共查询到10条相似文献，搜索用时 31 毫秒
1.
近年来,随着航空航天事业的高速发展,带动了遥感对地观测技术的进步,为高分影像的获取奠定了基础。作为地物类别中的主要内容和地形图中的重要成图元素,建筑物的识别与提取,直接影响到地物提取的自动化水平。因此,高分辨率遥感影像中建筑物的提取是图像处理领域中的主要研究内容之一。为了提高城市建筑物信息提取精度,本文改进了常规的面向对象方法,以航空遥感影像和SPOT-6影像为对象针对其下垫面结构复杂的特性,采用多尺度分割和多规则结合的方法自动提取建筑物信息,并通过样本区进行了精度验证,将提取的结果与传统分类方法所得到的结果相互比较。研究结果表明,面向对象的多尺度分割对高分影像中建筑物的提取具有较好地效果,KIA精度达到了0.76,为城市建筑物信息提取的应用提供了新思路。 相似文献
2.
建筑物损毁信息提取作为震后损失评估的重要内容,对于及时了解灾情、开展灾害应急响应及灾后恢复重建等具有重要意义。近年来,多平台遥感技术和高分辨率遥感技术的飞速发展为建筑物损毁信息的精确提取带来新的发展机遇。在介绍建筑物损毁基本特征和分级标准的基础上,总结了目前国内外遥感技术在建筑物损毁检测方面的常见方法,包括基于震后单时相的提取方法、灾前灾后的变化检测方法以及融合多源数据的建筑物损毁信息检测方法,并分析了各种方法本身的局限性与不足。结合目前遥感领域的前沿技术,探讨了如何基于高分辨率遥感技术、合成孔径雷达技术、机载激光雷达技术以及倾斜摄影技术实现震后建筑物损毁信息的提取。 相似文献
3.
对灾后道路受灾信息获取,分析其交通通行能力,是救灾关键之一。本文针对传统高分辨率遥感影像道路信息提取方法效率低的问题,在面向对象算法基础上,提出了一种改进型的矢量与影像叠加的算法,对灾害道路进行信息提取。试验结果表明,该算法提高了灾害道路信息提取的效率与精度。 相似文献
4.
5.
高分辨率遥感影像中震后灾损建筑物提取是震害预估中极具重要的参考指标，研究遥感影像的震后灾损建筑物提取方法具有重要的科学意义。本文以青海玉树震后典型的灾损建筑物数据为研究对象，针对卷积神经网络对于城市建筑物纹理特征信息利用的不足，将局部二值模式(LBP)纹理特征与SegNet深度卷积神经网络相结合，采用有监督学习分类的方式训练卷积神经网络，实现震后灾损建筑物自动分类提取，并与传统面向对象提取方法进行对比。实验结果表明，LBP纹理特征与SegNet卷积神经网络模型相结合，对于震后灾损建筑物的提取能提高预测精度，用户精度与生产者精度分别有2%～7%,2%～9%的提升。 相似文献
6.
建筑物高度信息的获取是高分辨率遥感影像信息提取研究中的热点问题之一。该文提出了一套结合面向对象分类方法的建筑物高度反演技术方法。首先,利用建筑物和阴影的形态学指数,通过面向对象分类方法提取建筑物轮廓和阴影信息;然后,采用相交线平均法计算阴影长度;最后,根据阴影长度和建筑物高度的几何关系模型计算建筑物高度。采用西安市的国产资源三号(ZY-3)卫星遥感数据进行提取试验,通过171栋建筑物的实际测量高度对结果进行验证,获得了91.23%的总体精度,显示出该方法在建筑物高度信息提取研究方面具有一定的现实意义。 相似文献
7.
针对高分辨率遥感影像建筑物变化检测精度不高的问题,本文提出了一种改进城市建筑物变化检测方法。首先通过提取像元顶点构造像元图集,并以长宽比与矩形度作为变化检测测度,对后一期影像进行影像分割,识别建筑物轮廓对象。将建筑物轮廓进行几何关系筛选,完成建筑物变化信息提取。实验表明,该方法具有较高的变化检测精度,可明显削弱光照条件和成像角度对建筑物变化检测精度的影响,是一种普适性较强的城市建筑物变化检测方法。 相似文献
8.
9.
《武汉大学学报(信息科学版)》2021,(10)
遥感对地观测技术具有响应快、观测范围大、表达地表信息客观等特点,是监测洪涝灾害的有效手段之一。洪涝灾害发生时常常伴随云雨天气,灾害前后获取的时间序列数据来源多样,利用多模态多时相遥感影像对洪涝灾害进行一体化监测是大势所趋。然而,不同传感器类型的数据处理平台不同、处理流程不一,多源数据协同处理链路长、智能化水平低导致时效性难以满足应急响应的需求。提出了一种多模态序列遥感影像一体化配准与洪涝灾害自动变化监测方法,利用深度特征和语义信息实现灾前光学影像和灾后合成孔径雷达(synthetic aperture radar,SAR)影像的自动、高精度配准,基于先验基础地理信息和时间序列遥感影像实现洪水变化监测和灾损信息提取。所提方法在2020年7月中国安徽洪涝灾害和2021年7月中国河南洪涝灾害监测中得到了有效验证,能够实现小时级的灾害应急信息提取。 相似文献
10.
建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题,本文结合面向对象图像分析技术,提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法,利用模糊集理论自动融合多尺度变化检测结果,并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中,并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果,召回率最高提升32%,F1指数最高提升25%,全局总体误差（GTC）最高降低7%;(2)在样本数量有限的情况下,通过生成对抗网络进行样本迁移,与未使用样本迁移前的检测结果相比,召回率最高提升16%,F1指数最高提升14%,GTC降低了9%;(3) Obj-SiamNet方法较其他变化检测方法,整体检测精度得到提升,F1指数最高提升23%,GTC最高降低9%。... 相似文献