GF-2影像面向对象典型城区地物提取方法

doi:10.13474/j.cnki.11-2246.2018.0027

测绘通报 ›› 2018, Vol. 0 ›› Issue (1): 138-142.doi: 10.13474/j.cnki.11-2246.2018.0027

GF-2影像面向对象典型城区地物提取方法

王蕾¹, 杨武年¹, 任金铜^1,2, 邓晓宇¹

1. 成都理工大学国土资源部地学空间信息技术重点实验室, 四川成都 610059;
2. 贵州工程应用技术学院贵州省教育厅生物资源开发与生态修复特色重点实验室, 贵州毕节 551700

收稿日期:2017-04-20 出版日期:2018-01-25 发布日期:2018-02-05
通讯作者: 杨武年。E-mail:ywn@cdut.edu.cn E-mail:ywn@cdut.edu.cn
作者简介:王蕾(1993-),女,硕士生,研究方向为资源与环境遥感。E-mail:wangleitl@qq.com
基金资助:
国家自然科学基金（41372340；41671432）；四川省国土资源厅应用基础研究项目（KJ-2016-12）；四川省教育厅科研项目重点项目（172A0027）；贵州省教育厅自然科学研究项目（黔教合KY字（2015）448号）

Object-oriented Extraction Method of Typical Urban Features Based on GF-2 Images

WANG Lei¹, YANG Wunian¹, REN Jintong^1,2, DENG Xiaoyu¹

1. Key Laboratory of Geoscience Spatial Information Technology of Ministry of Land and Resources, Chengdu University of Technology, Chengdu 610059, China;
2. Key Laboratory of Bioresource Development and Ecological Restoration of Guizhou Provincial Department of Education, Guizhou University of Engineering Science, Bijie 551700, China

Received:2017-04-20 Online:2018-01-25 Published:2018-02-05

摘要/Abstract

摘要：

国产高分遥感影像信息丰富，提供了精准的地物空间细节，深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源，利用规则集的面向对象分类方法，通过ESP尺度分析工具选取得出最优分割尺度，建立各类地物的特征体系及分类规则，最终提取出研究区典型城区地物信息，并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%，Kappa系数为0.9，比SVM监督分类有大幅度提高。对高分二号等高分辨率影像，面向对象的分类方法精度更高，图示效果更好，是城区地物提取的有效方法。

关键词: 高分二号, 面向对象, 多尺度分割, 典型城区地物

Abstract:

Domestic Gaofen remote sensing images have abundant information,which can provide accurate details of spatial objects.It is of great significance to study Gaofen data processing and the method of extracting urban objects in depth.Taking the remote sensing image of domestic GF-2 as the data source,the optimal segmentation scale is obtained through the ESP scale analysis tool which is based on the object-oriented classification method of rule set.And then the feature system and the classification rules of various features are established to extract the information of typical urban features. The results are compared with the traditional pixel-based SVM supervised classification.The results show that the overall accuracy of object-oriented classification of rule set is 92.23%,and the Kappa coefficient is 0.9,which is significantly improved compared with SVM supervised classification.For high-resolution images such as GF-2,the object-oriented classification method is more accurate and has a better graphical effect,which is an effective method for urban object extraction.

Key words: GF-2, object-oriented, multi-scale segmentation, typical urban feature

中图分类号:

P237

王蕾, 杨武年, 任金铜, 邓晓宇. GF-2影像面向对象典型城区地物提取方法[J]. 测绘通报, 2018, 0(1): 138-142.

WANG Lei, YANG Wunian, REN Jintong, DENG Xiaoyu. Object-oriented Extraction Method of Typical Urban Features Based on GF-2 Images[J]. 测绘通报, 2018, 0(1): 138-142.

参考文献

[1] 程乾,陈金凤.基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究[J].自然资源学报,2015,30(2):350-360.
[2] 孙中平,白金婷,史园莉,等.基于高分影像的面向对象土地利用变化检测方法研究[J].农业机械学报,2015,46(S1):297-303.
[3] 李艳华,丁建丽,闫人华.基于国产GF-1遥感影像的山区细小水体提取方法研究[J].资源科学,2015,37(2):408-416.
[4] 牛增懿,丁建丽,李艳华,等.基于高分一号影像的土壤盐渍化信息提取方法[J].干旱区地理,2016,39(1):171-179.
[5] 黄帅,丁建丽,李艳华.面向对象的国产GF-1遥感影像水体信息提取研究[J].人民长江,2016,47(5):23-28.
[6] 张飞飞,杨光,田亦陈.基于国产GF-2遥感影像的大麻地块提取方法研究——以安徽省六安市苏埠镇为例[J].安徽农业大学学报,2016,43(4):1-5.
[7] 孙晓艳,杜华强,韩凝,等.面向对象多尺度分割的SPOT5影像毛竹林专题信息提取[J].林业科学,2013,49(10):80-87.
[8] 谢伟军,韩飞,张东,等.面向对象的海域使用专题信息遥感提取关键技术研究[J].海洋环境科学,2014,33(2):274-279.
[9] 牟凤云,罗丹,官冬杰,等.面向对象的土地覆盖信息提取方法研究及应用[J].重庆交通大学学报(自然科学版),2014,33(6):104-108.
[10] 朱长明,李均力,张新,等.面向对象的高分辨率遥感影像湿地信息分层提取[J].测绘通报,2014(10):23-28.
[11] 李小强,李金平,甘甜.面向对象的高分辨率遥感影像城市地物信息提取研究[J].河南城建学院学报,2014,233(2):63-67.
[12] 韩鹏鹏,黄进良,李仁东,等.基于面向对象的坑塘遥感监测与动态分析[J].农业机械学报,2015,46(1):272-277.
[13] 宋亚婷,江东,黄耀欢,等.基于面向对象方法的露天煤矿用地类型提取优先级分析[J].遥感技术与应用,2016,31(3):572-579.
[14] 林雪,彭道黎,黄国胜,等.结合多尺度纹理特征的遥感影像面向对象分类[J].测绘工程,2016,25(7):22-27.
[15] 何顺兵,牟凤云.基于面向对象的多尺度山地城市土地覆盖信息提取——以重庆市大学城城区为例[J].重庆工商大学学报(自然科学版),2016,33(1):83-88.
[16] 任金铜,杨武年,杨鑫,等.国产高分二号PMS数据融合效果评价研究[C]//资源环境与地学空间信息技术新进展学术会议论文集.北京:科学出版社,2016:223-225.
[17] SUN Weihua,CHEN Bin,DAVID W.Messinger,Nearest-neighbor Diffusion-based Pan-sharpening Algorithm for Spectral Images[J].Optical Engineering,2014,53(1):1-11.
[18] 邰晓雷,潘晓露,李一民.高分辨率遥感影像城区地物信息提取技术研究[J].贵州大学学报(自然科学版),2012,29(1):88-91.
[19] 刘纯,洪亮,楚森森.高分辨率遥感影像分割方法研究[J].测绘与空间地理信息,2014,37(10):44-49.
[20] DRǍGUT L,TIEDE D,LEVICK S R. ESP:A Tool to Estimate Scale Parameter for Multiresolution Image Segmentation of Remotely Sensed Data[J].International Journal of Geographical Information Science,2010,24(6):859-871.
[21] 刘丹丹,刘江,张玉娟,等.面向对象的多尺度高分影像建筑物提取方法研究[J].测绘与空间地理信息,2016,39(6):17-20.
[22] 邓书斌,陈秋锦,杜会建,等.ENVI遥感图像处理方法[M].北京:高等教育出版社,2014.

GF-2影像面向对象典型城区地物提取方法

Object-oriented Extraction Method of Typical Urban Features Based on GF-2 Images

PDF

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]	董迪, 魏征, 曾纪胜. 1995—2019年北莉岛人工水产养殖遥感监测[J]. 测绘通报, 2022, 0(7): 1-6.
[2]	罗鸿, 廖雨, 杨存建. 基于高分影像的乡村聚落提取与空间重构[J]. 测绘通报, 2022, 0(6): 62-65,92.
[3]	丁永辉, 张勤, 杨成生, 王猛, 丁辉. 基于高分遥感的金沙江流域滑坡识别——以巴塘县王大龙村为例[J]. 测绘通报, 2022, 0(4): 51-55.
[4]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[5]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[6]	陈磊士, 高霞霞, 廖玉芳, 邓剑波, 周碧. 基于CART决策树的高分二号洞庭湖区湿地分类方法[J]. 测绘通报, 2021, 0(6): 12-15.
[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]	侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021, 0(3): 38-43.
[9]	李悦, 张敏. 面向对象的高分辨率遥感影像建设用地变化监测[J]. 测绘通报, 2021, 0(2): 54-58.
[10]	陈根良, 董胜光. 面向地理国情监测的房屋建筑区树冠覆盖多特征协同提取[J]. 测绘通报, 2021, 0(10): 73-77.
[11]	贾玉娜, 张文超, 康会涛, 白洋, 鲍检平. 2016—2019年雄安新区土地覆盖变化研究[J]. 测绘通报, 2020, 0(9): 76-79.
[12]	蔡怤晟, 向泽君, 蔡衡, 单德明. 结合特征选择的CVA多尺度遥感影像变化检测[J]. 测绘通报, 2020, 0(8): 101-104,130.
[13]	任泽茜, 丁丽霞, 刘丽娟, 谢锦莹, 敖伊颍, 张继艳, 何嘉莹. 利用无人机遥感监测农作物种植面积[J]. 测绘通报, 2020, 0(7): 76-81.
[14]	张宏涛, 黄宏胜, 魏康宁, 钟海燕. 基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例[J]. 测绘通报, 2020, 0(6): 111-117.
[15]	耿仁方, 付波霖, 金双根, 蔡江涛, 耿万轩, 娄佩卿. 面向对象的无人机遥感影像岩溶湿地植被遥感识别[J]. 测绘通报, 2020, 0(11): 13-18.