为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度; 边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度; 结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景OrbView3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。
在对太湖、巢湖等大型湖泊进行业务化蓝藻水华遥感监测工作中,常以250 m空间分辨率的MODIS数据为主,但其像元多为水体和水华的混合像元,若用常规方法进行水华面积提取,势必会严重影响水华监测的精度和实际应用效果。针对上述问题,基于混合像元分解原理,通过混合像元分解得到水华组分在混合像元中的丰度(百分比),实现亚像元级的水华面积提取。该方法可直接根据图像的DN值进行水华面积提取,无需对数据进行辐射校正和大气校正等预处理。与常规水华提取法相比,该方法的水华面积提取精度提高了近30%。