基于区域稀疏表示的高空间分辨率遥感影像分类研究

发布时间：2017-10-16 16:20

  本文关键词：基于区域稀疏表示的高空间分辨率遥感影像分类研究

  更多相关文章： 高空间分辨率遥感影像 稀疏表示 面向对象 影像分割 多尺度 加权联合稀疏表示

【摘要】：近年来,遥感技术发展迅猛,高空间分辨率遥感影像(下面简称:高分影像)已经成为地理空间信息的主要数据源,目前广泛应用于测绘制图、城市规划、灾害监测、交通建设、资源环境、精细农业、国防、社会公共服务等领域。高分影像可以清晰地表示地物的形状、空间分布和结构特征,但是也给高分影像智能化处理带来了新的问题和挑战。随着影像分辨率的提高,地物信息呈现高度细节化,丰富的高频细节使得类内光谱变化加剧和类间光谱差异减少,“同物异谱”和“异物同谱”大量发生。高分影像除了光谱信息还具有丰富的纹理、结构和形状特征,充分利用这些特征提高特征空间的模式可分性,一直是国内外学者研究的重点。但是并不是随着特征维数增加分类精度就相应提高,但相关研究表明随着特征向量维数急剧增加,在没有大量训练样本的情况下,就会引发所谓的“维数灾难”,特征向量维数增加反而会降低地物的分类精度。为了克服上述问题,更好的利用多维特征,本文结合面向对象影像分析方法和稀疏表示理论,提出一种适合高维特征的高分影像分类算法。由于稀疏表示和面向对象方法拥有完善的理论基础,已经广泛应用于信号处理、遥感影像分类和目标识别等领域。所以本文将对稀疏表示理论应用于高分影像分类进行了深入研究和探讨,并结合了面向对象方法,提出了一种的高分辨率遥感影像分类的新方法和新思路。本文主要研究内容如下:1、结合高分影像特点,分析了高分影像处理所面临的问题,阐述稀疏表示和面向对象影像分析方法的优势,并系统地介绍了稀疏表示理论和面向对象影像分析的基本原理和方法。2、总结了稀疏表示理论在图像分类方面的应用,根据稀疏表示在高光谱遥感影像分类中的应用,结合高分影像的地物几何结构和纹理信息明显的特点,提取高分影像多类型特征集(如:纹理、形状、结构、空间关系等特征),弥补了光谱特征的不足,最后采用稀疏表示方法进行多特征分类。3、提出了基于区域的稀疏表示算法。将稀疏表示理论的处理基元由像素级扩展到区域级,在高层次的影像分析中可以获得更丰富的信息,有利于影像处理。本文将基于区域的稀疏表示算法应用于高分影像分类,首先对高分影像进行区域分割,然后将区域内部像元特征组成一个特征集,基于特征字典,得出一个新的代表区域的特征,最后根据稀疏表示分类理论确定区域类别。本文选用三个高空间分辨率遥感数据集进行分类实验,分别为QuickBird卫星影像数据、HYDICE航空影像数据和IKONOS卫星影像数据,采用7种传统分类方法:最小距离分类、最大似然分类、神经网络算法、支持向量机、基于区域的神经网络、基于区域的支持向量机和传统稀疏表示分类,与本文基于区域的稀疏表示算法做对比分析,证明本文算法能获得较高的分类精度,并有效抑制了“维数灾难”的产生。4、提出基于多尺度区域的稀疏表示算法。由于高分影像地物形状和空间分布复杂,具有很强的多尺度性,因此本文进一步对单一尺度的区域稀疏表示扩展到多尺度区域稀疏表示,并提出一种新的多尺度区域稀疏表示分类算法:运用单尺度区域稀疏表示中的方法求出每个尺度各个区域代表特征,根据各个区域的局部莫兰指数和区域方差得出一个区域异质性指数,以区域异质性指数表示各个尺度的权重,采用加权稀疏表示理论完成高分影像分类。实验表明:相对于单尺度分类结果,基于多尺度区域稀疏表示的分类精度有了进一步的提高。
【关键词】：高空间分辨率遥感影像 稀疏表示 面向对象 影像分割 多尺度 加权联合稀疏表示
【学位授予单位】：云南师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P237
【目录】：

• 摘要3-5
• Abstract5-10
• 第1章 绪论10-15
• 1.1 研究背景与意义10-11
• 1.2 面向对象的高分辨率遥感影像分类研究现状11-12
• 1.3 稀疏表示在图像分类中的研究现状12-14
• 1.4 本文主要研究内容14-15
• 第2章 基础理论15-25
• 2.1 稀疏表示基础理论15-19
• 2.1.1 稀疏编码算法16-18
• 2.1.2 联合稀疏表示18-19
• 2.2 区域分割基础理论19-25
• 2.2.1 均值漂移分割算法（Mean Shift）20-22
• 2.2.2 分形网络演化分割算法（FNEA）22-25
• 第3章 基于区域稀疏表示的高分辨率遥感影像分类25-68
• 3.1 基于区域稀疏表示的高分辨率遥感影像分类算法25-29
• 3.1.1 区域分割与特征提取26-27
• 3.1.2 基于区域的稀疏表示分类算法27-29
• 3.2 影像分类精度评价方法29-30
• 3.3 实验与分析30-66
• 3.3.1 实验一33-44
• 3.3.2 实验二44-55
• 3.3.3 实验三55-66
• 3.4 本章总结66-68
• 第4章 基于多尺度区域稀疏表示的高分辨率遥感影像分类68-81
• 4.1 基于多尺度区域稀疏表示理论68-73
• 4.1.1 多尺度分割与特征提取69-71
• 4.1.2 获取最佳区域特征71
• 4.1.3 获取多尺度区域权重71-72
• 4.1.4 加权联合稀疏表示分类72-73
• 4.2 实验与分析73-79
• 4.2.1 实验一73-75
• 4.2.2 实验二75-78
• 4.2.3 实验三78-79
• 4.3 本章总结79-81
• 第5章 总结与展望81-83
• 5.1 结论81-82
• 5.2 展望82-83
• 参考文献83-89
• 附录A: 图目录89-91
• 附录B: 表目录91-92
• 研究成果92-93
• 致谢93

【参考文献】

中国期刊全文数据库 前10条

1 余晓东;雷英杰;宋亚飞;岳韶华;胡军红;;基于直觉模糊核匹配追踪集成的目标识别方法[J];通信学报;2015年10期

2 杨钊霞;邹峥嵘;陶超;田彦平;何小飞;;空-谱信息与稀疏表示相结合的高光谱遥感影像分类[J];测绘学报;2015年07期

3 张超;李智晓;李鹏山;杨建宇;朱德海;;基于高分辨率遥感影像分类的城镇土地利用规划监测[J];农业机械学报;2015年11期

4 王志社;杨风暴;彭智浩;;基于NSST和稀疏表示的多源异类图像融合方法[J];红外技术;2015年03期

5 宋晓阳;姜小三;江东;黄耀欢;万华伟;王昌佐;;基于面向对象的高分影像分类研究[J];遥感技术与应用;2015年01期

6 李奕;吴小俊;;香农熵加权稀疏表示图像融合方法研究[J];自动化学报;2014年08期

7 贾明明;王宗明;张柏;丁智;;综合环境卫星与MODIS数据的面向对象土地覆盖分类方法[J];武汉大学学报(信息科学版);2014年03期

8 何少林;徐京华;张帅毅;;面向对象的多尺度无人机影像土地利用信息提取[J];国土资源遥感;2013年02期

9 宋相法;焦李成;;基于稀疏表示及光谱信息的高光谱遥感图像分类[J];电子与信息学报;2012年02期

10 赵佳佳;唐峥远;杨杰;刘尔琦;周越;;基于图像稀疏表示的红外小目标检测算法[J];红外与毫米波学报;2011年02期

，

本文编号：1043689