水毁灾害发生后对公路损毁位置和范围等信息进行准确提取,是后续开展应急救援和灾后重建工作的前提条件。目前,主要采用面向对象的方法对遥感影像中公路水毁信息进行检测,但是此类方法中大多数需要采用近红外波段。当影像缺少近红外波段...水毁灾害发生后对公路损毁位置和范围等信息进行准确提取,是后续开展应急救援和灾后重建工作的前提条件。目前,主要采用面向对象的方法对遥感影像中公路水毁信息进行检测,但是此类方法中大多数需要采用近红外波段。当影像缺少近红外波段时,目前还没有通用的方法可以对公路水毁信息进行检测。为解决以上问题,首先对各项分割参数进行对比实验,选择出最优参数作为公路水毁灾害遥感影像最优分割尺度,然后提出一种基于机器学习结合自定义波段特征CCBS(Combination characteristics of brightness and spectral)、面积、长宽比等多种影像特征的分类方法,分别提取灾前道路和灾后水体信息,并利用种子增长法对灾后水体提取结果进行优化,最后将灾前道路映射至灾后水体上提取出公路水毁路段信息。实验表明:在仅使用遥感影像RGB波段的情况下,该方法对公路水毁灾害信息的提取精度接近90%,可以满足应急救援和灾后重建工作的需求。展开更多
文摘水毁灾害发生后对公路损毁位置和范围等信息进行准确提取,是后续开展应急救援和灾后重建工作的前提条件。目前,主要采用面向对象的方法对遥感影像中公路水毁信息进行检测,但是此类方法中大多数需要采用近红外波段。当影像缺少近红外波段时,目前还没有通用的方法可以对公路水毁信息进行检测。为解决以上问题,首先对各项分割参数进行对比实验,选择出最优参数作为公路水毁灾害遥感影像最优分割尺度,然后提出一种基于机器学习结合自定义波段特征CCBS(Combination characteristics of brightness and spectral)、面积、长宽比等多种影像特征的分类方法,分别提取灾前道路和灾后水体信息,并利用种子增长法对灾后水体提取结果进行优化,最后将灾前道路映射至灾后水体上提取出公路水毁路段信息。实验表明:在仅使用遥感影像RGB波段的情况下,该方法对公路水毁灾害信息的提取精度接近90%,可以满足应急救援和灾后重建工作的需求。