基于场景分析的遥感图像识别研究

发布时间：2020-05-07 10:31

【摘要】：目前,遥感图像种类越来越多,对于不同类别的遥感图像具有不同的成像效果。其中,可见光遥感图像在日常生活的应用中最为广泛。所以本文选取高分辨率的可见光遥感图像作为研究对象。研究的目的在于探索出一种可以不受成像时间、地点影响的高分辨率可见光遥感图像分类的技术模型。本文提出的技术模型可以分为两个部分:(1)对遥感图像进行场景挖掘。首先对遥感图像进行分割,然后提取低层特征,通过高斯混合模型建模得到视觉单词,最后利用概率潜在语义分析模型实现潜在场景的挖掘。这一步可以实现将遥感图像按场景进行分组。(2)对遥感图像按照地物类别分类。对每个场景下的遥感图像分别进行超像素分割、样本制作以及底层特征提取,通过训练获得当前场景下的分类器模型,借助模型实现遥感图像的地物分类。本文的研究工作主要包括以下两个方面:本文引入了遥感图像场景信息的概念。提出了一种按照场景信息的不同对遥感图像进行分组的方法。首先对遥感图像进行均匀分割与归一化分割,用于得到基于纹理与颜色的视觉单词。然后通过对每张遥感图像视觉单词的数量进行统计可以得到其词频向量,进而实现特征融合。最后通过概率潜在语义分析模型对遥感图像进行潜在场景挖掘,实现了对遥感图像按场景进行分组。与传统的图像场景分类方法相比,本文的方法由于引入了视觉单词的概念,因而分类的精度更高。针对传统SLIC算法对遥感图像进行分割存在大量的过分割现象,提出了一种碎片合并的算法。首先通过设置阈值找到过分割碎片的位置,然后依次计算该碎片与其相邻的超像素小块的相似度,最后将碎片合并到相似度最高的超像素小块中。相较于未经过碎片合并的分割结果,该方法去掉了过分割碎片,有效减少了参与地物分类的超像素小块的数量,进而提高了分类精度。通过实验,验证了本文所提出基于场景分析的遥感图像识别算法的有效性。本文还设计了传统的面向对象遥感图像分类的实验作为对比,结果证明:本文提出的基于场景分析的遥感图像分类方法的分类精度要高于传统方法,总体精度达到了93.98%。
【图文】：

颜色特征,场景,生产者,精度

图 3.10 颜色特征 GMM 建模时不同的 K 对应的用户精度（%）图 3.11 颜色特征 GMM 建模时不同的 K 对应的生产者精度（%）图 3.10 与图 3.11 分别给出了当 K 取 6 到 12 时计算得到的各类场景分类结果的用场景类别场景 A 场景 B 场景 C 场景 D 生产者精度%场景 A 93 0 3 4 93.00场景 B 0 100 0 0 100场景 C 0 0 86 14 86.00场景 D 12 0 10 78 78.00用户精度% 88.57 100 86.87 81.2571.13 71.2981.1167.0294.5177.3670.0999100 100 100100100 10067.0163.4170.6466.3585.2387.582.9885.0579.4987
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751

【相似文献】