者雷达数据等多源数据，因此对于复杂的建筑物如城市建筑物提取能够得到更好的提取结果。
图4C示意性示出了根据本公开另一实施例的地物识别系统的框图，如图4C所示，作为一种可选的实施例，该系统还包括：判断模块350，用于在识别出该预设区域内的该目标地物后，判断识别出的该目标地物是否满足预设精度要求；以及重识别模块360，用于在识别出的该目标地物不满足该预设精度要求的情况下，重新构建预设规则集，并基于重新构建的预设规则集重新提取该分割结果中的目标分割结果，以实现对该预设区域内该目标地物的识别。
也即，在本公开实施例中，在识别出预设区域内的目标地物后，优选地，可以进一步确定本次的识别结果是否满足预设精度要求，若不满足，则可以重新构建预设规则集，并基于重新构建的预设规则集再次提取前述分割结果中的目标分割结果，以从预设区域内中提取满足预设精度要求的目标地物。如果还无法满足该预设精度要求，则可以重复循环执行操作S105和操作S106，直到识别结果满足该预设精度要求为止，以便能够得到精度满足要求的识别结果。
作为一种可选的实施例，该系统还包括：制图模块，用于在识别出的该目标地物满足该预设精度要求的情况下，制作关于该预设区域的建筑物分布图，以基于此便能够更好地完成城区规划、城市化评估、景观分析、灾害管理及人口估算。
可以理解的是，第一获取模块310、分割模块320、第二获取模块330和识别模块340，以及第一分割单元321和第二分割单元322，以及第一读取单元323、计算单元324和第二读取单元325，以及判断模块350和重识别模块360可以合并在一个模块/单元中实现，或者其中的任意一个模块/单元可以被拆分成多个模块/单元。或者，这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元的至少部分功能相结合，并在一个模块/单元中实现。根据本发明的实施例，第一获取模块310、分割模块320、第二获取模块330和识别模块340，以及第一分割单元321和第二分割单元322，以及第一读取单元323、计算单元324和第二读取单元325，以及判断模块350和重识别模块360的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，第一获取模块310、分割模块320、第二获取模块330和识别模块340，以及第一分割单元321和第二分割单元322，以及第一读取单元323、计算单元324和第二读取单元325，以及判断模块350和重识别模块360中的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块/单元的功能。
图5示意性示出了根据本公开实施例的可实现地物识别方法及系统的计算机设备的框图。
如图5所示，该计算机设备500包括处理器510、可读存储介质520(又称为计算机可读存储介质)。该计算机设备500可以执行上面参考图1、图2A和图2B描述的方法，以实现对预设区域内目标地物的识别。
具体地，处理器510例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器510还可以包括用于缓存用途的板载存储器。处理器510可以是用于执行参考图1、图2A和图2B描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
可读存储介质520，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
可读存储介质520可以包括计算机程序521，该计算机程序521可以包括代码/计算机可执行指令，其在由处理器510执行时使得处理器510执行例如上面结合图1、图2A和图2B所描述的方法流程及其任何变形。
计算机程序521可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序521中的代码可以包括一个或多个程序模块，例如包括521A、模块521B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器510执行时，使得处理器510可以执行例如上面结合图1、图2A和图2B所描述的方法流程及其任何变形。
根据本发明的实施例，第一获取模块310、分割模块320、第二获取模块330和识别模块340，以及第一分割单元321和第二分割单元322，以及第一读取单元323、计算单元324和第二读取单元325，以及判断模块350和重识别模块360中的至少一个可以实现为参考图5描述的计算机程序模块，其在被处理器510执行时，可以实现上面描述的相应操作。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (18)

1.一种地物识别方法，包括：
获取预设区域的高空间分辨率遥感影像；
基于异质性对所述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，所述异质性包括第一异质性和第二异质性，所述第一异质性包括光谱异质性和/或形状异质性，所述第二异质性包括纹理异质性和/或高度异质性；
获取预设规则集；以及
基于所述预设规则集提取所述分割结果中的目标分割结果，以实现对所述预设区域内目标地物的识别，其中，所述目标分割结果与所述目标地物相对应。
2.根据权利要求1所述的方法，其中，基于异质性对所述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果包括：
在初次分割过程中，以像元为单位，针对所述高空间分辨率遥感影像中的两两相邻像元进行所述第一异质性和所述第二异质性计算，并将异质性满足第一条件的两两相邻像元分割在一个第一对象中，得到多个第一对象；以及
在后续分割过程中，以对象为单位，对所述高空间分辨率遥感影像中分割出的所述多个第一对象，针对两两相邻第一对象进行所述第一异质性和所述第二异质性计算，并将异质性满足第二条件的两两相邻第一对象分割在一个第二对象中，得到多个第二对象，进而判断所述多个第二对象是否还能继续分割，若所述多个第二对象还能继续分割，则执行与对所述多个第一对象相同的分割操作对所述多个第二对象进行分割，以此循环，将直到无法再进行对象分割为止所得到的分割结果作为最终分割结果。
3.根据权利要求1所述的方法，其中，基于异质性对所述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果包括：
从所述高空间分辨率遥感影像中读取用于衡量所述第一异质性的第一异质性参数；
在第二异质性至少包括所述纹理异质性的情况下，根据所述高空间分辨率遥感影像计算用于衡量所述纹理异质性的第二异质性参数；以及
在第二异质性至少包括所述高度异质性的情况下，从所述预设区域的立体像对影像中或者雷达数据中读取用于衡量所述高度异质性的第三异质性参数。
4.根据权利要求1所述的方法，其中，所述方法还包括：
在识别出所述预设区域内的所述目标地物后，判断识别出的所述目标地物是否满足预设精度要求；以及
若不满足，则重新构建预设规则集，并基于重新构建的预设规则集重新提取所述分割结果中的目标分割结果，以实现对所述预设区域内所述目标地物的识别。
5.根据权利要求4所述的方法，其中，所述方法还包括：
若满足，则制作关于所述预设区域的建筑物分布图。
6.根据权利要求1至5中任一项所述的方法，其中，所述目标地物包括：建筑物。
7.根据权利要求6所述的方法，其中，所述纹理异质性包括：植被覆盖指数异质性。
8.根据权利要求6所述的方法，其中，所述高度异质性包括：数字表面模型异质性。
9.一种地物识别系统，包括：
第一获取模块，用于获取预设区域的高空间分辨率遥感影像；
分割模块，用于基于异质性对所述高空间分辨率遥感影像进行多尺度分割，得到对应的分割结果，其中，所述异质性包括第一异质性和第二异质性，所述第一异质性包括光谱异质性和/或形状异质性，所述第二异质性包括纹理异质性和/或高度异质性；
第二获取模块，用于获取预设规则集；以及
识别模块，用于基于所述预设规则集提取所述分割结果中的目标分割结果，以实现对所述预设区域内目标地物的识别，其中，所述目标分割结果与所述目标地物相对应。
10.根据权利要求9所述的系统，其中，所述分割模块包括：
第一分割单元，用于在初次分割过程中，以像元为单位，针对所述高空间分辨率遥感影像中的两两相邻像元进行所述第一异质性和所述第二异质性计算，并将异质性满足第一条件的两两相邻像元分割在一个第一对象中，得到多个第一对象；以及
第二分割单元，用于在后续分割过程中，以对象为单位，对所述高空间分辨率遥感影像中分割出的所述多个第一对象，针对两两相邻第一对象进行所述第一异质性和所述第二异质性计算，并将异质性满足第二条件的两两相邻第一对象分割在一个第二对象中，得到多个第二对象，进而判断所述多个第二对象是否还能继续分割，若所述多个第二对象还能继续分割，则执行与对所述多个第一对象相同的分割操作对所述多个第二对象进行分割，以此循环，将直到无法再进行对象分割为止所得到的分割结果作为最终分割结果。
11.根据权利要求9所述的系统，其中，所述分割模块包括：
第一读取单元，用于从所述高空间分辨率遥感影像中读取用于衡量所述第一异质性的第一异质性参数；
计算单元，用于在第二异质性至少包括所述纹理异质性的情况下，根据所述高空间分辨率遥感影像计算用于衡量所述纹理异质性的第二异质性参数；以及
第二读取单元，用于在第二异质性至少包括所述高度异质性的情况下，从所述预设区域的立体像对影像中或者雷达数据中读取用于衡量所述高度异质性的第三异质性参数。
12.根据权利要求9所述的系统，其中，所述系统还包括：
判断模块，用于在识别出所述预设区域内的所述目标地物后，判断识别出的所述目标地物是否满足预设精度要求；以及
重识别模块，用于在识别出的所述目标地物不满足所述预设精度要求的情况下，重新构建预设规则集，并基于重新构建的预设规则集重新提取所述分割结果中的目标分割结果，以实现对所述预设区域内所述目标地物的识别。
13.根据权利要求12所述的系统，其中，所述系统还包括：
制图模块，用于在识别出的所述目标地物满足所述预设精度要求的情况下，制作关于所述预设区域的建筑物分布图。
14.根据权利要求9至13中任一项所述的系统，其中，所述目标地物包括：建筑物。
15.根据权利要求14所述的系统，其中，所述纹理异质性包括：植被覆盖指数异质性。
16.根据权利要求14所述的系统，其中，所述高度异质性包括：数字表面模型异质性。
17.一种计算机设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的地物识别方法。
18.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至8中任一项所述的地物识别方法。
CN201810233711.1A 2018-03-20 2018-03-20 地物识别方法及系统 Pending CN108446636A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810233711.1A CN108446636A (zh) 2018-03-20 2018-03-20 地物识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810233711.1A CN108446636A (zh) 2018-03-20 2018-03-20 地物识别方法及系统

Publications (1)

Publication Number Publication Date
CN108446636A true CN108446636A (zh) 2018-08-24

Family

ID=63196001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810233711.1A Pending CN108446636A (zh) 2018-03-20 2018-03-20 地物识别方法及系统

Country Status (1)

Country Link
CN (1) CN108446636A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753916A (zh) * 2018-12-28 2019-05-14 厦门理工学院 一种归一化差分植被指数尺度转换模型构建方法及装置
CN111323768A (zh) * 2020-02-26 2020-06-23 北京佳格天地科技有限公司 建筑物变化的识别方法、装置、终端及存储介质
CN111931861A (zh) * 2020-09-09 2020-11-13 北京志翔科技股份有限公司 一种异质性数据集的异常检测方法及计算机可读存储介质
CN113344105A (zh) * 2021-06-24 2021-09-03 中国科学院地理科学与资源研究所 基于景观异质性的采样点分配方法、装置和电子设备
CN117190982A (zh) * 2023-11-07 2023-12-08 武汉追月信息技术有限公司 一种基于遥感影像的地理信息测绘系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272357A1 (en) * 2006-07-28 2010-10-28 University Of New Brunswick Method of image segmentation
CN106846332A (zh) * 2016-12-30 2017-06-13 中国人民解放军61540部队 一种基于dsm的遥感影像变化检测方法及装置
CN107194942A (zh) * 2017-03-27 2017-09-22 广州地理研究所 一种确定影像分类分割尺度阈值的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272357A1 (en) * 2006-07-28 2010-10-28 University Of New Brunswick Method of image segmentation
CN106846332A (zh) * 2016-12-30 2017-06-13 中国人民解放军61540部队 一种基于dsm的遥感影像变化检测方法及装置
CN107194942A (zh) * 2017-03-27 2017-09-22 广州地理研究所 一种确定影像分类分割尺度阈值的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋晓阳: "面向对象的遥感分类系统研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753916A (zh) * 2018-12-28 2019-05-14 厦门理工学院 一种归一化差分植被指数尺度转换模型构建方法及装置
CN111323768A (zh) * 2020-02-26 2020-06-23 北京佳格天地科技有限公司 建筑物变化的识别方法、装置、终端及存储介质
CN111323768B (zh) * 2020-02-26 2023-12-12 北京佳格天地科技有限公司 建筑物变化的识别方法、装置、终端及存储介质
CN111931861A (zh) * 2020-09-09 2020-11-13 北京志翔科技股份有限公司 一种异质性数据集的异常检测方法及计算机可读存储介质
CN111931861B (zh) * 2020-09-09 2021-01-05 北京志翔科技股份有限公司 一种异质性数据集的异常检测方法及计算机可读存储介质
CN113344105A (zh) * 2021-06-24 2021-09-03 中国科学院地理科学与资源研究所 基于景观异质性的采样点分配方法、装置和电子设备
CN117190982A (zh) * 2023-11-07 2023-12-08 武汉追月信息技术有限公司 一种基于遥感影像的地理信息测绘系统
CN117190982B (zh) * 2023-11-07 2024-02-02 武汉追月信息技术有限公司 一种基于遥感影像的地理信息测绘系统

Similar Documents

Publication Publication Date Title
CN108446636A (zh) 地物识别方法及系统
Wei et al. Toward automatic building footprint delineation from aerial images using CNN and regularization
Liasis et al. Building extraction in satellite images using active contours and colour features
Zhou An object-based approach for urban land cover classification: Integrating LiDAR height and intensity data
Mostafa A review on various shadow detection and compensation techniques in remote sensing images
US9299157B2 (en) Scale-invariant superpixel region edges
EP3408828B1 (en) Systems and methods for detecting imaged clouds
Aytekın et al. Unsupervised building detection in complex urban environments from multispectral satellite imagery
US9576373B2 (en) Geospatial imaging system providing segmentation and classification features and related methods
Hamedianfar et al. Detailed intra-urban mapping through transferable OBIA rule sets using WorldView-2 very-high-resolution satellite images
US20160249041A1 (en) Method for 3d scene structure modeling and camera registration from single image
KR101183105B1 (ko) 자동 구름 정보 산출방법
Qin et al. Spatiotemporal inferences for use in building detection using series of very-high-resolution space-borne stereo images
Shahi et al. Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
Wu et al. An object-based image analysis for building seismic vulnerability assessment using high-resolution remote sensing imagery
Ghanea et al. Automatic building extraction in dense urban areas through GeoEye multispectral imagery
Chang et al. Canopy-cover thematic-map generation for Military Map products using remote sensing data in inaccessible areas
Tiwari et al. UAV remote sensing for campus monitoring: a comparative evaluation of nearest neighbor and rule-based classification
Uzar Automatic building extraction with multi-sensor data using rule-based classification
CN111458691B (zh) 建筑物信息的提取方法、装置及计算机设备
Van der Kwast et al. Inferring urban land use using the optimised spatial reclassification kernel
Estoque et al. < Original Papers> Measuring urban volume: geospatial technique and application
Zou et al. Automatic inpainting by removing fence-like structures in RGBD images
Sefercik et al. Novel fusion approach on automatic object extraction from spatial data: case study Worldview-2 and TOPO5000

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180824