本文關(guān)鍵詞：基于高空間分辨率影像的建筑物邊緣空間信息提取研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著城市化進程的不斷發(fā)展,人工地物與城市人口、經(jīng)濟等要素有著密切的關(guān)系。從遙感影像上快速準確的獲取人工地物不僅有利于地理空間數(shù)據(jù)的更新,而且對于有效監(jiān)測新增建筑等城區(qū)專題信息有重要的意義。高空間分辨率遙感數(shù)據(jù)可以提供地物目標更多的細節(jié)信息,有助于實現(xiàn)對城市人工地物的識別和分類。為此,本文從以下幾個方面對利用高空間分辨率遙感影像提取建筑物邊緣空間信息進行了探討： 首先,本文描述了高空間分辨率遙感影像發(fā)展的現(xiàn)狀,接著分析了國內(nèi)外相關(guān)領(lǐng)域的研究現(xiàn)狀,從高空間分辨率遙感數(shù)據(jù)的發(fā)展、遙感分析技術(shù)的發(fā)展幾個方面概括介紹了遙感研究技術(shù)的動態(tài),接著介紹了高空間分辨率遙感在城市層面的主要應(yīng)用,主要包括人工地物的提取和對城市檢測調(diào)查兩方面,并強調(diào)了對建筑物邊緣信息提取的相關(guān)研究進展,最后介紹了本文的主要內(nèi)容安排和技術(shù)路線。 其次,介紹本次研究區(qū)的概況和WorldView-2數(shù)據(jù)的特點,對原數(shù)據(jù)中包含的幾種典型地物的特征和原數(shù)據(jù)的光譜特征進行分析統(tǒng)計,并進行了數(shù)據(jù)融合,對數(shù)據(jù)融合后的數(shù)據(jù)進行了質(zhì)量評價,并且對建筑物的特征做了簡單介紹。 接著,對高空間分辨率遙感影像的建筑物邊緣空間信息提取的方法進行了探討和實驗,在C#.net2010平臺下運用Roberts、Prewitt、Sobel、LapLacian、Kirsch算子等經(jīng)典算子,和拉普拉斯高斯算子、Canny算子,以及小波變換、高斯拉普拉斯金子塔方法等多尺度方法對worldview遙感圖像數(shù)據(jù)進行建筑物邊緣提取,結(jié)果表明,以上方法可以提取出建筑物的邊緣,但是具有很明顯的缺陷。接著提出結(jié)合canny和小波的自適應(yīng)雙閾值選擇的建筑物邊緣空間信息檢測方法,該方法能夠保持圖像中的弱邊緣,有較高的識別率和準確性,檢測出的邊緣細膩光滑,噪聲點少,實用性強,在圖像處理中有重大意義。 最后,運用神經(jīng)網(wǎng)絡(luò)分類法、支持向量機分類法等監(jiān)督分類方法從圖像中提取出建筑物信息,并將得到的建筑物分類圖像矢量化,并且在ARCGIS中進行后續(xù)處理,得到面狀的建筑物矢量數(shù)據(jù),從而得到建筑物的邊緣空間信息,并與結(jié)合canny口小波的自適應(yīng)雙閾值選取的邊緣檢測方法進行對比分析。對比分析發(fā)現(xiàn),結(jié)合canny和小波的自適應(yīng)雙閩值選擇的建筑物邊緣空間信息檢測方法得到的是線性的建筑物邊緣空間信息,可以比較直觀的反映建筑物的邊緣特征,準確率高。而用分類方法從高空間分辨率遙感圖像中得到的是面狀的建筑物邊緣空間信息,局部的錯誤比較多。
【關(guān)鍵詞】：worldview-2遙感圖像 建筑物邊緣空間信息 自適應(yīng)雙閾值方法 分類 ARCGIS
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：P237;TU19
【目錄】：

• 致謝4-5
• 摘要5-7
• Abstract7-11
• 第一章 緒論11-20
• 1.1 研究背景11-12
• 1.2 相關(guān)領(lǐng)域國內(nèi)外研究進展12-14
• 1.3 在城市調(diào)查中的應(yīng)用14-17
• 1.4 研究內(nèi)容及技術(shù)路線17-20
• 第二章 研究區(qū)概況與影像數(shù)據(jù)處理20-30
• 2.1 研究區(qū)概況和數(shù)據(jù)源20-25
• 2.1.1 研究區(qū)概況20
• 2.1.2 數(shù)據(jù)源及數(shù)據(jù)預(yù)處理20-22
• 2.1.3 遙感影像數(shù)據(jù)分析22-25
• 2.2 數(shù)據(jù)融合25-28
• 2.3 建筑物在WORLDVIEW-2影像上的特征28-30
• 第三章 基于遙感圖像的建筑物邊緣空間信息提取30-49
• 3.1 傳統(tǒng)的邊緣的檢測方法30-39
• 3.1.1 微分算子法30-32
• 3.1.2 其他常用的邊緣檢測方法32-34
• 3.1.3 基于C#.net平臺讀取遙感數(shù)據(jù)及各種算法34-35
• 3.1.4 實驗結(jié)果比較分析35-39
• 3.2 優(yōu)化方法39-49
• 3.2.1 優(yōu)化方法詳細步驟40-45
• 3.2.2 實驗與結(jié)果分析45-49
• 第四章 基于分類方法的建筑物邊緣空間信息提取49-66
• 4.1 監(jiān)督分類一般方法49-51
• 4.1.1 選取地物訓(xùn)練樣本49-50
• 4.1.2 地物樣本分析50-51
• 4.2 基于人工智能的分類51-58
• 4.2.1 人工神經(jīng)網(wǎng)絡(luò)分類52-54
• 4.2.2 支持向量機分類54-58
• 4.3 分類結(jié)果的分析與比較58-66
• 4.3.1 精度比較58-59
• 4.3.2 分類結(jié)果后處理59-66
• 第五章 總結(jié)與展望66-68
• 5.1 結(jié)論66-67
• 5.2 展望67-68
• 參考文獻68-73
• 作者簡歷73
• 教育經(jīng)歷73
• 攻讀碩士期間發(fā)表的論文73
• 碩士期間完成工作73

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 王大瑩;程新文;鄭艷麗;岳昊;;在Matlab平臺下基于形態(tài)學(xué)方法對LIDAR數(shù)據(jù)進行建筑物邊緣提取[J];測繪科學(xué);2010年01期

2 雷小奇;王衛(wèi)星;賴均;;一種基于形狀特征進行高分辨率遙感影像道路提取方法[J];測繪學(xué)報;2009年05期

3 陶超;譚毅華;蔡華杰;杜博;田金文;;面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J];測繪學(xué)報;2010年01期

4 牟鳳云,朱博勤,賀華中;基于小波變換的多源遙感數(shù)據(jù)融合方法研究[J];國土資源遙感;2003年04期

5 王永剛;馬彩霞;劉慧平;;基于數(shù)學(xué)形態(tài)學(xué)的建筑物輪廓信息提取[J];國土資源遙感;2010年01期

6 何貴青;郝重陽;;特征量積和IHS變換的多源遙感圖像融合方法[J];火力與指揮控制;2006年11期

7 樊旭艷;付春龍;石繼海;武麗娟;;基于主成分分析的遙感圖像模擬真彩色融合法[J];測繪科學(xué)技術(shù)學(xué)報;2006年04期

8 趙浩;;BP神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[J];科協(xié)論壇(下半月);2010年06期

9 祝曉魯;白振興;;一種基于線性微粒群算法的支持向量機[J];微計算機信息;2007年21期

  本文關(guān)鍵詞：基于高空間分辨率影像的建筑物邊緣空間信息提取研究，由筆耕文化傳播整理發(fā)布。

本文編號：280337