一种新的遥感图像城区自动识别算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (3): 39-41.

一种新的遥感图像城区自动识别算法

万寿红,岳丽华

中国科学技术大学计算机科学技术系，合肥 230027

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-21 发布日期:2008-01-21
通讯作者: 万寿红

New algorithm of urban area automatic recognition in remote sensing images

WAN Shou-hong,YUE Li-hua

Department of Computer Sci. & Tech.，University of Sci. & Tech. of China，Hefei 230027，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-21 Published:2008-01-21
Contact: WAN Shou-hong

摘要/Abstract

摘要： 针对可见光遥感图像的特点和城市区域地貌的复杂性，提出了一种由粗到细、逐步求精自动识别城区的新算法。该算法建立了预分类、初识别、边界精确定位分层结构模型，首先利用模糊分类技术对城区进行预分类，在此基础上通过多特征判据投票实现城区初识别，最后采用自适应边缘搜索细化算法精确定位城区边界。与传统的单源可见光遥感图像城区识别方法相比，该算法能更快速、准确地自动识别城区，具有计算量小、鲁棒性强、识别正确率高的特点。

关键词: 多特征判据投票, 模糊分类, 城区识别, 遥感图像

Abstract: A new algorithm of urban area automatic recognition is proposed based on recognition idea of step extract from coarseness to fineness，aimed at the characteristic of visible remote sensing images and complexity of urban physiognomy.The algorithm builds hierarchical recognition model including classifying，elementary recognition，boundary extracting accurately.It first uses fuzzy classification，then elementary recognition is realized by voting-based method with multi-features，at last utilizes self-adaptively searching urban area boundary.The experiment calculates very fast and the boundary is accurate with high speed，robustness and high correct rate comparing with traditional recognition approach based on single-source visible remote sensing image.

Key words: multi-features criterion voting, fuzzy classification, urban area recognition, remote sensing images

万寿红,岳丽华. 一种新的遥感图像城区自动识别算法[J]. 计算机工程与应用, 2008, 44(3): 39-41.

WAN Shou-hong,YUE Li-hua. New algorithm of urban area automatic recognition in remote sensing images[J]. Computer Engineering and Applications, 2008, 44(3): 39-41.

[1]	魏玮，杨茹，朱叶. 改进CenterNet的遥感图像目标检测[J]. 计算机工程与应用, 2021, 57(6): 191-199.
[2]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[3]	佘海龙，解山娟，邹静洁. 标准分数降维的3D-CNN高光谱遥感图像分类[J]. 计算机工程与应用, 2021, 57(4): 169-175.
[4]	谢俊章，彭辉，唐健峰，侯奕辰，曾庆喜. 改进YOLOv4的密集遥感目标检测[J]. 计算机工程与应用, 2021, 57(22): 247-256.
[5]	秦伟伟，宋泰年，刘洁瑜，王洪伟，梁卓. 基于轻量化YOLOv3的遥感军事目标检测算法[J]. 计算机工程与应用, 2021, 57(21): 263-269.
[6]	王建军，魏江，梅少辉，王健. 面向遥感图像小目标检测的改进YOLOv3算法[J]. 计算机工程与应用, 2021, 57(20): 133-141.
[7]	李正，刘薇，张凯兵. 基于机器学习的遥感图像超分辨综述[J]. 计算机工程与应用, 2021, 57(13): 8-17.
[8]	宋忠浩，谷雨，陈旭，聂圣东. 基于加权策略的高分辨率遥感图像目标检测[J]. 计算机工程与应用, 2021, 57(13): 199-206.
[9]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[10]	侯涛，蒋瑜. 改进YOLOv4在遥感飞机目标检测中的应用研究[J]. 计算机工程与应用, 2021, 57(12): 224-230.
[11]	曾黎，徐慧颖，陈晓昊，钱晓亮. 深度学习在高分遥感图像场景分类中的应用[J]. 计算机工程与应用, 2021, 57(10): 57-64.
[12]	顾振辉，姜文刚. 基于Mask R-CNN改进的遥感图像舰船检测[J]. 计算机工程与应用, 2020, 56(8): 171-176.
[13]	黄冬梅，张学俭，魏立斐，李梦思，苏诚. 多云协同架构下的遥感图像安全外包降噪方案[J]. 计算机工程与应用, 2020, 56(22): 92-99.
[14]	蒋文杰，罗晓曙，戴沁璇. 基于对抗网络遥感图像超分辨率重建研究[J]. 计算机工程与应用, 2020, 56(21): 199-203.
[15]	方希禄，付伟，胡正言，竺凡超，周建含. 基于随机子图像模型的遥感图像分类[J]. 计算机工程与应用, 2020, 56(21): 204-209.