结合纹理特征和超像素分割的高分影像分类识别方法 ——以桉树为例

发布时间：2021-05-11 18:27

　　遥感影像分类技术正在逐渐发展,然而其数据源获取效率低,成本高,数据量大等缺点使得当前遥感分类技术不能满足当前实物分类以及地物跟踪等的需求。无人机技术的快速发展,使得获取高分辨率影像数据越来越便利,具有时效性强、分辨率高和成本低等优点,弥补了使用传统方式获取遥感影像数据的不足。本文以提取桉树信息为例,针对无人机影像高精度,分辨率极高的特点,结合计算机在图像处理方面的发展研究,研究纹理特征的多种提取方法,选取灰度共生矩阵作为提取纹理特征值的方法,提取桉树与非桉树样本的相关值、对比值、能量值和同质性等纹理特征,对不同影响因子（图像大小、步距、方向）生成的灰度共生矩阵的进行试验对比,测试结果得出,桉树与非桉树相比,有着明显可分的纹理特征。研究彩色特征的多个色彩模型,最终选取Lab色彩模型作为影像色彩特征值。纹理特征值与色彩特征值将作为本文的基础数据,应用在分割方法与分类方法中。通过实验对比当前计算机领域的图像分割方法（边缘检测算子,直线提取法,阈值分割,分水岭算法、区域生长和分裂方法、超像素分割与DBSCAN聚类法）,实验表明超像素分割结合DBSCAN聚类的分类方法精度更优,该方法依据图像的色... 

【文章来源】：南宁师范大学广西壮族自治区

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 研究内容
    1.4 研究方法与技术路线
2 高分辨率影像特征分析
    2.1 纹理特征
        2.1.1 定义与特征
        2.1.2 影像纹理特征分析
        2.1.3 纹理特征提取方法
        2.1.4 灰度共生矩阵
            2.1.4.1 算法描述
            2.1.4.2 特征值描述
    2.2 色彩特征
        2.2.1 色彩概念
        2.2.2 彩色空间
    2.3 实验结果
    2.4 本章小结
3 高分影像图像分割方法
    3.1 图像分割概念
    3.2 图像分割方法
        3.2.1 边缘检测算子法
        3.2.2 直线提取法
        3.2.3 阈值分割法
        3.2.4 分水岭算法
        3.2.5 区域生长法和分裂合并法
    3.3 超像素分割
    3.4 DBSCAN聚类
    3.5 实验结果
    3.6 本章小结
4 高分影像图像分类
    4.1 图像分类算法概述
    4.2 遥感图像分类
        4.2.1 非监督分类方法
        4.2.2 监督分类法
    4.3 支持向量机
        4.3.1 SVM的概述
        4.3.2 SVM分类的原理及算法
        4.3.3 SVM核函数
        4.3.4 SVM优点
    4.4 本文分类识别方法
    4.5 多种分类方法的实验分析
        4.5.1 实验数据
        4.5.2 实验结果分析
    4.6 本章小结
5 基于GIS平台的自动分类原型的实现
    5.1 自动分类步骤
    5.2 自动分类模型设计
    5.3 自动分类原型设计
        5.3.1 自动分类原型流程
        5.3.2 对象关系设计
        5.3.3 自动分类原型的具体设计
    5.4 自动分类原型实现
    5.5 实验结果
    5.6 本章小结
6 结论与展望
    6.1 结论
    6.2 本文创新点
    6.3 展望
参考文献
攻读硕士学位期间的科研成果
附录
致谢



本文编号：3181894