基于Mean Shift无人机高分辨率遥感影像分割方法研究

发布时间：2017-03-30 14:17

  本文关键词：基于Mean Shift无人机高分辨率遥感影像分割方法研究，由笔耕文化传播整理发布。

【摘要】：随着遥感影像信息获取技术(无人机遥感)的快速发展,如何提高遥感图像信息的提取速度和精度是遥感影像处理领域的重要研究方向。遥感图像分割是遥感影像信息提取过程中最为重要的一项技术。在图像处理邻域,图像分割方法虽然取得了一定的成果,但在高分辨遥感影像分割中仍然存在分割精度不高、效率低等不足。本文在前人的研究基础上,将Mean Shift算法引入到高分辨率遥感影像分割中,通过优化Mean shift的核函数和加入LBP纹理特征,提升Mean Shift算法遥感图像分割的效率和精度,为后期的遥感影像的分类识别提供可靠的分割区域。(1)由于无人机的重量轻对天气状况的依赖性大,受到天气变化飞机姿态不稳定及相机本身畸变的影响,因此需要对获取的原始影像进行预处理。本文利用国际上著名的INPHO软件对无人机获取的原始影像进行畸变差校正、空中三角测量、生成正射影像等处理,为后续的遥感影像的分割提供准确的正射遥感图像实验数据。(2)本文引入Mean Shift算法于无人机高分辨率遥感影像分割,针对传统Mean Shift分割算法存在效率低和边界模糊等问题,优化Mean shift的核函数并加入了LBP纹理特征,组成了“空间位置、颜色和纹理”特征向量。实验结果表明：通过目视判读比较得出,本文改进Mean Shift分割算法的分割效果比传统的Mean Shift分割效果更符合人的视觉感知,效率和精度也得到了很大的提高。(3)本文采用区域面积加权的区域相似度准则和最小对象面积参数准则进行分割后的区域合并,以此来解决改进Mean Shift分割算法产生的过分割现象。最后将区域合并处理后的结果分别与在遥感影像分割邻域中比较出名的EDISON软件和eCognition软件进行比较,以此验证本文改进的分割方法的分割效果。实验结果表明：通过目视判读比较得出,在改进Mean Shift算法中加入区域合并方法能得到更好的分割效果且能在一定程度上提高遥感影像分割的精度。对于纹理特征比较突出的地块和道路,改进的Mean Shift算法分割则能更准确的分割,从分割精度的角度可以得出,本文改进的Mean Shift算法分割的效果在很多方面已达到eCognition软件分割的效果。
【关键词】：无人机遥感 Mean Shift LBP纹理特征 图像分割
【学位授予单位】：四川农业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-16
• 1.1 国内外研究现状10-11
• 1.1.1 遥感图像分割的国内外研究现状10
• 1.1.2 Mean Shift算法用于遥感图像的国内外研究现状10-11
• 1.2 研究目的与研究内容11-14
• 1.2.1 研究目的与意义11
• 1.2.2 研究材料与运行平台11-13
• 1.2.3 主要研究内容和技术路线13-14
• 1.3 本文的组织结构14-16
• 第二章 无人机高分辨率遥感影像的预处理16-19
• 2.1 INPHO软件概述16-17
• 2.2 INPHO无人机影像处理流程与结果17-18
• 2.3 本章小结18-19
• 第三章 Mean Shift算法原理19-27
• 3.1 Mean Shift算法19-24
• 3.2 Mean Shift算法高分辨率遥感影像分割的实现24-26
• 3.3 本章小结26-27
• 第四章 改进的Mean Shift高分辨率遥感影像分割方法27-41
• 4.1 遥感影像特征描述27-28
• 4.2 LBP纹理特征28-34
• 4.2.1 基本LBP算子28-30
• 4.2.2 多尺度LBP算子30-33
• 4.2.3 无人机高分辨率遥感影像的LBP特征图的实现33-34
• 4.3 加入LBP特征的改进Mean Shift分割算法34-35
• 4.4 基于LBP的改进Mean Shift高分辨率遥感影像分割实现35-40
• 4.5 对比分析40
• 4.6 本章小结40-41
• 第五章 Mean Shift分割后区域合并41-47
• 5.1 图像分割后区域合并原理41-43
• 5.1.1 区域合并的预处理42
• 5.1.2 区域合并过程42-43
• 5.2 Mean Shift高分辨率遥感影像分割后区域合并的实现43-47
• 第六章 结果对比分析47-55
• 6.1 评价方法47-48
• 6.2 传统的Mean Shift和改进的Mean Shift算法分割结果对比分析48-50
• 6.3 改进的Mean Shift算法和EDISON软件对比分析50-52
• 6.4 改进的Mean Shift算法和eCognition软件对比分析52-54
• 6.5 本章小结54-55
• 第七章 结论与展望55-57
• 7.1 结论55-56
• 7.2 展望56-57
• 参考文献57-60
• 致谢60

【相似文献】

中国期刊全文数据库 前10条

1 赵晓静;陈兆学;王志祯;;基于Mean Shift方法的肝脏CT图像的自动分割[J];中国医学影像技术;2010年12期

2 傅文林;胡福乔;;基于mean shift的头发自动检测[J];微型电脑应用;2010年10期

3 张凤军;赵岭;安国成;王宏安;戴国忠;;一种尺度自适应的Mean Shift跟踪算法[J];计算机研究与发展;2014年01期

4 谢捷;;一种尺度自适应的Mean shift跟踪算法[J];国外电子测量技术;2013年04期

5 连洁;韩传久;;基于Mean Shift的红外目标自动跟踪方法[J];微计算机信息;2008年04期

6 康一梅;谢晚冬;胡江;黄琪;;目标尺度自适应的Mean Shift跟踪算法[J];兵工学报;2011年02期

7 郭晓艺;姜明新;;基于Mean Shift的运动目标的头脚点检测[J];黑龙江科技信息;2013年03期

8 张恒;李立春;于起峰;;尺度方向自适应Mean Shift跟踪算法[J];光学精密工程;2008年06期

9 付勇;何明一;刘超;;Mean Shift目标跟踪核函数宽度的自适应调整[J];计算机工程与应用;2010年17期

10 王占凤;郭星;袁继彬;;基于改进的Mean Shift人体跟踪算法[J];宿州学院学报;2013年08期

中国重要会议论文全文数据库 前1条

1 王立琦;燕小强;马小玲;;结合交互式多模型的Mean Shift算法[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

中国硕士学位论文全文数据库 前9条

1 徐文涛;基于Mean Shift的高分辨率遥感图像分割研究[D];浙江工业大学;2015年

2 袁开宇;基于mean shift的目标跟踪及轨迹聚类[D];南昌航空大学;2015年

3 李勇;基于Mean Shift无人机高分辨率遥感影像分割方法研究[D];四川农业大学;2015年

4 郑永威;Mean Shift算法研究及其在视频目标跟踪中的应用[D];山东大学;2013年

5 师扬;Mean Shift结合拓扑约束法进行高密度细胞追踪[D];哈尔滨工程大学;2011年

6 张宝明;基于DSP目标跟踪Mean Shift算法的研究与实现[D];长春理工大学;2013年

7 谢捷;尺度自适应的扩展Mean shift跟踪算法[D];南京邮电大学;2013年

8 杨辉;基于Mean Shift算法的运动目标检测与跟踪[D];武汉工程大学;2013年

9 胡波;基于Mean Shift算法和卡尔曼滤波的视频目标跟踪技术研究[D];宁波大学;2010年

  本文关键词：基于Mean Shift无人机高分辨率遥感影像分割方法研究，由笔耕文化传播整理发布。

，

本文编号：277333