利用OpenStreetMap数据进行高空间分辨率遥感影像分类

doi:10.13474/j.cnki.11-2246.2019.0221

测绘通报 ›› 2019, Vol. 0 ›› Issue (7): 69-72,126.doi: 10.13474/j.cnki.11-2246.2019.0221

利用OpenStreetMap数据进行高空间分辨率遥感影像分类

郝怀旭, 万太礼, 罗年学

武汉大学测绘学院, 湖北武汉 430079

收稿日期:2018-07-12 出版日期:2019-07-25 发布日期:2019-07-31
作者简介:郝怀旭(1994-),男,硕士,研究方向为遥感图像分析、地理信息工程。E-mail:2012301610342@whu.edu.cn
基金资助:
国家重点研发计划（2017YFC1405300）

High-resolution remote sensing image classification using OpenStreetMap data

HAO Huaixu, WAN Taili, LUO Nianxue

School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China

Received:2018-07-12 Online:2019-07-25 Published:2019-07-31

摘要/Abstract

摘要： 针对高分辨率遥感影像分类样本标注困难的问题，提出了一种利用OpenStreetMap （OSM）数据自动获取标注样本的方法。与现有的利用OSM数据进行分类的方法不同，该方法加入了空间特征以弥补单独使用光谱特征分类的不足。首先，基于OSM数据提供的地物类别和位置信息进行样本标注，为了降低OSM数据中少量错误信息对分类结果的影响，采用聚类分析的方法对样本进行提纯；其次，使用形态学轮廓来提取影像的结构特征，挖掘高分辨率遥感影像丰富的空间信息，与光谱特征相叠加并输入分类器进行分类。试验证明，本文提出的方法能够有效避免人工样本标注所需要的人力物力；同时，联合影像的光谱空间特征能够更好地描述地物特性，得到较高的分类精度。

关键词: 样本标注, OpenStreetMap, 形态学轮廓, 聚类分析, 高分辨率遥感影像

Abstract: To address the difficulties of labeling samples for high-resolution remote sensing images, an automatic method of labeling samples employing OpenStreetMap (OSM) data is proposed in this paper. Different from the existing approaches, the proposed method adopts spatial features to supplement the shortcomings of using only spectral features. Firstly, samples are labeled using the category and position information of OSM data. As OSM data may contain errors, cluster analysis is utilized to refine the derived samples. Besides, to exploit the abundant spatial information provided by high resolution remote sensing images, morphological profiles are used to describe the structural features of the images. The spatial features as well as spectral features are combined for classification. Experiments show that the proposed method can significantly avoid the manpower and material resources required for labeling samples artificially. Meanwhile, the derived samples and the spectral-spatial features both contribute to the classification accuracy.

Key words: sample labeling, OpenStreetMap, morphological profiles, cluster analysis, high-resolution remote sensing images

中图分类号:

P237

郝怀旭, 万太礼, 罗年学. 利用OpenStreetMap数据进行高空间分辨率遥感影像分类[J]. 测绘通报, 2019, 0(7): 69-72,126.

HAO Huaixu, WAN Taili, LUO Nianxue. High-resolution remote sensing image classification using OpenStreetMap data[J]. 测绘通报, 2019, 0(7): 69-72,126.

参考文献

[1] HUANG X, LU Q, ZHANG L. A multi-index learning approach for classification of high-resolution remotely sensed images over urban areas[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2014, 90(4):36-48.
[2] 林卉, 邵聪颖, 李海涛,等. 高分辨率遥感影像5种面向对象分类方法对比研究[J]. 测绘通报, 2017(11):17-21.
[3] XU J, HANG R. A new committee-based active learning (CBAL) approach to hyperspectral remote sensing data classification[J]. Remote Sensing Letters, 2014, 5(6):511-520.
[4] FABIO N, GÜTTLER, IENCO D, et al. Combining transdu-ctive and active learning to improve object-based classification of remote sensing images[J]. Remote Sensing Letters, 2016, 7(4):10.
[5] 李德仁. 展望大数据时代的地球空间信息学[J]. 测绘学报, 2016, 45(4):379-384.
[6] HAKLAY M, WEBER P. OpenStreetMap:user-generated street maps[J]. IEEE Pervasive Computing, 2008, 7(4):12-18.
[7] HAKLAY M. How good is volunteered geographical information? A comparative study of OpenStreetMap and ordnance survey datasets[J]. Environment & Planning B Planning & Design, 2010, 93(4):3-11.
[8] GEIβ C, SCHAUβ A, Riedlinger T, et al. Joint use of remote sensing data and volunteered geographic information for exposure estimation:evidence from Valparaíso, Chile[J]. Natural Hazards, 2017, 86(1):1-25.
[9] JOHNSON B A, ⅡZUKA K. Integrating OpenStreetMap crowdsourced data and Landsat time-series imagery for rapid land use/land cover (LULC) mapping:case study of the Laguna de Bay area of the Philippines[J]. Applied Geography, 2016, 67(1):140-149.
[10] 谢福鼎, 李壮. 基于改进的半监督FCM算法的高光谱遥感影像分类[J]. 测绘通报, 2016(9):60-62.
[11] 李玉, 林文杰, 赵泉华. 多主体框架下基于FCM的彩色遥感图像分割[J]. 测绘通报, 2018(1):44-49.
[12] 李洪川, 霍英海. 城市道路的多特征多核SVM提取方法[J]. 测绘通报, 2018(2):72-77.
[13] 王增茂, 杜博, 张良培,等. 基于纹理特征和形态学特征融合的高光谱影像分类法[J]. 光子学报, 2014, 43(8):116-123.
[14] MIAO P, HAN K, WANG B, et al. A new approach for the morphological segmentation of high-resolution satellite imagery[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 39(2):309-320.
[15] FAUVEL M, BENEDIKTSSON J A, CHANUSSOT J, et al. Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(11):3804-381.

利用OpenStreetMap数据进行高空间分辨率遥感影像分类

High-resolution remote sensing image classification using OpenStreetMap data

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[2]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[3]	张宇航, 周晓光, 侯东阳. 综合多要素的地理空间数据众包任务推荐方法[J]. 测绘通报, 2022, 0(1): 84-88.
[4]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[5]	孟秋宇, 宋子昂, 王金, 葛志金. 利用浮动车GPS轨迹识别与提取城市道路交叉口[J]. 测绘通报, 2021, 0(9): 59-63.
[6]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.
[7]	聂倩, 七珂珂, 赵艳福. 融入超像素分割的高分辨率影像面向对象分类[J]. 测绘通报, 2021, 0(6): 44-49.
[8]	陈利燕, 林鸿, 吴健华. 融合随机森林和超像素分割的建筑物自动提取[J]. 测绘通报, 2021, 0(2): 49-53.
[9]	王媛, 杜明义, 杨柳忠, 蔡国印, 张宁. 多源遥感数据支持下的城市生态状况评价[J]. 测绘通报, 2021, 0(11): 16-20.
[10]	迪里胡玛尔·阿汗木江, 玉素甫江·如素力. 新疆焉耆盆地土壤湿度时空分布特征[J]. 测绘通报, 2021, 0(11): 36-41.
[11]	常京新, 高贤君, 杨元维, 王双喜. 融合多时相高分影像的建筑物轮廓优化方法[J]. 测绘通报, 2020, 0(7): 112-115.
[12]	谢梦, 刘伟, 李二珠, 杨梦圆, 王晓檀. 深度卷积神经网络支持下的遥感影像语义分割[J]. 测绘通报, 2020, 0(5): 36-42.
[13]	乔婷婷, 李鲁群. 结合数据增广和迁移学习的高分辨率遥感影像场景分类[J]. 测绘通报, 2020, 0(2): 37-42.
[14]	陈辉, 张卡, 宿东, 王蓬勃. 建筑物侧面轮廓线约束的高分辨率遥感影像建筑物高度估算方法[J]. 测绘通报, 2019, 0(9): 34-37,72.
[15]	孟庆祥, 吴玄. 基于深度卷积神经网络的高分辨率遥感影像场景分类[J]. 测绘通报, 2019, 0(7): 17-22.