国土绿化是生态文明建设的重要内容,是实现可持续发展的重要基石。植被作为国土绿化的一种重要的自然资源,是反映生态环境变化的敏感指示器。同时因其对碳的固定作用,对全球气候变化同样发挥着重大作用。植被类型划分是植被提取研究的基础,其早期划分方式主要是通过人工进行野外实地考察,这一过程所耗费的人力、物力及财力,成本之高已成为植被类型划分的难点所在。目前,随着遥感技术、无人机技术的发展,高分辨率遥感影像因其丰富的纹理特征、几何特征成为植被提取的主要数据源之一。如何准确快速的在高分辨率的影像上提取地物信息成为近几年来国内外计算机视觉、摄影测量以及GIS界研究的热点。目前,高分辨率遥感影像数据获取极其便利,而地物信息的提取,尤其是植被分类以及信息提取方法研究的相对滞后,很大程度上是依赖于传统的分类方法。传统的基于像元的分类方法应用于高分辨率遥感影像分类时,已不能充分利用其高分辨率、丰富的几何纹理信息的优势,反而会出现“椒盐现象”等困扰,降低其分类精度。因此,针对高分辨率遥感影像的植被提取方法的研究对于植被类型的划分以及生态环境的建设有着重要意义。深度学习是目前较为流行的分类算法,能够表征数据的丰富内在的信息,对于植被提取研究以及遥感图像处理或图像分类等方面将具有很大的研究潜力。遥感影像植被提取方法主要有目视解译、智能提取、人机交互提取等。而人机交互提取的方法主要包括神经网络法、监督与非监督分类法、模糊数学法、面向对象法、专家系统法和决策树法以及机器分类等,这些提取方法都取得了一定的理想效果。但这些大多是以像元的分类统计特性进行提取,对于解决“同物异谱”、“同谱异物”以及混合像素元等问题不易,且分出的多边形比较杂乱,分类精度较低。本文以无人机影像为数据源、以eCognition Developer8.7遥感图像处理软件和Matlab为实验平台,以不同的提取技术方法进行植被提取。首先,对遥感影像进行最优尺度分割,然后再提取的光谱-纹理特征信息,并运用FCM聚类算法与粗糙集理论结合进行特征约简,根据约简后的特征信息建立植被提取规则集,进行植被规则分类提取。同时,将深度学习方法应用于植被提取中,解决规则分类提取中建立的规则集通用性不足以及已有研究文献对深度学习研究过程中存在不足等情况。主要研究内容如下:(1)针对影像多尺度分割中最优尺度分割的问题,本文提出了一种将加权均值方差、加权均值方差变化率及最大面积相结合的最优尺度选择的方法。实验结果表明,该方法能有效提高人为确定分割尺度的高效性和准确性,提高分类精度与效率。(2)针对遥感影像分类特征冗余以及植被规则提取时需要先验知识建立规则集的问题,本文提出利用FCM聚类算法与粗糙集理论进行特征约简,降低特征冗余,实现特征向量的优选,并基于先验知识建立植被提取规则集。实验结果表明,规则分类法能有效降低错分率并减轻“椒盐现象”,并能很好地表达影像上真实植被特征信息。(3)将深度学习方法应用于植被提取中,解决规则分类提取中建立的规则集通用性不足。将深度学习方法与最优尺度分割相结合应用于植被提取中,解决利用现有研究中实验效果较好的窗口大小选取实验样本进行DBN植被提取时会出现相邻地物处于同一窗口的现象以及分类后出现一些无用的破碎图斑和“椒盐现象”等问题。实验结果表明,采用的分割方法和最优分割尺度选择的方法具有实用性,可以保证地物提取时的整体性,有效避免了地物提取时过于破碎;通过最优分割尺度实现了地物的合理综合,各类地物具有清晰边界,可以有效减轻“椒盐现象”;综合来看,该方法与规则分类的总体分类精度接近,但比规则分类法的Kappa系数高,实验结果达到了极好的分类质量标准,而且深度学习算法具有通用性。