圖像處理分析課程論文-面向?qū)ο蟮母叻直媛蔬b感影像分類研究

《圖像處理分析課程論文-面向?qū)ο蟮母叻直媛蔬b感影像分類研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、面向?qū)ο蟮母叻直媛蔬b感影像分類研究面向?qū)ο蟮母叻直媛蔬b感影像分類研究摘要遙感影像分類是全球地面覆蓋識別的有力手段之一。隨著高分辨率遙感影像的發(fā)展，基于像元的分類方法不再適用，面向?qū)ο蟮姆诸惙椒ǖ玫桨l(fā)展。本文對面向?qū)ο蟮倪b感影像分類做了以下研究，首先對遙感影像進行5-300的多尺度分割，基于對象層平均同質(zhì)性進行最優(yōu)分割尺度的選擇，將同質(zhì)性變化率的峰值作為最優(yōu)分割尺度；其次，通過Fisher算法選取了分類特征，分別計算出對象光譜特征、紋理特征、結(jié)構(gòu)特征和指數(shù)特征的Fisher分數(shù)并進行排序，選擇Fisher分數(shù)較高

2、的特征組成特征子集參與后續(xù)分類；再次，利用改進決策樹分類結(jié)合監(jiān)督分類的方法對分割對象進行分類，并與傳統(tǒng)決策樹分類和改進決策樹分類結(jié)果進行比較，分類精度明顯提高。關(guān)鍵詞：多尺度分割特征選擇面向?qū)ο笥跋穹诸悽衩嫦驅(qū)ο蟮母叻直媛蔬b感影像分類研究第一章緒論1.1研究目的與意義傳統(tǒng)的像素級的分類方法適用于中低分辨率遙感影像，即分辨率為10m到100m的遙感影像。而近幾十年來，隨著隨著航空航天技術(shù)的發(fā)展，高分辨率乃至超高分辨率影像被越來越廣泛地商業(yè)化與民用化。與傳統(tǒng)的空間分辨率為十米級與百米級的中低分辨率遙感影像(如:MO

3、DIS影像)相比,高分辨率遙感影像包含更豐富的地物空間信息,地物的形狀、幾何結(jié)構(gòu)、紋理信息及地物間的拓撲關(guān)系更為明顯。然而,隨著空間分辨率的提高,影像數(shù)據(jù)量大幅增加,地物對象由多個相鄰像元組成,單一像元的光譜特性無法反映其所在地物的光譜特性，像素級的分類已不適用于高分辨率遙感影像的分類，而面向?qū)ο蟮姆诸愔饾u成為研究的熱點。1.2研究內(nèi)容、方法及技術(shù)路線1.21研究內(nèi)容本文的主題為面向?qū)ο蟮母叻直媛蔬b感影像分類，論文主要內(nèi)容是用遙感影像對武漢地區(qū)2012年土地利用情況進行分析，分別檢測出植被、水體以及建筑物等三類

4、土地覆蓋區(qū)域。主要研究內(nèi)容可從以下三個層次展開：1）遙感影像多尺度分割。不同的地類對不同的分割尺度敏感程度各不相同。因此，如何針對每一種地類決策出其最佳的分割尺度是影像分割中的重點與難點。2）對分割對象進行分類。參與分類的主要特征包括光譜特征和幾何特征，光譜特征包括對象個波段灰度平均值、方差、亮度均值、NDVI、NDWI、Ratio_NIR等，空間幾何特征包括長寬比、面積、圓度、紋理、邊緣、矩等，如何從這些特征中選擇出最有利于提高分類精度的特征向量是分類過程中亟待解決的問題。同時，找出一種能自動計算各個分類特征

5、閾值的方法也是分類過程中的研究難點。1.22研究方法與技術(shù)路線1）數(shù)據(jù)預(yù)處理本文的實驗數(shù)據(jù)分別為武漢地區(qū)2012年8月獲取的worldview衛(wèi)星影像（0.5m全色/2m多光譜遙感影像），已經(jīng)過影像配準與輻射校正。2）多尺度影像分割通過目視判讀和多尺度分割算法，估算出最適用于影像分割的最佳尺度，并在eCognition軟件中對影像做多尺度分割獲取圖斑，將圖斑作為基本處理單元。第24頁共55頁面向?qū)ο蟮母叻直媛蔬b感影像分類研究3）影像分類通過特征選擇算法，挑選出最能提高分類精度的分類特征，計算出分類閾值，采用決策

6、樹與監(jiān)督分類或非監(jiān)督分類兩種方法分別對2012年和2013年的影像進行分類，并進行精度評定。本文的技術(shù)路線如圖1.1所示：圖1.1基本處理流程圖第2章高分辨率遙感影像分割第24頁共55頁面向?qū)ο蟮母叻直媛蔬b感影像分類研究隨著高分辨率遙感影像的發(fā)展，基于像素級的遙感影像分類已不適用，面向?qū)ο蟮倪b感影像分類發(fā)展起來。遙感影像分割是面向?qū)ο筮b感影像分析方法的基礎(chǔ)和關(guān)鍵，是遙感圖像處理到圖像分析過程的一個關(guān)鍵步驟。2.1影像分割概念影像分割是一種把圖像分成互不重疊的區(qū)域并提取感興趣目標的技術(shù)。從廣義上來講，是根據(jù)影像的

7、某些特征或者特征集合（包括光譜、結(jié)構(gòu)、紋理等）的相似性準則對圖像像素進行分組聚類，把圖像平面劃分成若干個具有某些一致性的不重疊區(qū)域。常用的分割方法有基于閾值的分割、基于邊緣的分割和基于區(qū)域的分割?；陂撝档姆指罘椒▽崿F(xiàn)簡單、計算量小、性能較穩(wěn)定，適用于目標和背景占據(jù)不同灰度級范圍的影像，但閾值的選取很大程度上影響影像分割的效果?；谶吘壍姆指罘椒ɡ昧藞D像局部特性不連續(xù)（或突變）的特性，如灰度、顏色、紋理的突變等，但在三維現(xiàn)實到二維空間的轉(zhuǎn)變中易丟失信息。以上兩種方法皆不適用于面向?qū)ο蟮挠跋穹指??；趨^(qū)域的分割

8、方法主要利用區(qū)域內(nèi)像素特征的相似性來分割圖像，抗噪能力強，得到區(qū)域形狀緊湊，無需事先聲明類別數(shù)目，易擴展到多波段，適用于復(fù)雜場景，但時空開銷較大，難以確定種子點和區(qū)域同質(zhì)性指標。針對高分辨率遙感影像的特點，面向?qū)ο蟮倪b感影像分類中更適合采用區(qū)域分裂與合并結(jié)合的分割方法。然而遙感影像中不同地物的尺寸差異較大，水體、植被一般為尺寸較大、易于識別的物體，建筑物則較為分散、面積較小，因而只使用