基于稀疏表示的高空间分辨率遥感影像多尺度分割方法研究
发布时间：2021-09-18 13:07
遥感影像分割（Remote Sensing Image Segmentation,RSIS）是将影像划分成具有不同特性且互不重叠的分割对象的过程,良好的分割结果对提高影像地物信息的提取和目标地物的识别精度有很大帮助。遥感卫星获取数据的技术发展速度增快以及得到的图像分辨率的增高,从而出现了高空间分辨率遥感影像（High Spatial Resolution Remote Sensing Image,HSRRSI）。HSRRSI中的地物复杂多样,且除了光谱信息还具有丰富的纹理、结构和形状特征。当前高空间分辨率遥感影像分割（High Spatial Resolution Remote Sensing Image Segmentation,HSRRSIS）存在两方面的问题:一方面是由于地物复杂多样,单一尺度的分割方法很难对影像中所有地物进行准确分割;另一方面是传统的RSIS方法不能利用HSRRSI的所有特征进行分割,充分利用这些特征有利于提高遥感影像的分割精度。但是随着加入的HSRRSI的特征越来越多,会使得影像的特征维数增多,从而出现“维数灾难”这一难以解决的问题。为解决以上两方面的现存问题...
【文章来源】：江西理工大学江西省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
章贡区研究区域
第三章基于RMAS指数与最大面积法的MSS参数选择21图3.1FNEAMSS的网络层次结构HSRRSIS效果较好，即同一对象内部同质程度较高，并且不同对象之间异质程度较高，分辨性较好，其实就是和相互调节的过程。某地物的设置尺度太小，得到分割图斑琐碎，此时分割图斑内部的同质程度很高，即较小，但邻近的分割对象便有很大可能是同地类，即较小，此时计算所得的RMAS值较校当地物的设置尺度不断增大，分割图斑的面积变大，影像图斑内部的同质程度高，即较小，但值逐渐增大，计算直到RMAS值达到最大，此时分割效果最佳；当目标地物的设置尺度在此基础上继续增高，一个影像图斑内可能含有两种或几种地物类别，增大，相邻对象间减小，计算所得的RMAS值也会开始降低。上述分析可得，RMAS值与分割尺度之间有很大的关系，RMAS值达到最高时，和具有最好的调节效果，此时RMAS最大值相应的尺度就是最优分割尺度，HSRRSIS结果最好，因此通过RMAS值与尺度之间的变换可以来预判HSRRSIS效果的好坏。根据指数指标来进行最佳HSRRSIS尺度的确定，首先设定分割尺度步长，初步确定HSRRSIS的最佳尺度区间，为使得不同尺度下对应的对象区域样本不出现重复值，因此基于最大尺度下的初始分割图层，利用ArcGIS-DataManagementTools-Createrandompoints函数为每个分割对象创造样本点，由于不同尺度下的样本分割对象对应的光谱信息，纹理、结构和形状特征等信息不同，则RMAS指数指标值所显示出的分割图斑内部的同质化程度和不同分割图斑间的异质化程度不同，因此利用ArcGIS-AnalysisTools-Overlay-SpatialJoin空间连接的方法为每个样本点在不同尺度下对应相应的分割对象，然后分别在不同尺度下选择不同数量的各种类型的地物的代表性分割对象样本，计算RMAS指数指标值，?
第三章基于RMAS指数与最大面积法的MSS参数选择240.1-0.9时取到最大面积图斑面积及图斑类型恒定区间，依次直至ωshape设0.9时，ωcompactness设0.1-0.9时查看最大面积图斑面积及图斑类型是否恒定，最后统计出现频率最多的区间即为某地类的ωcompactness的最优区间。另外，还要记录形状因子讨论中ωshape设多少时，ωcompactness的变化对最大面积分割图斑的影响较小，即斑块恒定区间范围最广，此时的ωshape值与前一节得到的ωshape区间的交集即为最佳ωshape。3.3MSS讨论与分析在eCognition中载入融合后的R1影像，根据2.2章节国家土地利用地物分类标准，其涉及住宅用地，交通运输用地，其他土地三种地类，如图3.2所示，。基于HSRRSI的FNEA分割算法分割时一般要遵循两个原则[59]:①设置的ωcolor值尽可能大;②边界不平滑但分割对象紧密度很高的HSRRSI应减少ωshape值。宗旨为ωshape值取值适宜偏小，ωcompactness适宜偏大，对得到较好的分割效果有所帮助。因此初步利用FNEA固定ωshape设0.1，ωcompactness设0.5，来进行最佳尺度选择的实验。对影像进行初步分割得知当尺度小于100时整副影像中地物过于琐碎，影像出现过分割现象严重，较小地物仍然存在再分割的现象；当尺度大于400时，各类地物都有明显的欠分割，分割对象划分类别不明确，单个分割对象内存在多种地物类别。因此确定R1研究区域的尺度区间为100-400尺度，以20为尺度步长，15个尺度下（100,120,140,160,180,200,220,240,260,280,300,320,340,360,380,400）输出的矢量图层如图3.3所示。图3.2R1研究区域影像
【参考文献】：
期刊论文
[1]遥感影像监督分割评价指标比较与分析[J]. 李泽宇,明冬萍,范莹琳,赵林峰,刘思民. 地球信息科学学报. 2019(08)
[2]形态学边缘检测和区域生长相结合的遥感图像水体分割[J]. 王小鹏,文昊天,王伟,马鹏,王阳萍. 测绘科学技术学报. 2019(02)
[3]改进Canny边缘检测的遥感影像分割[J]. 刘丽霞,李宝文,王阳萍,杨景玉. 计算机工程与应用. 2019(12)
[4]融入边界特征的遥感影像多尺度分割[J]. 翟德超,范亚男,周亚男. 国土资源遥感. 2019(03)
[5]基于改进的均值漂移算法的高分辨率遥感影像分割方法研究[J]. 李婷婷,王晓红,邓仕雄. 贵州大学学报(自然科学版). 2017(06)
[6]基于K-means算法分割遥感图像的阈值确定方法研究[J]. 赵红丹,田喜平. 科学技术与工程. 2017(09)
[7]融合边界信息的高分辨率遥感影像分割优化算法[J]. 楚森森,洪亮,陈杰,邓敏,杨昆,刘纯. 中国图象图形学报. 2016(08)
[8]基于快速mean-shift聚类与标记分水岭的图像分割方法[J]. 邰滢滢,吴彦海,张利. 计算机应用与软件. 2015(08)
[9]k均值聚类引导的遥感影像多尺度分割优化方法[J]. 王慧贤,靳惠佳,王娇龙,江万寿. 测绘学报. 2015(05)
[10]自适应确定K-means算法的聚类数:以遥感图像聚类为例[J]. 袁周米琪,周坚华. 华东师范大学学报(自然科学版). 2014(06)
博士论文
[1]高分辨率遥感影像分割方法及应用研究[D]. 刘大伟.长安大学 2016
硕士论文
[1]基于稀疏表示的高光谱遥感影像半监督降维算法研究[D]. 周颂洋.中国矿业大学 2015
[2]面向对象的高分辨率遥感影像多尺度分割参数及分类研究[D]. 王露.中南大学 2014
本文编号：3400194
【文章来源】：江西理工大学江西省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
章贡区研究区域
第三章基于RMAS指数与最大面积法的MSS参数选择21图3.1FNEAMSS的网络层次结构HSRRSIS效果较好，即同一对象内部同质程度较高，并且不同对象之间异质程度较高，分辨性较好，其实就是和相互调节的过程。某地物的设置尺度太小，得到分割图斑琐碎，此时分割图斑内部的同质程度很高，即较小，但邻近的分割对象便有很大可能是同地类，即较小，此时计算所得的RMAS值较校当地物的设置尺度不断增大，分割图斑的面积变大，影像图斑内部的同质程度高，即较小，但值逐渐增大，计算直到RMAS值达到最大，此时分割效果最佳；当目标地物的设置尺度在此基础上继续增高，一个影像图斑内可能含有两种或几种地物类别，增大，相邻对象间减小，计算所得的RMAS值也会开始降低。上述分析可得，RMAS值与分割尺度之间有很大的关系，RMAS值达到最高时，和具有最好的调节效果，此时RMAS最大值相应的尺度就是最优分割尺度，HSRRSIS结果最好，因此通过RMAS值与尺度之间的变换可以来预判HSRRSIS效果的好坏。根据指数指标来进行最佳HSRRSIS尺度的确定，首先设定分割尺度步长，初步确定HSRRSIS的最佳尺度区间，为使得不同尺度下对应的对象区域样本不出现重复值，因此基于最大尺度下的初始分割图层，利用ArcGIS-DataManagementTools-Createrandompoints函数为每个分割对象创造样本点，由于不同尺度下的样本分割对象对应的光谱信息，纹理、结构和形状特征等信息不同，则RMAS指数指标值所显示出的分割图斑内部的同质化程度和不同分割图斑间的异质化程度不同，因此利用ArcGIS-AnalysisTools-Overlay-SpatialJoin空间连接的方法为每个样本点在不同尺度下对应相应的分割对象，然后分别在不同尺度下选择不同数量的各种类型的地物的代表性分割对象样本，计算RMAS指数指标值，?
第三章基于RMAS指数与最大面积法的MSS参数选择240.1-0.9时取到最大面积图斑面积及图斑类型恒定区间，依次直至ωshape设0.9时，ωcompactness设0.1-0.9时查看最大面积图斑面积及图斑类型是否恒定，最后统计出现频率最多的区间即为某地类的ωcompactness的最优区间。另外，还要记录形状因子讨论中ωshape设多少时，ωcompactness的变化对最大面积分割图斑的影响较小，即斑块恒定区间范围最广，此时的ωshape值与前一节得到的ωshape区间的交集即为最佳ωshape。3.3MSS讨论与分析在eCognition中载入融合后的R1影像，根据2.2章节国家土地利用地物分类标准，其涉及住宅用地，交通运输用地，其他土地三种地类，如图3.2所示，。基于HSRRSI的FNEA分割算法分割时一般要遵循两个原则[59]:①设置的ωcolor值尽可能大;②边界不平滑但分割对象紧密度很高的HSRRSI应减少ωshape值。宗旨为ωshape值取值适宜偏小，ωcompactness适宜偏大，对得到较好的分割效果有所帮助。因此初步利用FNEA固定ωshape设0.1，ωcompactness设0.5，来进行最佳尺度选择的实验。对影像进行初步分割得知当尺度小于100时整副影像中地物过于琐碎，影像出现过分割现象严重，较小地物仍然存在再分割的现象；当尺度大于400时，各类地物都有明显的欠分割，分割对象划分类别不明确，单个分割对象内存在多种地物类别。因此确定R1研究区域的尺度区间为100-400尺度，以20为尺度步长，15个尺度下（100,120,140,160,180,200,220,240,260,280,300,320,340,360,380,400）输出的矢量图层如图3.3所示。图3.2R1研究区域影像
【参考文献】：
期刊论文
[1]遥感影像监督分割评价指标比较与分析[J]. 李泽宇,明冬萍,范莹琳,赵林峰,刘思民. 地球信息科学学报. 2019(08)
[2]形态学边缘检测和区域生长相结合的遥感图像水体分割[J]. 王小鹏,文昊天,王伟,马鹏,王阳萍. 测绘科学技术学报. 2019(02)
[3]改进Canny边缘检测的遥感影像分割[J]. 刘丽霞,李宝文,王阳萍,杨景玉. 计算机工程与应用. 2019(12)
[4]融入边界特征的遥感影像多尺度分割[J]. 翟德超,范亚男,周亚男. 国土资源遥感. 2019(03)
[5]基于改进的均值漂移算法的高分辨率遥感影像分割方法研究[J]. 李婷婷,王晓红,邓仕雄. 贵州大学学报(自然科学版). 2017(06)
[6]基于K-means算法分割遥感图像的阈值确定方法研究[J]. 赵红丹,田喜平. 科学技术与工程. 2017(09)
[7]融合边界信息的高分辨率遥感影像分割优化算法[J]. 楚森森,洪亮,陈杰,邓敏,杨昆,刘纯. 中国图象图形学报. 2016(08)
[8]基于快速mean-shift聚类与标记分水岭的图像分割方法[J]. 邰滢滢,吴彦海,张利. 计算机应用与软件. 2015(08)
[9]k均值聚类引导的遥感影像多尺度分割优化方法[J]. 王慧贤,靳惠佳,王娇龙,江万寿. 测绘学报. 2015(05)
[10]自适应确定K-means算法的聚类数:以遥感图像聚类为例[J]. 袁周米琪,周坚华. 华东师范大学学报(自然科学版). 2014(06)
博士论文
[1]高分辨率遥感影像分割方法及应用研究[D]. 刘大伟.长安大学 2016
硕士论文
[1]基于稀疏表示的高光谱遥感影像半监督降维算法研究[D]. 周颂洋.中国矿业大学 2015
[2]面向对象的高分辨率遥感影像多尺度分割参数及分类研究[D]. 王露.中南大学 2014
本文编号：3400194
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3400194.html
