石灰岩，简称灰岩，是地壳中分布最广的矿产之一，但其粗犷的开采方式导致了大范围的植被破坏，并造成了不容小觑的环境污染，矿山治理迫在眉睫。遥感信息提取是矿山监测的重要手段，相关学者已使用不同数据对矿山的遥感监测展开了研究。所用数据从低分辨率、低光谱，发展到高分辨率、高光谱。高光谱影像如Hyperion，以其地物信息更加丰富的优势，提取更加细微的地物，如地下水、矿藏、叶绿素等(宫兆宁等，2014；段瑞琪等，2017)。但高光谱影像冗余性较大(黄鸿等，2016)，对于大范围的地物分类，容易产生“Hughes”现象(刘怀鹏等，2016)，且数据不易获取。使用中分辨率影像可以满足大范围矿山监测的精度需求，并且数据更易获取。现有的中分辨率遥感影像分类方法可分为两种：一是基于像元的方法，二是基于对象的方法。传统基于像元的分类方法有非监督分类、指数模型法(陈绪钰，2010)、决策树分类(董金发等，2013)、支持向量机(Demirel et al.,2011)和主成分分析(杨强等，2009)等方法。传统基于像元的分类方法精度并不高，且“椒盐”现象严重，需要进行分类后处理(刘凤梅等，2010)。面向对象能够一定程度的解决上述问题，近年来一些学者对面向对象分类方法做了大量研究。袁定波等(2013)以TM影像为数据基础，使用eCognition软件平台，深入探讨了多尺度分割阈值问题，结合监督分类与面向对象方法提取了较大的露天煤矿，大型矿区的总体分类精度达到87.4%；王志华(2014)使用高分辨率影像并结合DEM高程数据，使用样本训练的方法生成决策树，采用面向对象方法并结合回溯法，提取了十年间的矿山地表覆盖及变化信息，未能深入探讨决策树规则的构建问题；黄丹等(2015)使用SPOT-5影像数据，采用面向对象的方法，使用已有的一些列指数建立决策树，提取了矿区的煤矸石堆场等11类地物，结果表明该方法总体分类精度较最大似然分类提高了15.8%；侯飞等(2012)重点阐述了多尺度分割阈值的确定，并使用隶属函数和最邻近分类法提取煤矿区典型地物信息，总体分类精度达到89.8%。综上所述，面向对象分类方法在矿区信息提取中最具优势，关于该方法的讨论基本可分为图像分割(沈占锋等，2010；周亚男等，2013；黄志坚，2014)的研究和分类特征参数(王少军等，2012)的研究两个方面，其中图像分割对于不同数据和研究区的主观性较强，因此重点从分类特征参数方面进行综述。Pesaresi(2008)使用高分辨率影像数据，通过纹理特征分析，建立了可卡因成熟度和纹理特征之间的关系；彭燕等(2013)等使用纹理信息、面积大小及上下文关系等特征，对研究区ALOS影像进行稀土矿开采地的信息提取，进行了非原地浸矿法和原地浸矿法开采区的区分，总体分类精度达到85%；杨强等(2009)利用SPOT5影像和DEM数据，通过分析光谱特征和几何特征，采用CART算法建立决策树，对磷矿区相关地物进行分类，经人工干预后，分类精度达83.4%；魏飞鸣等(2008)系统阐述了基于对象特征进行分类的几种特征维度，并详细介绍了形状特征因子的计算方法。

通过对比分析得知，目前的矿山信息提取存在以下不足：①大范围的矿区信息提取精度以及自动化程度还有待提高；②关于露天灰岩矿区开采边界信息提取的研究十分欠缺；③未能深入探讨露天灰岩矿山信息提取的特征参数问题。针对如上问题，本文以矿山地物特征为切入点，深入分析矿区地物的纹理特征，构建露天灰岩矿纹理指数模型，并结合光谱和空间特征构建决策树。使用面向对象的决策树方法，实现高自动化高精度的露天开采矿区边界自动提取。

1　研究区概况与解译标识建立

1.1　研究区概况

唐山市位于河北省东部，是一个矿产资源十分丰富的地区，已发现并探明储量的矿藏有50余种。其中灰岩矿开采区域多、范围广，开采工艺为露天开采，其粗犷的开采方式导致了严重的大气污染、土壤污染和水体污染，矿山治理迫在眉睫。文章以唐山市范围内露天灰岩矿区为研究对象，包括正在开采的灰岩矿区和已经闭采但未复垦的旧灰岩矿区。

唐山市的灰岩矿集中分布于北部丘陵区域，图1为靠近市区的一处石灰岩矿区，图中黑色区域为研究区。包含地物种类复杂，对于大范围的矿山开采信息提取十分具有代表性。

图1　研究区位置图 Fig.1　Map showing location of study area 1-研究区范围; 2-市区范围; 3-县级行政区划 1-study area; 2-urban area; 3-county administrative division

选取2015年10月的Landsat-8卫星影像作为分类基础数据，DEM高程数据、1∶50 000地形图和野外调绘数据作为辅助数据。

使用WGS-84坐标系，以1∶50 000地形图为基准进行几何校正，将影像亮度信息辐射定标为地物反射率，采用FLAASH模型进行大气校正，使用唐山市行政区划矢量进行图像裁剪。为了保证光谱信息的准确度，在此不进行影像的融合处理。

根据先验知识，矿山开采必然对植被产生破坏。因此将归一化植被指数(NDVI)(周夏飞等，2016)作为一个分类规则。研究区归一化植被指数特征(如图5)，颜色越浅代表NDVI值越高。可以明显看出矿区的NDVI特征值普遍低于其它地物，可设定阈值并建立分类规则，NDVI<0.3。

相对于一般的手术来说，神经外科手术治疗的风险比较大，围手术期容易出现多种意外情况，当这类患者合并糖尿病的时候，手术风险会进一步提高，对手术的顺利进行产生不利影响[5-6]。对这类患者，做好围手术期的血糖控制工作至关重要，控制血糖水平是手术是否成功的关键，如果没有做好血糖控制工作，手术后患者非常容易出现急性并发症，如糖尿病酮症酸中毒，对患者的生命健康安全构成严重的威胁[7]。针对这种情况，我院对诊治的部分患者实施了针对性护理干预，取得了良好的护理效果。

1.2　解译标识的建立

研究区地物类型大致分为5类：建筑、耕地、水体、植被、露天矿区。若要提取露天灰岩矿区范围，需分析不同地物在landsat-8影像中的特征并建立解译标识。通过先验知识与图像的对比得知，正在开采的露天矿区在OLI影像中地物反射率较高，大部分呈亮白色，少量建筑表现为蓝色，纹理较清晰，而已经闭采但尚未恢复治理的矿区因受到风化时间较长，在影像中表现为暗黄色，纹理较为模糊。结合GIS空间分析能够观察到灰岩矿区的空间分布，露天灰岩矿区表现出沿燕山山脉走向分布的特征，且位置多位于山脚以上坡度较大的地方。

2　纹理分析

2.1　灰度共生矩阵

式中i和j代表数据窗口的行列元素，p则为其出现的联合条件概率，u代表数据窗口的平均灰度值。

2.2.1　纹理特征提取

只有菜怎么行！吉林四平一民警视频巡查发现一辆吉普车停在高速路应急车道上，4名男子竟然正在杀一只鸡。最终驾驶员被处罚款200元，记6分处罚。

2.2　研究区纹理特征分析

相同大小的窗口在图像中以一定距离和方向移动时，包含的像素灰度值便会发生变化。灰度共生矩阵通过统计窗口移动前后的灰度值相关性，结合二阶概率统计的思想，计算某种相关性出现的频率。通过灰度共生矩阵的方法计算纹理值，能够反映影像灰度值变化的潜在规律。

由于矿区地物复杂，简单的光谱和空间特征不足以准确地提取露天矿区，文章旨在探索露天灰岩矿特有的纹理特征，以实现矿区的自动提取。实验使用一个3×3的窗口获取研究区影像4个方向(0°、45°、90°、136°)的纹理信息，包括纹理方差(variance)、均值(mean)、对比度(contrast)、熵(entropy)、偏斜度(skewness)。通过选取合格的地物样本，统计并分析不同地物类型的纹理均值，确定适用于露天矿山影像分类的纹理特征。

2.2.2　构建纹理方差指数

经对纹理特征的反复分析实验总结出，最能突出露天灰岩矿开采范围的纹理特征为方差。

研究区不同地物的方差波动曲线(如图2)，能够明确地看出，红色所代表的露天灰岩矿波动曲线与其它地物波动曲线有显著差异，其第四和第六波段附近存在两个波峰，而第五和第七波段方差明显降低。因此，可将OLI影像4、5、6、7波段(即红波段、近红外波段、短波红外1、短波红外2)的纹理方差作为因子，构建纹理方差指数模型：

采用单一尺度分割，必然会出现某些地物过分割或者分割不完全等情况，很难完整地反映对象的特征。多尺度分割方法能够获得不同分割尺度的对象层，从而能够使得不同地物在不同尺度上都获得最优的分割效果，并能够看出相邻对象层之间的差别与联系，更好的为影像特征提取提供条件。

通过调研，由于土地资源的限制，并且新建项目的不可持续性，以及拆迁代价过大，新建项目已逐渐减少，近期投资主要集中在老路改造提升上，而既有干线公路快速化改造是今后道路改造的一个重要方向。

(i,j)

(1)

文章通过计算灰度共生矩阵(侯群群等，2013)来提取纹理信息，原理如下。

图2　地物方差曲线 Fig.2　Curves of object variances

面对京津冀市场，丰宁乡村旅游的发展更应该争取政府的宏观调控、财政支持、政策扶持，资金投入，充分发挥政府的区域联合作用，发挥政府与乡村旅游企业的联合作用，使京北第一草原必须融入整个区域旅游的整体发展之中，加强与周边地区的景区联合，组织或加入各种旅游发展联盟，区域旅游活动，以旅游线路为纽带，以互惠互利为导向，以市场化运作为手段，通过多种形式，实现与周边各旅游区的无障碍合作。通过搭建乡村旅游公共服务平台系统[13]，加快实施“丰宁旅游数字化”工程，建立以主要旅游目的地为核心，涵盖住宿、餐饮、交通、购物、娱乐、讲解、服务等要素的一体化数字旅游服务体系，探索智慧旅游发展之路[14]。

(2)

其中VARn代表波段n的方差。

3　面向对象的决策树分类

面向对象的决策树分类是一类以实验数据为基准的经验学习算法(王燕波等，2011)，运用的关键在于规则的获取。文章使用多尺度分割算法，结合空间特征对影像进行分割，并根据影像对象的光谱、纹理特征，构建不同决策树，分别进行露天灰岩矿的信息提取，经过对比发现文中基于纹理指数的决策树更具优势。该方法具体流程(如图3)。

图3　面向对象分类流程图 Fig.3　Flow chart of object-oriented classification

3.1　多尺度分割

方差反映了共生矩阵中灰度值和均值偏差的程度，图像的灰度值变化越大，方差越大。计算公式如下：

本文采用多尺度分割算法，根据内部同质性最大，对象间异质性最大原则，自下而上，从单像素开始，建立多尺度地理对象。将同质性最大时分割的面积最小作为条件，露天开采的矿区实际面积作为评价指数进行最优分割尺度的探索。

由于第一波段较为特殊，为了不干扰分类效果，将其权重设为0，通过多次实验，将比例因子设为240，形状因子=1-颜色因子=0.2紧致度因子=1-光滑度因子=0.6，此时分割效果最佳，分割边界(如图4)，影像中的对象边界与矿区边界的贴合度较高，矿区与其它地物的区分度也较高。

新媒体是人类思想观点碰撞的大熔炉，是推动社会进步的新动力。在思想教育工作中，辅导员要充分了解学生的各种新思想、新观念，扩大宽容性，鼓励平等交流与畅所欲言，营造一个更加自由、宽松和充满活力的思想空间，为大学生的创新发展奠定基础。

图4　影像分割 Fig.4　Image subdivision 1-分割边界 1-segmentation boundary

3.2　决策树建立

3.2.1　光谱特征规则建立

患者在服用卡马西平、螺内酯或者大量服用青霉素类抗生药物后，可能会导致蛋白尿症状。患者大量服用维生素C后再进行尿隐血试验，可能会导致假阴性检验结果的出现，因此当下很多医学检验部门在进行尿常规检验的时候，会增加维生素C含量这一检验指标。

信道的平均时延、均方根时延扩展、附加时延扩展等相关时延参数都是根据时延功率谱得到的，这些参数可以用来表征信道特性。平均时延测量发送端到接收端的平均传播时延，是衡量发送端和接收端是否精确同步的重要参数。均方根时延扩展定义为接收到的多径分量的二阶中心距，用于测量信号的扩展。附加时延是根据所选择的门限，测量多径分量扩展的最远路径。

积极发展电子商务进一步提升船用品市场的信息化水平，培育广西船用品无形市场。通过构建电子商务平台快速采集船用品市场信息，以信息化推动市场专业化；同时进一步推广网上订购和交易，构建广西船用品物联网，通过有形市场、无形市场的有机结合,打造区域性船用品交易集散地，强化广西航运服务业整体功能。

研究区地物类型大致分为5类：露天矿区、裸地、建筑、植被、水体。统计光谱曲线(如图6)。矿区与裸地、建筑的光谱曲线走势颇为相似，在4～7波段处矿区地物反射率普遍较高，容易产生同谱异物现象。

对OLI数据多光谱各个波段光谱均值进行了统计(如表1)，以期进一步分析露天矿与背景地物的光谱特征。

从表中可以看出，其它地物在第5波段反射率最高，而水体则不然，以此可剔除水体的干扰。此外，露天灰岩矿在近红外波段处的样本光谱值皆大于其它地物。因此通过近红外波段光谱值设定规则Nir>2300，可构造基于光谱特征的决策树A(图7)。

同时，计算所有监测点平均累计沉降量，分析平均累计沉降量与时间的变化规律。如图3所示，监测开始时，建筑物整体有0.6 mm左右的上升，这是因为地铁施工方式引起的暂时性上升，随后，建筑物整体处于沉降阶段。可以看出，从监测开始的第5天到第150天左右，建筑物都处于沉降过程，并且沉降量和监测时间呈线性相关关系。150天以后建筑物沉降曲线趋于平缓，表明建筑物沉降量已几乎不再变化，建筑物处于稳定状态。

3.2.2　纹理特征规则建立

根据2.2中的纹理分析结果，选择纹理方差作为分类规则。理论上，当待分类对象的TVI>1时，能够准确地区分出露天开采灰岩矿山。最终生成的决策树模型B(图8)。

图5　NDVI特征值图像 Fig.5　Image of NDVI characteristic values

图6　地物光谱曲线 Fig.6　Spectral curves of objects

图7　决策树A结构 Fig.7　Decision-tree structure A

表1　地物样本光谱值

Table 1　Spectral values of object samples

波段地物矿区建筑裸地植被水体band12631．1959953031．5464842006．1210881445．9167845．08band22121．9902782497．0924961466．672789861．9791964．20

续表1

Continued Table 1

波段地物矿区建筑裸地植被水体band32373．4252382742．4992921805．9795921081．3730612．97band42371．9599463140．7262861794．432313641．9629761．65band53541．7464514379．4752244935．348985262．4583920．53band63304．3855734161．157153919．4391162757．6502120．05band72744．8084783645．3294012639．1030611352．1110720．01

图8　决策树B结构 Fig.8　Decision-tree structure B

4　露天灰岩矿开采边界提取结果

4.1　基于光谱特征的决策树提取结果

使用3.2.1中的光谱特征构建的决策树A进行露天灰岩矿开采范围的提取，结果如图9。红色区域代表露天灰岩矿。能够直观地辨别出，红色区域基本涵盖了露天开采的灰岩矿区，但由于建筑、裸地与矿区的光谱十分相似，产生了同谱异物现象，导致一定程度的混淆与错分，难以准确地反映露天灰岩矿的开采范围。

4.2　基于纹理方差指数的决策树提取结果

根据NDVI指数和近红外波段的光谱值提取露天灰岩矿，结果如图10。

据了解，当天，楚雄供电局安全监察部员工孔雷、李辉福、大姚供电局石羊供电所员工文华及驾驶员尹亮正驱车前往大姚县石羊镇岔河二队，准备对10kV石西线大修技改施工现场开展安全监督检查。途径石羊长园水库时，他们注意到水库边上围着一群人，所有人神色慌张，不知所措。直觉告诉孔雷，出事了，他立即将车叫停，三步并作两步冲向人群，原来是一辆面包车不慎驶入了里长园水库。

通过将实地调绘的矿区边界矢量图层与遥感数据进行地理匹配得到露天灰岩矿山开采真实范围。可以看出加入纹理特征之后的分类结果剔除了误分的建筑和裸地，更加接近真实的露天灰岩矿山开发范围。

5　混淆矩阵精度对比

以实地调绘的矢量样本点作为标准，通过混淆矩阵对含/不含纹理特征的两种提取方法进行分类精度对比。纹理决策树的混淆矩阵和精度对比(表2～3)。

表2　混淆矩阵

Table 2　Confusion matrix

露天石灰岩矿区其它地物总计露天石灰岩矿区2352237其它地物3599134总计270101

表3　不同决策树精度对比

Table 3　Comparison of accuracy of different decision trees

分类方法基于光谱特征的决策树分类基于光谱特征与TVI的决策树分类制图精度(%)87．40740740787．037037037用户精度(%)87．40740740799．156118143总体精度(%)82．95739348485．175202156Kappa系数0．61050818260．67373403048

对比得知，含纹理特征的面向对象决策树分类结果在总体精度、用户精度和Kappa系数上，皆高于仅含光谱和空间特征的分类结果，只有制图精度与后者相差无几。总体而言，使用纹理特征的决策树方法精度明显高于前者。说明将TVI作为决策树的规则之一，能够有效地避免同谱异物现象，提高露天灰岩矿开采信息的提取精度。

6　新旧矿区分类

将矿区边界提取结果作为约束，使用高分辨率影像可以进一步区分新旧矿区。实验采用GF-1遥感数据，将矿区地物做更加详细的分割，以获得待复垦的旧矿区范围。当分割尺度设为30时影像被分割成44个对象，边坡未能得到完整的区分，当分割尺度设为20时影像被分割成73个对象，开采区又产生了过度分割，分割尺度设为25时影像被分割成54个对象，可以观察到新、旧矿区都分割得最为准确，边坡和采石场也得到完整的区分。

图9　基于决策树A的提取结果 Fig.9　Extraction result based on decision-tree A 1-决策树A提取范围; 2-阔叶林; 3-居民地; 4-铁路; 5-县乡级公路; 6-省道; 7-国道; 8-等高线 1-extraction area based on decision-tree A; 2-broad-leaved forest; 3-settlement place; 4-railway; 5-county road; 6-provincial road; 7-national road; 8-elevation contour

统计样本纹理信息并分析，发现旧矿区45°方向上对比度与所有方向对比度之差较大，因而能够作为新、旧矿区的分类依据。通过设定准确的阈值，最终得到新旧矿区分类结果(如图11)。浅色区域为未复垦的旧矿区，深色区域为正在开采的新矿区。

通过实地调绘的新旧矿区样本点进行新旧矿区分类的混淆矩阵精度评价(表4)。

表4　新旧矿区提取精度验证

Table 4　Verification of extraction accuracy for new and old mining areas

类别新矿区待复垦矿区制图精度(%)88．23529411894．642857143用户精度(%)93．7596．363636364各类别Kappa系数0．786640079760．88976648352总体精度(%)91．588785047Kappa系数0．8373585543

图10　基于决策树B的提取结果 Fig.10　Extraction result based on decision-tree B 1-决策树B提取范围; 2-阔叶林; 3-居民地; 4-铁路; 5-县乡级公路; 6-省道; 7-国道; 8-等高线 1-axtraction area based on decision-tree A; 2-broad-leaved forest; 3-settlement place; 4-railway; 5-county road; 6-provincial road; 7-national road; 8-elevation contour

图11　新旧矿区分类结果 Fig.11　Classification of new and old mining areas 1-新矿区；2-旧矿区 1-new mining areas;2-old mining areas

7　结论

文章以唐山市的一处灰岩矿山为例，以Landsat-8影像作为基础数据，通过计算不同地物的纹理信息，包括地物均值、方差、信息熵、偏离度和数据范围，构造了能够突出露天灰岩矿开采区域的纹理方差指数模型TVI。结合NDVI指数、近红外波段的光谱值和形状因子等特征建立决策树，并实现了露天灰岩矿开采边界的自动提取。实验结果表明，将TVI作为灰岩矿山开发信息提取的特征规则之一，能够有效地避免同谱异物现象，提高露天灰岩矿开采信息的提取精度。在没有人工修正的情况下，用户精度、分类总体精度和Kappa系数分别提高了11.75%、2.22%、6.32%。进一步使用高分一号影像和对比度纹理特征，实现了新、旧矿区边界的提取，总体精度约为0.916。

[References]

Chen Xu-yu. 2011.Study on dynamic variation of environment in the mine based on multi-temporal remote sensing data[J].Metal Mine,28(4):576-581(in Chinese with English abstract)

Demirel N, Emil M K, Duzgun H S. 2011. Surface coal mine area monitoring using multi-temporal high-resolution satellite imagery[J]. International Journal of Coal Geology,86(1):3-11

Duan Rui-qi, Dong Yan-hui, Zhou Peng-peng, Wang Li-heng, Fu Yun-mei, Zhao Shao-hua.2017. Advances in application of hyperspectral remote sensing in hydrogeology[J]. Hydrogeology & Engineering Geology,44(4):23-29(in Chinese with English abstract)

Dong Jin-fa, Liu Qing-sheng, Liu Gao-huan, Shen Wen-ming, Wang Peng, Zhang Chao-mang. 2013. Research on using the decision tree hierarchical classification method to extract fly ash information[J]. Remote Sensing Technology and Application,28(4):576-581(in Chinese with English abstract)

Gong Zhao-ning, Zhao Ya-li, Zhao Wen-Ji, Lin Chuan, Cui Tian-xiang. 2014. Estimation model for plant leaf chlorophyll content based on the spectral index content[J].Acta Ecologica Sinica,34(20):5736-5745

Huang Dan, Liu Qing-sheng, Liu Gao-huan, Yan Wen-bo. 2015. Goal gangue yards information extraction using object-oriented method based on SPOT-5 remote sensing images[J]. Journal of Geo-Information Science,17(3):370-378(in Chinese with English abstract)

Huang Hong,Zheng Xin-lei,Lou Fu-lin. 2016. Hyperspectral image classification with combination of weighted mean filter and manifold reconstruction preserving embedding[J].Acta Photonica Sinica,45(10):152-160(in Chinese with English abstract)

Huang Zhi-jian. 2014. Research on multiscale methods in object-based image analysis[D]. Changsha:National University of Defense Technology:1-155(in Chinese with English abstract)

Hou Fei, Hu Zhao-ling. 2012. Remote sensing information extraction of typical surface objects in a coal mining area based on multiple-scale segmentation[J]. Bulletin of Surveying and Mapping,(1):22-25(in Chinese with English abstract)

Hou Qun-qun, Wang Fei, Yan Li. 2013. Extraction of color image texture feature based on gray-level co-occurrence matrix[J]. Remote Sensing for Land and Resources,25(4):26-32(in Chinese with English abstract)

Liu Huai-peng, An Hui-jun, Wang Bing, Zhang Qiu-liang,Wu Yun.2016. Recognition and avoidance of hughes phenomenon in classification of greening tree species with maximum likelihood[J].Arid Zone Research,33(2):449-454(in Chinese with English abstract)

Liu Feng-mei, Wang Shao-jun, Zhang Zhi, Zeng Min. 2010. Information extraction method of iron-copper polymetallic mining district and solid waste[J]. Metal Mine,407(5):168-174(in Chinese with English abstract)

Peng Yan, He Guo-jin, Cao Hui. 2013. Extraction of rare earth mining areas using objects-oriented classification approach based on texture characteristics[J]. Science Technology and Engineering,7(19):5590-5595(in Chinese with English abstract)

Pesaresi M. 2008. Textural analysis of coca plantations using remotely sensed data with resolution of 1 metre[J]. International Journal of Remote Sensing, 29(23):6985-002

Shen Zhan-feng, Lou Jian-cheng, Hu Xiao-dong, Sun Wei-gang. 2010. A mean shift multi-scale segmentation for high-resolution remote sensing images[J]. Geomatics and Information Science of Wuhan University,35(3):313-316(in Chinese with English abstract)

Wang Shao-jun, Feng Wen, Meng Dan, Wu Yun-qi-qi-ge. 2012. Rapid information extraction of the iron tailing pile using object-oriented classification technique[J]. Remote Sensing Information,(2):103-107(in Chinese with English abstract)

Wang Yan-bo, Lou Wei, Li Ming-yong, Du Jun, Xue Chong-sheng. 2011. Mine development monitoring based on high-resolution remote sensing images[J]. Tropical Geography,(4):376-382(in Chinese with English abstract)

Wang Zhi-hua, He Guo-jin, Zhang Zhao-ming. 2014. Ten-year Change monitoring on stone mining areas in luoyuan county of fujian province based on high resolution satellite imagery[J]. Remote Sensing Information,29(6):41-46(in Chinese with English abstract)

Wei Fei-ming, Li Xiao-wen, Gu Xing-fa, Yu Tao, Sun Yuan. 2008. Shape-based classification of“spectral similar,objects in remote sensing image processing[A]. The 14th National Conference of Graphics and Graphics Proceedings[C]. Beijing: Tsinghua University Press:466-470(in Chinese )

Yang Qiang, Zhang Zhi. 2009. The remote sensing extraction method for the mining area and the solid waste in the Baokang phosphorite ore district,Hubei Province[J]. Remote Sensing for Land and Resources,(80):87-90(in Chinese with English abstract)

Yuan Ding-bo, Liu Chen-lin, Wang Guo-bin, 2013. The application and the research of object-oriented method for extraction of mining area information[J]. Remote Sensing Information,4(2):110-115(in Chinese with English abstract)

Zhou Xia-fei, Zhu Wen-quan, Ma Guo-xia, Zhang Dong-hai, Zhen Zhou-tao. 2016. Assessing the vegetation net primary productivity loss resulted from the mining of rare earth ore based on remote sensing technology[J]. Remote Sensing Technology and Application,31(2):307-305(in Chinese with English abstract)

Zhou Ya-nan, Lou Jian-cheng, Cheng Xi, Shen Zhang-feng. 2013. Adaptive multi-scale remote sensing imagery segmentation incorporated multiple featrues[J]. Geomatics and Information Science of Wuhan University,38(1):19-23(in Chinese with English abstract)

[附中文参考文献]

陈绪钰. 2010. 基于多时相遥感数据的矿山生态环境动态变化研究[J]. 金属矿山,424(10):127-143

段瑞琪, 董艳辉, 周鹏鹏, 王礼恒, 符韵梅, 赵少桦. 2017. 高光谱遥感水文地质应用新进展[J]. 水文地质工程地质,44(4):23-29

董金发, 刘庆生, 刘高焕, 申文明, 王　鹏, 张朝忙. 2013. 基于决策树分层分类法的粉煤灰堆场信息提取研究[J]. 遥感技术与应用,28(4):576-581

宫兆宁, 赵雅莉, 赵文吉, 林　川, 崔天翔. 2014. 基于光谱指数的植物叶片叶绿素含量的估算模型[J]. 生态学报,34(20): 5736-5745

黄　丹, 刘庆生, 刘高焕, 闫文博. 2015. 面向对象的煤矸石堆场SPOT-5影像识别[J]. 地球信息科学,17(3):370-378

黄　鸿, 郑新磊, 罗甫林. 2016. 融合加权均值滤波与流形重构保持嵌入的高光谱影像分类[J]. 光子学报,45(10):152-160

黄志坚. 2014. 面向对象影像分析中的多尺度方法研究[D]. 长沙：国防科学技术大学：1-155

侯　飞, 胡召玲. 2012. 基于多尺度分割的煤矿区典型地物遥感信息提取[J]. 测绘通报,(1):22-25

侯群群, 王　飞, 严　丽. 2013. 基于灰度共生矩阵的彩色遥感图像纹理特征提取[J]. 国土资源遥感,25(4):26-32

刘怀鹏, 安慧君, 王　冰, 张秋良, 乌　云. 2016. 最大似然识别绿化树种休斯现象规避[J]. 干旱区研究,33(2):449-454

刘凤梅, 王少军, 张　志, 曾敏. 2010. 铁铜多金属矿开采区及其固体废弃物信息提取方法研究[J]. 金属矿山,407(5):168-174

彭　燕, 何国金, 曹　辉. 2013. 基于纹理的面向对象分类的稀土矿开采地信息提取[J]. 科学技术与工程,7(19):5590-5595

沈占锋, 骆剑承, 胡晓东, 孙卫刚. 2010.高分辨率遥感影像多尺度均值漂移分割算法研究[J]. 武汉大学学报信息科学版,35(3):313-316

王少军, 冯　稳, 孟　丹, 乌云其其格. 2012. 面向对象分类方法在铁尾矿堆快速提取中的应用研究[J]. 遥感信息，(2):103-107

王燕波, 罗　伟, 李名勇, 杜　军, 薛重生. 2011. 基于高分辨率遥感影像的矿山开发监测研究[J]. 热带地理,(4):376-382

王志华. 2014. 福建省罗源县石材矿开采区高分遥感十年变化监测[J]. 遥感信息,29(6):41-46

魏飞鸣, 李小文, 顾行发, 余　涛, 孙　源. 2008.基于形状参数的遥感图像“同谱异物”目标区分[A]. 第十四届全国图象图形学学术会议论文集[C]. 北京:清华大学出版社:466-470

杨　强, 张　志. 2009. 湖北省保康磷矿区开采面及固体废弃物遥感信息提取方法研究[J]. 国土资源遥感,(80):87-90

袁定波, 刘成林, 汪国斌. 2013. 面向对象的矿区信息提取方法的应用与研究[J]. 遥感信息,4(2):110-115

周夏飞, 朱文泉, 马国霞, 张东海, 郑周涛. 2016. 稀土矿开采导致的植被净初级生产力损失遥感评估——以江西省赣州市为例[J]. 遥感技术与应用,31(2):307-305

周亚男, 骆剑承, 程　熙, 沈占锋. 2013. 多特征融入的自适应遥感影像多尺度分割[J]. 武汉大学学报·信息科学版,38(1):19-23