《地物自动提取课件》由会员分享，可在线阅读，更多相关《地物自动提取课件（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、林业交通、电力、电信、城市管网水利、消防、城市规划环境、军事娱
2、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GoogleEarth、MicrosoftBings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
3、物河流湖泊土地利用区域国内外研究现状期刊PatternAnalysisandMachineIntelligenceComputerVisionandImageUnderstandingComputerVisionandPatternRecognitionISPRSJournalofPhotogrammetry&RemoteSensing会议IEEEComputerVisionandPatternRecognition(CVPR)theInternationalConferenceonComputerVision（ICCV）EuropeonConferenceonComputerVision（E
4、CCV）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项目比利时LeuvenKatholieke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
5、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)“Thecurrentstateofautomationinthereconstructionofbuildingsfromaerialimagesisstillsurprisinglylow.”引自：IldikoSuveg,GeorgeVosselman.Reconstructionof3Dbuildingmodelsfromaerialimagesandmaps.ISPRS,JournalofPhotogrammetry&RemoteSensing58(2004)
6、202224“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)“Fullyautomaticmodelingstillsuffersconsiderablequalitylosscomparedtointeractiveapproaches,andasoftoday,thebestqualityisstillobtainedbyinteractivemulti-viewmethods.”引自：PrzemyslawMusialski,etal.A
7、SurveyofUrbanReconstruction.EUROGRAPHICS2012“和交互式方法相比，全自动建模仍然存在显著的质量缺失，最好的建模质量还是依赖多视影像交互建模得到的。”难点“Thedifficultyinobtainingageneralsolutiontothisproblemcanbeattributedtothecomplexityofthereconstructionitself,asitinvolvesprocessingatdifferentlevels:”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
8、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森林树草地树冠树干绿色像素Definiens的处理流程规则树处理树中处理节点的定义算法描述信息参数设置列表值可以是变量参数描述信息对象域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
9、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趣区(ROI)从eCognition到DefiniensEII的功能变化小结1.参数精确可调的多尺度分割2.透明的、可调节的模糊逻辑分类3.明确的类别体系定义4.明确的特征空间定义5.可充分定制的隶属度函数6.4.FeatureAnalyst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
10、置FA-样本选择spatialcontext设置提取结果FA-样本选择初步提取结果挑错错误结果选择后处理结果FeatureAnalyst和eCognition处理流程遥感影像数据区域整合线性化、点化特征平滑特征规则化选择样本对象地物自动提取提 取 结果是 否 最佳模型库机器学习形状表达特征表达法学习器选择保存结果否是后处理：样本入库与错误样本）重新指定样本（包括正确样本FeatureAnalyst遥感影像数据影像预处理几何校正信息增强平滑滤波信息融合图象分割建立多边形分割效果满意定义类层次结构选择样本对象地物自动分类分 类 结果是 否 最佳模型库纹理、灰度形状、位置保存结果精度评估否否是是样本
11、入库eCognition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ERDASImagineObjectiveIMAGINEObjective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）可定制的面向对象处理流程像素栅格对象矢量对象影像滤波等预处理栅格对象创建栅格对象处理栅格矢量转换矢量对象处理矢量对象清理ImageObjective
12、的主干处理流程ImageObjective界面算法参数分割得到的区域属性处理流程处理结果叠加显示ImageObjective建筑物提取的流程栅格像素处理：SFP（SmallFeaturePreserving)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软件软件Featue AnalystDefinie
13、ns DeveloperImagine Objective学习的输出结果学习的输出结果Feature ModelRule SetFeature Model学习的输入学习的输入对象类别（形状、大小、对象类别（形状、大小、性质、空间上下文模板）性质、空间上下文模板）处理过程和节点处理过程和节点算法算法参数参数策略策略处理过程中的节点：处理过程中的节点：算法算法参数参数迭代学习正确的样本、迭代学习正确的样本、错误的样本、遗漏的样错误的样本、遗漏的样本本类别样本类别样本类别样本类别样本训练对象训练对象软件为主，人主要描述软件为主，人主要描述对象的性质并确定空间对象的性质并确定空间上下文。上下文。人人+
14、软件。人必须选择算软件。人必须选择算法和参数法和参数人人+软件。人必须选择算软件。人必须选择算法和参数法和参数迭代模式迭代模式样本选择样本选择算法选择、参数调节算法选择、参数调节算法选择、参数调节算法选择、参数调节开放性开放性封闭封闭可自定义算法可自定义算法可自定义算法可自定义算法学习曲线学习曲线学习容易学习容易很陡很陡一般一般适合的用户适合的用户最终用户最终用户流程开发者流程开发者流程开发者流程开发者评论评论最好用的模式最好用的模式多级认知网络技术看起多级认知网络技术看起来很好，但软件用起来来很好，但软件用起来很难受很难受还没有详细的手册和操还没有详细的手册和操作经验。应该比作经验。应该比eCognition容易容易机器学习的程度与应用模式1.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2.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。FeatureAnalyst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
