高空间分辨率遥感影像分类研究

发布时间：2017-07-16 21:37

  本文关键词：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 分类 支持向量机 像元形状指数 面向对象 均值漂移

【摘要】：随着遥感影像的空间分辨率不断提高,影像所包含的细节信息越来越丰富,较过去的中低空间分辨率影像而言,能更好的表现地物目标的纹理、形状和几何结构信息。与此同时,遥感影像空间分辨率的提高伴随着数据量的激增,需要高效率的自动分类技术取代传统的人工目视解译,对影像中的有用信息进行提取。另一方面,高空间分辨率遥感影像的光谱分辨率相对较低,并且包含了大量细节信息,造成光谱分布异常复杂,降低了地物目标在光谱域的可分性。为解决这一问题,自动分类技术需要充分利用影像中隐含的信息,弥补光谱特征的不足。本文考虑到支持向量机在解决小样本、非线性以及高维模式识别问题所具有的优势,以这一机器学习算法作为分类器,首先从光谱域角度对高空间分辨率遥感影像进行分类。由实验结果发现,影像中的地物目标仅仅通过光谱特征的差异进行区分并不可靠,光谱特征相似的异类地物目标发生混淆。继而利用像元形状指数方法,提取高空间分辨率遥感影像的像元形状指数特征,对光谱特征进行补充。实验结果表明,像元形状指数特征能够有效区分光谱特征相似而几何形状不同的地物目标,在分类精度上优于光谱特征分类方法。同时,在与小波纹理特征方法和多尺度区域特征方法比较中,像元形状指数方法也取得了更好的结果。另一方面,实验中发现该方法极易受到高空间分辨率遥感影像中细节信息的影响,对富于细节信息的区域分类效果不理想。鉴于像元形状指数方法存在的不足,本文引入了面向对象分析思想,对高空间分辨率遥感影像进行分类。在像元形状指数方法的启发下,设计了一种自适应带宽的均值漂移方法,对高空间分辨率遥感影像进行对象的提取。实验证明了这一方法在保留较小目标的基础上,对较大目标保证了足够的平滑,同时忽略了影像中过度的细节信息,是一种多尺度统一的对象提取方法。最终的分类结果说明,面向对象分类方法较像元形状指数方法,无论在视觉效果上还是精度上,都更为优秀。
【关键词】：高空间分辨率遥感影像 分类 支持向量机 像元形状指数 面向对象 均值漂移
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P237
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-13
• 1.1 研究背景以及意义9-10
• 1.2 研究现状10-11
• 1.3 章节内容安排11-13
• 第二章 基于支持向量机的高空间分辨率遥感影像分类13-30
• 2.1 统计学习理论13-14
• 2.2 支持向量机方法14-21
• 2.2.1 基本的支持向量机14-17
• 2.2.2 支持向量机解决非线性问题17-19
• 2.2.3 松弛变量的引入19-20
• 2.2.4 支持向量机结合高空间分辨率遥感影像20-21
• 2.3 支持向量机核函数的选择21-22
• 2.3.1 线性核函数21
• 2.3.2 多项式核函数21
• 2.3.3 径向基核函数21-22
• 2.3.4 多层感知器22
• 2.4 支持向量机的多分类问题22-25
• 2.4.1 “一对多”方法23
• 2.4.2 “一对一”方法23-24
• 2.4.3 DAG方法24-25
• 2.5 实验部分25-30
• 2.5.1 实验数据25-26
• 2.5.2 训练样本选择26-27
• 2.5.3 支持向量机分类27-30
• 第三章 像元形状指数方法30-48
• 3.1 像元形状指数30-33
• 3.1.1 方向线的提取30-31
• 3.1.2 PSI特征的提取31-32
• 3.1.3 PSI方法的参数32-33
• 3.2 用于对比的特征提取方法33-35
• 3.2.1 小波纹理特征方法33-34
• 3.2.2 多尺度区域特征方法34-35
• 3.3 实验部分35-48
• 3.3.1 PSI方法实验35-38
• 3.3.2 小波纹理特征方法与多尺度区域特征方法实验38-46
• 3.3.3 三种特征提取方法的比较分析46-48
• 第四章 基于自适应带宽的均值漂移算法的面向对象分类48-64
• 4.1 从面向像元到面向对象48-49
• 4.2 MS方法49-54
• 4.2.1 MS向量49-51
• 4.2.2 MS向量与非参数概率密度估计的关系51-52
• 4.2.3 MS聚类方法52-53
• 4.2.4 MS算法应用于遥感影像聚类53-54
• 4.3 自适应带宽的MS方法54-56
• 4.4 实验部分56-64
• 第五章 总结与展望64-65
• 5.1 本文的总结64
• 5.2 研究展望64-65
• 参考文献65-68
• 攻读硕士学位期间取得的研究成果68-69
• 致谢69

【参考文献】

中国期刊全文数据库 前10条

1 刘纯;洪亮;陈杰;楚森森;邓敏;;融合像素—多尺度区域特征的高分辨率遥感影像分类算法[J];遥感学报;2015年02期

2 侯晓文;刘奇;;自适应带宽均值漂移脑部磁共振成像肿瘤分割[J];生物医学工程学杂志;2014年05期

3 顾亚祥;丁世飞;;支持向量机研究进展[J];计算机科学;2011年02期

4 丁世飞;齐丙娟;谭红艳;;支持向量机理论与算法研究综述[J];电子科技大学学报;2011年01期

5 王爽;夏玉;焦李成;;基于均值漂移的自适应纹理图像分割方法[J];软件学报;2010年06期

6 沈占锋;骆剑承;吴炜;胡晓东;;遥感影像均值漂移分割算法的并行化实现[J];哈尔滨工业大学学报;2010年05期

7 沈占锋;骆剑承;胡晓东;孙卫刚;;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);2010年03期

8 张睿;马建文;;支持向量机在遥感数据分类中的应用新进展[J];地球科学进展;2009年05期

9 乔程;骆剑承;吴泉源;沈占锋;王宏;;面向对象的高分辨率影像城市建筑物提取[J];地理与地理信息科学;2008年05期

10 余辉;赵晖;;支持向量机多类分类算法新研究[J];计算机工程与应用;2008年07期

，

本文编号：550663