CN1959703A - 利用遥感图像实现城市不同类型住宅区自动识别的方法 - Google Patents
利用遥感图像实现城市不同类型住宅区自动识别的方法 Download PDFInfo
- Publication number
- CN1959703A CN1959703A CN 200610118738 CN200610118738A CN1959703A CN 1959703 A CN1959703 A CN 1959703A CN 200610118738 CN200610118738 CN 200610118738 CN 200610118738 A CN200610118738 A CN 200610118738A CN 1959703 A CN1959703 A CN 1959703A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- city
- image
- different type
- district
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种利用遥感图像实现城市不同类型住宅区自动识别的方法,本方法不同于传统的遥感影像目视解译分类方法,不需要借助专家知识,通过采取各种数学模型和算法,采用计算机编程或现有的图像处理软件,不需要专家知识,普通用户即可实现遥感影像分类,实现识别,城市住宅类型信息的自动提取。通过本发明所提供方法使城市环境基础状况遥感的定量化水平、类别细分程度以及空间配置的确定和分析系统性等方面上一个台阶,从而能够全面、客观、深入地从城市环境基础特征角度描述城市生态环境状况,作出准确、科学的评价。
Description
技术领域:
本发明涉及遥感信息处理领域,特别涉及一种利用遥感影像处理与融合技术,实现对城市不同类型住宅区自动识别的方法。
背景技术:
在城市建设发展的过程中,城市规划起着重要的作用。利用卫星遥感手段可快速提供城市住宅类型的分布范围,分布面积等信息,并通过不同时相遥感影像的自动识别,研究城市居住状况的发展变换,能够为GIS数据库以及地图更新提供重要的信息源。为城市规划,环境评价等提供数据源,为政府决策提供科学支持。
目前,已有利用TM影像、气象卫星数据等遥感影像提取城市居民区的研究,已有利用高空间分辨率如QuickBird快鸟数据获取高层建筑密度等的研究。但尚未见有关利用TM与SPOT融合数据研究城市建筑类型的研究报道,尤其未见关于城市多层住宅和里弄(包括简危棚屋)住宅的遥感影像自动识别研究报道。
已有利用TM影像、气象卫星数据等较低空间分辨率遥感数据将城市居民地作为一个整体进行研究,但没有进一步区分多层住宅和里弄(包括简危棚屋)住宅等不同类型的居住区的研究报道。
发明内容:
传统的遥感影像目视解译分类方法,需要借助专家知识,通过手工或利用绘图软件,实现遥感影像的地物分类识别。本发明通过采取各种数学模型和算法,采用计算机编程或者现有的图像处理软件,可以实现城市住宅类型信息的自动提取。本方法的自动性体现在不需要专家知识,普通用户即可实现遥感影像分类识别。本发明中关于信息提取方法综合利用了纹理分析、滤波、监督分类等信息提取方法,这些方法均具有很强的适用性和可操作性。
·多波段遥感图像的彩色合成与数据融合
本发明所采用的数据源包括TM(5波段、4波段、3波段假彩色合成图像)与SPOT全色波段的融合图像,该融合图像保留了TM5、4、3波段假彩色合成图像的颜色特征的同时,空间分辨率达到10m。
·融合图像中里弄(包括简危棚屋)住宅的特征
在TM与SPOT遥感影响融合图像三色合成图像上表现为内部结构纹理平滑,颜色为暗红色调。
·里弄(包括简危棚屋)住宅的自动识别方法
里弄(包括简危棚屋)住宅等居民区,其楼层低矮,楼间距较近,少有绿化,在SPOT与TM融合图像的三色合成影像上无法识别一排房子或者一幢房子,只能识别一片住宅区为暗红色调,而且内部结构较平滑。这里采用低通滤波的方法,结合灰度共生矩阵的均值特征,再进行监督分类,可以识别该类居住区。
具体方法流程:
(1)TM影像波段5、4、3彩色合成
(2)与SPOT全色波段融合
(3)TM与SPOT融合后影像的彩色合成图像,选择图像上里弄(包括简危棚屋)住宅大量分布的区域作为研究对象。
(4)对研究区域的图像进行高斯低通滤波
(5)对高斯低通滤波后的图像计算灰度共生矩阵的均值特征
(6)对三波段均值特征的二色合成图像选择两类训练区,纹理平滑区为里弄(包括简危棚屋)住宅区,其它类作为背景。
(7)采取最大似然法进行监督分类
(8)图像分为背景区和里弄(包括简危棚屋)住宅区两类
(9)选择同一区域的快鸟遥感影像并进行几何校正,使之与SPOT和TM融合图像的坐标投影一致。
(10)对快鸟遥感影像上的里弄(包括简危棚屋)住宅区进行目视解译。
(11)以从快鸟高分辨率遥感影像上解译的里弄(包括简危棚屋)住宅区分布图作为标准,检验从SPOT和TM融合影像上自动解译的里弄(包括简危棚屋)住宅区的精度。
·融合图像中多层住宅小区的特征
在三色合成图像上,新村等多层住宅具有明显的纹理特征,表现为小区面积较大,沿一定方向排列整齐,具有较为一致的楼间距等特征。
·多层住宅小区自动识别方法
这里采用高通滤波和45度角方向滤波方法,增强了新村等多层住宅的纹理特征,再计算灰度共生矩阵的方差特征分量,最后对方差图像进行最大似然监督分类,可以识别大部分多层住宅区。
具体方法流程:
(1)TM影像波段5、4、3彩色合成
(2)与SPOT全色波段融合
(3)TM与SPOT融合后影像的彩色合成图像,选择图像上多层住宅大量分布的区域作为研究对象。
(4)对研究区域的图像进行高通滤波
(5)根据建筑物走向,对高通滤波图像再进行方向滤波(如45度方向滤波)。
(6)对方向滤波后的图像,计算灰度共生矩阵中的方差特征分量
(7)对方差特征分量合成的假彩色图像,选择多层居住区与非居住区两类训练区。
(8)采用最大似然监督分类法进行分类
(9)图像分为多层住宅区与背景区共两类。
(10)选择同一区域的快鸟遥感影像并进行几何校正,使之与SPOT和TM融合图像的坐标投影一致。
(11)对快鸟遥感影像上的多层住宅区进行目视解译。
(12)以从快鸟高分辨率遥感影像上解译的多层住宅区分布图作为标准,检验从SPOT和TM融合影像上自动解译的多层住宅区的精度。
附图说明:
图1为本发明里弄住宅自动识别方法流程图;
图2为本发明多层住宅自动识别方法流程图;
图3为本发明里弄住宅三色合成图;
图4为本发明高斯低通滤波图;
图5为本发明灰度共生矩阵均值图;
图6为本发明最大似然分类之简危棚屋与QuickBird目视解译叠加图;
图7为本发明多层住宅小区三色合成图;
图8为本发明三色合成图像高通滤波图;
图9为本发明高通滤波图像45度滤波图;
图10为本发明高通滤波图像45度滤波图像的灰度共生矩阵方差分量图;
图11为本发明提取的多层住宅小区及与QuickBird目视解译图的叠加图。
具体实施方式:
以中国上海市2002年居住类型为例,在常用的遥感图像处理软件中打开TM遥感影像,选取波段5、4、3进行彩色合成,对于彩色合成图像,再与同一年份相近时相的SPOT4全色波段10m分辨率遥感影像进行融合,这样既保留了TM多光谱的颜色特征,又使图像的空间分辨率得到提高。在此基础上分别针对不同居住类型进行信息提取。
(1)简危棚屋(包括石库门)信息提取
选择TM与SPOT融合图像上简危棚屋和石库门分布集中的区域作为研究子区,针对这类居住区在遥感影像合成图像上表现为暗红色调,纹理平滑的特征(见图3),依次采取低通滤波、高斯低通滤波(见图4),在此基础上计算灰度共生矩阵法纹理分析中的均值特征图像(见图5),使得这类住宅区的纹理特征得到更大的平滑和模糊,再采用监督分类的最大似然分类方法,通过选择训练区,将图像分为简危棚屋住宅区和背景两类(见图6),简危棚屋住宅信息得以提取。为了验证分类精度,可以对QuickBird高空间分辨率影像进行几何校正,使其与研究区的融合影像坐标一致,然后选择同一研究区进行目视解译,以目视解译结果验证SPOT与TM融合影像上,简危棚屋(包括石库门)的信息提取精度。
(2)多层住宅信息提取
选择TM与SPOT融合图像上新村等多层住宅分布较为集中的区域,针对这类居住区在遥感影像融合图像上具有按照某个方向排列整齐,楼间距较大,楼间分布有绿化和道路,小区有一定规模等特点,而且在图像上具有明显的纹理特征(见图7)。依次采取高通滤波(见图8),角度滤波(见图9),在此基础上计算灰度共生矩阵纹理分析法中的方差图像(见图10),使得这类住宅区的纹理特征得到更大的突出,在此基础上采用监督分类的最大似然分类方法,通过选择训练区,将图像分为多层住宅区和背景两类,多层住宅区信息得以提取(见图11)。为了验证分类精度,可以对QuickBird高空间分辨率影像进行几何校正,使其与研究区的融合影像坐标一致,然后选择同一研究区进行目视解译,以目视解译结果验证SPOT与TM融合影像上,多层住宅信息提取精度。
Claims (6)
1、一种利用遥感图像实现城市不同类型住宅区自动识别的方法,包括步骤:
S1.对城市多层住宅和包括简危棚屋的里弄住宅的遥感影像自动识别;
S2.在将城市居民地作为整体研究的基础上,进一步区分多层住宅和包括简危棚屋的里弄住宅不同类型的居住区;
S3.综合利用纹理分析、滤波和监督分类的信息提取。
2、根据权利要求1所述的利用遥感图像实现城市不同类型住宅区自动识别的方法,其特征在于:所述的遥感影像自动识别,所采用的数据源包括TM5、4、3波段假彩色合成图像与SPOT全色波段的融合图像,该融合图像保留了TM5、4、3波段假彩色合成图像的颜色特征的同时,空间分辨率达到10m。
3、根据权利要求1所述的利用遥感图像实现城市不同类型住宅区自动识别的方法,其特征在于:所述的包括简危棚屋的里弄住宅,在TM与SPOT遥感影响融合图像三色合成图像上表现为内部结构纹理平滑,颜色为暗红色调。
4、根据权利要求1所述的利用遥感图像实现城市不同类型住宅区自动识别的方法,其特征在于:所述的包括简危棚层的里弄住宅的遥感影像的自动识别,采用独特的工作流程,对融合后三色合成图像采用低通滤波的方法结合灰度共生矩阵的均值特性,再进行监督分类,可以自动识别该类居住区。
5、根据权利要求1所述的利用遥感图像实现城市不同类型住宅区自动识别的方法,其特征在于:所述的多层住宅,在三色合成图像上,新村式住宅具有明显的纹理特征,表现为小区面积较大,沿一定方向排列整齐,具有较为一致的楼间距。
6、根据权利要求1所述利用遥感图像实现城市不同类型住宅区自动识别的方法,其特征在于:所述的多层住宅的遥感影像的自动识别,采用独特的工作流程,对三色合成图像采用高通滤波和45度角方向滤波方法,增强了新村式住宅的纹理特征,再计算灰度共生矩阵的方差特征分量,最后对方差图像进行最大似然监督分类,可以识别大部分新村式住宅区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610118738 CN1959703A (zh) | 2006-11-24 | 2006-11-24 | 利用遥感图像实现城市不同类型住宅区自动识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610118738 CN1959703A (zh) | 2006-11-24 | 2006-11-24 | 利用遥感图像实现城市不同类型住宅区自动识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1959703A true CN1959703A (zh) | 2007-05-09 |
Family
ID=38071391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200610118738 Pending CN1959703A (zh) | 2006-11-24 | 2006-11-24 | 利用遥感图像实现城市不同类型住宅区自动识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1959703A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214358A (zh) * | 2010-04-09 | 2011-10-12 | 杨存建 | 基于知识发现的quickbird影像乡村聚落单元信息提取技术 |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
-
2006
- 2006-11-24 CN CN 200610118738 patent/CN1959703A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214358A (zh) * | 2010-04-09 | 2011-10-12 | 杨存建 | 基于知识发现的quickbird影像乡村聚落单元信息提取技术 |
CN102214358B (zh) * | 2010-04-09 | 2014-01-08 | 杨存建 | 基于知识发现的quickbird影像乡村聚落单元信息提取技术 |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN102521273B (zh) * | 2011-11-23 | 2013-06-19 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
CN112033914B (zh) * | 2020-09-01 | 2021-04-20 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956094B (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
CN109255334B (zh) | 基于深度学习语义分割网络的遥感影像地物分类方法 | |
EP3690704B1 (en) | Distributed and self-validating dense object detection in digital images | |
CN109919206B (zh) | 一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法 | |
Awrangjeb et al. | Improved building detection using texture information | |
CN102708356A (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN110532961B (zh) | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 | |
CN117078943B (zh) | 融合多尺度特征和双注意力机制的遥感影像道路分割方法 | |
Ren et al. | YOLOv5s-M: A deep learning network model for road pavement damage detection from urban street-view imagery | |
CN114359130A (zh) | 一种基于无人机影像的道路裂缝检测方法 | |
CN105046218A (zh) | 一种基于串并行处理的多特征交通视频烟雾检测方法 | |
CN112766417A (zh) | 一种利用现场照片识别目标地块土地利用现状地类的方法及系统 | |
CN114067282B (zh) | 一种端到端的车辆位姿检测方法及装置 | |
CN103413131A (zh) | 基于光谱及几何特征的塔吊识别方法 | |
CN1959703A (zh) | 利用遥感图像实现城市不同类型住宅区自动识别的方法 | |
CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
CN105160324B (zh) | 一种基于部件空间关系的车辆检测方法 | |
CN107977968B (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
CN1252588C (zh) | 高光谱遥感图像联合加权随机分类方法 | |
CN110826364A (zh) | 一种库位识别方法及装置 | |
CN109583408A (zh) | 一种基于深度学习的车辆关键点对齐方法 | |
CN111539356A (zh) | 一种基于线阵图像的路面缝隙精准高效检测方法 | |
CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
CN115620259A (zh) | 一种基于交通非现场执法场景下的车道线检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |