高分辨率遥感影像居民地半自动提取方法研究
李金香1, 李志强2, 李帅1, 王伟1, 陈勇1
1.新疆维吾尔自治区地震局,乌鲁木齐 830011
2.中国地震局地质研究所,北京 100029
通信作者:李志强(1969-),男,研究员,研究方向为数字地球应用及防震减灾信息系统建设。 Email:lzhq@ies.ac.cn

第一作者: 李金香(1984-),女,硕士,现从事地震应急及遥感应用研究。Email:ljxhappy365@163.com

摘要

居民地是地震灾害的重要受灾体,是进行地震应急救援准备的基础。采用高分一号2 m分辨率卫星遥感数据提取研究区真实居民地空间分布信息,为地震应急救援准备提供数据支持。结果表明: 运用灰度共生矩阵、二值化、数学形态学等方法对影像进行迭代运算,能较好地提取高分一号2 m分辨率影像居民地信息。这种算法正确率较高,鲁棒性较好,然而对于稀疏植被及非居民聚居的人工建筑区提取结果虚警率因子较高,存在误提现象,需将提取结果与影像进行对比分析,通过人工干预完成研究区居民地半自动提取,以保证提取精度。

关键词: 高分辨率; 遥感; 高分一号; 居民地
文献标志码:A 文章编号:1001-070X(2017)03-0017-08
The method for semi-automatic extraction of residential area from high resolution remote sensing images
LI Jinxiang1, LI Zhiqiang2, LI Shuai1, WANG Wei1, CHEN Yong1
1. Earthquake Administration of Xinjiang Uygur Autonomous Region, Urumqi 830011, China
2. Institute of Geology, China Earthquake Administration, Beijing 100029, China
Abstract

Residential area, as an important hazard-bearing body of earthquake disasters, usually constitutes the basis of earthquake emergency preparation. In this paper, 2 m resolution GF-1 satellite remote sensing data were used to extract the spatial distribution information of residential area, which could provide data support for the earthquake emergency preparation. The results reveal that more accurate residential area information of the high resolution GF-1 2 m image can be extracted based on gray level co-occurrence matrix, binarization and mathematical morphology. This proposed algorithm has high accuracy and good robustness. However, higher false alarm rate factor was shown in the extraction of sparse vegetation and non-residential buildings. Thus, in order to ensure data accuracy, the authors compared and analyzed the extraction results and the images, and extracted the ultimate data results semi-automatically by the artificial intervention.

Keyword: high resolution; remote sensing; GF-1; residential area
0 引言

居民地是人与自然相互作用的产物, 包括房屋结合体以及公共设施、园林绿化、道路、港站等居住相关的生活设施和生产设施, 是人类从事生产、生活、居住以及进行各种活动的中心场所, 又可称为聚落或者居民点[1]。居民地是GIS空间数据库中最典型、变化速度最快、变换范围最广的地物要素之一[2]。如何快速及时获取居民地空间分布信息, 对于地震应急救援、灾害损失评估及居民区基础数据更新都有非常重要的意义。

遥感影像覆盖面积大、成本比较低, 具有快速、准确、宏观的特点, 因此利用遥感影像可以及时、准确地获取居民地信息, 可作为数据更新的一种既经济又快捷的数据源, 是进行灾害评估、提高评估精度的有力手段。目前, 从遥感影像中提取信息的常用方法是目视判读提取, 该方法简单、实用、提取精度高, 但判读结果人为差别显著, 劳动强度大、效率低、费工费时[3]; 如对于大区域综合调查需要3 a左右时间才能完成。对于灾害的监测评估工作而言, 需要在数小时或数天内完成信息提取[4]。所以必须研究遥感信息的自动、半自动提取方法, 提高实效性。目前很多专家学者根据居民地特有的特征表现形式, 如纹理特征[5, 6, 7, 8]、光谱特征[9]和几何特征[10, 11, 12]等, 提出了很多关于居民地提取的自动、半自动方法[13, 14, 15, 16, 17]。杨存建等[18]进行了基于TM影像的居民地信息提取方法研究; 赵萍等[19]进行了基于SPOT卫星影像居民地信息自动提取的决策树方法研究; Wu等[20]进行了基于SAR与光学影像结合居民地提取方法研究; 施蓓琦等[21]、Benediktsson等[22]及Zhong等[23]采用数学形态学、高光谱遥感影像纹理滤波等方法进行了城市居民地识别; Pesaresi等[24]利用基于模糊准则的灰度共生矩阵提取影像中的纹理特征; Sirmacek等[25]提出一种结合图形学理论和SIFT特征点的居民地提取方法; Weizman等[26]将文本分析中的概率潜在语义模型应用于高分辨率遥感影像城区提取。

综上所述, 目前居民地提取方法较多, 然而上述方法针对不同的遥感数据源及不同的靶区, 具有不同的适用性和提取精度。本研究基于我国高分一号(GF-1)2 m空间分辨率遥感影像, 充分考虑人与计算机在信息提取方面各自的优势, 采取人机互补的策略, 研究适用于我国高分卫星数据的居民地半自动提取方法及技术流程, 提取研究区居民地空间分布信息, 达到了较高的提取精度, 为地震应急救援准备提供了数据支持。

1 研究方法

纹理是影像中大量规律性很强或很弱的相似元素或者图形结构, 一般理解为影像灰度在空间上的变化和重复, 或影像中反复出现的局部模式(纹理单元)和排列规则。近年来, 高分辨率遥感数据源越来越多, 应用越来越广泛, 目前已占据主流地位。高分辨率影像信息丰富, 不仅光谱特征明显, 而且地物结构、纹理信息突出, 但同时“ 同物异谱” 现象也较为严重, 以致仅利用光谱信息进行分类的精度偏低[27]。每一种地物具有其特有的纹理结构, 所以通过纹理特征分析既可以充分利用高光谱遥感影像信息, 又可以解决“ 同物异谱” 现象, 提高分类精度。

纹理分析包括纹理特征的提取以及在此基础上进行的纹理分类及纹理分割, 灰度共生矩阵法(gray level co-occurrence matrix, GLCM)是通过研究灰度的空间相关特性来描述纹理的方法, 是目前最常见、应用最广泛、效果最好的一种纹理统计分析方法。

1.1 灰度共生矩阵(GLCM)

灰度共生矩阵能有效地提取各个不同方向和距离的纹理, 是居民地检测的最有效方法之一。取图像中任意一点(x1, y1)及偏离它的另一点(x2, y2), 设该点对的灰度值为(g1, g2)。令点(x1, y1)在整个画面上移动, 则会得到各种(g1, g2)值, 统计出每一种(g1, g2)值出现的次数, 然后排列成一个方阵, 再用(g1, g2)出现的总次数将它们归一化为出现的概率P(g1, g2), 这样的方阵称为灰度共生矩阵。

S为目标区域R中具有特定空间联系的像素对集合, 则灰度共生矩阵P可定义为

P(g1, g2)= #{[(x1, y1), (x2, y2)]S|f(x1, y1)=g1f(x2, y2)=g2}#S。 (1)

式中等号右边的分子是具有某种空间关系、灰度值分别为g1, g2的像素对的个数; 分母为像素对的总和(#代表数量)。这样得到的P是归一化的。对于粗纹理影像, 其灰度共生矩阵的值较集中在主对角线附近, 因为对于粗纹理像素对趋于具有相同的灰度; 而对于细纹理影像, 其灰度共生矩阵的值散布在各处。由此可见, 灰度共生矩阵确实可反映不同灰度像素相对位置的空间信息。

Haralick定义了14种纹理特征。常用的用于提取遥感影像中纹理信息的特征统计量主要有: 均值(mean)、方差(variance)、同质性(homogeneity)、对比度(contrast)、非相似性(dissimilarity)、熵(entropy)、角二阶矩(angular second moment)和相关性(correlation)等[28]

1.2 数学形态学方法

数学形态学[29]是一门特殊的图像处理学科, 具有完备的数学基础, 是由一组形态学的代数运算子组成的, 它的基本运算有4个: 膨胀(或扩张)、腐蚀(或侵蚀)、开运算和闭运算, 利用一个称作结构元素的“ 探针” 收集图像的信息, 当探针在图像中不断移动时, 便可考察图像各个部分之间的相互关系, 从而了解图像的结构特征。用这些算子及其组合可进行图像形状和结构的分析处理, 包括图像分割、特征抽取、边缘检测等方面的工作。

腐蚀具有收缩输入图像目标的作用; 膨胀可以认为是腐蚀的对偶运算。先腐蚀后膨胀称为开运算, 开运算具有消除比结构元素小的散点和“ 毛刺” , 切断细长搭接而起到分离作用, 即对图像进行平滑的作用, 也可以起到低通滤波的作用。先膨胀后腐蚀称为闭运算, 闭运算可以把比结构元素小的缺口或孔洞填充上, 搭接短的间断而起到连通作用。对图像的外部作滤波可磨光凸向图像内部的尖角[30, 31]

1.3 居民地提取方案

1)数据收集及预处理。收集高分一号2 m分辨率影像数据、DEM数据, 以及县、乡及行政村的驻地、道路数据, 重点目标数据等地震应急救援基础数据, 并进行影像正射校正、几何纠正及对比度增强等预处理, 完成各类型数据的空间匹配。

2)缩减范围, 减少误差。结合新疆大部分地区为无人区的地理环境, 用遥感和GIS手段, 以地震应急基础数据库中行政村的点状数据为基础, 进行缓冲区设置, 叠加遥感数据裁剪研究区影像, 减少数据范围及干扰信息, 以提升后续数据计算精度及速度。

3)纹理特征分析与提取。基于上述灰度共生矩阵可定义纹理二阶矩、熵、对比度和均匀性等纹理特征描述。对纹理特征进行分析, 找到刻画居民地信息比较好的特征图像进行居民地信息提取。

4)居民地综合提取。采用二值化、小斑块去除、聚类分析及数学形态学方法进行居民地的综合提取。

5)完成专题图件。将提取结果转矢量, 并将提取的居民地信息与原始影像进行叠加, 人工纠正错提及漏提现象, 并满足一定的精度要求, 最终完成研究区居民地空间分布图。

图1为本次工作的技术路线图。

图1 技术路线图Fig.1 Technology roadmap

2 实验结果与分析

应用此方法对新疆新源地区GF-1的2 m分辨率遥感影像进行实验。依据地震应急救援基础数据, 如DEM数据、现有遥感数据等对GF-1影像进行了预处理, 包括影像正射校正、几何纠正、对比度增强等。图2(a)为研究区经过预处理后的遥感影像图, 采用2014年8月1日GF-1遥感影像R(2)G(4)B(1)假彩色合成。图中黄色点为乡(镇)驻地, 红色点为村驻地。经过对比分析, 点状要素与影像中居民地分布的空间位置吻合。新源县三面环山, 西部敞开, 构成桃叶状地形, 东西长, 南北窄, 东高西低, 分山区、丘陵及河谷平原3个地形区。居民地主要分布在河谷平原区。为减少非居民聚居区对居民地数据提取的影响, 减少误差提高精度, 本研究结合遥感和GIS手段, 以行政村驻地点要素为中心, 2 km为半径进行缓冲区分析, 叠加遥感数据, 裁剪研究区影像, 减少数据范围及干扰信息, 以提升后续数据计算精度及速度。图2(b)为经过缓冲区裁剪后的研究区影像图, 图中保留了居民地信息, 去除了大面积山地及耕地。

图2 研究区GF-1遥感影像图Fig.2 GF-1 remote sensing image of the study area

对经过缩减研究区面积的影像采用灰度共生矩阵算法进行纹理特征提取, 提取了常用的8类纹理特征影像: 均值、方差、同质性、对比度、非相似性、熵、角二阶矩和相关性。图3为研究区阿克齐村8类纹理特征影像图。经过对比分析可知, 均值影像居民地信息突出不明显, 与周边地物灰度值差别不大, 无法用于刻画居民地特征, 而其他7类影像居民地与周边地物的灰度值存在较大差异, 均能较好地突出居民地特征, 但噪声多少不一。经对比, 方差和对比度提取居民地信息的效果最好, 噪声也相对较少。因此, 本研究采用对比度纹理特征影像进行居民地提取研究。

图3 纹理特征影像图Fig.3 Texture feature images

对研究区影像采用灰度共生矩阵算法进行运算提取居民地信息时, 算法中滑动窗口大小、参数θ d的取值不同, 所提取的信息也会不同。前人在采用灰度共生矩阵算法提取居民地信息时, 曾提出旋转和平移不变纹理特征进行提取。本研究也对θ d采用不同的取值进行了运算。经比较发现, 0° , 45° , 90° 和135° 不同方向以及不同步长运算及相关叠加运算的结果与单一角度运算结果的差别不大, 仅在噪声点出现的方向上稍有差别。因此, 本研究采用45° 单一方向步长为1的参数进行运算, 算法中信息提取的窗口分别采用3× 3, 5× 5, 7× 7, 9× 9, 11× 11和13× 13。提取的阿克齐村居民地对比度特征如图4所示。

图4 不同窗口大小对比度特征影像图Fig.4 Different window size of the contrast feature images

图4可知, 3× 3和5× 5窗口提取的居民地信息纹理较为清晰, 然而纹理特征值影像与背景信息对比不明显, 信息突出不足。9× 9, 11× 11和13× 13提取的居民地信息纹理逐渐趋于模糊, 清晰度不足, 而7× 7窗口提取结果纹理特征清晰, 能更好地刻画居民地信息。因此本研究采用灰度共生矩阵7× 7窗口、45° 方向、步长为1的参数提取对比度特征值影像, 用以刻画研究区居民地空间分布特征, 并对所提取的影像特征进行了二值化、非监督分类、小斑点去除和聚类等处理, 结果如图5(a)所示。

图5 遥感提取居民地结果Fig.5 Remote sensing extraction of residents

图5(a)可知, 采用GLCM算法能较准确地提取居民地信息, 较好地描述居民地空间分布特征; 然而得到的居民地分割影像边缘不够平滑, 存在许多斑点状的无用小区域; 居民地内部不够连贯, 存在大小不同、形状各异的孔洞, 主要涉及学校操场、公园广场和待建设裸地等; 居民地细节性描述不足, 道路、稀疏植被和蔬菜大棚等信息被误提, 数据无法直接应用, 必须对其进行必要的数据处理即综合取舍(制图综合)。本研究主要采用数学形态学方法进行居民地边缘形状的综合、小斑块和线状道路的去除以及内部孔洞的填充等。算法的计算过程主要为利用开运算迭代运算去除分割后图像中小斑块及细小线状道路, 然后利用尺寸不断增长的闭运算算子构造一个形态学尺度空间, 不断地对图像进行迭代融合, 消除内部孔洞。这是一个层次聚类的过程, 进行上述操作之后, 再利用一个面积阈值, 去除无法融合到居民地的孤立小地块, 得到最终的提取结果。图5(b)为经过数学形态学算法处理后的居民地遥感提取结果。数学形态学方法进行居民地综合简便快捷, 优化后的居民地图斑边缘比较规整, 内部孔洞被消除, 无用的斑点状小区域及细小线状道路等干扰信息被剔除, 完整提取了居民地信息, 满足制图综合的要求。

精度评价是分析居民地提取结果可靠性的必要步骤, 是判断提取结果好坏和是否可用的前提。前人[32]多采用分割正确率(正确分割的像元占应该分割的原始影像像元的百分比)来定量评价居民地分割结果。为定量评价本研究算法提取居民地的精度, 对8个实例的居民地进行了人工跟踪信息提取。图6中蓝色线为人工跟踪的居民地边界线, 红色线为本文算法提取的居民地边界线, 叠加原始影像3, 2, 1波段组合图像进行对比分析。分别统计8个实例的人工跟踪提取的居民地总面积Pmanual、本文算法提取的居民地总面积Pauto和两者相同的面积Pcommon, 进而计算8个实例的分割正确率TC, 来评估居民地提取结果的精度; 为分析影响因子, 本研究还计算了虚警率因子TF(即: 误提率, 等于本不该分割却分割的像元占应该分割的原始影像像元的百分比), 对虚警率高的区域进行影响因子分析。结果见表1

图6 居民地提取结果精度对比图Fig.6 Comparison between the extraction results of the residents and the original image

表1 居民地提取精度评价 Tab.1 Accuracy evaluation of residents(m2)

表1可以看出, 本文算法提取的居民地具有较高的正确率, 可以满足面向地震应急救援准备所需居民地的精度要求。而且通过大区域不同类型居民地的提取, 正确率均较高, 说明本算法对基于国内GF-1高分辨率卫星遥感数据提取居民地具有较好的鲁棒性。

该方法也有一定的局限性, 图6(d), (e), (f)这3幅影像的虚警率因子较高, 对比影像进行分析可知: 自动提取算法识别的居民地边界与人工跟踪提取的边界有较大的差异, 主要是因为自动提取算法将稀疏植被区误识别为了居民区, 说明稀疏植被为本算法提取居民地的影响因子之一。图6(h)虚警率因子也较高, 对比影像进行分析可知: 自动提取算法将规则的蔬菜大棚区误识别为居民区, 说明蔬菜大棚等人工建筑区是本算法提取居民地的又一影响因子。稀疏植被与蔬菜大棚的纹理特征与居民区房屋纹理类似, 因此被误提, 增加了虚警率。

为保证后续研究精度, 需对提取结果转矢量, 叠加原始影像进行对比, 对虚警率较高的区域进行人工修改, 保证居民地提取精度, 完成居民地遥感半自动提取, 最终生成研究区居民地空间分布图, 如图7所示。

图7 研究区居民地空间分布图Fig.7 Spatial distribution map of the residents in the study area

3 结论

本研究基于我国GF-1高分辨率遥感影像进行居民地半自动提取方法研究, 提取了研究区居民地空间分布信息, 为研究区地震应急救援准备提供数据支持。本研究主要结论如下:

1)通过叠加分析, 消除大面积无人区, 缩小研究区, 可大大提高数据提取精度及速度。

2)进行GF-1 2 m空间分辨率遥感影像进行居民地信息提取的较为实用的纹理特征方法为灰度共生矩阵7× 7窗口、45° 、步长为1的对比度特征影像提取法。

3)本文方法提取的居民地信息为灰度信息, 其中存在一定的干扰信息, 需采用二值化过滤及数学形态学方法进行制图综合, 消除部分干扰信息、小斑块无用区及居民地内部孔洞等。

4)本文算法提取的居民地信息具有较高的正确率及鲁棒性, 然而也具有一定的局限性, 部分区域虚警率较高, 对稀疏植被及非居民聚居的人工建筑区存在误提现象, 需进行人工干预, 完成半自动提取, 以保证数据精度。

5)本文方法采用灰度影像进行计算, 可进行推广应用, 移植性较好, 且不受影像拍摄季节时相限制, 适用于大区域居民地半自动提取, 然而文中参数仅适用于GF-1 2 m空间分辨率遥感影像居民地信息提取。若采用其他传感器影像及其他分辨率遥感影像时, 本文中的参数需重新择优配置。

本研究进行居民地提取时采用人工干预方法去除误提信息, 在今后的研究中可考虑结合多光谱信息去除稀疏植被、温室大棚等误提信息, 实现居民地信息的全自动提取。

志谢: 感谢新疆遥感应用中心提供了研究区高分一号卫星影像数据支持。

The authors have declared that no competing interests exist.

参考文献
[1] 陈洁丽, 刘永学, 李满春, . 基于归一化指数分析的居民地遥感信息提取[J]. 测绘科学, 2010, 35(2): 204-206, 177.
Chen J L, Liu Y X, Li M C, et al. Extracting remote sensing information of residential areas based on the analysis of normalized difference Index[J]. Science of Surveying and Mapping, 2010, 35(2): 204-206, 177. [本文引用:1]
[2] 王莉. 基于IKONOS影像融合的土地覆盖分类及居民地信息提取研究[D]. 徐州: 中国矿业大学, 2009.
Wang L. Study on Land Cover Classification and Residential Areas Extraction Using IKONOS Imagery Based on Data Fusion[D]. Xuzhou: China University of Mining and Technology, 2009. [本文引用:1]
[3] 高永光, 祝民强, 朱骥, . 赣中红壤区TM图像的居民地信息自动提取专家模式研究[J]. 国土资源遥感, 2002, 14(4): 67-69. doi: 106046/gtzyyg. 2002. 04. 05.
Gao Y G, Zhu M Q, Zhu J, et al. The extraction of residential area on land sat TM imagery from red earth region in central Jiangxi[J]. Remote Sensing for Land and Resources, 2002, 14(4): 67-69. doi: 10.6046/gtzyyg.2002.04.05. [本文引用:1]
[4] 杨存建, 周成虎. 基于知识发现的TM图像居民地自动提取研究[J]. 遥感技术与应用, 2001, 16(1): 1-6.
Yang C J, Zhou C H. Extracting residential area from TM image on the basis of knowledge discovered[J]. Remote Sensing Technology and Application, 2001, 16(1): 1-6. [本文引用:1]
[5] 金飞. 基于纹理特征的遥感影像居民地提取技术研究[D]. 郑州: 解放军信息工程大学, 2013.
Jin F. Research on Residents Extraction of RS Images Based on Texture Features[D]. Zhengzhou: PLA Information Engineering University, 2013. [本文引用:1]
[6] 张禾. 基于纹理特征的遥感影像居民地自动提取方法[J]. 江汉石油职工大学学报, 2007, 20(4): 93-96.
Zhang H. Automatic abstraction methods of residential area information of remote sensing image based on texture features[J]. Journal of Jianghan Petroleum University of Staff and Workers, 2007, 20(4): 93-96. [本文引用:1]
[7] 张剑清, 佘琼, 潘励. 基于LBP/C纹理的遥感影像居民地变化检测[J]. 武汉大学学报(信息科学版), 2008, 33(1): 7-11.
Zhang J Q, She Q, Pan L. Change detection of residential area by remote sensing image based on LBP/C texture[J]. Geomatics and Information Science of Wuhan University, 2008, 33(1): 7-11. [本文引用:1]
[8] 王华, 潘励. 基于纹理边缘与感知编组的居民地外轮廓提取[J]. 武汉大学学报(信息科学版), 2010, 35(1): 114-117.
Wang H, Pan L. Extracting outline of residential area using the perceptual organization and boundaries of textured regions[J]. Geomatics and Information Science of Wuhan University, 2010, 35(1): 114-117. [本文引用:1]
[9] Huang X, Zhang L P, Li P X. Classification of very high spatial resolution imagery based on the fusion of edge and multispectral information[J]. Photogrammetric Engineering & Remote Sensing, 2008, 74(12): 1585-1596. [本文引用:1]
[10] 陶超, 邹峥嵘, 丁晓利. 利用角点进行高分辨率遥感影像居民地检测方法[J]. 测绘学报, 2014, 43(2): 164-169.
Tao C, Zou Z R, Ding X L. Residential area detection from high-resolution remote sensing imagery using corner distribution[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(2): 164-169. [本文引用:1]
[11] Martinez-Fonte L M, Gautama S, Philips W, et al. Evaluating corner detectors for the extraction of man-made structures in urban areas[C]//Proceedings of IEEE International Conference on Geoscience and Remote Sensing Symposium. Seoul: IEEE, 2005: 237-240. [本文引用:1]
[12] Katartzis A, Sahli H. A stochastic framework for the identification of building rooftops using a single remote sensing image[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(1): 259-271. [本文引用:1]
[13] 张宁新, 陈忠, 郭莉莉, . 高分辨率遥感影像居民区检测算法研究[J]. 计算机工程与科学, 2013, 35(11): 126-133.
Zhang N X, Chen Z, Guo L L, et al. Study of settlement detection based on high resolution remote sensing images[J]. Computer Engineering & Science, 2013, 35(11): 126-133. [本文引用:1]
[14] 陶超. 高分辨率遥感影像中的城区与建筑物检测方法研究[D]. 武汉: 华中科技大学, 2012.
Tao C. Research on Urban and Building Detection from High Resolution Remotely Sensed Imagery[D]. Wuhan: Huazhong University of Science and Technology, 2012. [本文引用:1]
[15] 肖洁, 彭冬玲, 吕德芳. 遥感图像中快速居民区域提取方法研究[J]. 计算机与数字工程, 2014, 42(10): 1971-1974.
Xiao J, Peng D L, Lv D F. Fast residential area extraction from remote sensing image based on Log-Gabor filter[J]. Computer & Digital Engineering, 2014, 42(10): 1971-1974. [本文引用:1]
[16] 曹建农, 王平禄, 董昱威. 高分辨率遥感影像上居民地自动提取方法[J]. 武汉大学学报(信息科学版), 2014, 39(7): 831-837.
Cao J N, Wang P L, Dong Y W. Automatic extraction technique of residential areas in high resolution remote sensing image[J]. Geomatics and Information Science of Wuhan University, 2014, 39(7): 831-837. [本文引用:1]
[17] Karathanassi V, Iossifidis C, Rokos D. A texture-based classification method for classifying built areas according to their density[J]. International Journal of Remote Sensing, 2000, 21(9): 1807-1823. [本文引用:1]
[18] 杨存建, 周成虎. TM影像的居民地信息提取方法研究[J]. 遥感学报, 2000, 4(2): 146-150.
Yang C J, Zhou C H. Extracting residential areas on the TM imagery[J]. Journal of Remote Sensing, 2000, 4(2): 146-150. [本文引用:1]
[19] 赵萍, 冯学智, 林广发. SPOT卫星影像居民地信息自动提取的决策树方法研究[J]. 遥感学报, 2003, 7(4): 309-315.
Zhao P, Feng X Z, Lin G F. The Decision tree algorithm of automatically extracting residential information from SPOT images[J]. Journal of Remote Sensing, 2003, 7(4): 309-315. [本文引用:1]
[20] Wu F, Wang C, Zhang H. Residential area information extraction by combining China airborne SAR and optical images[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Anchorage, AK: IEEE, 2004: 2568-2570. [本文引用:1]
[21] 施蓓琦, 刘春, 陈能, . 利用高光谱遥感影像纹理滤波的城市居民地识别[J]. 武汉大学学报(信息科学版), 2012, 37(8): 915-920.
Shi B Q, Liu C, Chen N, et al. Residential area recognition using texture filtering from hyper-spectral remote sensing imagery[J]. Geomatics and Information Science of Wuhan University, 2012, 37(8): 915-920. [本文引用:1]
[22] Benediktsson J A, Pesaresi M, Amason K. Classification and feature extraction for remote sensing images from urban areas based on morphological transformations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(9): 1940-1949. [本文引用:1]
[23] Zhong P, Wang R S. A multiple conditional rand om fields ensemble model for urban area detection in remote sensing optical images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(12): 3978-3988. [本文引用:1]
[24] Pesaresi M, Gerhardinger A, Kayitakire F. A robust built-up area presence index by anisotropic rotation-invariant textural measure[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2008, 1(3): 180-192. [本文引用:1]
[25] Sirmacek B, Unsalan C. Urban-area and building detection using SIFT keypoints and graph theory[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(4): 1156-1167. [本文引用:1]
[26] Weizman L, Goldberger J. Detection of urban zones in satellite images using visual words[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium(IGARSS). Boston, MA: IIEEE, 2008: V-160-V-163. [本文引用:1]
[27] 金飞, 王番, 刘智, . 基于对数极坐标变换的遥感影像居民地提取[J]. 测绘科学, 2013, 38(3): 102-105.
Jin F, Wang F, Liu Z, et al. Extraction of residential areas from remote sensing images based on log-polar transformation[J]. Science of Surveying and Mapping, 2013, 38(3): 102-105. [本文引用:1]
[28] 金飞, 张占睦, 芮杰. 纹理主方向的遥感影像居民地提取[J]. 测绘科学, 2010, 35(4): 139-141.
Jin F, Zhang Z M, Rui J. Residential area extraction from remote sensing image based on texture principal directions[J]. Science of Surveying and Mapping, 2010, 35(4): 139-141. [本文引用:1]
[29] Wang M, Leung Y, Zhou C H, et al. A mathematical morphology based scale space method for the mining of linear features in geographic data[J]. Data Mining and Knowledge Discovery, 2006, 12(1): 97-118. [本文引用:1]
[30] 翟辉琴, 王明孝. 小波变换和数学形态学的高分辨率图像居民地识别[J]. 地球信息科学, 2005, 7(4): 25-28.
Zhai H Q, Wang M X. The habitat abstraction of the high resolution remote sensing imagery based on wavelet transform and mathematics morphologic subject[J]. Geo-Information Science, 2005, 7(4): 25-28. [本文引用:1]
[31] 张义生. 居民地的提取与边缘优化[D]. 郑州: 解放军信息工程大学, 2009.
Zhang Y S. Habitation Extraction and Edge Optimization[D]. Zhengzhou: PLA Information Engineering University, 2009. [本文引用:1]
[32] 路威, 张占睦. 多尺度几何信息分割算法在居民地提取中的应用[J]. 信息工程大学学报, 2003, 4(2): 54-57, 89.
Lu W, Zhang Z M. Application of segmentation algorithm based on mul-scale wavelet geometry information in residential area extraction[J]. Journal of Information Engineering University, 2003, 4(2): 54-57, 89. [本文引用:1]