《地物自动提取》由会员分享，可在线阅读，更多相关《地物自动提取（48页珍藏版）》请在金锄头文库上搜索。
1、地物自动提取,内 容,地物自动提取的目的和意义 地物提取与影像理解 国内外研究现状 地物提取的模式与策略 数据驱动与模型驱动 地物提取的半自动与全自动化 处理流程举例,摄影测量,解析关系,相邻影像间、影像与空间、.,对应性关系,影像间同名特征间、影像特征与空间特征、.,摄影测量的“3个”基本关系,语义关系,影像理解、目标识别、地物自动提取、GIS数据的自动更新,问题的性质,解析关系：确定性 共线方程 共面条件 对应性关系：不确定性 匹配的多义性 语义关系：模糊性、不确定性 影像上的物体与头脑中的物体匹配 每个人的认识不一样,地物自动提取的目的和意义,各行业对地理数据的需求 土地管理、农业、林业
2、 交通、电力、电信、城市管网 水利、消防、城市规划 环境、军事 娱乐业 真实城市场景的游戏 移动设备数字地图 汽车、桌面计算机 Google Earth、Microsoft Bings 腾讯、搜狗,地物自动提取的目的和意义,减少数据采集的时间 人工采集速度很慢 GIS数据采集是GIS应用的瓶颈 提高GIS数据的质量 人工数据点有限 人工采集质量不一致,人与计算机的优势,操作员： 认知、识别能力很强 逐点数字化：速度慢，容易疲劳 测量重复性差 计算机软件： 计算机速度不断提高，不会疲劳 认知、识别能力差，经学习后能力不断提高 测量重复性很好,地物自动采集的分类,单影像：单张影像理解 采集二维数据
3、 多影像：立体摄影测量 同一传感器的多角度影像 三维数据采集 多传感器影像与多源数据 影像融合 数据融合,地物自动提取的对象,道路 建筑物 河流 湖泊 土地利用区域 ,国内外研究现状,期刊 Pattern Analysis and Machine Intelligence Computer Vision and Image Understanding Computer Vision and Pattern Recognition ISPRS Journal of Photogrammetry & Remote Sensing 会议 IEEE Computer Vision and Patter
4、n Recognition (CVPR) the International Conference on Computer Vision（ICCV） Europeon Conference on Computer Vision （ECCV） ISPRS大会 ,国内外研究现状,美国南加州大学机器人与智能系统研究所(IRIS)：MURI项目 美国麻省大学(UMass)计算机系：RADIUS项目和APGD项目 瑞士苏黎世高等工业大学大地测量与摄影测量研究所(IGP):AMOBE项目，ATOMI项目 英国牛津大学机器人研究组：IMPACT项目 德国波恩大学摄影测量研究所(IPB)：IMPACT项目 比
5、利时Leuven Katholieke大学：IMPACT项目 法国ENST大学: IMPACT项目 德国斯图加特大学摄影测量研究所(IFP) 荷兰Delft技术大学摄影测量与遥感系 MIT, CMU, 洛杉矶大学朱纯松教授 ,国内外研究现状,中科院深圳先讲研究院 武汉大学 解放军信息工程大学 国防科技大学 模式识别国家重点实验室 图像处理与模式识别研究所 测绘科学研究院 ,现有水平(基于影像重建筑物：2004年),“The current state of automation in the reconstruction of buildings from aerial images is s
6、till surprisingly low. .” 引自：Ildiko Suveg, George Vosselman. Reconstruction of 3D building models from aerial images and maps. ISPRS, Journal of Photogrammetry & Remote Sensing 58 (2004) 202 224,“从航空影像重建建筑物的自动化水平还令人吃惊的低下。虽然有了许多针对这一问题的算法和系统，然而一个通用的自动重建系统还找不到。在限定的环境中有限的成功和部分解决是当前的水平”,现有水平(建筑物：2012),“F
7、ully automatic modeling still suffers considerable quality loss compared to interactive approaches, and as of today, the best quality is still obtained by interactive multi-view methods. ” 引自：Przemyslaw Musialski, etal. A Survey of Urban Reconstruction. EUROGRAPHICS 2012,“和交互式方法相比，全自动建模仍然存在显著的质量缺失，最
8、好的建模质量还是依赖多视影像交互建模得到的。”,难点,“The difficulty in obtaining a general solution to this problem can be attributed to the complexity of the reconstruction itself, as it involves processing at different levels: ” 低级处理：特征提取 中级处理：建筑物模型的表示和描述 ？ 高级处理：匹配和推理 ？,一个能满足需要的自动重建系统依赖于所有这些不同级别处理的成功 及其 有机组合。,二维影像信息提取与影像理
9、解,Definiens(eCognition)的面向对象方法 FeatyreAnalyst的机器学习方法 ERDAS的ImagineObjective 朱松纯的思路,Definiens 认知网络技术 基本原理,Definiens 认知网络技术上下文层次关系,Definiens的处理流程规则树,处理树中处理节点的定义,算法类型,分割算法 分类算法 变量（variable）操作算法 形状改变算法 对象级别（Level ）操作算法 交互操作算法 样本操作 影像层操作算法 专题层操作算法 输出算法 工作空间(Workspace)自动化算法 处理（Process）相关算法,影像对象域处理算法将要执行的兴
10、趣区(ROI),从eCognition到Definiens EII的功能变化,小结,参数精确可调的多尺度分割 透明的、可调节的模糊逻辑分类 明确的类别体系定义 明确的特征空间定义 可充分定制的隶属度函数 ,4.Feature Analyst,简单目标 一键学习功能 只需选择对象形状和图像分辨率即可，形状包括细线形、粗线形、建筑物、水体、自然物等类型。 复杂目标学习 波段选择：这些波段可提供有价值的波谱信息。 对象的特征：空间上下文（即每个像素被哪些东西包围） 学习器设定 正负样本学习 迭代过程,特征类型选择,学习参数设置,FA-样本选择,spatial context设置,提取结果,FA-样本
11、选择,初步提取结果,挑错 错误结果选择,后处理结果,Feature Analyst和eCognition处理流程,后面的思想,分类界面法 特征空间被分为若干类,分类界面最优化 如：支持向量机 覆盖分类法 如： 似然法、RBF网络 免疫球网络（钟燕飞）、覆盖学习(张铃 张钹） 仿生模式识别（王守觉等）,分类界面法与覆盖分类法,区分事物,认识事物,ERDAS Imagine Objective,IMAGINE Objective是基于对象的多尺度影像分类、特征提取软件。V1.0内置功能： 植被范围提取 道路提取 建筑物轮廓提取 建筑物轮廓变化识别 军事目标识别（飞机类型、船舶类型等）,可定制的面向
12、对象处理流程,Image Objective的主干处理流程,Image Objective界面,Image Objective建筑物提取的流程,栅格像素处理：SFP（Small Feature Preserving) 滤波 栅格对象创建：影像分割 栅格对象操作： 概率滤波 尺寸滤波 重新形成块（reClump） 扩张 侵蚀 块（clump）尺寸滤波 栅格矢量转换：轮廓线跟踪 矢量对象操作：概括（generalize） 矢量对象处理 几何 面积 轴2/轴1 方形化（Rectangularity） 矢量对象清理 概率滤波 岛滤波 平滑 正交化（Orthogonality）,三个有代表性软件的简单比较,机器学习的程度与应用模式,理想模式全面学习 用户在解译的过程中扮演的角色为“示范”和“纠错”。机器从“示范”和“纠错”正反两个方面学习。 加州大学洛杉矶分校朱松纯教授 实用模式有限度的学习 用户除给定影像的分辨率等数据源的参数外，还给定对象的形状特征、结构特征和物理性质。而对象的光谱特征和纹理特征由样本学习获得。 Feature Analyst,朱松纯的思路,And-Or 图模型,场景对象层： 捕捉空间关系和联系,对象基元层： 捕捉基元与结构,真实场景的对象关系,
