面向?qū)ο蟮母叻钟跋穹课萏崛》椒▽Ρ确治?/h1>
2020-09-17 01:45:40劉新宇劉洋
網(wǎng)絡安全技術(shù)與應用 2020年9期
◆劉新宇 劉洋
安全模型、算法與編程
面向?qū)ο蟮母叻钟跋穹课萏崛》椒▽Ρ确治?/p>
◆劉新宇1劉洋2
（1.青島科技大學信息科學技術(shù)學院 山東 266000；2.山東科技大學測繪科學與工程學院 山東 266590）
本文對研究區(qū)影像進行基于邊緣檢測的多尺度分割，運用基于規(guī)則的信息提取和基于樣本的信息提取方法進行分類?；谝?guī)則的信息提取處理過程中考慮影像的光譜、形狀、紋理等特征；在基于樣本的信息提取方法中，用PCA、SVM、KNN進行信息提取。將目視解譯結(jié)果當作驗證樣本，進行精度評價?；谝?guī)則的提取方法對漏分現(xiàn)象處理最佳，制圖精度最高；基于支持向量機的信息提取總體精度高達92.19%，Kappa系數(shù)達到0.78，基于支持向量機方法更適合房屋信息提取。
面向?qū)ο?；高分影像；房屋提??；多尺度分?/p>
房屋的準確提取是人口統(tǒng)計、城市管理、環(huán)境質(zhì)量評估的重要依據(jù)。傳統(tǒng)基于像元的分類提取方法主要是針對中低分辨率的影像，對圖像解譯存在弊端，且分類精度較低。隨著遙感技術(shù)的發(fā)展，以多邊形對象為基本分類單元的面向?qū)ο蠓诸惙椒ㄌ崛⌒畔?，成為研究的熱點問題。
1 研究區(qū)及技術(shù)路線
研究地點為山東省青島市黃島區(qū)某工廠居住區(qū)，一幅空間分辨率為0.6m、大小為722m×542m的高分辨率空間影像圖（圖1）。圖中包含房屋、綠地、道路等多種地物。
高分影像的信息提取包括圖像分割和對象提取兩部分，影像對象信息提取部分采用基于規(guī)則和基于樣本的面向?qū)ο笮畔⑻崛》椒ǚ謩e提取房屋信息。技術(shù)路線如圖2所示。
圖1 0.6 m分辨率研究區(qū)影像
2 高分辨率影像多尺度分割
2.1 多尺度分割技術(shù)
多尺度分割是逐像元與周圍像元進行計算，如果通過合并，兩相鄰對象和的異質(zhì)性程度會小于給定的閾值，則將兩像元合并，否則不進行合并，然后建立自下而上的多尺度分割的層次結(jié)構(gòu)從而精確劃分出不同地物。若分割尺度不合適，會使得在圖像分割的過程中出現(xiàn)過分割或者欠分割的現(xiàn)象。將分割尺度分別設置為50和80，從分割結(jié)果（圖3）中可以看出，分割尺度不同，分割對象效果也會有差異。
圖2 技術(shù)路線
圖3 分割效果對比圖
Castilla認為是否存在欠分割和過分割可以作為評價圖像分割結(jié)果的標準[6]。黃慧平認為若分割對象內(nèi)部具有較小的異質(zhì)性，而分割對象之間的異質(zhì)性較大時，則可以作為最優(yōu)分割尺度。
2.2 基于邊緣特征的多尺度分割
基于邊緣的多尺度分割算法，先檢測影像邊緣像元位置，將檢測的像元連接就可以接到影像對象的邊界。運用基于Canny算子的邊緣檢測算法分割影像對象，該算子是一種經(jīng)典的邊緣檢測算子，其為高斯函數(shù)的一階導數(shù)，包括以下準則：
（1）信噪比準則，能夠很大程度的標出地物的實際邊緣信息：
其中，G（x）表示邊緣；f（x）表示濾波器的脈沖響應；n0指高斯噪聲均方根的值。信噪比計算結(jié)果高低與緣提取效果成正比。
（2）定位精度準則，使得實際地物與分割識別邊緣之間的差值最?。?/p>
若其比值較高，則邊緣定位會更精確。
（3）單邊相應準則，邊緣只被識別一次，對噪聲不予識別：
用Canny算子檢測邊緣信息的流程如下：
（1）利用高斯函數(shù)公式平滑影像，可以消除噪聲。
（2）在各像素點上，計算梯度值及其方向。
（3）若非最大值抑制應用于梯度幅度，對雙邊緣進行取消操作。
（4）利用雙閾值和邊緣檢測進行跟蹤識別，可以識別地物的邊緣輪廓。
圖4 邊緣特征分割效果圖
3 面向?qū)ο笮畔⑻崛?/h2>3.1 基于規(guī)則的面向?qū)ο笮畔⑻崛?/h3>
在多尺度分割結(jié)束后，得到由同質(zhì)像素構(gòu)成的多邊形影像對象作為研究的基本分類單位。光譜特征表示地表對電磁輻射的反射輻射通量，不同類別地物的反射能力會有明顯區(qū)別，通常單個地物或地物的某些成分的光譜信息是一致的。形狀特征的計算包括基于地物輪廓的計算和基于區(qū)域的計算，輪廓計算依據(jù)地物的邊緣，區(qū)域計算需要結(jié)合研究的整個地區(qū)。對房屋矢量化后，可以運用點坐標計算的協(xié)方差矩陣能夠反映房屋的形狀信息。紋理特征對應于對地物表面的特性，需要分析整個研究區(qū)進行。具有旋轉(zhuǎn)不變的特點，能夠抵抗噪聲，是圖像解譯時分析提取目標地物的重要參考因素。
基于上述原理，得到居民房屋提取效果對比圖（圖5）。
圖5 基于規(guī)則的面向?qū)ο筇崛⌒Ч麍D
3.2 基于樣本的面向?qū)ο笮畔⑻崛?/h3>
基于樣本的面向?qū)ο蠓课菪畔⑻崛?，是一種介于監(jiān)督的分類方法。本文將主成分分析（PCA）、支持向量機（SVM）、K近鄰方法（KNN）分別作為分類器進行房屋提取并對結(jié)果進行比較分析。
PCA表示一種運用統(tǒng)計知識換算下的正交線性變換。可以刪除過量信息，同時可以壓縮影像信息。第一主成分（PC1）包含影像所有波段中80%的方差信息量，第二、三主成分涵蓋的信息量會逐漸降低，通常前三個主成分可以包含95%以上的信息[7]，到最后成分大都為噪聲，無法提供有用信息。
SVM表示一種輸入空間的輸入量x，經(jīng)過一種非線性變換將其轉(zhuǎn)換到一種高維具有某種特征的空間，然后可以在該空間中建立一些便于數(shù)據(jù)分析的最優(yōu)分類超平面或線性的函數(shù)模型。根據(jù)統(tǒng)計學知識，如果有某種核函數(shù)
符合Mercer前提，則可以認為這一函數(shù)對應了某種特征空間變換的內(nèi)積，同時可以得出在高維空間最優(yōu)分類超平面的決策公式：
式中，αi代表支持向量的非零數(shù)，b代表偏置數(shù)。支持向量機具有稀疏性，絕大多數(shù)αi為0。所以，對樣本數(shù)量的要求不高，減少了數(shù)據(jù)量。
KNN中選擇某樣本，選定與其周圍K個的特征空間最近鄰樣本，如果這K個樣本的絕大部分為一類，可以認為這一未知樣本同樣為此類。待分類地物與已選定的樣本之間的距離可以通過函數(shù)斜率與最小隸屬度閾值來計算。待分類地物與已選定的樣本之間的距離可以通過函數(shù)斜率（function slope）與最小隸屬度閾值來計算，樣本對象和待分類樣本的距離d計算公式為：
其中，v（）表示樣本對象特征的數(shù)值；v（）表示待分類樣本的特征數(shù)值；σ是特征的各特征值之間的標準差。
根據(jù)求得的距離可以多維指數(shù)的隸屬度函數(shù)進一步計算出待分類樣本與已知類別樣本的隸屬關(guān)系：
式中，k可以如下表示：
基于以上三種方法下的房屋提取對比結(jié)果如圖6。
圖6 基于樣本的面向?qū)ο筇崛⌒Ч麍D
4 提取結(jié)果及精度評價
4.1 提取結(jié)果對比分析
目視解譯在解譯過程中要參考圖像的色調(diào)、紋理、顏色、形狀、空間關(guān)系等特征，綜合先驗知識和數(shù)據(jù)資料進行分析。目視解譯分類結(jié)果會比較真實可靠，是計算機分類所不能代替的解譯方法。
假定目視解譯結(jié)果精確，將目視解譯結(jié)果作為驗證樣本，對本文各分類結(jié)果進行對比分析和精度評價。對比結(jié)果如圖7。
圖7 實驗結(jié)果對比圖
通過對比，可以看出，各分類結(jié)果與目視解譯結(jié)果都有一定差距，存在錯分、漏分現(xiàn)象，基于規(guī)則的面向?qū)ο筇幚硇Ч^好，而基于樣本分類方法存在較多的碎小斑塊，但其提取的房屋內(nèi)部完整性較好。
4.2 精度評價
精度評價指分析分類結(jié)果與可靠數(shù)據(jù)之間的相近程度，分析分類方法的可行性。本文將通過混淆矩陣對各分類結(jié)果的準確程度做評價。利用各類方法提取房屋精度評價結(jié)果如表1所示：
表1 不同提取方法精度比較
由表1可以得出，各類提取方法提取結(jié)果總體分類效果較好。基于規(guī)則的分類漏洞分析現(xiàn)象處理較好，但在各類方法的結(jié)果中，基于SVM的方法提取精度略高，Kappa系數(shù)為0.78，總體精度最高達到92.19%。總體來說，基于樣本的面向?qū)ο筇崛】傮w精度要優(yōu)于基于規(guī)則的面向?qū)ο筇崛?，運用基于SVM提取房屋可以達到較好精度。
5 總結(jié)
通過研究我們可以發(fā)現(xiàn)，選擇最優(yōu)分割尺度是后續(xù)有效提取分析識別目標對象的基礎，在分割過程中借助多種分割算子可以達到一個更佳的分割效果。此外，運用不同的分類方法，提取結(jié)果的精度也會存在差異，分類方法選擇也是影像提取效果的關(guān)鍵，對最佳分割尺度以及地物邊界、結(jié)構(gòu)完整性等信息提取精度優(yōu)化等問題則需要進一步的研究和改進。
[1]劉佳雨.利用面向?qū)ο蟮男畔⑻崛〖夹g(shù)進行城市用地分類[J].西部資源，2016（4）：156-159，171.
[2]關(guān)元秀，朱繼東，顧文俊.面向?qū)ο蟮腎KONOS影像信息提取方法[C].中國地質(zhì)學會會議論文集.武漢：地質(zhì)出版社，2004：230-233.
[3]龔麗霞，李強，張景發(fā)，等.面向?qū)ο蟮姆课菡鸷ψ兓瘷z測方法[J].地震，2013，33（2）：109-114.
[4]郭怡帆，張錦，衛(wèi)東.面向?qū)ο蟮母叻直媛蔬b感影像建筑物輪廓提取研究[J].測繪通報，2014（S1）：300-303.
[5]牟鳳云，羅丹，官冬杰，等.面向?qū)ο蟮耐恋馗采w信息提取方法研究及應用[J].重慶交通大學學報（自然科學版），2014，33（6）：105-108+160.
[6]朱俊杰，范湘濤，杜小平.面向?qū)ο蟮母叻直媛蔬b感圖像分析[M].北京：科學出版社，2014：175.
[7]韋玉春，湯國安，汪閩，等.遙感數(shù)字圖像處理教程[M].北京：科學出版社，2016：312.
[9]杜成文.基于改進KAZE雙目視覺立體匹配算法的研究[D].廣州：廣東工業(yè)大學，2016：66.
[10]陳金鳳，程乾.高分1號融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究[J].杭州師范大學學報（自然科學版），2015，14（1）：38-43.
[11]盧興，陳曉勇.邊緣檢測與面向?qū)ο蠼Y(jié)合的高分影像建筑物提取[J].江西科學，2018，36（2）：220-224+231.
[12]劉充.基于資源三號衛(wèi)星遙感影像的城市綠地信息提取方法研究[D].太原：太原理工大學，2014：61.
[13]熊增連，潘建平，陽春花.面向?qū)ο蟮姆课萏卣餍畔⒆詣犹崛》椒╗J].地理空間信息，2015，13（5）：16-18.
[14]翟天林，金貴，鄧祥征，等.植被信息的Landsat8影像提取方法[J].測繪科學，2016（10）：126-131+158.
[15]羅三定，胡櫻.基于樣本分析的圖像識別分類模型[J].計算機應用研究，2007，24（11）：309-311.
[16]楊永紅.基于支持向量機的圖像分割算法設計[J].科技情報與開發(fā)經(jīng)濟，2014，24（20）：122-124.
[17]陳亮，郭雷，高世偉.一種基于多尺度梯度的邊緣提取方法[J].計算機應用，2008，28（12）：3129-3131.
[18]盧興.基于分層次多尺度分割的高分遙感影像分類研究[D].南昌：東華理工大學，2018：73.
[19]黃昕.高分辨率遙感信息處理[M].北京：科學出版社，2018：240.
猜你喜歡
財產(chǎn)的五大尺度和五重應對內(nèi)蒙古民族大學學報(社會科學版)(2020年2期)2020-11-06 09:08:52 面向?qū)ο蟮挠嬎銠C網(wǎng)絡設計軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應用電測與儀表(2017年24期)2017-12-19 05:15:24 一張圖看懂邊緣計算通信產(chǎn)業(yè)報(2016年44期)2017-03-13 08:41:45 宇宙的尺度太空探索(2016年5期)2016-07-12 15:17:55 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25 9時代英語·高三(2014年5期)2014-08-26 17:01:17 面向?qū)ο笮畔⑻崛≈杏跋穹指顓?shù)的選擇河南科技(2014年10期)2014-02-27 14:09:03 室外雕塑的尺度雕塑(2000年2期)2000-06-22 16:13:30 在邊緣尋找自我雕塑(1999年2期)1999-06-28 05:01:42
◆劉新宇 劉洋
安全模型、算法與編程
面向?qū)ο蟮母叻钟跋穹课萏崛》椒▽Ρ确治?/p>
◆劉新宇1劉洋2
（1.青島科技大學信息科學技術(shù)學院 山東 266000；2.山東科技大學測繪科學與工程學院 山東 266590）
本文對研究區(qū)影像進行基于邊緣檢測的多尺度分割，運用基于規(guī)則的信息提取和基于樣本的信息提取方法進行分類?；谝?guī)則的信息提取處理過程中考慮影像的光譜、形狀、紋理等特征；在基于樣本的信息提取方法中，用PCA、SVM、KNN進行信息提取。將目視解譯結(jié)果當作驗證樣本，進行精度評價?；谝?guī)則的提取方法對漏分現(xiàn)象處理最佳，制圖精度最高；基于支持向量機的信息提取總體精度高達92.19%，Kappa系數(shù)達到0.78，基于支持向量機方法更適合房屋信息提取。
面向?qū)ο?；高分影像；房屋提??；多尺度分?/p>
房屋的準確提取是人口統(tǒng)計、城市管理、環(huán)境質(zhì)量評估的重要依據(jù)。傳統(tǒng)基于像元的分類提取方法主要是針對中低分辨率的影像，對圖像解譯存在弊端，且分類精度較低。隨著遙感技術(shù)的發(fā)展，以多邊形對象為基本分類單元的面向?qū)ο蠓诸惙椒ㄌ崛⌒畔?，成為研究的熱點問題。
1 研究區(qū)及技術(shù)路線
研究地點為山東省青島市黃島區(qū)某工廠居住區(qū)，一幅空間分辨率為0.6m、大小為722m×542m的高分辨率空間影像圖（圖1）。圖中包含房屋、綠地、道路等多種地物。
高分影像的信息提取包括圖像分割和對象提取兩部分，影像對象信息提取部分采用基于規(guī)則和基于樣本的面向?qū)ο笮畔⑻崛》椒ǚ謩e提取房屋信息。技術(shù)路線如圖2所示。
圖1 0.6 m分辨率研究區(qū)影像
2 高分辨率影像多尺度分割
2.1 多尺度分割技術(shù)
多尺度分割是逐像元與周圍像元進行計算，如果通過合并，兩相鄰對象和的異質(zhì)性程度會小于給定的閾值，則將兩像元合并，否則不進行合并，然后建立自下而上的多尺度分割的層次結(jié)構(gòu)從而精確劃分出不同地物。若分割尺度不合適，會使得在圖像分割的過程中出現(xiàn)過分割或者欠分割的現(xiàn)象。將分割尺度分別設置為50和80，從分割結(jié)果（圖3）中可以看出，分割尺度不同，分割對象效果也會有差異。
圖2 技術(shù)路線
圖3 分割效果對比圖
Castilla認為是否存在欠分割和過分割可以作為評價圖像分割結(jié)果的標準[6]。黃慧平認為若分割對象內(nèi)部具有較小的異質(zhì)性，而分割對象之間的異質(zhì)性較大時，則可以作為最優(yōu)分割尺度。
2.2 基于邊緣特征的多尺度分割
基于邊緣的多尺度分割算法，先檢測影像邊緣像元位置，將檢測的像元連接就可以接到影像對象的邊界。運用基于Canny算子的邊緣檢測算法分割影像對象，該算子是一種經(jīng)典的邊緣檢測算子，其為高斯函數(shù)的一階導數(shù)，包括以下準則：
（1）信噪比準則，能夠很大程度的標出地物的實際邊緣信息：
其中，G（x）表示邊緣；f（x）表示濾波器的脈沖響應；n0指高斯噪聲均方根的值。信噪比計算結(jié)果高低與緣提取效果成正比。
（2）定位精度準則，使得實際地物與分割識別邊緣之間的差值最?。?/p>
若其比值較高，則邊緣定位會更精確。
（3）單邊相應準則，邊緣只被識別一次，對噪聲不予識別：
用Canny算子檢測邊緣信息的流程如下：
（1）利用高斯函數(shù)公式平滑影像，可以消除噪聲。
（2）在各像素點上，計算梯度值及其方向。
（3）若非最大值抑制應用于梯度幅度，對雙邊緣進行取消操作。
（4）利用雙閾值和邊緣檢測進行跟蹤識別，可以識別地物的邊緣輪廓。
圖4 邊緣特征分割效果圖
3 面向?qū)ο笮畔⑻崛?/h2>3.1 基于規(guī)則的面向?qū)ο笮畔⑻崛?/h3>
在多尺度分割結(jié)束后，得到由同質(zhì)像素構(gòu)成的多邊形影像對象作為研究的基本分類單位。光譜特征表示地表對電磁輻射的反射輻射通量，不同類別地物的反射能力會有明顯區(qū)別，通常單個地物或地物的某些成分的光譜信息是一致的。形狀特征的計算包括基于地物輪廓的計算和基于區(qū)域的計算，輪廓計算依據(jù)地物的邊緣，區(qū)域計算需要結(jié)合研究的整個地區(qū)。對房屋矢量化后，可以運用點坐標計算的協(xié)方差矩陣能夠反映房屋的形狀信息。紋理特征對應于對地物表面的特性，需要分析整個研究區(qū)進行。具有旋轉(zhuǎn)不變的特點，能夠抵抗噪聲，是圖像解譯時分析提取目標地物的重要參考因素。
基于上述原理，得到居民房屋提取效果對比圖（圖5）。
圖5 基于規(guī)則的面向?qū)ο筇崛⌒Ч麍D
3.2 基于樣本的面向?qū)ο笮畔⑻崛?/h3>
基于樣本的面向?qū)ο蠓课菪畔⑻崛?，是一種介于監(jiān)督的分類方法。本文將主成分分析（PCA）、支持向量機（SVM）、K近鄰方法（KNN）分別作為分類器進行房屋提取并對結(jié)果進行比較分析。
PCA表示一種運用統(tǒng)計知識換算下的正交線性變換。可以刪除過量信息，同時可以壓縮影像信息。第一主成分（PC1）包含影像所有波段中80%的方差信息量，第二、三主成分涵蓋的信息量會逐漸降低，通常前三個主成分可以包含95%以上的信息[7]，到最后成分大都為噪聲，無法提供有用信息。
SVM表示一種輸入空間的輸入量x，經(jīng)過一種非線性變換將其轉(zhuǎn)換到一種高維具有某種特征的空間，然后可以在該空間中建立一些便于數(shù)據(jù)分析的最優(yōu)分類超平面或線性的函數(shù)模型。根據(jù)統(tǒng)計學知識，如果有某種核函數(shù)
符合Mercer前提，則可以認為這一函數(shù)對應了某種特征空間變換的內(nèi)積，同時可以得出在高維空間最優(yōu)分類超平面的決策公式：
式中，αi代表支持向量的非零數(shù)，b代表偏置數(shù)。支持向量機具有稀疏性，絕大多數(shù)αi為0。所以，對樣本數(shù)量的要求不高，減少了數(shù)據(jù)量。
KNN中選擇某樣本，選定與其周圍K個的特征空間最近鄰樣本，如果這K個樣本的絕大部分為一類，可以認為這一未知樣本同樣為此類。待分類地物與已選定的樣本之間的距離可以通過函數(shù)斜率與最小隸屬度閾值來計算。待分類地物與已選定的樣本之間的距離可以通過函數(shù)斜率（function slope）與最小隸屬度閾值來計算，樣本對象和待分類樣本的距離d計算公式為：
其中，v（）表示樣本對象特征的數(shù)值；v（）表示待分類樣本的特征數(shù)值；σ是特征的各特征值之間的標準差。
根據(jù)求得的距離可以多維指數(shù)的隸屬度函數(shù)進一步計算出待分類樣本與已知類別樣本的隸屬關(guān)系：
式中，k可以如下表示：
基于以上三種方法下的房屋提取對比結(jié)果如圖6。
圖6 基于樣本的面向?qū)ο筇崛⌒Ч麍D
4 提取結(jié)果及精度評價
4.1 提取結(jié)果對比分析
目視解譯在解譯過程中要參考圖像的色調(diào)、紋理、顏色、形狀、空間關(guān)系等特征，綜合先驗知識和數(shù)據(jù)資料進行分析。目視解譯分類結(jié)果會比較真實可靠，是計算機分類所不能代替的解譯方法。
假定目視解譯結(jié)果精確，將目視解譯結(jié)果作為驗證樣本，對本文各分類結(jié)果進行對比分析和精度評價。對比結(jié)果如圖7。
圖7 實驗結(jié)果對比圖
通過對比，可以看出，各分類結(jié)果與目視解譯結(jié)果都有一定差距，存在錯分、漏分現(xiàn)象，基于規(guī)則的面向?qū)ο筇幚硇Ч^好，而基于樣本分類方法存在較多的碎小斑塊，但其提取的房屋內(nèi)部完整性較好。
4.2 精度評價
精度評價指分析分類結(jié)果與可靠數(shù)據(jù)之間的相近程度，分析分類方法的可行性。本文將通過混淆矩陣對各分類結(jié)果的準確程度做評價。利用各類方法提取房屋精度評價結(jié)果如表1所示：
表1 不同提取方法精度比較
由表1可以得出，各類提取方法提取結(jié)果總體分類效果較好。基于規(guī)則的分類漏洞分析現(xiàn)象處理較好，但在各類方法的結(jié)果中，基于SVM的方法提取精度略高，Kappa系數(shù)為0.78，總體精度最高達到92.19%。總體來說，基于樣本的面向?qū)ο筇崛】傮w精度要優(yōu)于基于規(guī)則的面向?qū)ο筇崛?，運用基于SVM提取房屋可以達到較好精度。
5 總結(jié)
通過研究我們可以發(fā)現(xiàn)，選擇最優(yōu)分割尺度是后續(xù)有效提取分析識別目標對象的基礎，在分割過程中借助多種分割算子可以達到一個更佳的分割效果。此外，運用不同的分類方法，提取結(jié)果的精度也會存在差異，分類方法選擇也是影像提取效果的關(guān)鍵，對最佳分割尺度以及地物邊界、結(jié)構(gòu)完整性等信息提取精度優(yōu)化等問題則需要進一步的研究和改進。
[1]劉佳雨.利用面向?qū)ο蟮男畔⑻崛〖夹g(shù)進行城市用地分類[J].西部資源，2016（4）：156-159，171.
[2]關(guān)元秀，朱繼東，顧文俊.面向?qū)ο蟮腎KONOS影像信息提取方法[C].中國地質(zhì)學會會議論文集.武漢：地質(zhì)出版社，2004：230-233.
[3]龔麗霞，李強，張景發(fā)，等.面向?qū)ο蟮姆课菡鸷ψ兓瘷z測方法[J].地震，2013，33（2）：109-114.
[4]郭怡帆，張錦，衛(wèi)東.面向?qū)ο蟮母叻直媛蔬b感影像建筑物輪廓提取研究[J].測繪通報，2014（S1）：300-303.
[5]牟鳳云，羅丹，官冬杰，等.面向?qū)ο蟮耐恋馗采w信息提取方法研究及應用[J].重慶交通大學學報（自然科學版），2014，33（6）：105-108+160.
[6]朱俊杰，范湘濤，杜小平.面向?qū)ο蟮母叻直媛蔬b感圖像分析[M].北京：科學出版社，2014：175.
[7]韋玉春，湯國安，汪閩，等.遙感數(shù)字圖像處理教程[M].北京：科學出版社，2016：312.
[9]杜成文.基于改進KAZE雙目視覺立體匹配算法的研究[D].廣州：廣東工業(yè)大學，2016：66.
[10]陳金鳳，程乾.高分1號融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究[J].杭州師范大學學報（自然科學版），2015，14（1）：38-43.
[11]盧興，陳曉勇.邊緣檢測與面向?qū)ο蠼Y(jié)合的高分影像建筑物提取[J].江西科學，2018，36（2）：220-224+231.
[12]劉充.基于資源三號衛(wèi)星遙感影像的城市綠地信息提取方法研究[D].太原：太原理工大學，2014：61.
[13]熊增連，潘建平，陽春花.面向?qū)ο蟮姆课萏卣餍畔⒆詣犹崛》椒╗J].地理空間信息，2015，13（5）：16-18.
[14]翟天林，金貴，鄧祥征，等.植被信息的Landsat8影像提取方法[J].測繪科學，2016（10）：126-131+158.
[15]羅三定，胡櫻.基于樣本分析的圖像識別分類模型[J].計算機應用研究，2007，24（11）：309-311.
[16]楊永紅.基于支持向量機的圖像分割算法設計[J].科技情報與開發(fā)經(jīng)濟，2014，24（20）：122-124.
[17]陳亮，郭雷，高世偉.一種基于多尺度梯度的邊緣提取方法[J].計算機應用，2008，28（12）：3129-3131.
[18]盧興.基于分層次多尺度分割的高分遙感影像分類研究[D].南昌：東華理工大學，2018：73.
[19]黃昕.高分辨率遙感信息處理[M].北京：科學出版社，2018：240.
猜你喜歡
內(nèi)蒙古民族大學學報(社會科學版)(2020年2期)2020-11-06 09:08:52
電子測試(2018年15期)2018-09-26 06:01:34
電測與儀表(2017年24期)2017-12-19 05:15:24
通信產(chǎn)業(yè)報(2016年44期)2017-03-13 08:41:45
太空探索(2016年5期)2016-07-12 15:17:55
現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25
時代英語·高三(2014年5期)2014-08-26 17:01:17
河南科技(2014年10期)2014-02-27 14:09:03
雕塑(2000年2期)2000-06-22 16:13:30
雕塑(1999年2期)1999-06-28 05:01:42
