本文關(guān)鍵詞：面向?qū)ο蟮母叻直媛蔬b感影像全要素分類研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著傳感器技術(shù)的日益發(fā)展和進(jìn)步,遙感影像的空間分辨率也越來越高。然而如何快速而準(zhǔn)確地對高分辨率遙感影像提取所需專題信息,成為了當(dāng)前亟待解決的問題。由于高分辨率影像的特點(diǎn)為細(xì)節(jié)豐富、信息量大,傳統(tǒng)基于像素的分類方法顯然不能利用豐富的空間信息,從而造成資源浪費(fèi)和數(shù)據(jù)冗余。因此,面向?qū)ο蠓治龇椒☉?yīng)運(yùn)而生,并且經(jīng)過不斷發(fā)展成為高分辨率遙感影像分類的主要技術(shù)。面向?qū)ο蠓治鍪紫仁菍⒂跋穹指?獲得若干個(gè)多邊形對象,進(jìn)而基于對象進(jìn)行特征提取及分類識(shí)別。本文將基于高分辨率遙感影像的特點(diǎn),重點(diǎn)對影像分割和特征提取兩方面開展相關(guān)研究,實(shí)現(xiàn)高分辨率遙感影像的全要素分類。具體工作內(nèi)容如下:首先,根據(jù)現(xiàn)有各種分割方法的優(yōu)缺點(diǎn),研究并實(shí)現(xiàn)了結(jié)合改進(jìn)分水嶺變換和分形網(wǎng)絡(luò)演化多尺度分割的高分影像分割算法。將基于標(biāo)記的分水嶺算法作用于高分影像中,其分割結(jié)果代替像素作為初始單元,進(jìn)而進(jìn)行基于光譜和形狀異質(zhì)性指標(biāo)的多尺度區(qū)域合并。這樣不僅能彌補(bǔ)分水嶺變換中過分割現(xiàn)象帶來的不足,同時(shí)提高了多尺度分割算法的運(yùn)算效率,增強(qiáng)了算法的可操作性。其次,鑒于上述分割算法中的尺度參數(shù)變化對分割結(jié)果中同一對象內(nèi)部相似性和不同對象間可分性的影響,對高分辨率遙感影像中的最優(yōu)分割尺度涵義進(jìn)行系統(tǒng)性分析。論文采取目標(biāo)函數(shù)法和尺度參數(shù)估計(jì)模型來計(jì)算整幅影像的最優(yōu)尺度參數(shù),使得分割結(jié)果中對象內(nèi)部的同質(zhì)性和不同對象間的異質(zhì)性都達(dá)到最大,從一定程度上保證了分割結(jié)果的相對最優(yōu)性;并通過與非最優(yōu)尺度的分類實(shí)驗(yàn)相比較,驗(yàn)證了對于高分影像而言,提取最優(yōu)分割尺度的必要性。最后,針對高分辨率遙感影像中低層特征與高層語義特征之間存在的“語義鴻溝”問題,結(jié)合中層特征表達(dá)理論,研究了基于視覺詞包模型的高分影像對象的特征表示。為了彌補(bǔ)其忽略的高分辨率遙感影像中重要的空間信息和尺度特征,引入了金字塔詞包模型和多尺度詞包模型,更好地表達(dá)了影像對象的內(nèi)容及其語義信息。通過對高分辨率遙感影像分別提取對象的低層特征和中層特征進(jìn)行全要素分類實(shí)驗(yàn),結(jié)果對比表明中層特征的表達(dá)能力優(yōu)于低層特征,并且在相同的視覺單詞數(shù)和訓(xùn)練樣本個(gè)數(shù)條件下,說明了改進(jìn)的兩種詞包模型更具魯棒性。
【關(guān)鍵詞】：高分辨率遙感影像 影像分割 最優(yōu)分割尺度 全要素 中層特征
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 緒論9-17
• 1.1 課題背景及研究的目的與意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀及分析10-15
• 1.2.1 面向?qū)ο蠓诸惙椒ǹ傮w發(fā)展現(xiàn)狀11-12
• 1.2.2 高分辨率遙感影像分割12-13
• 1.2.3 最優(yōu)分割尺度參數(shù)選擇13-14
• 1.2.4 遙感影像的特征提取與分類14-15
• 1.3 論文主要研究內(nèi)容及結(jié)構(gòu)安排15-17
• 第2章 高分辨率遙感影像分割與最優(yōu)尺度17-36
• 2.1 高分辨率遙感影像特性分析17
• 2.2 遙感影像分割方法簡介17-24
• 2.2.1 影像分割方法概述17-19
• 2.2.2 分水嶺變換19
• 2.2.3 基于分形網(wǎng)絡(luò)演化的多尺度分割算法19-22
• 2.2.4 基于改進(jìn)分水嶺的多尺度分割算法22-24
• 2.3 最優(yōu)分割尺度選擇24-28
• 2.3.1 最優(yōu)分割尺度涵義24-25
• 2.3.2 目標(biāo)函數(shù)法25-27
• 2.3.3 尺度參數(shù)估計(jì)模型27-28
• 2.4 影像分割實(shí)驗(yàn)結(jié)果及分析28-34
• 2.4.1 實(shí)驗(yàn)數(shù)據(jù)介紹28
• 2.4.2 影像預(yù)處理28-29
• 2.4.3 基于分形網(wǎng)絡(luò)演化的多尺度分割29-31
• 2.4.4 基于改進(jìn)分水嶺的多尺度分割算法31-32
• 2.4.5 最優(yōu)分割尺度提取實(shí)驗(yàn)32-34
• 2.5 本章小結(jié)34-36
• 第3章 高分辨率遙感影像中對象的特征提取與表達(dá)36-51
• 3.1 遙感影像的低層特征36-39
• 3.1.1 光譜特征36
• 3.1.2 紋理特征36-37
• 3.1.3 尺度不變性特征37-39
• 3.2 遙感影像表達(dá)的語義“鴻溝”39-40
• 3.3 基于視覺詞包模型的影像對象表達(dá)40-44
• 3.3.1 視覺詞包模型概述40-41
• 3.3.2 視覺詞包模型的構(gòu)造41-42
• 3.3.3 空間金字塔詞包模型42-43
• 3.3.4 多尺度詞包模型43-44
• 3.4 特征提取實(shí)驗(yàn)結(jié)果分析44-50
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)介紹44
• 3.4.2 視覺詞包模型表達(dá)結(jié)果及分析44-46
• 3.4.3 空間金字塔詞包模型表達(dá)結(jié)果及分析46
• 3.4.4 多尺度詞包模型表達(dá)結(jié)果及分析46-50
• 3.5 本章小結(jié)50-51
• 第4章 高分辨率遙感影像全要素分類51-64
• 4.1 引言51
• 4.2 實(shí)驗(yàn)數(shù)據(jù)51-52
• 4.3 基于多層次體系結(jié)構(gòu)的全要素分類52-57
• 4.3.1 層次等級(jí)網(wǎng)絡(luò)的形成52-53
• 4.3.2 分類體系的構(gòu)建53-57
• 4.4 全要素分類實(shí)驗(yàn)及分析57-63
• 4.4.1 直方圖交叉核57-58
• 4.4.2 全要素分類實(shí)驗(yàn)58-62
• 4.4.3 實(shí)驗(yàn)參數(shù)的影響分析62-63
• 4.5 本章小結(jié)63-64
• 結(jié)論64-65
• 參考文獻(xiàn)65-71
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果71-73
• 致謝73

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 曹雪;柯長青;;基于對象級(jí)的高分辨率遙感影像分類研究[J];遙感信息;2006年05期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 徐盛;基于主題模型的高空間分辨率遙感影像分類研究[D];上海交通大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 孫波中;多尺度分割技術(shù)在高分辨率影像信息提取中的應(yīng)用研究[D];西安科技大學(xué);2011年

  本文關(guān)鍵詞：面向?qū)ο蟮母叻直媛蔬b感影像全要素分類研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：348001