【摘要】：5．5 城市铁路的提取与城市普通道路不同的是，穿过市区的铁路通常比较开阔，且材质一致。因此，可采用基于面向对象分类的提取方法。2．特征选择和组合由于分类规则依赖于不同的影像特征，因此如何选取合适的特征和特征组合，以利于遥感影像分类或目标地物提取，也是该技术的难点之一。图5-10 包含城区铁路的QuickBird遥感影像数据图5-11 采用面向对象分割的结果图5-12 分割合并后提取的城区铁路道路段
城市铁路的提取_城市遥感
5．5 城市铁路的提取
与城市普通道路不同的是，穿过市区的铁路通常比较开阔，且材质一致。因此，可采用基于面向对象分类的提取方法。面向对象分类方法可以充分挖掘高分辨率影像丰富的光谱、形状、结构、纹理、相关布局以及影像中地物之间的上下文信息，并可以结合专家知识进行分类，这样不仅可以显著提高分类精度，而且使分类后的影像含有丰富的语义信息。
但面向对象的遥感影像分类方法存在两个技术难点。
1．如何选择多尺度分割的关键参数
选择不同的尺度参数，直接影响到最终的分割结果，而尺度参数基本上靠人工选取，完全依赖于使用者的专业知识和经验，这使得多尺度分割具有一定的主观性，同时不利于海量数据的自动化处理。
2．特征选择和组合
由于分类规则依赖于不同的影像特征，因此如何选取合适的特征和特征组合，以利于遥感影像分类或目标地物提取，也是该技术的难点之一。针对如图5-10所示的城市铁路高分辨率遥感影像，采用面向对象的提取方法，首先得到如图5-11所示的分割结果，然后经过人机交互合并等处理，得到如图5-12所示的铁路提取结果。
图5-10 包含城区铁路的QuickBird遥感影像数据
图5-11 采用面向对象分割的结果
图5-12 分割合并后提取的城区铁路道路段
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
