本文關鍵詞：面向對象的高分辨率遙感影像分類技術研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著空間科學技術和遙感信息技術的快速發(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、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)等多個學科和生產(chǎn)領域的使用越來越廣泛,航空遙感信息技術也得到了空前的發(fā)展與關注,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,其重要的一個環(huán)節(jié)就是針對遙感影像進行分類,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對象的分類思想進行影像的分類。目前比較成熟的遙感影像的分類技術就是基于像素的光譜統(tǒng)計的分類方法,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)絡和支持向量(SVM)機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,本文采取了面向對象的分類技術,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)性的準則,利用基于區(qū)域增長的多尺度分割技術將影像分割成一個個同質(zhì)的影像對象單元,第二步是在影像分割的基礎上進行對象特征的選擇和提取,再通過模糊的分類方法和KNN最鄰近分類方法進行圖像的分類,面向對象的分類技術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。
【關鍵詞】：高分辨率的遙感影像 面向對象分類技術 多尺度多特征 模糊分類法
【學位授予單位】：中國地質(zhì)大學(北京)
【學位級別】：碩士
【學位授予年份】：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 論文結構安排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)絡法19-22
• 2.2.5 支持向量機法 (SVM)22-25
• 2.3 面向對象的遙感影像分類技術體系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 實驗結果分析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構56-58
• 5.1.4 多尺度分割的結果分析58
• 5.2 遙感影像的分類結果58-60
• 5.2.1 影像分類結果的比較58-60
• 5.2.2 基于多特征的影像分類60
• 5.3 分類結果的評價60-67
• 第6章 總結與展望67-69
• 6.1 總結67-68
• 6.2 展望68-69
• 致謝69-70
• 參考文獻70-73
• 附錄73

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃立賢;沈志學;;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;;一種面向對象的遙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;;一種面向對象的像元級遙感圖像分類方法[J];地球信息科學學報;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];測繪科學技術學報;2008年03期

5 李春芳;劉連忠;陸震;;一種由FCM算法推導出的隸屬函數(shù)研究[J];計算機工程與應用;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];計算機工程與應用;2012年06期

7 林卉;劉培;杜培軍;夏俊士;;基于改進型統(tǒng)計區(qū)域增長的遙感圖像分割[J];計算機工程與應用;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];計算機工程;2011年S1期

9 張海龍;蔣建軍;解修平;吳宏安;張麗;;基于改進的BP神經(jīng)網(wǎng)絡模型的遙感影像分類法[J];農(nóng)機化研究;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];計算機工程與應用;2014年06期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 黃慧萍;面向對象影像分析中的尺度問題研究[D];中國科學院研究生院（遙感應用研究所）;2003年

  本文關鍵詞：面向對象的高分辨率遙感影像分類技術研究，由筆耕文化傳播整理發(fā)布。

本文編號：324402