CN104463168B - 一种基于遥感影像的空废宅基地信息自动提取方法 - Google Patents
一种基于遥感影像的空废宅基地信息自动提取方法 Download PDFInfo
- Publication number
- CN104463168B CN104463168B CN201410688271.0A CN201410688271A CN104463168B CN 104463168 B CN104463168 B CN 104463168B CN 201410688271 A CN201410688271 A CN 201410688271A CN 104463168 B CN104463168 B CN 104463168B
- Authority
- CN
- China
- Prior art keywords
- house
- msub
- mrow
- house site
- subobject
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于遥感影像的空废宅基地信息自动提取方法,该方法使用矢量地籍数据约束分割高分遥感影像,提出将一种多尺度空间结构上下文特征作为空废宅基地识别特征,采用分类器分类判别的方法,有效地提高空废宅基地识别精度,实现空废宅基地的自动化提取。所述方法步骤主要包括:1)获取废弃宅基地待提取区域的高分遥感影像和矢量地籍数据,利用矢量地籍数据约束分割高分遥感影像,提取宅基地对象;2)以宅基地对象为父对象,继续进行分割,提取宅基地内部子对象及空废宅基地相关的房屋和庭院特征构成多维特征空间;3)选取样本和分类器,进行分类器的训练学习;4)采用分类器分类判别的方法,识别空废宅基地斑块,并输出判别结果。
Description
技术领域
本发明涉及遥感影像信息提取技术领域,特别涉及一种基于遥感影像进行农村空废宅基地信息自动提取的方法。
背景技术
我国快速工业化、城镇化进程中,由于农村宅基地管理制度不完善,农村“一户多宅”、超标占用宅基地、宅地基空置、废弃等低效利用问题比较突出,而且随着工业化、城镇化的快速推进,这一问题正不断加剧。根据全国人口普查数据,1995年我国农村人口峰值为8.6亿,到2010年减少到6.7亿,预计至2020年将超过1亿农民转移进城,届时有3亿多农村人口“离村进城”,若现有城乡二元体制与土地制度不能根本突破,农村空置、废弃宅基地将十分严重。因此,快速、准确地调查农村“空废宅基地”的数量、面积等信息,摸清农村宅基地空置、废弃状况,对政府在土地管理中科学决策具有重大的意义。
遥感技术作为一种非接触式获取信息技术,尤其是当前高分遥感的发展,相对传统的地面实际调查走访,具有节约成本、获取周期短等显著优点。然而,目前关于高分影像自动提取“农村空废宅基地”信息方面的技术仍属空白,实际应用主要依靠室内人工目视解译和室外走访调查相结合的方式。
人工目视解译是根据高分遥感影像中空废宅基地特征,如庭院含有大量植被、垃圾,房屋老化、破损等判断是否为空废宅基地,手动勾画出宅基地范围的斑块,并赋给斑块是否为空废宅基地的属性信息,然后根据解译结果进行室外走访调查,验证其提取精度。这种解译方法的缺点在于解译的边界面积与实际地籍测量数据可能存在一定冲突,而且当进行大范围推广时,不仅会耗费大量人力资源,还使信息获取周期变长,同时信息提取结果由于解译人员干预,其结果也可能会在一定程度上受人为因素干扰,使结果丧失一定程度的客观性。
随着高分遥感卫星的发射,一些面向高分遥感信息提取的方法,得到长足的发展。其中基于分割的面向对象信息提取技术,因其基于人眼视觉认知机理,将基于像素的解译方法提升到基于对象的解译方法,有效的解决了高分遥感影像中“同物异谱”和“异物同谱”的问题,提高了解译精度。但现有面向对象方法,经常忽略已有高精度数据的利用,使信息提取的结果精度较低,且与已有数据出入较大。此外,现有面向对象方法中,在进行对象分类识别时多利用对象的光谱、形状、纹理特征,忽视了上下文特征。例如空废宅基地的判断,仅利用宅基地自身对象的特征,忽略庭院的植被覆盖度、屋顶的破损度等特征,以及这些特征之间的综合,即上下文特征,容易引起空废宅基地的误判。不注重自动化分类器,使用人为设定的判别规则判断对象的类别,是目前面向对象信息提取中难以实现全自动化的一个重要原因。
发明内容
针对上述问题,本发明提出了一种在遥感影像中自动提取农村空废宅基地信息的方法,本发明的方法利用矢量地籍数据的约束分割,并引入多尺度空间结构上下文特征,采用模式识别方法识别空废宅基地,实现了信息高精度、自动化提取。
具体而言,本发明提供一种基于遥感影像的空废宅基地信息提取方法,其特征在于,该方法包括:
步骤1:提取宅基地对象,该步骤包括:
步骤1-1:获取一区域的遥感影像以及该区域内的矢量地籍数据;
步骤1-2:对所获得的遥感影像进行预处理;
步骤1-3:利用所述矢量地籍数据中的各宅基地的边界范围作为约束条件,对所述遥感图像进行分割,以分割出疑似宅基地对象;
步骤1-4:基于所述矢量地籍数据判断所分割出的对象是否为宅基地对象,并将判断出的所有宅基地对象组成父对象集;
步骤2:提取宅基地对象的特征,该步骤包括:
步骤2-1:对所提取出的每个宅基地对象进行分解,将每个宅基地对象分解为多个子对象;
步骤2-2:分别提取各个子对象的特征,为每个子对象构建一个特征集合;
步骤2-3:整合所提取出的各个子对象的特征集合,构建表示父对象——宅基地对象的多维特征空间;
步骤3:利用作为样本的宅基地对象训练分类器,使所述分类器能够基于所述多维特征空间从宅基地对象中识别出空废宅基地;
步骤4:利用训练后的分类器基于所述多维特征空间对所述遥感影像中的所有非样本宅基地对象进行识别,以便从所述宅基地对象中识别出空废宅基地。
进一步地,所述预处理包括对所述遥感影像进行几何校正以及以矢量地籍数据投影空间为基准进行投影转换,所述子对象包括房屋和庭院。
进一步地,作为样本的宅基地对象也被成像在所述遥感影像中,并且作为样本的宅基地对象包括空废宅基地和非空废宅基地两种类型的样本。
进一步地,所述步骤3包括:步骤3-1,将作为样本的宅基地对象划分为学习样本集和测试样本集;步骤3-2,利用所述学习样本集训练所述分类器,步骤3-3,利用测试样本集对学习后的分类器进行验证测试;步骤3-4,判断学习后的分类器的分类结果是否满足预定精度标准,如果满足预定标准则将学习后的分类器用于所述步骤4中对空废宅基地的识别,否则调整分类器参数或者改变学习样本集和测试样本集的划分并且返回到步骤3-1。
进一步地,其特征在于,所述步骤1-3包括:对经过预处理后的遥感影像以矢量地籍数据中宅基地宗地边界作为约束条件分割,使分割结果中的宅基地的边界与矢量地籍数据中的相应边界一致。
进一步地,所述步骤2-2中提取各个子对象的特征包括:房屋的光谱特征、房屋上下文光谱特征,以及庭院上下文光谱特征和植被面积比,并且所述步骤2-3中整合所提取出的各个子对象的特征集合包括:联合以上特征构成宅基地对象上下文多维特征。
进一步地,所述遥感影像为高分辨率遥感影像。
本文所提到的约束分割具体是指:利用矢量地籍数据中宅基地宗地的边界范围约束分割高分遥感影像,为后续对象的空间上下文关系提供合理的范围,并且使得最终提取的宅基地区边界与已有矢量地籍数据库保持一致。本发明所提到的遥感影像包括采用各种方式(例如,卫星、航拍等)所获得一定区域的俯视图像或图像序列,影像的拍摄方向与竖直方向平行或具有一定夹角。
在步骤1(宅基地对象集提取)中,本发明利用矢量地籍数据中的“宗地类型”属性来判断约束分割结果中的对象是否为宅基地对象,将所有宅基地对象构成父对象集。
步骤2(即宅基地对象特征的提取)是本发明方法创新的关键部分,因此,下面对该步骤进行进一步展开说明。
现有面向对象解译方法,在利用光谱、形状、纹理特征时,忽略了空间上下文的特征。本发明方法在该特征提取的步骤中,在光谱、形状、纹理特征的基础上,引入空间上下文多维特征,是提高空废宅基地识别率的重要改进。在本发明方法中,空间上下文多维特征指,能够表现宅基地中房屋、庭院及杂草等对空废宅基具有指示意义的组合、分布等特征,即将宅基地分解为房屋和庭院,并将房屋和庭院再次分解,提取子对象之间的组合特征,最后将再将这些特征联合构成宅基地对象特征。具体包括以下四个步骤:
1)多尺度分割。对父对象集进行多尺度分割(多尺度分割的概念和方法参照eCognition使用手册),分割参数设置可以通过欠分割率确定。欠分割率指在试验区域中,错误分割对象数占总分割对象数比例。当实验多组分割参数而欠分割率相近时,通常取总分割对象数较小的一组参数,以保证子分割对象空间范围的紧凑性。
2)子对象集分类。子对象集包括房屋、庭院。根据矢量地籍数据的详尽程度,如果包含房屋矢量边界,则房屋对象可以在矢量约束下分割,直接提取房屋,同时可以将房屋子对象集在宅基地对象集中的补集作为庭院子对象集;如果矢量边界不包含房屋边界,则可以根据子对象的光谱、形状、纹理特征,分别选取房屋和庭院的样本,训练相应的SVM分类器,对子对象集进行分类,从而得到房屋子对象集和庭院子对象集。需要说明的是,此处分类器与空废宅基地识别的分类器不同,此处的分类器是为了当矢量地籍数据中不含有房屋边界时,区分宅基地子对象中的房屋和庭院而使用,该分类器可以是事先训练好的,也可以是通过样本来训练。
3)子对象特征提取。该步骤主要目的提取子对象集房屋、庭院中与空废宅基地相关的特征。实地调查认为,空废宅基地的房屋多数是一些建设年代较久远,在影像上表现为屋顶暗色调;此外,许多废弃房屋还有不同程度的破损失修,在影像上表现为屋顶纹理的不均匀性;空废宅基地的庭院也因长久无人居住,导致一些杂草甚至灌丛的生长,垃圾堆放无人清扫,在影像中表现为庭院大面积生长植被或者杂乱。因此,提取的子对象特征有房屋的光谱、纹理特征,房屋上下文光谱特征,以及庭院上下文光谱特征和植被面积比。上下文光谱特征的具体计算公式如下:
其中,i指第i波段;Aj、Ak指当前实例A的第j、k个子对象;A指当前房屋对象集的一个对象实例;指当前子对象Aj在波段i中的均值;wkj指子对象Aj的相邻子对象Ak公共边长占对象Aj总边长的比例,nA指实例A的子对象数量。
4)父对象多维特征空间构成。该步骤将上一步中提取的子对象特征联合,构成宅基地对象的多维特征空间,为分类器学习和分类准备。
分类器学习是模式识别理论在本发明方法中的具体应用。如上面所述的,这部分包括三个步骤,下面分别对这三个步骤进行进一步说明:
1)样本集划分。样本集包括空废宅基地和非空废宅基地两类。为验证学习后的分类器在应用到具体分类前的精度,需要将样本集中除学习样本外的另一部分作为测试样本。
2)分类器学习。将学习样本输入到分类器进行学习,是该步骤的任务。分类器的具体选择,没有严格要求,可以是最近邻、决策树、贝叶斯、支持向量机、神经网络等其中的一种。
3)验证测试。为使分类器识别精度能够满足,需要利用测试样本评估,如果难以达到要求的精度,可以返回到步骤1),再次学习,直至满足精度要求。再次学习时,可以增加样本量,调整各种参数或者改变分类器类型等,以便提高学习效率。
在训练好分类器之后,就可以针对未知的宅基地进行空废宅基地识别。空废宅基地识别是利用经过样本训练测试的分类器对空间上下文多维特征表达后的对象集进行识别判断并输出结果的过程。
技术效果
本发明方法引入矢量地籍数据约束分割遥感影像,充分利用已有的数据,得到可靠的分割结果;然后引入多尺度空间结构上下文特征到宅基地对象的多维特征空间;最后采用模式识别思想,进行分类器的学习、判断,有效地提高了空废宅基地识别率,并实现信息提取的自动化。
本发明的方法填补了在智能识别空废宅基地方面的空白,可以大大节省人力成本,有利于国家的土地规划使用。
附图说明
图1是高分遥感影像中空废宅基地自动提取方法技术流程图,其中第1部分是宅基地对象提取部分,第2部分是宅基地对象特征提取部分,第3部分是分类器学习部分,第4部分是空废宅基地识别部分。
具体实施方式
下面结合具体实施例对本发明的空废宅基地信息提取方法进行详细描述。
在本实施例中,所采用的影响为高分辨率遥感影像。为能够清晰提取房屋庭院特征,所用高分遥感影像分辨率应在0.5米以内,地籍数据精度应该在此范围以内。
如图1所示,本实施例中的空废宅基地提取方法主要分成以下四个主要部分:
(一)宅基地对象提取,其包括以下三个子步骤:
M1S 1数据预处理,即对高分影像进行几何校正,以及以矢量地籍数据投影空间为基准进行投影转换。卫星遥感影像,航空遥感影像,或者无人机影像,在获取过程中,都存在着各种几何变形,同时地籍数据通常也都采用地方坐标系。在应用地籍数据时,需对高分影像进行几何校正和投影转换,为保证与地籍数据在空间上的一致性,几何校正精度不得低于地籍数据精度,而且不得超过2个像元。具体校正和投影转换方法可以参考遥感图像处理相关文献或者软件使用说明书,本发明说明书不再累述。
M1S 2,利用矢量地籍数据中宅基地宗地的边界范围约束分割高分遥感影像,为后续对象的空间上下文关系提供合理的范围,并且使得最终提取的宅基地区边界与已有矢量地籍数据库保持一致。本实施例采用Chessboard分割方法,将参数大小设置为超过高分遥感影像行列数的一个值,使用矢量地籍数据作为特征图层,进行分割。Chessboard分割方法的具体过程可参考专业图像解译软件eCognition参考手册。
M1S 3,提取宅基地对象集。利用矢量地籍数据中的“宗地类型”属性,判断约束分割结果中的对象是否为宅基地对象,将所有宅基地对象构成父对象集,记为O={m1,m2,…,mn},mi为其中的一个宅基地对象。
(二)宅基地对象特征提取。该步骤中,将宅基地分解为房屋和庭院,并将房屋和庭院再次分解,提取其子对象之间的特征,最后将再将这些特征联合,构成宅基地对象的特征。当然,在具体实现过程中,不排除根据具体需要将宅基地进行进一步细分。
该步骤的具体实施过程包括以下四个子步骤:
M2S 1多尺度分割。对父对象集进行多尺度分割,分割参数设置可以通过欠分割率确定。欠分割率指在试验区域中,错误分割对象数占总分割对象数比例。当实验多组分割参数而欠分割率相近时,通常取总分割对象数较小的一组参数,以保证子分割对象空间范围的紧凑性。本实施例中,根据遥感图像的分辨率,设置参数:
Scale={10,20,30,40,50},Shape={0.1,0.3,0.5},Compactness=0.5
组合共15组,选取小块实验区域分割,统计同时包含房屋和庭院的斑块数Npart,以及总斑块数Nall,在保证欠分割率Rseg=Npart/Nall不超过一定限值的情况下,尽可能选择Scale,Shape较大的参数组合,以保证分割的斑块较大,反映房屋庭院的本来结构特征。本实施例选取Rseg<0.01,得到分割参数Scale=30,Shape=0.5,Compactness=0.5。对于同等分辨率的遥感影像,分割参数可以参考本实验结果,直接进行分割,而无需再次通过统计欠分割率测试分割参数。
M2S 2子对象集分类。本实施例中,将子对象集分为房屋、庭院两部分。如果矢量地籍数据包含房屋矢量边界,则房屋对象可以在矢量约束下分割宅基地对象集,直接提取房屋,同时可以将房屋子对象集在宅基地对象集中的补集作为庭院子对象集。本实施例中的矢量地籍数据不包含房屋边界。利用分割子对象本身的光谱、形状特征,选取样本和最近邻分类器,对子对象集进行分类,得到房屋子对象集和庭院子对象集。最近邻分类是图像分类中常用的分类器,其具体实现方法可以参考相关技术书籍。
M2S 3子对象特征提取。这里所要提取的特征指子对象集(房屋、庭院)中与空废宅基地相关的特征。
房屋的特征包括光谱特征和空间上下文特征。其中,光谱特征指波段的均值方差指示一些宅基地因年代久远,屋顶色调与新建房屋的区别;空间上下文特征指经过多尺度分割后,房屋对象的子对象之间的统计特征(几何匀质性)、(算术匀质性),用来指示屋顶是否存在破损失修,具体计算公式如下:
其中,i指第i波段;Aj、Ak指当前实例A的第j、k个子对象;A指当前房屋对象集的一个对象实例;指当前子对象Aj在波段i中的均值;wkj指子对象Aj的相邻子对象Ak公共边长占子对象Aj总边长的比例,nA指实例A的子对象数量。
庭院的特征包括植被面积比fplant和庭院的上下文特征 植被面积比是反应庭院的杂草或者灌丛生长情况,是判断空废宅基地的一个显著指标;庭院的上下文特征则从庭院杂乱程度来判断反应是否空置,其具体计算方法与相同。
M2S 4父对象多维空间构成。将通过步骤M2S 3得到的子对象的一系列特征联合,可以构成表达父对象的多维特征空间,如下:
通过以上步骤,宅基地父对象被映射特征空间,构成了后续分类判断的基础。
(三)分类器学习。该步骤利用被标记为样本的宅基地对象,训练分类器并测试分类器,得到从理论上能满足精度要求的分类器。具体包括以下三个子步骤:
M3S 1,样本集划分。被标记的样本包括空废宅基地和非空废宅基地两类。为从理论上对分类器识别精度给出估计,需要在分类前有测试样本集。本实施例将标记的样本集划分为学习样本和测试样本两部分,其中学习样本数量占总体样本集的30%,测试样本为70%。
M3S 2,分类器学***面,由该超平面来判断向量所属类别,尤其适合高维小样本的分类。因此,本实施例选择SVM分类器进行学习分类,其具体原理和实现途径可以参考模式识别、数据挖掘以及遥感图像解译等相关领域书籍或者软件使用手册。
M3S 3,验证测试。该步骤是为测试学习后分类器识别的精度评价,如果测试结果显示识别精度较低,则可以返回步骤M3S 1,或者调整分类器参数;如果满足精度要求,则可以将该分类器存储,并应用于非样本对象的识别。
对于同一相近地区且成像条件相似时,可以利用本次学习的分类器直接进行识别空废宅基地,无需再次进行分类器学习。
(四)空废宅基地识别。对于所有非样本对象,经过步骤(二)的处理,与被映射到特征向量空间中,然后使用步骤(三)得到的满足一定识别精度的分类器,进行是否为空废宅基地的判断。最后,可以将识别结果以矢量图及属性数据的形式输出,也可以以栅格专题图输出。
本实施例的方法利用矢量地籍数据约束分割,并引入多尺度空间结构上文特征,采用模式识别方法识别空废宅基地,实现了空废宅基地信息高精度、自动化提取。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (6)
1.一种基于遥感影像的空废宅基地信息自动提取方法,其特征在于,该方法包括:
步骤1:提取宅基地对象,该步骤包括:
步骤1-1:获取研究区域的遥感影像以及该区域内的矢量地籍数据;
步骤1-2:对所获得的遥感影像进行预处理;
步骤1-3:利用所述矢量地籍数据中的各宅基地边界范围作为约束条件,对所述遥感影像进行分割,得到疑似宅基地对象;
步骤1-4:基于所述矢量地籍数据判断所分割出的对象是否为宅基地对象,并将判断出的所有宅基地对象组成父对象集;
步骤2:提取宅基地对象的特征,该步骤包括:
步骤2-1:对所提取出的每个宅基地对象进行再分割,将每个宅基地对象分解为多个子对象;
步骤2-2:分别提取各个子对象的特征,为每个子对象构建一个特征集合,所提取的子对象的特征包括:房屋的光谱、纹理特征,房屋上下文光谱特征,以及庭院上下文光谱特征和植被面积比;
步骤2-3:整合所提取出的各个子对象的特征集合,构建表示父对象——宅基地对象的多维特征空间;
步骤3:利用作为样本的宅基地对象训练分类器,使所述分类器能够基于所述多维特征空间从宅基地对象中识别出空废宅基地;
步骤4:利用训练后的分类器基于所述多维特征空间对所述遥感影像中的所有非样本宅基地对象进行识别,以便从所述所有非样本宅基地对象中识别出空废宅基地。
2.根据权利要求1所述的基于遥感影像的空废宅基地信息自动提取方法,其特征在于,所述预处理包括对所述遥感影像进行几何校正以及以矢量地籍数据的投影空间为基准进行投影转换,所述子对象包括房屋和庭院。
3.根据权利要求1所述的基于遥感影像的空废宅基地信息自动提取方法,其特征在于,作为样本的宅基地对象也被成像在所述遥感影像中,并且作为样本的宅基地对象包括空废宅基地和非空废宅基地两种类型的样本。
4.根据权利要求1所述的基于遥感影像的空废宅基地信息自动提取方法,其特征在于,所述步骤3包括:步骤3-1,将作为样本的宅基地对象划分为学习样本集和测试样本集;步骤3-2,利用所述学习样本集训练所述分类器,步骤3-3,利用测试样本集对学习后的分类器进行验证测试;步骤3-4,判断学习后的分类器的分类结果是否满足预定精度标准,如果满足预定精度标准则将学习后的分类器用于所述步骤4中对空废宅基地的识别,否则调整分类器参数或者改变学习样本集和测试样本集的划分并且返回到步骤3-1。
5.根据权利要求1所述的基于遥感影像的空废宅基地信息自动提取方法,其特征在于,所述步骤1-3包括:对经过预处理后的遥感影像以矢量地籍数据中宅基地宗地边界作为约束条件分割,使分割结果中的宅基地边界与矢量地籍数据中的相应边界一致。
6.根据权利要求1所述的基于遥感影像的空废宅基地信息自动提取方法,其特征在于,所述方法中,提取特征的过程包括:
1)多尺度分割:对父对象集进行多尺度分割,分割参数设置通过欠分割率确定,欠分割率指在试验区域中,错误分割对象数占总分割对象数比例,当实验多组分割参数而欠分割率相近时,取总分割对象数较小的一组参数,以保证子分割对象空间范围的紧凑性;
2)子对象集分类:子对象集包括房屋、庭院,根据矢量地籍数据的详尽程度,如果包含房屋矢量边界,则房屋对象可以在矢量约束下分割,直接提取房屋,同时将房屋子对象集在宅基地对象集中的补集作为庭院子对象集;如果矢量边界不包含房屋边界,则根据子对象的光谱、形状、纹理特征,分别选取房屋和庭院的样本,训练相应的SVM分类器,对子对象集进行分类,从而得到房屋子对象集和庭院子对象集;
3)子对象特征提取:提取的子对象特征有房屋的光谱、纹理特征,房屋上下文光谱特征,以及庭院上下文光谱特征和植被面积比,上下文光谱特征的具体计算公式如下:
<mrow>
<msubsup>
<mi>f</mi>
<mrow>
<mi>S</mi>
<mi>D</mi>
<mo>_</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>A</mi>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>A</mi>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>c</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>A</mi>
</msub>
</mfrac>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>A</mi>
</msub>
</munderover>
<mo>(</mo>
<msub>
<mover>
<mi>c</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>A</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>c</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>)</mo>
<mo>)</mo>
</mrow>
</msqrt>
</mrow>
<mrow>
<msubsup>
<mi>f</mi>
<mrow>
<mi>A</mi>
<mi>V</mi>
<mi>G</mi>
<mo>_</mo>
<mi>D</mi>
<mi>N</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>A</mi>
</msub>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mover>
<mi>c</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>c</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,i指第i波段;Aj、Ak指当前实例A的第j、k个子对象;A指当前房屋对象集的一个对象实例;指当前子对象Aj在波段i中的均值;wkj指子对象Aj的相邻子对象Ak公共边长占对象Aj总边长的比例,nA指实例A的子对象数量,和分别表示房屋对象的子对象之间的统计特征几何匀质性和算术匀质性;
4)父对象多维特征空间构成:该步骤将上述步骤3)中提取的子对象特征联合,构成宅基地对象的多维特征空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410688271.0A CN104463168B (zh) | 2014-11-25 | 2014-11-25 | 一种基于遥感影像的空废宅基地信息自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410688271.0A CN104463168B (zh) | 2014-11-25 | 2014-11-25 | 一种基于遥感影像的空废宅基地信息自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463168A CN104463168A (zh) | 2015-03-25 |
CN104463168B true CN104463168B (zh) | 2017-09-29 |
Family
ID=52909182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410688271.0A Active CN104463168B (zh) | 2014-11-25 | 2014-11-25 | 一种基于遥感影像的空废宅基地信息自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463168B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899330A (zh) * | 2015-06-24 | 2015-09-09 | 四川鱼鳞图信息技术股份有限公司 | 一种基于宗地边界线中心垂线快速查找宗地四至的方法 |
CN105608474B (zh) * | 2015-12-30 | 2019-07-09 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
CN109886171B (zh) * | 2019-02-01 | 2021-07-23 | 北京大学 | 遥感影像地理场景的分割方法及装置 |
CN111126127B (zh) * | 2019-10-23 | 2022-02-01 | 武汉大学 | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 |
CN111598048B (zh) * | 2020-05-31 | 2021-06-15 | 中国科学院地理科学与资源研究所 | 一种融合高分遥感影像和街景影像的城中村识别方法 |
CN112036246B (zh) * | 2020-07-30 | 2021-08-24 | 长安大学 | 遥感影像分类模型的构建方法,遥感影像分类方法及*** |
CN115272854B (zh) * | 2022-07-27 | 2023-08-15 | 清华大学 | 基于多源信息分析的棕地识别方法及产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832769A (zh) * | 2010-03-30 | 2010-09-15 | 中国农业大学 | 一种基于近景摄影估算矿区植被覆盖度的方法和*** |
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
-
2014
- 2014-11-25 CN CN201410688271.0A patent/CN104463168B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832769A (zh) * | 2010-03-30 | 2010-09-15 | 中国农业大学 | 一种基于近景摄影估算矿区植被覆盖度的方法和*** |
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
Non-Patent Citations (3)
Title |
---|
"基于数据挖掘的城镇存量建设用地识别研究";刘怡;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20121015(第10期);第56-66、81、86-91页 * |
"结合地籍数据的高密度城区面向对象遥感分类";余其鹏 等;《遥感技术与应用》;20140430;第29卷(第2期);全文 * |
"面向对象分类技术的景观信息获取";胡慧萍;《中国优秀硕士学位论文全文数据库 基础科学辑》;20071215(第6期);第14-16、42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463168A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其*** | |
Shendryk et al. | Mapping individual tree health using full-waveform airborne laser scans and imaging spectroscopy: A case study for a floodplain eucalypt forest | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN109816581A (zh) | 一种综合业态大数据与建筑形态的城市用地自动识别*** | |
CN110378909A (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN105809194B (zh) | 一种sar影像翻译为光学影像的方法 | |
CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
Liu et al. | Establishing a citywide street tree inventory with street view images and computer vision techniques | |
Rich et al. | Detecting wind disturbance severity and canopy heterogeneity in boreal forest by coupling high-spatial resolution satellite imagery and field data | |
CN109543630A (zh) | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 | |
CN107423537A (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
CN110163836A (zh) | 基于深度学习用于高空巡检下的挖掘机检测方法 | |
CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
CN104268423A (zh) | 大尺度动态演化沙尘型气溶胶反演方法 | |
CN109447160A (zh) | 一种影像和矢量道路交叉点自动匹配的方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
Fei et al. | Remote sensing of mangrove wetlands identification | |
CN106910188A (zh) | 基于深度学习的遥感影像中机场跑道的检测方法 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN107392237A (zh) | 一种基于迁移视觉信息的交叉域地基云图分类方法 | |
CN104573662B (zh) | 一种云判方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |