高分辨率光学与极化SAR影像城市地物协同分类

发布时间：2017-09-14 05:37

  本文关键词：高分辨率光学与极化SAR影像城市地物协同分类

  更多相关文章： 城市覆盖 高分辨率光学 极化SAR 面向对象 分类

【摘要】：光学与极化SAR影像能够信息互补,提高城市地物信息提取精度,但是,由于成像原理不同,二者具有几何和辐射特性差异,尤其随着空间分辨率的提高,地物提取复杂度和难度增加,且光学和SAR影像无法精确配准,给信息融合应用带来挑战。本文分别针对高空间分辨率光学影像、全极化SAR影像和X波段单极化SAR影像进行了主被动数据城市地物协同分类研究。(1)光学与全极化SAR影像协同分类:基于甘肃省张掖市2012年7月获取的1m分辨率的光学航空影像和5.2×7.6m分辨率的全极化SAR影像数据,利用面向对象的多尺度分割法缓解成像差异造成的几何偏移问题;同时,利用模糊分类策略实现不同性质的特征类型的联合决策。进行了两组实验,实验一基于训练样本进行分类,结果表明,光学影像对光谱信息相似的道路、建筑物和裸地提取效果不佳,而引入极化SAR影像特征后,建筑物和裸地的分类精度可提升5%~10%左右,道路和人工植被的分类精度也有所改善,总体精度由85%上升至88.18%。实验二沿用实验一所得的参数,未采集训练样本,得到的分类结果与实验一基本一致,总体分类精度由81.82%上升至88.04%,表明该研究方法和实验所得的特征组合具有一定的稳定性。(2)光学与单极化SAR影像协同分类:实验数据为2014年7月获取的天津市1m分辨率的RGB波段航空光学影像和1m分辨率的机载X波段单极化SAR影像。随着SAR影像空间分辨率的提高,在地物细节更丰富的基础上也引入了更复杂的分类问题,研究通过对典型地物特征分析,采用面向对象的形态分割、支持向量机分类、分层分类策略,进行了两组实验,实验一在面向对象的分割基础上使用支持向量机(RBF核函数)分类器分类,采用四组对比实验,结果表明,面向对象分类方法较基于像元的方法能够有效抑制分类结果中的“椒盐”现象,解决提取图斑破碎问题,面向对象的形态分割后分类效果总体精度均提升了5%左右。仅用光学影像分类结果显示,建筑物和道路,水体、阴影和植被混分现象严重;引入SAR图像数据辅助分类后,各类地物,尤其是道路、植被、水体和阴影的提取均有很大改善,分类总体精度均提升了10%左右。实验二在实验一的基础上引入分层分类策略,通过样本离散度分析,使用更简单的分类器支持向量机(Linear)、更有效的样本数据以及更少的特征波段进行分类,所得分类结果与面向对象的支持向量机(RBF核函数)分类结果图极为接近,总体精度只相差0.47%,各类地物分类精度相差约在5%以内,道路、植被、裸地、阴影提取效果都很好,只有少部分水体被误分为阴影。
【关键词】：城市覆盖 高分辨率光学 极化SAR 面向对象 分类
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-15
• 1.1 选题背景与研究意义9-11
• 1.1.1 选题背景9-10
• 1.1.2 研究意义10-11
• 1.2 研究现状与存在的问题11-13
• 1.2.1 国内外研究现状11-13
• 1.2.2 研究难点及存在的问题13
• 1.3 论文研究内容和章节安排13-15
• 第二章 数据准备与分类体系构建15-28
• 2.1 数据准备15-26
• 2.1.1 高分辨率光学影像15-16
• 2.1.2 极化SAR影像16-22
• 2.1.3 实验数据及研究区域概况22-26
• 2.2 分类体系设计26-27
• 2.3 本章小结27-28
• 第三章 光学与全极化SAR影像协同分类28-51
• 3.1 技术方法28-42
• 3.1.1 极化SAR影像预处理28-31
• 3.1.2 光学影像的面向对象分割31
• 3.1.3 特征提取与分析31-41
• 3.1.4 模糊隶属度函数分类41-42
• 3.2 实验与分析42-50
• 3.2.1 面向对象的模糊分类实验一42-45
• 3.2.2 面向对象的模糊分类实验二45-46
• 3.2.3 分类结果及精度评价46-50
• 3.3 本章小结50-51
• 第四章 光学与单极化SAR影像协同分类51-71
• 4.1 技术方法51-56
• 4.1.1 形态分割和面向对象的特征提取51-53
• 4.1.2 支持向量机分类法53-55
• 4.1.3 分层分类策略55-56
• 4.2 实验区域样本获取56-57
• 4.3 主被动数据典型地物特征分析57-60
• 4.4 基于形态学分割的SVM分类实验60-64
• 4.4.1 实验过程60-61
• 4.4.2 分类结果及精度评价61-64
• 4.5 基于形态学分割和分层分类的SVM分类实验64-70
• 4.5.1 实验过程64-67
• 4.5.2 分类结果及精度评价67-70
• 4.6 本章小结70-71
• 第五章 结论与展望71-74
• 5.1 主要工作内容和结论71-73
• 5.1.1 基于实验数据的研究成果71
• 5.1.2 基于技术方法的研究成果71-73
• 5.2 不足和展望73-74
• 5.2.1 不足73
• 5.2.2 展望73-74
• 致谢74-75
• 参考文献75-79
• 在学期间发表的论文和取得的学术成果79

【参考文献】

中国期刊全文数据库 前1条

1 邹丽丽;崔海山;李颖;吴宇静;;SAR与SPOT数据融合方法研究[J];遥感技术与应用;2010年06期

中国博士学位论文全文数据库 前1条

1 朱俊杰;高分辨率光学和SAR遥感数据融合及典型目标提取方法研究[D];中国科学院研究生院（遥感应用研究所）;2005年

，

本文编号：848198