本文關(guān)鍵詞：面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著空間科學(xué)技術(shù)和遙感信息技術(shù)的快速發(fā)展,新型的傳感器不斷涌現(xiàn),獲取的遙感影像數(shù)據(jù)的質(zhì)量也越來越高,高分辨率的遙感影像數(shù)據(jù)在諸如數(shù)字城市建設(shè)、礦產(chǎn)資源勘查、土地利用分類及變化檢測、航空、測繪、國防軍事和精密農(nóng)業(yè)等多個(gè)學(xué)科和生產(chǎn)領(lǐng)域的使用越來越廣泛,航空遙感信息技術(shù)也得到了空前的發(fā)展與關(guān)注,充分處理與分析遙感影像數(shù)據(jù)以獲取對人類有用的信息是目前研究的熱門課題,其重要的一個(gè)環(huán)節(jié)就是針對遙感影像進(jìn)行分類,本文主要研究的內(nèi)容是針對高分辨率的遙感影像采用面向?qū)ο蟮姆诸愃枷脒M(jìn)行影像的分類。目前比較成熟的遙感影像的分類技術(shù)就是基于像素的光譜統(tǒng)計(jì)的分類方法,常見的分法分為監(jiān)督分類法和非監(jiān)督分類這兩大類的方法,本文分別討論了常用的K-Means均值聚類算法、最小距離法、B P神經(jīng)網(wǎng)絡(luò)和支持向量(SVM)機(jī)等這幾種常見的遙感影像分類的方法�；谙袼氐姆诸惙椒▋H利用了像素單一的光譜特征信息,對于含有較少光譜特征信息的高分影像的分類精度較低。為解決上述的問題針對高分影像數(shù)據(jù)的特征,本文采取了面向?qū)ο蟮姆诸惣夹g(shù),核心步驟包括了圖像分割和圖像分類,第一步圖像分割的結(jié)果直接決定了影像分類的精度的高低,分割是基于區(qū)域的異質(zhì)性和同質(zhì)性的準(zhǔn)則,利用基于區(qū)域增長的多尺度分割技術(shù)將影像分割成一個(gè)個(gè)同質(zhì)的影像對象單元,第二步是在影像分割的基礎(chǔ)上進(jìn)行對象特征的選擇和提取,再通過模糊的分類方法和KNN最鄰近分類方法進(jìn)行圖像的分類,面向?qū)ο蟮姆诸惣夹g(shù)思想是充分地利用了高分影像數(shù)據(jù)豐富的光譜信息、形狀和紋理特征等空間幾何信息,克服了“椒鹽”現(xiàn)象的產(chǎn)生,有效減小了“同質(zhì)異譜”及“異質(zhì)同譜”現(xiàn)象所產(chǎn)生的影響,提高了遙感影像分類的精度。
【關(guān)鍵詞】：高分辨率的遙感影像 面向?qū)ο蠓诸惣夹g(shù) 多尺度多特征 模糊分類法
【學(xué)位授予單位】：中國地質(zhì)大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-16
• 1.1 研究背景及研究內(nèi)容11-12
• 1.2 研究現(xiàn)狀12-14
• 1.3 研究方法14
• 1.4 論文結(jié)構(gòu)安排14-16
• 第2章 遙感影像分類方法介紹16-33
• 2.1 影像分類綜述16-17
• 2.2 分類方法介紹17-25
• 2.2.1 K-Means均值聚類17
• 2.2.2 最小距離法17-18
• 2.2.3 最大似然法18-19
• 2.2.4 BP神經(jīng)網(wǎng)絡(luò)法19-22
• 2.2.5 支持向量機(jī)法 (SVM)22-25
• 2.3 面向?qū)ο蟮倪b感影像分類技術(shù)體系25-33
• 2.3.1 模糊分類體系25-31
• 2.3.1.1 模糊集合理論基礎(chǔ)26-28
• 2.3.1.2 遙感影像模糊分類算法的具體流程28-29
• 2.3.1.3 模糊算法FCM的流程介紹29-31
• 2.3.2 最鄰近規(guī)則(KNN)分類31-33
• 第3章 遙感圖像的分割技術(shù)33-45
• 3.1 圖像分割綜述33-38
• 3.1.1 圖像分割的原理33-34
• 3.1.2 基于邊緣的分割34-36
• 3.1.2.1 邊緣的檢測34
• 3.1.2.2 邊緣檢測算子34-35
• 3.1.2.3 邊緣連接35-36
• 3.1.3 基于區(qū)域的分割36-38
• 3.1.3.1 閾值分割36-37
• 3.1.3.2 區(qū)域增長37
• 3.1.3.3 分裂-合并37-38
• 3.2 基于區(qū)域增長的多尺度圖像分割技術(shù)38-42
• 3.2.1 多尺度的分割理論38-39
• 3.2.2 多尺度分割的算法步驟39
• 3.2.3 區(qū)域異質(zhì)性準(zhǔn)則39-41
• 3.2.4 最優(yōu)尺度選擇研究41-42
• 3.3 分水嶺分割算法42-45
• 3.3.1 分水嶺算法的基本概念42-43
• 3.3.2 分水嶺分割算法步驟43-45
• 第4章 基于影像對象的特征提取45-51
• 4.1 影像對象的特征45-48
• 4.1.1 光譜特征46
• 4.1.2 形狀特征46-47
• 4.1.3 紋理特征47-48
• 4.2 對象特征的提取方法48-51
• 第5章 實(shí)驗(yàn)結(jié)果分析51-67
• 5.1 高分辨率遙感影像多尺度分割的參數(shù)選擇51-58
• 5.1.1 尺度參數(shù)51-53
• 5.1.2 均質(zhì)因子53-56
• 5.1.3 建立多尺度分割的層次結(jié)構(gòu)56-58
• 5.1.4 多尺度分割的結(jié)果分析58
• 5.2 遙感影像的分類結(jié)果58-60
• 5.2.1 影像分類結(jié)果的比較58-60
• 5.2.2 基于多特征的影像分類60
• 5.3 分類結(jié)果的評價(jià)60-67
• 第6章 總結(jié)與展望67-69
• 6.1 總結(jié)67-68
• 6.2 展望68-69
• 致謝69-70
• 參考文獻(xiàn)70-73
• 附錄73

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃立賢;沈志學(xué);;高光譜遙感圖像的監(jiān)督分類[J];地理空間信息;2011年05期

2 邱志偉;李艷;喬浩然;;一種面向?qū)ο蟮倪b感圖像多尺度分割方法[J];地理空間信息;2013年03期

3 李小江;孟慶巖;王春梅;劉苗;鄭利娟;王珂;;一種面向?qū)ο蟮南裨夁b感圖像分類方法[J];地球信息科學(xué)學(xué)報(bào);2013年05期

4 曾建航;魏萌;王靳輝;尚怡君;;基于知識的遙感影像模糊分類方法[J];測繪科學(xué)技術(shù)學(xué)報(bào);2008年03期

5 李春芳;劉連忠;陸震;;一種由FCM算法推導(dǎo)出的隸屬函數(shù)研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年32期

6 吳寧;陳秋曉;;面向影像分割的多尺度快速區(qū)域合并方法[J];計(jì)算機(jī)工程與應(yīng)用;2012年06期

7 林卉;劉培;杜培軍;夏俊士;;基于改進(jìn)型統(tǒng)計(jì)區(qū)域增長的遙感圖像分割[J];計(jì)算機(jī)工程與應(yīng)用;2012年18期

8 程家聰;王然;陳忠;鄧江華;;基于多特征的高分辨率遙感圖像分割方法[J];計(jì)算機(jī)工程;2011年S1期

9 張海龍;蔣建軍;解修平;吳宏安;張麗;;基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型的遙感影像分類法[J];農(nóng)機(jī)化研究;2006年10期

10 劉兆yN;李鑫慧;沈潤平;朱楓;張凱;王恬;王媛媛;;高分辨率遙感圖像分割的最優(yōu)尺度選擇[J];計(jì)算機(jī)工程與應(yīng)用;2014年06期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 黃慧萍;面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2003年

  本文關(guān)鍵詞：面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究，由筆耕文化傳播整理發(fā)布。

本文編號：324402