最優(yōu)尺度下的面向?qū)ο蠼ㄖ锾崛?/h1>
2022-09-10 13:53:40李慧李志娟張東華
遙感信息 2022年3期
李慧，李志娟，張東華
(1.內(nèi)蒙古自治區(qū)測繪地理信息中心，呼和浩特 010010；2.中國地質(zhì)大學(xué)(北京) 土地科學(xué)技術(shù)學(xué)院，北京 100083；3.內(nèi)蒙古農(nóng)業(yè)大學(xué) 水利與土木建筑工程學(xué)院，呼和浩特 010010)
0 引言
隨著傳感器和人工智能技術(shù)的發(fā)展，遙感影像地物自動(dòng)提取的研究已成為熱點(diǎn)。但遙感影像分辨率的提高直接影響光譜特征的穩(wěn)定性，致使地物的結(jié)構(gòu)特征成為分類的主要依據(jù)，因此，基于對(duì)象的圖像分析在研究中得到了重視[1]。面向?qū)ο蟮慕ㄖ锾崛》椒ㄈ娣治龅匚锏墓庾V、紋理、形狀等多種特征，能夠在一定程度上緩解椒鹽噪聲和“同物異譜，同譜異物”現(xiàn)象的出現(xiàn)[2]。面向?qū)ο蠓诸惙譃橛跋穹指?、特征選擇、分類三個(gè)主要過程，大量研究表明，遙感影像的分割尺度、特征的數(shù)量與質(zhì)量、分類器的選擇這三種因素都會(huì)對(duì)最終的分類精度產(chǎn)生較大影響[3-4]。
在面向?qū)ο蟮倪b感影像分析中，最優(yōu)尺度著重于影像的空間分辨率和影像分割尺度，最優(yōu)尺度的選擇問題實(shí)際上就是對(duì)各類別提取的最優(yōu)影像分割尺度問題，但在確定尺度之前需要選擇一種較大的空間分辨率能使面積最小類別被識(shí)別出來[5]。Woodcock等[6]認(rèn)為最優(yōu)尺度是由地表所固有的空間結(jié)構(gòu)、信息提取的方法與對(duì)結(jié)果信息輸出的要求共同決定的。已有的空間尺度選擇方法目前主要包括基于變異函數(shù)的方法、最大面積法、基于離散度的方法等?，F(xiàn)有的各種方法都存在一些自身的不足。因此，本文提出改進(jìn)的方差法，判斷當(dāng)分割對(duì)象與實(shí)際地物匹配程度達(dá)到最好時(shí)的尺度為最優(yōu)尺度。
本文采用最優(yōu)尺度的面向?qū)ο蠓椒ɑ谧顑?yōu)尺度構(gòu)建特征知識(shí)，實(shí)現(xiàn)分層分類的建筑物提取。
1 研究區(qū)與研究方法
1.1 研究區(qū)概況
研究區(qū)為武漢市武漢大學(xué)附近，地理位置位于114°20′E～114°22′E，30°31′N～30°33′N之間，坐擁珞珈山，環(huán)繞東湖水。本文使用SPOT 5衛(wèi)星影像作為數(shù)據(jù)源，利用遙感圖像處理平臺(tái)ENVI對(duì)影像進(jìn)行預(yù)處理，包括大氣校正、影像融合等內(nèi)容。大氣校正采用大氣校正模型FLAASH方法進(jìn)行校正，最終通過融合得到覆蓋研究區(qū)融合影像。研究方法流程如圖1所示。
1.2 研究方法
多尺度分割的尺度是影像多邊形目標(biāo)異質(zhì)性最小的閾值，分割尺度這個(gè)參數(shù)對(duì)影像對(duì)象的信息(包括大小、數(shù)量)會(huì)產(chǎn)生直接的影響。尺度值越小，生成結(jié)果的分割層內(nèi)對(duì)象數(shù)目越大，面積也會(huì)越小，同樣尺度越大，造成的結(jié)果相反。所以對(duì)每幅影像來說，多尺度分割都存在著特殊的尺度，尺度的大小最終會(huì)影響信息提取的精度。
圖像分割可以說是一個(gè)目標(biāo)匹配的過程[7]，往往是通過分割后得到的多邊形對(duì)象是否能夠與目標(biāo)特征一致這一標(biāo)準(zhǔn)判斷分割結(jié)果的好壞。當(dāng)分類目標(biāo)對(duì)象太小時(shí)，一些小的影像目標(biāo)會(huì)被大的影像目標(biāo)“淹沒”；反之會(huì)出現(xiàn)分割結(jié)果“破碎”的現(xiàn)象，導(dǎo)致影像多邊形對(duì)象不能準(zhǔn)確反映分類目標(biāo)對(duì)象的特征，最終影響遙感影像分類的精度。
2 實(shí)驗(yàn)與結(jié)果分析
2.1 面向?qū)ο蠓诸惙椒?/h3>
1)最優(yōu)尺度的選擇。為了分析多尺度分割對(duì)于遙感影像信息提取的影響，本文利用SPOT 5影像探討對(duì)象分割、最優(yōu)尺度的選擇、特征的選取、分類體系與分類方法的選擇，最終完成整個(gè)信息提取的過程。
為此構(gòu)建分割效果的指標(biāo)即面積方差(式(1))，用這個(gè)指標(biāo)來表示所需提取地物類型的分割對(duì)象與實(shí)際地物目標(biāo)的匹配程度，通過比較判斷將較好匹配程度的分割尺度定為最優(yōu)尺度。
(1)
式中：S2為面積方差；ni為第i類類別多尺度分割得到的對(duì)象個(gè)數(shù)；m為整幅影像范圍內(nèi)同種類型的目標(biāo)類別總數(shù)；Srealj和Ssegji分別為第j個(gè)目標(biāo)地物的實(shí)際面積與其通過多尺度分割生成的對(duì)象面積。
在易康軟件下使用多尺度分割工具進(jìn)行影像分割，分割尺度分別為10，15，20，…，100，每隔尺度5設(shè)定一次，影像4個(gè)波段全部參與，光譜因子設(shè)為0.8，緊質(zhì)度設(shè)為0.4。多尺度分割后直接獲得對(duì)象面積，目標(biāo)地物實(shí)際面積通過數(shù)字化目標(biāo)地物來得到。面積方差曲線圖如圖2至圖6所示。
本文根據(jù)同質(zhì)性標(biāo)準(zhǔn)得到的分割對(duì)象面積和實(shí)際地物目標(biāo)特征值的差來計(jì)算方差，在保證同質(zhì)性的情況下，確保單個(gè)目標(biāo)被分割成一個(gè)完整的對(duì)象，使分割對(duì)象與目標(biāo)地物的吻合程度較高。最后得出本實(shí)驗(yàn)林地、裸地、道路、建筑物和草地這五種類別的最優(yōu)尺度為55、40、35、20和15。
依據(jù)上述的最優(yōu)分割尺度，通過調(diào)節(jié)均質(zhì)性因子，包括光譜因子和形狀因子，波段權(quán)重設(shè)置遵循地物信息豐富程度原則和波段相關(guān)性原則，以降低波段信息冗余，提高分割質(zhì)量和速度[8]，最終得到滿足最佳分割效果的參數(shù)，如表1所示。
通過分割，局部區(qū)域內(nèi)差異性較小的相鄰像素均被合并到一個(gè)相對(duì)較大的、同質(zhì)性較好的區(qū)域中，這不僅形成了具有明顯空間特征的對(duì)象單元，增強(qiáng)了視覺效果，而且與真實(shí)的地理實(shí)體具有很好的一致性，保證了面向?qū)ο筇卣鞣治龅挠行?。不同尺度分割效果如圖7所示。
表1 多尺度分割的參數(shù)設(shè)置
2)面向?qū)ο蟮慕ㄖ锾崛?。完成多尺度分割后，?huì)形成很多形狀不同但含有屬性特征的多邊形區(qū)域，這些多邊形區(qū)域都含有豐富的幾何、紋理和光譜等信息[9]。
本文針對(duì)所需分類的類別情況，構(gòu)建不同的信息提取層，不同的類別應(yīng)用于不同等級(jí)的對(duì)象層次上。
根據(jù)遙感影像的屬性特征建立了建筑物規(guī)則知識(shí)庫[10]，主要依據(jù)光譜把建筑物分為亮色建筑物和暗色建筑物，亮色建筑物能與周圍地物分開形成一個(gè)獨(dú)立的對(duì)象，并且有較高的光譜特征值，可采用其光譜特征與其他綠地等差異較大的地類區(qū)分開，然后使用對(duì)象的長度作為進(jìn)一步的約束條件。由于暗色建筑物受樹木等背景的影響，因此在提取暗色建筑物的過程中將其與亮色建筑物分別考慮，最后再將二者合并不失為一種好的策略。
在最大的分割尺度圖層上，計(jì)算統(tǒng)計(jì)對(duì)象的各種特征，根據(jù)亮度值、標(biāo)準(zhǔn)方差、長/寬等特征構(gòu)建知識(shí)庫，使用特定的規(guī)則將亮色建筑物與其余背景分開。
在大尺度層中提取了表2中的地物之后，為提高地物提取的精度，并且減少分割對(duì)象單元的數(shù)量、提高分類速度，將其他地類采用掩膜方法獲取，剩余的類型歸入其他地類中。其他類型中的暗色建筑物與個(gè)別道路、個(gè)別樹木和部分陰影光譜特征表現(xiàn)比較近似，故在中尺度上主要采用最鄰近分類法與成員函數(shù)法相結(jié)合的方式提取，充分發(fā)揮多特征包括近紅外波段的均值、熵、長/寬、密度、邊界指數(shù)和歸一化植被指數(shù)的優(yōu)勢，使信息提取結(jié)果達(dá)到最優(yōu)化。
表2 地物的特征規(guī)則集
面向?qū)ο筮b感影像分類最大的優(yōu)點(diǎn)在于充分挖掘隱含在影像中的深層空間語義關(guān)系[11]。本文在小尺度層上通過提取建筑物陰影作為基準(zhǔn)，將空間關(guān)系轉(zhuǎn)換成語義信息完成建筑物的提取。最后提取結(jié)果如圖8所示，圖中灰色部分為提取的建筑物。
2.2 結(jié)果分析
本文采用面向?qū)ο蠓诸惖姆椒?，專注于基于SPOT 5數(shù)據(jù)對(duì)建筑物的提取問題，在提取建筑物類型時(shí)取得較高的精度。通過目視解譯選取樣本作為檢測區(qū)域文件，再根據(jù)檢測區(qū)域文件與本文建筑物提取結(jié)果建立混淆矩陣。經(jīng)過統(tǒng)計(jì)，采用面向?qū)ο蟮姆椒ㄌ崛〗ㄖ^(qū)總體精度為83.5%，對(duì)于大型建筑物基本上能夠完整地提取出來，而對(duì)于小面積或者形狀不規(guī)則的建筑物，存在部分房屋的光譜信息與道路林地等背景相混淆的問題，并且受空間環(huán)境可變性因素影響，總體上提取結(jié)果的形狀完整性較好。
3 結(jié)束語
本文基于面向?qū)ο蟮倪b感影像信息提取方法，對(duì)多尺度分割和信息提取等關(guān)鍵問題作了探討，同時(shí)對(duì)建筑物提取進(jìn)行了實(shí)驗(yàn)，為建筑物提取的方法研究提供了較好的思路，得到以下結(jié)論。
1)通過在影像對(duì)象與目標(biāo)地物最為吻合的情況下使用最優(yōu)尺度分割方法，大大減少了分類的不確定性，也獲取了較高的精度，同時(shí)解決了受分割尺度的影響出現(xiàn)的需要經(jīng)驗(yàn)來確定較優(yōu)分割尺度的問題。
2)采用面向?qū)ο蟮男畔⑻崛》椒ㄌ崛⊙芯繀^(qū)域內(nèi)的建筑物，在基于最優(yōu)尺度的情況下，根據(jù)對(duì)象類型特征通過不同的分層分類，選擇不同的特征和分類方法，通過上下文關(guān)系的細(xì)分與空間關(guān)系的優(yōu)化，減少了類別之間的混疊，使提取結(jié)果得到較高的精度。
猜你喜歡
鄰近既有建筑物全套管回轉(zhuǎn)鉆機(jī)拔樁技術(shù)鐵道建筑技術(shù)(2021年4期)2021-07-21 05:33:36 財(cái)產(chǎn)的五大尺度和五重應(yīng)對(duì)內(nèi)蒙古民族大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2020年2期)2020-11-06 09:08:52 描寫建筑物的詞語小學(xué)生學(xué)習(xí)指導(dǎo)(低年級(jí))(2019年9期)2019-09-25 07:43:18 面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)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(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 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(píng)估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 火柴游戲小天使·二年級(jí)語數(shù)英綜合(2015年12期)2015-12-04 16:36:12 9時(shí)代英語·高三(2014年5期)2014-08-26 17:01:17 建筑物的加固改造與鑒定評(píng)估河南科技(2014年24期)2014-02-27 14:19:47
李慧，李志娟，張東華
(1.內(nèi)蒙古自治區(qū)測繪地理信息中心，呼和浩特 010010；2.中國地質(zhì)大學(xué)(北京) 土地科學(xué)技術(shù)學(xué)院，北京 100083；3.內(nèi)蒙古農(nóng)業(yè)大學(xué) 水利與土木建筑工程學(xué)院，呼和浩特 010010)
0 引言
隨著傳感器和人工智能技術(shù)的發(fā)展，遙感影像地物自動(dòng)提取的研究已成為熱點(diǎn)。但遙感影像分辨率的提高直接影響光譜特征的穩(wěn)定性，致使地物的結(jié)構(gòu)特征成為分類的主要依據(jù)，因此，基于對(duì)象的圖像分析在研究中得到了重視[1]。面向?qū)ο蟮慕ㄖ锾崛》椒ㄈ娣治龅匚锏墓庾V、紋理、形狀等多種特征，能夠在一定程度上緩解椒鹽噪聲和“同物異譜，同譜異物”現(xiàn)象的出現(xiàn)[2]。面向?qū)ο蠓诸惙譃橛跋穹指?、特征選擇、分類三個(gè)主要過程，大量研究表明，遙感影像的分割尺度、特征的數(shù)量與質(zhì)量、分類器的選擇這三種因素都會(huì)對(duì)最終的分類精度產(chǎn)生較大影響[3-4]。
在面向?qū)ο蟮倪b感影像分析中，最優(yōu)尺度著重于影像的空間分辨率和影像分割尺度，最優(yōu)尺度的選擇問題實(shí)際上就是對(duì)各類別提取的最優(yōu)影像分割尺度問題，但在確定尺度之前需要選擇一種較大的空間分辨率能使面積最小類別被識(shí)別出來[5]。Woodcock等[6]認(rèn)為最優(yōu)尺度是由地表所固有的空間結(jié)構(gòu)、信息提取的方法與對(duì)結(jié)果信息輸出的要求共同決定的。已有的空間尺度選擇方法目前主要包括基于變異函數(shù)的方法、最大面積法、基于離散度的方法等?，F(xiàn)有的各種方法都存在一些自身的不足。因此，本文提出改進(jìn)的方差法，判斷當(dāng)分割對(duì)象與實(shí)際地物匹配程度達(dá)到最好時(shí)的尺度為最優(yōu)尺度。
本文采用最優(yōu)尺度的面向?qū)ο蠓椒ɑ谧顑?yōu)尺度構(gòu)建特征知識(shí)，實(shí)現(xiàn)分層分類的建筑物提取。
1 研究區(qū)與研究方法
1.1 研究區(qū)概況
研究區(qū)為武漢市武漢大學(xué)附近，地理位置位于114°20′E～114°22′E，30°31′N～30°33′N之間，坐擁珞珈山，環(huán)繞東湖水。本文使用SPOT 5衛(wèi)星影像作為數(shù)據(jù)源，利用遙感圖像處理平臺(tái)ENVI對(duì)影像進(jìn)行預(yù)處理，包括大氣校正、影像融合等內(nèi)容。大氣校正采用大氣校正模型FLAASH方法進(jìn)行校正，最終通過融合得到覆蓋研究區(qū)融合影像。研究方法流程如圖1所示。
1.2 研究方法
多尺度分割的尺度是影像多邊形目標(biāo)異質(zhì)性最小的閾值，分割尺度這個(gè)參數(shù)對(duì)影像對(duì)象的信息(包括大小、數(shù)量)會(huì)產(chǎn)生直接的影響。尺度值越小，生成結(jié)果的分割層內(nèi)對(duì)象數(shù)目越大，面積也會(huì)越小，同樣尺度越大，造成的結(jié)果相反。所以對(duì)每幅影像來說，多尺度分割都存在著特殊的尺度，尺度的大小最終會(huì)影響信息提取的精度。
圖像分割可以說是一個(gè)目標(biāo)匹配的過程[7]，往往是通過分割后得到的多邊形對(duì)象是否能夠與目標(biāo)特征一致這一標(biāo)準(zhǔn)判斷分割結(jié)果的好壞。當(dāng)分類目標(biāo)對(duì)象太小時(shí)，一些小的影像目標(biāo)會(huì)被大的影像目標(biāo)“淹沒”；反之會(huì)出現(xiàn)分割結(jié)果“破碎”的現(xiàn)象，導(dǎo)致影像多邊形對(duì)象不能準(zhǔn)確反映分類目標(biāo)對(duì)象的特征，最終影響遙感影像分類的精度。
2 實(shí)驗(yàn)與結(jié)果分析
2.1 面向?qū)ο蠓诸惙椒?/h3>
1)最優(yōu)尺度的選擇。為了分析多尺度分割對(duì)于遙感影像信息提取的影響，本文利用SPOT 5影像探討對(duì)象分割、最優(yōu)尺度的選擇、特征的選取、分類體系與分類方法的選擇，最終完成整個(gè)信息提取的過程。
為此構(gòu)建分割效果的指標(biāo)即面積方差(式(1))，用這個(gè)指標(biāo)來表示所需提取地物類型的分割對(duì)象與實(shí)際地物目標(biāo)的匹配程度，通過比較判斷將較好匹配程度的分割尺度定為最優(yōu)尺度。
(1)
式中：S2為面積方差；ni為第i類類別多尺度分割得到的對(duì)象個(gè)數(shù)；m為整幅影像范圍內(nèi)同種類型的目標(biāo)類別總數(shù)；Srealj和Ssegji分別為第j個(gè)目標(biāo)地物的實(shí)際面積與其通過多尺度分割生成的對(duì)象面積。
在易康軟件下使用多尺度分割工具進(jìn)行影像分割，分割尺度分別為10，15，20，…，100，每隔尺度5設(shè)定一次，影像4個(gè)波段全部參與，光譜因子設(shè)為0.8，緊質(zhì)度設(shè)為0.4。多尺度分割后直接獲得對(duì)象面積，目標(biāo)地物實(shí)際面積通過數(shù)字化目標(biāo)地物來得到。面積方差曲線圖如圖2至圖6所示。
本文根據(jù)同質(zhì)性標(biāo)準(zhǔn)得到的分割對(duì)象面積和實(shí)際地物目標(biāo)特征值的差來計(jì)算方差，在保證同質(zhì)性的情況下，確保單個(gè)目標(biāo)被分割成一個(gè)完整的對(duì)象，使分割對(duì)象與目標(biāo)地物的吻合程度較高。最后得出本實(shí)驗(yàn)林地、裸地、道路、建筑物和草地這五種類別的最優(yōu)尺度為55、40、35、20和15。
依據(jù)上述的最優(yōu)分割尺度，通過調(diào)節(jié)均質(zhì)性因子，包括光譜因子和形狀因子，波段權(quán)重設(shè)置遵循地物信息豐富程度原則和波段相關(guān)性原則，以降低波段信息冗余，提高分割質(zhì)量和速度[8]，最終得到滿足最佳分割效果的參數(shù)，如表1所示。
通過分割，局部區(qū)域內(nèi)差異性較小的相鄰像素均被合并到一個(gè)相對(duì)較大的、同質(zhì)性較好的區(qū)域中，這不僅形成了具有明顯空間特征的對(duì)象單元，增強(qiáng)了視覺效果，而且與真實(shí)的地理實(shí)體具有很好的一致性，保證了面向?qū)ο筇卣鞣治龅挠行?。不同尺度分割效果如圖7所示。
表1 多尺度分割的參數(shù)設(shè)置
2)面向?qū)ο蟮慕ㄖ锾崛?。完成多尺度分割后，?huì)形成很多形狀不同但含有屬性特征的多邊形區(qū)域，這些多邊形區(qū)域都含有豐富的幾何、紋理和光譜等信息[9]。
本文針對(duì)所需分類的類別情況，構(gòu)建不同的信息提取層，不同的類別應(yīng)用于不同等級(jí)的對(duì)象層次上。
根據(jù)遙感影像的屬性特征建立了建筑物規(guī)則知識(shí)庫[10]，主要依據(jù)光譜把建筑物分為亮色建筑物和暗色建筑物，亮色建筑物能與周圍地物分開形成一個(gè)獨(dú)立的對(duì)象，并且有較高的光譜特征值，可采用其光譜特征與其他綠地等差異較大的地類區(qū)分開，然后使用對(duì)象的長度作為進(jìn)一步的約束條件。由于暗色建筑物受樹木等背景的影響，因此在提取暗色建筑物的過程中將其與亮色建筑物分別考慮，最后再將二者合并不失為一種好的策略。
在最大的分割尺度圖層上，計(jì)算統(tǒng)計(jì)對(duì)象的各種特征，根據(jù)亮度值、標(biāo)準(zhǔn)方差、長/寬等特征構(gòu)建知識(shí)庫，使用特定的規(guī)則將亮色建筑物與其余背景分開。
在大尺度層中提取了表2中的地物之后，為提高地物提取的精度，并且減少分割對(duì)象單元的數(shù)量、提高分類速度，將其他地類采用掩膜方法獲取，剩余的類型歸入其他地類中。其他類型中的暗色建筑物與個(gè)別道路、個(gè)別樹木和部分陰影光譜特征表現(xiàn)比較近似，故在中尺度上主要采用最鄰近分類法與成員函數(shù)法相結(jié)合的方式提取，充分發(fā)揮多特征包括近紅外波段的均值、熵、長/寬、密度、邊界指數(shù)和歸一化植被指數(shù)的優(yōu)勢，使信息提取結(jié)果達(dá)到最優(yōu)化。
表2 地物的特征規(guī)則集
面向?qū)ο筮b感影像分類最大的優(yōu)點(diǎn)在于充分挖掘隱含在影像中的深層空間語義關(guān)系[11]。本文在小尺度層上通過提取建筑物陰影作為基準(zhǔn)，將空間關(guān)系轉(zhuǎn)換成語義信息完成建筑物的提取。最后提取結(jié)果如圖8所示，圖中灰色部分為提取的建筑物。
2.2 結(jié)果分析
本文采用面向?qū)ο蠓诸惖姆椒?，專注于基于SPOT 5數(shù)據(jù)對(duì)建筑物的提取問題，在提取建筑物類型時(shí)取得較高的精度。通過目視解譯選取樣本作為檢測區(qū)域文件，再根據(jù)檢測區(qū)域文件與本文建筑物提取結(jié)果建立混淆矩陣。經(jīng)過統(tǒng)計(jì)，采用面向?qū)ο蟮姆椒ㄌ崛〗ㄖ^(qū)總體精度為83.5%，對(duì)于大型建筑物基本上能夠完整地提取出來，而對(duì)于小面積或者形狀不規(guī)則的建筑物，存在部分房屋的光譜信息與道路林地等背景相混淆的問題，并且受空間環(huán)境可變性因素影響，總體上提取結(jié)果的形狀完整性較好。
3 結(jié)束語
本文基于面向?qū)ο蟮倪b感影像信息提取方法，對(duì)多尺度分割和信息提取等關(guān)鍵問題作了探討，同時(shí)對(duì)建筑物提取進(jìn)行了實(shí)驗(yàn)，為建筑物提取的方法研究提供了較好的思路，得到以下結(jié)論。
1)通過在影像對(duì)象與目標(biāo)地物最為吻合的情況下使用最優(yōu)尺度分割方法，大大減少了分類的不確定性，也獲取了較高的精度，同時(shí)解決了受分割尺度的影響出現(xiàn)的需要經(jīng)驗(yàn)來確定較優(yōu)分割尺度的問題。
2)采用面向?qū)ο蟮男畔⑻崛》椒ㄌ崛⊙芯繀^(qū)域內(nèi)的建筑物，在基于最優(yōu)尺度的情況下，根據(jù)對(duì)象類型特征通過不同的分層分類，選擇不同的特征和分類方法，通過上下文關(guān)系的細(xì)分與空間關(guān)系的優(yōu)化，減少了類別之間的混疊，使提取結(jié)果得到較高的精度。
猜你喜歡
鐵道建筑技術(shù)(2021年4期)2021-07-21 05:33:36
內(nèi)蒙古民族大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2020年2期)2020-11-06 09:08:52
小學(xué)生學(xué)習(xí)指導(dǎo)(低年級(jí))(2019年9期)2019-09-25 07:43:18
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
太空探索(2016年5期)2016-07-12 15:17:55
現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25
小天使·二年級(jí)語數(shù)英綜合(2015年12期)2015-12-04 16:36:12
時(shí)代英語·高三(2014年5期)2014-08-26 17:01:17
河南科技(2014年24期)2014-02-27 14:19:47
