本文針對國產(chǎn)GF-1號衛(wèi)星數(shù)據(jù)農(nóng)業(yè)專題應(yīng)用的要求,開展了國產(chǎn)高分辨率衛(wèi)星遙感數(shù)據(jù)的玉米作物面積統(tǒng)計方法應(yīng)用研究,為形成國家級基于國產(chǎn)高分數(shù)據(jù)的農(nóng)業(yè)遙感監(jiān)測與評價系統(tǒng)提供技術(shù)支撐。GF-1號衛(wèi)星影像的結(jié)構(gòu)和紋理信息較豐富,圖像中目標(biāo)存在嚴重的“異物同譜”和“同物異譜”現(xiàn)象,傳統(tǒng)基于像元的分類方法在處理效率和玉米作物提取效果上都是有限的。本文以面向?qū)ο蟮姆诸惣夹g(shù)為基礎(chǔ),采用自動分類和人機交互解譯相結(jié)合的方式,研究適用于GF-1號衛(wèi)星遙感數(shù)據(jù)的圖像分割方法,對玉米作物進行有效的提取,完成對玉米田面積的遙感統(tǒng)計。以陜西省藍田縣的玉米耕種區(qū)GF-1號衛(wèi)星數(shù)據(jù)為實驗區(qū)域開展了以下研究:（1）分析了高分一號衛(wèi)星數(shù)據(jù)的特點,完成對數(shù)據(jù)的輻射定標(biāo)、FLAASH大氣校正、正射校正;對校正后的GF-1號衛(wèi)星多光譜和全色數(shù)據(jù)進行融合以增強圖像的清晰度和解譯能力;裁剪出主要耕地區(qū)域,屏蔽了非耕地上的與玉米作物存在異物同譜的植被信息,為玉米作物面積統(tǒng)計方法研究提供數(shù)據(jù)基礎(chǔ)。（2）基于面向?qū)ο蟮姆诸惢A(chǔ),研究獲取圖像分析中同質(zhì)對象的分割方法。通過分析GF-1號圖像中玉米田地塊邊緣的不規(guī)則結(jié)構(gòu)及局部區(qū)域的特征,構(gòu)造了... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及意義
    1.2 農(nóng)業(yè)遙感發(fā)展現(xiàn)狀
        1.2.1 國外研究進展
        1.2.2 國內(nèi)研究進展
    1.3 遙感圖像分類方法研究進展
        1.3.1 基于像素的分類
        1.3.2 基于子像素的分類
        1.3.3 基于對象的分類
    1.4 本文主要研究內(nèi)容
    1.5 本文章節(jié)安排
第二章 研究數(shù)據(jù)及預(yù)處理
    2.1 研究區(qū)域數(shù)據(jù)
    2.2 數(shù)據(jù)校正處理
        2.2.1 全色圖像輻射定標(biāo)
        2.2.2 多光譜圖像大氣校正
        2.2.3 多光譜/全色圖像正射校正
    2.3 全色/多光譜圖像融合
        2.3.1 Gram-Schmidt正交化過程簡介
        2.3.2 融合步驟
    2.4 裁剪實驗數(shù)據(jù)
    2.5 本章小結(jié)
第三章 基于邊緣增強和類矩形引導(dǎo)的分割方法
    3.1 圖像目標(biāo)邊緣模糊增強
        3.1.1 顏色空間轉(zhuǎn)換
        3.1.2 定義塊模糊增強
        3.1.3 模糊增強單色圖3I
    3.2 類矩形引導(dǎo)玉米田分割
        3.2.1 圖像邊緣提取
        3.2.2 邊緣提取效果評價
        3.2.3 構(gòu)建區(qū)域特征相似度
        3.2.4 基于圖的圖像分割
    3.3 實驗與分析
    3.4 本章小結(jié)
第四章 基于稀疏表示的玉米田面積統(tǒng)計
    4.1 特征提取
        4.1.1 光譜特征
        4.1.2 紋理特征
        4.1.3 植被指數(shù)
    4.2 對玉米/非玉米同時建立稀疏表示模型
    4.3 圖像分類算法
        4.3.1 對圖像塊與超像素進行描述
        4.3.2 建立玉米/非玉米類模型矩陣M
        4.3.3 試驗圖像的稀疏表示
        4.3.4 對圖像塊分類
        4.3.5 分類算法基本流程
        4.3.6 多特征決策分類結(jié)果
    4.4 實驗分析
        4.4.1 分類結(jié)果評價
        4.4.2 與其他分類器對比分析
        4.4.3 大規(guī)模區(qū)域?qū)嶒烌炞C
    4.5 本章小結(jié)
第五章 遙感圖像玉米作物提取軟件實現(xiàn)
    5.1 軟件概述
    5.2 系統(tǒng)模塊功能簡介
        5.2.1 圖像預(yù)處理模塊
        5.2.2 彩色圖像處理模塊
        5.2.3 遙感圖像分類模塊
    5.3 VC++與Matlab混合編程
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文的主要工作及創(chuàng)新點
    6.2 展望
參考文獻
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)成果
致謝


【參考文獻】：
期刊論文
[1]基于分水嶺算法的高分遙感圖像道路提取優(yōu)化方法[J]. 蔡紅玥,姚國清.  國土資源遙感. 2013(03)
[2]基于高精度歷史耕地地塊的農(nóng)區(qū)多光譜影像分割方法研究[J]. 李苓苓,朱文泉,潘耀忠,曹森,朱再春.  國土資源遙感. 2011(04)
[3]面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類[J]. 鄧媛媛,巫兆聰,易俐娜,胡忠文,龔正娟.  國土資源遙感. 2010(04)
[4]一種邊界引導(dǎo)的多尺度高分辨率遙感圖像分割方法[J]. 譚玉敏,槐建柱,唐中實.  紅外與毫米波學(xué)報. 2010(04)
[5]基于K-L變換與LS-SVM的玉米品種識別方法[J]. 權(quán)龍哲,祝榮欣,雷溥,韓豹.  農(nóng)業(yè)機械學(xué)報. 2010(04)
[6]高分辨率遙感圖像耕地地塊提取方法研究[J]. 胡潭高,朱文泉,陽小瓊,潘耀忠,張錦水.  光譜學(xué)與光譜分析. 2009(10)
[7]基于改進SUSAN算子的圖像邊緣檢測算法[J]. 羅忠亮.  重慶工學(xué)院學(xué)報(自然科學(xué)版). 2009(05)
[8]作物遙感估產(chǎn)的現(xiàn)狀及其展望[J]. 李佛琳,李本遜,曹衛(wèi)星.  云南農(nóng)業(yè)大學(xué)學(xué)報. 2005(05)
[9]遙感技術(shù)及其在農(nóng)業(yè)上的應(yīng)用[J]. 周曉愚,王永國,陳建卓.  現(xiàn)代化農(nóng)業(yè). 2004(06)
[10]美國農(nóng)業(yè)遙感技術(shù)應(yīng)用現(xiàn)狀簡介[J]. 劉海啟.  國土資源遙感. 1997(03)

碩士論文
[1]基于遙感的玉米產(chǎn)量預(yù)測系統(tǒng)的研究[D]. 胡楠.吉林農(nóng)業(yè)大學(xué) 2011
[2]稀疏表示在圖像處理中的應(yīng)用[D]. 沈斌.清華大學(xué) 2009
[3]多源信息復(fù)合的SVM混合地塊分解法提取玉米種植面積[D]. 馬麗.西安科技大學(xué) 2009
[4]林冠狀態(tài)變化遙感監(jiān)測方法研究[D]. 鄧書斌.山東科技大學(xué) 2007



本文編號：2912091