面向对象的高分辨率遥感影像分类技术研究

发布时间：2017-04-24 15:01

  本文关键词：面向对象的高分辨率遥感影像分类技术研究，，由笔耕文化传播整理发布。

【摘要】：随着空间科学技术和遥感信息技术的快速发展,新型的传感器不断涌现,获取的遥感影像数据的质量也越来越高,高分辨率的遥感影像数据在诸如数字城市建设、矿产资源勘查、土地利用分类及变化检测、航空、测绘、国防军事和精密农业等多个学科和生产领域的使用越来越广泛,航空遥感信息技术也得到了空前的发展与关注,充分处理与分析遥感影像数据以获取对人类有用的信息是目前研究的热门课题,其重要的一个环节就是针对遥感影像进行分类,本文主要研究的内容是针对高分辨率的遥感影像采用面向对象的分类思想进行影像的分类。目前比较成熟的遥感影像的分类技术就是基于像素的光谱统计的分类方法,常见的分法分为监督分类法和非监督分类这两大类的方法,本文分别讨论了常用的K-Means均值聚类算法、最小距离法、B P神经网络和支持向量(SVM)机等这几种常见的遥感影像分类的方法。基于像素的分类方法仅利用了像素单一的光谱特征信息,对于含有较少光谱特征信息的高分影像的分类精度较低。为解决上述的问题针对高分影像数据的特征,本文采取了面向对象的分类技术,核心步骤包括了图像分割和图像分类,第一步图像分割的结果直接决定了影像分类的精度的高低,分割是基于区域的异质性和同质性的准则,利用基于区域增长的多尺度分割技术将影像分割成一个个同质的影像对象单元,第二步是在影像分割的基础上进行对象特征的选择和提取,再通过模糊的分类方法和KNN最邻近分类方法进行图像的分类,面向对象的分类技术思想是充分地利用了高分影像数据丰富的光谱信息、形状和纹理特征等空间几何信息,克服了“椒盐”现象的产生,有效减小了“同质异谱”及“异质同谱”现象所产生的影响,提高了遥感影像分类的精度。
【关键词】：高分辨率的遥感影像 面向对象分类技术 多尺度多特征 模糊分类法
【学位授予单位】：中国地质大学(北京)
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-16
• 1.1 研究背景及研究内容11-12
• 1.2 研究现状12-14
• 1.3 研究方法14
• 1.4 论文结构安排14-16
• 第2章 遥感影像分类方法介绍16-33
• 2.1 影像分类综述16-17
• 2.2 分类方法介绍17-25
• 2.2.1 K-Means均值聚类17
• 2.2.2 最小距离法17-18
• 2.2.3 最大似然法18-19
• 2.2.4 BP神经网络法19-22
• 2.2.5 支持向量机法 (SVM)22-25
• 2.3 面向对象的遥感影像分类技术体系25-33
• 2.3.1 模糊分类体系25-31
• 2.3.1.1 模糊集合理论基础26-28
• 2.3.1.2 遥感影像模糊分类算法的具体流程28-29
• 2.3.1.3 模糊算法FCM的流程介绍29-31
• 2.3.2 最邻近规则(KNN)分类31-33
• 第3章 遥感图像的分割技术33-45
• 3.1 图像分割综述33-38
• 3.1.1 图像分割的原理33-34
• 3.1.2 基于边缘的分割34-36
• 3.1.2.1 边缘的检测34
• 3.1.2.2 边缘检测算子34-35
• 3.1.2.3 边缘连接35-36
• 3.1.3 基于区域的分割36-38
• 3.1.3.1 阈值分割36-37
• 3.1.3.2 区域增长37
• 3.1.3.3 分裂-合并37-38
• 3.2 基于区域增长的多尺度图像分割技术38-42
• 3.2.1 多尺度的分割理论38-39
• 3.2.2 多尺度分割的算法步骤39
• 3.2.3 区域异质性准则39-41
• 3.2.4 最优尺度选择研究41-42
• 3.3 分水岭分割算法42-45
• 3.3.1 分水岭算法的基本概念42-43
• 3.3.2 分水岭分割算法步骤43-45
• 第4章 基于影像对象的特征提取45-51
• 4.1 影像对象的特征45-48
• 4.1.1 光谱特征46
• 4.1.2 形状特征46-47
• 4.1.3 纹理特征47-48
• 4.2 对象特征的提取方法48-51
• 第5章 实验结果分析51-67
• 5.1 高分辨率遥感影像多尺度分割的参数选择51-58
• 5.1.1 尺度参数51-53
• 5.1.2 均质因子53-56
• 5.1.3 建立多尺度分割的层次结构56-58
• 5.1.4 多尺度分割的结果分析58
• 5.2 遥感影像的分类结果58-60
• 5.2.1 影像分类结果的比较58-60
• 5.2.2 基于多特征的影像分类60
• 5.3 分类结果的评价60-67
• 第6章 总结与展望67-69
• 6.1 总结67-68
• 6.2 展望68-69
• 致谢69-70
• 参考文献70-73
• 附录73

【参考文献】

中国期刊全文数据库 前10条

1 黄立贤;沈志学;;高光谱遥感图像的监督分类[J];地理空间信息;2011年05期

2 邱志伟;李艳;乔浩然;;一种面向对象的遥感图像多尺度分割方法[J];地理空间信息;2013年03期

3 李小江;孟庆岩;王春梅;刘苗;郑利娟;王珂;;一种面向对象的像元级遥感图像分类方法[J];地球信息科学学报;2013年05期

4 曾建航;魏萌;王靳辉;尚怡君;;基于知识的遥感影像模糊分类方法[J];测绘科学技术学报;2008年03期

5 李春芳;刘连忠;陆震;;一种由FCM算法推导出的隶属函数研究[J];计算机工程与应用;2008年32期

6 吴宁;陈秋晓;;面向影像分割的多尺度快速区域合并方法[J];计算机工程与应用;2012年06期

7 林卉;刘培;杜培军;夏俊士;;基于改进型统计区域增长的遥感图像分割[J];计算机工程与应用;2012年18期

8 程家聪;王然;陈忠;邓江华;;基于多特征的高分辨率遥感图像分割方法[J];计算机工程;2011年S1期

9 张海龙;蒋建军;解修平;吴宏安;张丽;;基于改进的BP神经网络模型的遥感影像分类法[J];农机化研究;2006年10期

10 刘兆yN;李鑫慧;沈润平;朱枫;张凯;王恬;王媛媛;;高分辨率遥感图像分割的最优尺度选择[J];计算机工程与应用;2014年06期

中国博士学位论文全文数据库 前1条

1 黄慧萍;面向对象影像分析中的尺度问题研究[D];中国科学院研究生院（遥感应用研究所）;2003年

  本文关键词：面向对象的高分辨率遥感影像分类技术研究，由笔耕文化传播整理发布。

本文编号：324402