面向对象多尺度分割的SPOT5影像毛竹林专题信息提取
面向对象的遥感影像信息提取研究
面向对象的遥感影像信息提取研究刘小鹏;窦关新;赵宝军;韩丛波【摘要】结合地理国情监测,从理论和实践上分析了面向对象的遥感影像信息提取的意义,提出了面向对象的遥感影像多尺度信息提取的算法、流程及关键技术环节,在应用的基础上对解译结果进行了分析与评定,总结了经验及技巧,指出了目前应用中仍存在的难点和今后的研究重点.【期刊名称】《北京测绘》【年(卷),期】2016(000)002【总页数】4页(P106-109)【关键词】高分辨率;面向对象;多尺度;算法【作者】刘小鹏;窦关新;赵宝军;韩丛波【作者单位】国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054【正文语种】中文【中图分类】P2371 引言近年来，传感器技术得到快速发展，卫星遥感呈现出多平台、多传感器、多角度和高空间分辨率、高光谱分辨率、高时间分辨率的特点。
其中，高分辨率遥感的重要特征之一是高空间分辨率，也是目前遥感领域普遍关注的重点。
基于高分辨率遥感影像的信息提取技术已经成为遥感界应用研究的热点之一，遥感图像信息提取的研究，将推进遥感信息提取技术从基于像元的分类转为面向对象的识别。
地理国情监测是综合利用“3S”等现代测绘地理信息技术，基于高分辨率遥感卫星影像，整合各时期的测绘成果档案，对自然、人文等地理要素进行动态监测，以全面掌握地表自然、生态以及人类活动的基本情况。
2 面向对象分类方法2.1 基本概念面向对象的遥感影像信息提取，需先对遥感影像数据进行分割，从二维化了的影像信息阵列中恢复出影像所反映的景观场景中目标地物的空间形状及组合方式。
影像的最小单元不再是单个像素，而是一个个对象，后续的影像分析和处理也都基于对象进行。
建立不同尺度的分类层次，在每一层上分别定义不同类别对象的纹理特征、光谱特征、形状特征、等级特征以及上下文相邻关系特征等。
面向对象的最优分割尺度下多层次森林植被分类
面向对象的最优分割尺度下多层次森林植被分类马浩然;赵天忠;曾怡【摘要】An investigation was conducted by analyzing the groundcover of Jiangle Forest Farm in Fujian Province, and multi-level segmentation was conducted based on QuickBird high spatial resolution image and its resampling multi-resolution ima-ges by using the ESP ( Estimating the Scale Parameter) to acquire optimal segmentation parameters for different groundcov-ers.The segmentations achieved good results.With the extraction of spectral, textural features, and confirming the thresh-old by expert knowledge and statistical features, the forest groundcover classification was accomplished with the total accu-racy of 80.53%.%对福建省将乐国有林场地物进行分析，结合QuickBird高分辨率影像及其重采样低分辨率影像进行多层次分割，同时结合ESP分割尺度评价工具获取最优分割尺度参数，以实现影像地物最佳分割效果。
对不同分割层次下对象光谱特征、纹理特征等进行提取，应用专家知识及统计特征选取影像对象特征和确定阈值，实现研究区域森林地物及树种的分类。
遥感智能计算与信息提取 第三讲-面向对象影像分类
分类
• 1.最邻近分类器分类 – 在特征空间中计算待分类影像对象与各地类训练样本之 间的距离，寻找与待分类影像对象距离最近的样本对象， 将该待分类对象归属到最近样本对象所在的类别； – 另外，还可以以欧氏距离为测度，将距离转换为隶属度， 最终将待分类样本归属到隶属度最大的那一类。
• 2.成员函数模糊分类 – 特征模糊化（特征值——隶属度） – 多特征模糊逻辑运算（地块多特征隶属度通过逻辑运算 得到一个隶属度） – 反模糊化（隶属度——类别）
膜 提示：在样本编辑器窗口中尽量不要添加或 少添加纹理特征，否则会导致计算时间很长
最邻近分类
（2）
（1）
（3）
隶属度函数
菜单Classification → Advanced Settings → Edit Minimum → Minimum Membership Value… 编辑归类最小隶属度值
K邻近方法（K-NN）
K-NN首先搜索未知样本的K个邻近已知类别的训练样本， 将未知样本归于这K个邻近中多数样本所属的那一类
最邻近分类
选择样本
特征空间优化
选 择 可 能 的 特 征 集
计 算 特 征 集 距 离 矩 阵
分 离 度 较 高 的 特 征 集
分类
选样本时保 持选中状态
保存样本时先 创建TTA掩
• 对象层组： 对象层组由两个或多个以上的影像对象层组成
由上至下是一对多、由下至上是多对一
基于对象分类
分类
特征提取与计算
分类方法 分类后处理
精度评价 结果导出
光谱特征 形状、纹理特征等 单特征隶属度分类器 多特征最邻近分类器
样本选择和评价 特征选择和优化
工作流程
影像输入
面向对象的GEO遥感影像分类与信息提取
面向对象的GEO遥感影像分类与信息提取作者：彭文石军南来源：《绿色科技》2011年第06期摘要：对GEO卫星遥感数据的特性进行了评价,并在envi zoom软件中采用边缘分割算法进行影像分割,获取影像对象,综合运用对象的光谱、空间特征和纹理特征,提取了张家界森林公园研究区域内土地覆盖与土地利用信息，对基于像素的最大似然法与这种基于对象的分类方法进行了对比分析,结果表明：基于对象分类方法,能很好地利用高分辨率卫星图片的纹理和空间特征信息,分类的总体精度比基于相元的分类方法高。
关键词：地球之眼卫星；遥感图像处理系统；面向对象收稿日期：2011-05-14作者简介：彭文（1985—），男，湖南人，硕士，助教，主要从事森林资源遥感信息应用研究。
中图分类号：TP391文献标识码：A文章编号：1674-9944（2011）06-0203-041 引言过去40年间遥感技术有了长足的发展,具备了高光谱分辨率、高时间分辨率、高空间分辨率、多传感器、多平台、多角度对地观测能力,已经形成了三多和三高的发展局面。
2008年9月6日,美国从范登堡空军基地发射了“地球之眼”-1（GeoEye-1）多光谱成像卫星。
该卫星由“地球之眼”商业成像卫星公司研制,可提供分辨率为0.41m的黑白卫星图像和分辨率为1.65m的多光谱卫星图像,同时可提供被侦察目标的误差小于3m的定位信息。
地球之眼-1是当今世界上能力最强、分辨率和精确度最高的商业成像卫星。
一方面是我们获得的遥感图片分辨率越来越高,另一方面是人们对遥感信息的认识和利用程度远远落后于遥感信息获取的速度,造成大量资源的严重浪费,但据统计,人们用到的遥感信息仅占全部获取信息的5 %左右,而深层次的信息开发更少,这个事实极大地限制了遥感技术实际应用效果［1］。
现有的遥感处理软件大都采用传统的基于像元与统计分析的分类方法,主要包括监督分类和非监督分类。
监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法［2］。
基于面向对象方法的高分辨率遥感影像提取
摘要遥感技术的发展使我们能够获得及其丰富的信息。
尤其是近年来高分辨率遥感影像的出现更扩大了人们对自然界观察的视野。
与中低分辨率的遥感影像相比，QuickBird和IKONOS等高分辨率遥感影像具有更加丰富的结构信息和纹理信息，对于高分辨率遥感影像来说，对于单一的传统的基于像元光谱信息分类方法不但会导致分类精度降低，而且也会造成空间数据大量冗余和资源浪费。
在对传统的基于像元的分类方法分析的基础上，把一种新的信息提取方法——面向对象的信息提取方法引入到高分辨率遥感影像提取中，影像分割和信息提取是这种方法的两个关键步骤。
本文所做的工作如下：多尺度影像分割，需要用户输入适当的参数来得到较好的分割结果。
本文用目标函数法来对分割结果质量进行评价，已得到最优的影像分割结果。
目标函数法的目标是:使影像对象内部同质性和影像对象之间异质性尽量最大化，其中同质性保证对象的纯度，异质性保证对象的可分性。
针对研究区域的特征，本文采用决策树分析的方法为研究区域的相应类别选择了合理的特征，并根据决策树分析过程建立了相应的分类体系，取得较高精度的信息提取结果。
面向对象信息提取方法和基于像元分类方法进行了综合比较：（1）理论上的比较；（2）目视效果的比较。
关键字：高分辨率面向对象基于像元AbstractThe development of the remote sensing technology makes us obtain very abundant information of the nature, especially with the appearance of high resolution remote sensing , it extends the visual field of the nature. Compared with the low or middle resolution image, the high resolution remote sensing image such as QuickBird and IKONOS has richer structure information and the texture information. It will result in not only reducing the accuracy of classification but also making the spatial data redundant and wasting the resource when the single traditional classification method based on spectrum of pixels is applied to the high resolution remote sensing image.A new information extraction method——object oriented information extraction ——is introduced in extracting information form high resolution remote sensing image. Image segmentation and information extraction are the most important in the method.The work is done in the word as following:In the multi-segmentation method, users are needed to supply suitable parameters to get a good segmented result. An objective function is proposed to measure the quality of the resulting segmentation, so a best segmentation result can be got. The function aims at maximizing intrasegment homogeneity an intersegment heterogeneity. Intrasegment homogeneity ensures the simple of image-object and intersegment heterogeneity ensures the separability of image-object.According to the character of study area, decision tree analysis is used to select the suitable feature for each class, and a classification system is founded based on this. A better result is got.Pixel-based and object-oriented image classification approaches are compared in three aspects: (1)compare of theory;(2)compare of eyes.Key words：high resolution object-oriented Pixel-based目录摘要 (I)Abstract (II)1 绪论 (1)1.1 高分辨率遥感影像的发展 (1)1.2 高分辨率遥感影像的分类方法 (3)1.3 高分辨率遥感影像分割与信息提取 (3)2 遥感影像信息提取方法的研究 (5)2.1 基于像元的分类方法 (5)2.1.1 监督分类及其优点 (6)2.1.2 非监督分类及其优点 (6)2.1.3 传统信息提取新方法 (7)2.2 面向对象的影像分析方法 (9)2.2.1 面向对象信息提取技术发展历程 (10)2.2.2 多尺度分割技术 (11)2.3.3 影像分割与分割参数的确定 (16)2.2.4 影像分类技术 (18)2.4 该方法存在的不足 (22)3.1 最优尺度定义 (24)3.2 多尺度分割的实验 (25)3.3 最优尺度的选择 (26)3.3.1 最大面积法 (26)3.3.2 目标函数法 (26)3.3.3 目标函数 (27)3.3.4 实验结果和分析 (28)3.3.5 本章小结 (29)4 面向对象遥感信息提取实验 (30)4.1 遥感影像预处理 (30)4.1.1 遥感影像融合 (30)4.1.2 遥感影像精纠正 (30)4.2 多尺度分割参数选择实验 (31)4.3 面向对象信息的提取 (31)4.3.1 影像信息提取实验 (32)4.4 面向对象和基于像元信息提取的比较 (35)5 总结与展望 (36)5.1 总结 (36)5.2 本文的不足与展望 (36)参考文献 (38)致谢 (39)1 绪论近年来，随着遥感技术的发展，遥感影像的时间分辨率、空间分辨率以及光谱分辨率都有了极大的提高，给人们带来了极丰富的地表信息，应用领域也越来越广。
【浙江省自然科学基金】_森林类型_期刊发文热词逐年推荐_20140811
2011年 科研热词 est-ssr 胡桃 微卫星 引物 分子标记 青山湖 针阔混交林 近自然毛竹纯林 角尺度 聚类分析 群落类型 竹 竞争木选择 空间结构 秆龄混交度 生态功能 王山 物种多样性 物种丰富度 气候舒适度 毛竹 森林群落 森林经理学 森林生态学 小气候 天目山 大小比数 优势树种 hegyi竞争指数 est-ssrs 推荐指数 3 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
科研热词 雷竹 零星开花 锌指蛋白 花序 结实率 毛竹 森林凋落物 有机碳输入 开花类型 土地利用方式 克隆
推荐指数 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2014年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
2014年 科研热词 推荐指数 降雨化学特征 1 野生种群 1 遗传结构 1 遗传多样性 1 群落结构 1 穿透雨 1 物种空间结构 1 混交度 1 流域出口径流 1 氨氧化细菌 1 氨氧化古菌 1 植物学 1 森林类型 1 森林测计学 1 森林 1 桂花 1 树种多样性 1 改进型混交度 1 扩增片段长度多态性(aflp) 1 地表径流 1 土壤 1 丰度 1
【浙江省自然科学基金】_毛竹林_期刊发文热词逐年推荐_20140811
科研热词 毛竹 鞭系 结构 细根 粗放经营 生长量 生物量 森林凋落物 根系 有机碳分解 庙山坞 土壤微生物量碳 土壤微生物多样性 土壤养分 土地利用方式 土地利用 周转 凋落物分解
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7
科研热词 集约经营 粗放经营 竹林 碳储量 森林凋落物 有机碳输入 土地利用方式
推荐指数 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 竹纯林 近自然毛竹林 空间结构 集约经营 轻组有机质 角尺度 聚集分布 秆龄混交度 生物量 毛竹林 森林经理学 数字高程模型 天目山 大小比数 地形因子 土壤活性有机碳 分类 分布格局 主成分分析 voronoi图
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
2013年 科研热词 毛竹林 遥感 查找表 叶面积指数 prosail模型 面向对象 胸径 空间结构优化调控模型 海拔梯度 毛竹 森林测计学 样本分层 择伐 太阳入射角余弦值 多尺度分割 地上部分碳储量 地上生物量 土壤温度 土壤性质 土壤呼吸 分形维数 信息提取 spot5 monte carlo法 gis 推荐指数 6 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2014年 序号 1 2 3 4 5 6 7 8 9 10 11
《毛竹林多尺度遥感监测方法》读书笔记模板
第5章毛竹林大小年时空分异规律
5.1引言 5.2研究区和数据处理 5.3研究方法 5.4结果与分析 5.5结果与讨论
第6章基于高时空分辨率遥感的毛竹林物候监测
6.1引言 6.2研究区和数据处理 6.3研究方法 6.4结果与分析 6.5研究讨论 6.6本章小结
第7章毛竹笋地上生物量测算方法与评价
第9章区域尺度毛竹林地上生物量建模与估算
9.1引言 9.2研究区与数据处理 9.3研究方法 9.4结果分析 9.5研究讨论 9.6本章小结
读书笔记
读书笔记
这是《毛竹林多尺度遥感监测方法》的读书笔记模板，可以替换为自己的心得。
精彩摘录
精彩摘录
这是《毛竹林多尺度遥感监测方法》的读书笔记模板，可以替换为自己的精彩内容摘录。
地尺度毛竹林 地上生物量测 算
4 第9章区域尺度
毛竹林地上生 物量建模与估 算
5
附录专用名词 索引
第1章绪论
1.1研究背景及内容 1.2国内外研究进展
第2章基于地基LiDAR的单株毛竹几何参数测算
2.1引言 2.2试验概况与数据采集 2.3单株毛竹点云数据处理 2.4单株毛竹建模可视化效果分析 2.5单株毛竹模型四参数量测精度与分析 2.6本章小结
作者介绍
同名作者介绍
这是《毛竹林多尺度遥感监测方法》的读书笔记模板，暂无该书作者的介绍。
谢谢观看
毛竹林多尺度遥感监测方法
读书笔记模板
01 思维导图
03 目录分析 05 精彩摘录
目录
02 内容摘要 04 读书笔记 06 作者介绍
思维导图
本书关键字分析思维导图
监测
试验
尺度
遥感
模型
尺度
基于面向对象的QuickBird影像退耕地树冠信息提取
基金项 目：国家“ ｆ一五” 科技支撑计划项 目（ ０ ６ ＡＤ２ Ｂ ５ 资助 ２０Ｂ ３０ ） 作者简介：吴 见 ，１８ ９ ５年生 ， 北京林业大学省部共建森林培育与保护教育部重点实验室博士研究生
ｅｍａｌ ｌｅｇ ｂｆ．ｄ ．ｎ － ｉ ｐ ｎ ＠ ｊｕ ｅｕ ｃ ：ｄ
ｅｍａｌ ｉ ｇｅｄｗｕｉｎ ２． ｏ － ｉ ａ ｆｉｅ ｊ ＠１ ６ ｔｍ ：ｘ ｎ ａ
第３卷 ， ９ ０ 第 期
２０ １０ 年 ９月
光
谱
学
与
光
谱
分
析
Ｓ ｅ ｔ ｏ ｃ ｐ ｎ ｐ ｃ ｒ ｌＡｎ ｌ ｓｓ ｐ ｃｒ ｓ ｏ ｙ ａ ｄ Ｓ ｅ ｔ ａ ａｙ ｉ
Ｖｏ． ０ Ｎｏ ９ ｐ ２ ３ — ５ ６ １３ ， ． ， ｐ ５ ３ ２ ３ Ｓ ｐ ｅ ｅ ，２ １ ｅ ｔ ｍｂ ｒ ０ ０
特征组成特征空 间对树冠信息进行 了提取 。
算法ｌ］ ＿ 对全色影 像进 行滤 波增 强 。在 图像 中有 一个 叫×叫 】 １ 滤波器 ，中心点为 （） 算 出中心像元与其余 一１ ，， ｚ 个像元
收 稿 日期 ： ０ ９ｌ一２ ２ ０ 一２Ｏ ，修订 日期 ：２ １—３０ ０ ００ —６
基 于 面 向对 象 的 Ｑｕｃ Ｂｉｄ影 像 退 耕 地 树 冠 信 息 提 取 ｉｋ ｒ
吴 见 ，彭道 黎
北京林业 大学省部共建森林 培育与保 护教育部重点实验室 ， 北京 １０ ８优化是采用面 向对象 技术提高退耕 地树冠信 息提取 精度的关键 ， 也
新造林地冠幅大 多在 ３ｍ 以下 ，２ ４ 分 辨率 的多光 ． ４ｍ 谱图像上很难反映出树冠信息。在 ０ ６ｍ 分辨率的全色波段 ．
上 ，大多数树冠也仅 占十几个像元 。且树 冠边缘 的光谱 信息
基于面向对象的遥感影像植被信息提取
别分类技术 ．北京建筑工程学院学报 ，０６；２ ４ ：６ ２ ２ ０ ２ （ ）２ —＿９
７ 唐 伟 ， 河， 书 培
法． 面向对象 的高 空分辨率遥感 影像道路
信息提取 ．地球信息科学 ，０ ８ １ （ ）２ ７ ６ ２０ ；０ ２ ：５ —２ ２
８ 明冬 萍 ， 骆剑承 ， 周成虎 ， ．高分辨率遥感影像信息提取及块状 等
８ ２ ８１ １— ５
４ 文贡坚 ， 王润生 ．从航空遥感图像中 自动提取主要道路 ．软件学
报 ，０ ０ １ （ ） ９７ ６ ２ ０ ；１ ７ ：５—９ ４
图 ４ 分类结果 图（ 蓝色表示植被 ， 黄色表示 非植 被 ）
５ 明冬萍 ， 剑承 ， 占锋 ， ．高分辨率遥感影像信息提取与 目标 骆 沈 等 识别技术研究 ．测绘科学 ，０ ５ ３ ３ ：８ ２ ２０ ；０（ ） １—－０ ６ 王文字 ， 李 博 ．基于 ｅ ｏｎｔｎ的高分 辨率遥感 图像的 目标识 Ｃ ｇ ｉｏ ｉ
８期
李春艳 ： 基于面 向对象 的遥感影像植被信息提取
ｌ４ ９３
植 被 ， 色 区域 表 示 非 植 被 。但 此 分 类 图 并 不 理 黄 想 ， 因是 植被 区域 （ 原 或非 植被 区域 ） 中的相 邻 区域 并没 有合并 ， 然 显示 出很 多 小块 。为 了使 得 到 的 仍 分类 图更加 美 观 ， 已分类 图基 础 上 分别 对 植 被 区 在
２ １ 的土地 交 易 案 例 ， 制 土 地 价 格 季 度 指 数 ， ００年 编 表 明重 复交 易模 型在 编 制 土地 价 格 指数 上 可 行 ， 且 将 Ｈ ｄｎｃ 型与 重复交 易模 型联 合应 用会 得 到 更 ｅｏｉ模 好 的结果 。
参 考 文 献
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
面向对象多尺度分割的SPOT5影像毛竹林专题信息提取孙晓艳;杜华强;韩凝;葛宏立;谷成燕
【期刊名称】《林业科学》
【年(卷),期】2013(049)010
【摘要】以SPOT5卫星遥感影像为基础,采用面向对象的多尺度分割方法,建立类层次结构,提取毛竹林遥感专题信息.结果表明:1)对毛竹林而言,在SPOT5红、绿、蓝3个波段上的最佳纹理窗口大小分别为9×9,7×7,9×9,比较接近;2)面向对象的多尺度分割方法能较为精确地提取毛竹林专题信息,用户精度达到90％以上,高于最大似然法提取毛竹林的信息精度(88.57％);3)增加纹理信息的多尺度分割方案既保证了毛竹林专题信息的提取精度(92.16％),又兼顾了其他森林类型,分类总精度、Kappa分别为92％和88.14％,为本研究的最高精度.
【总页数】8页(P80-87)
【作者】孙晓艳;杜华强;韩凝;葛宏立;谷成燕
【作者单位】浙江省森林生态系统碳循环与固碳减排重点实验室浙江农林大学临安311300;浙江农林大学环境与资源学院临安311300;浙江省森林生态系统碳循环与固碳减排重点实验室浙江农林大学临安311300;浙江农林大学环境与资源学院临安311300;浙江省森林生态系统碳循环与固碳减排重点实验室浙江农林大学临安311300;浙江农林大学环境与资源学院临安311300;浙江省森林生态系统碳循环与固碳减排重点实验室浙江农林大学临安311300;浙江农林大学环境与资源学院临安311300;浙江省森林生态系统碳循环与固碳减排重点实验室浙江农林大学临安311300;浙江农林大学环境与资源学院临安311300
【正文语种】中文
【中图分类】S771.8
【相关文献】
1.面向对象的 ETM +影像分割尺度与水体信息提取 [J], 张成才;李艳桦;姚亮亮
2.面向对象化分割方法的TM影像主河道信息提取——以嘉陵江为例 [J], 何湘;王杰;舒成强
3.面向对象高分辨率影像信息提取中的尺度效应研究 [J], 张俊;王宝山;吕宝庆
4.面向对象的多尺度无人机影像土地利用信息提取 [J], 何少林;徐京华;张帅毅
5.多尺度影像分割技术在基于遥感影像的城市绿地信息提取过程中的应用 [J], 梁栋
因版权原因，仅展示原文概要，查看原文内容请购买。