本文關(guān)鍵詞：高分辨率遙感影像空間特征提取及面向?qū)ο蠓诸惣夹g(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：相較中低分辨率遙感影像,高分辨率遙感影像能夠提供更多描述地表覆蓋的細節(jié)信息,從而開啟了地物分類和提取問題研究的歷史新紀元。但是,由于高分辨率遙感影像上存在大量“同物異譜、同譜異物”現(xiàn)象,使得影像分類及解譯工作面臨巨大的挑戰(zhàn)。為了在一定程度上克服這一問題,本文主要從影像空間特征提取、多尺度分割、多特征融合以及多核學(xué)習(xí)的角度對高分辨率遙感影像地物要素分類問題展開深入研究。完成的主要工作和取得的成果如下：1.對高分辨率遙感影像分類的基本流程、分類器設(shè)計及分類精度評價等基礎(chǔ)理論和技術(shù)進行了系統(tǒng)地梳理。2.針對傳統(tǒng)像素級空間特征提取算法容易增加“椒鹽效應(yīng)”的問題,研究并提出了分別利用“超像素”技術(shù)和數(shù)學(xué)形態(tài)學(xué)理論實現(xiàn)新型空間特征提取的方法,即面積緊致性指數(shù)(Size Compactness Index, SCI)和增強形態(tài)學(xué)陰影指數(shù)(Enhanced Morphological Shadow Index, EMSI)。其中,SCI特征構(gòu)建主要分兩步實現(xiàn)：首先利用閡值控制和局部非極大抑制雙準則生成“超像素”區(qū)域；然后結(jié)合區(qū)域的面積和緊致性特征來描述地物的形狀特征。而EMSI特征則借助CFO算子黑帽變換的差分多尺度形態(tài)學(xué)序列進行地物形狀特征的表達。通過7種空間特征提取方法(GLCM、PSI、SOI、DMPCBR、DMPOBR、EMBI、EMSI)的對比實驗發(fā)現(xiàn),SCI特征可獲得最高的分類精度,EMSI特征的分類精度略低于SCI,但高于其他的特征提取方法。3.針對高分辨率遙感影像分割問題,研究并提出了一種融合邊緣信息的最小生成樹多尺度分割算法。該算法首先利用Canny算子對全色影像進行邊緣信息提取,之后結(jié)合光譜信息和邊緣信息構(gòu)建基于圖論方法的距離度量函數(shù)獲取邊權(quán)值,并采用最小生成樹Kruskal算法得到彩色影像的初始對象,最后綜合對象內(nèi)的光譜、形狀和邊緣信息完成區(qū)域合并,生成分割結(jié)果圖。實驗結(jié)果表明：本文算法在分割效果和效率上均優(yōu)于eCognition 8.0商用軟件。利用上述算法的分割結(jié)果得到的面向?qū)ο驡LCM、 PSI特征也優(yōu)于傳統(tǒng)的基于像素級的GLCM、PSI特征。4.為了實施高維光譜特征及空間特征的協(xié)同分類,研究并實現(xiàn)了利用直接矢量疊加(VS)對多尺度空間特征進行融合的方法。實驗結(jié)果表明：所提取的幾種空間特征(面向?qū)ο驡LCM、面向?qū)ο驪SI、SCI、DMPs、EMBI、EMSI)之間具有相互補充的關(guān)系,聯(lián)合全部或者部分空間特征往往可以取得比單一空間特征更好的分類結(jié)果；直接矢量疊加能夠?qū)⒉煌磉_形式的空間特征有機融合,有利于大幅度提升遙感影像的分類精度。5.在分析復(fù)雜情況下利用單核映射方式對所有樣本進行處理具有不合理性的前提下,開展了基于多核SVM的分類實驗。實驗結(jié)果表明：在高分辨率遙感影像分類中,多核SVM能夠取得優(yōu)于單核SVM的分類效果。
【關(guān)鍵詞】：高分辨率遙感影像 面積緊致性指數(shù) 增強形態(tài)學(xué)陰影指數(shù) 最小生成樹Kruskal算法 并查集數(shù)據(jù)結(jié)構(gòu) 直接矢量疊加 多核支持向量機
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：P237
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-18
• 1.1 研究背景與意義10-11
• 1.2 國內(nèi)外發(fā)展現(xiàn)狀和存在的問題11-16
• 1.2.1 空間特征提取技術(shù)研究現(xiàn)狀分析12-13
• 1.2.2 面向?qū)ο蠓诸惣夹g(shù)研究現(xiàn)狀分析13-15
• 1.2.3 多核支持向量機分類技術(shù)研究現(xiàn)狀分析15-16
• 1.2.4 目前存在的問題16
• 1.3 論文主要研究內(nèi)容及章節(jié)安排16-18
• 第二章 影像分類基本理論18-26
• 2.1 影像分類基本流程18
• 2.2 分類器18-23
• 2.2.1 數(shù)據(jù)線性可分的支持向量機20-21
• 2.2.2 數(shù)據(jù)非線性可分的支持向量機21-23
• 2.3 精度評價23-24
• 2.4 本章小結(jié)24-26
• 第三章 高分辨率遙感影像空間特征提取與分析26-50
• 3.1 空間特征提取方法26-33
• 3.1.1 灰度共生矩陣26-27
• 3.1.2 像元形狀指數(shù)27-28
• 3.1.3 增強形態(tài)學(xué)陰影指數(shù)28-30
• 3.1.4 面積緊致性指數(shù)30-33
• 3.2 空間特征測度圖33-39
• 3.2.1 GLCM特征圖34-35
• 3.2.2 PSI特征圖35-36
• 3.2.3 EMSI、EMBI及DMPs特征圖36-38
• 3.2.4 SCI特征圖38-39
• 3.3 實驗與分析39-48
• 3.4 本章小結(jié)48-50
• 第四章 基于最小生成樹多尺度分割的面向?qū)ο蠓诸惣夹g(shù)50-69
• 4.1 KRUSKAL算法與并查集數(shù)據(jù)結(jié)構(gòu)50-53
• 4.1.1 Kruskal算法50-51
• 4.1.2 并查集數(shù)據(jù)結(jié)構(gòu)51-53
• 4.2 融合邊緣信息的最小生成樹多尺度分割算法53-57
• 4.3 多尺度特征融合57-58
• 4.4 實驗與分析58-68
• 4.4.1 基于最小生成樹的多尺度分割算法實驗58-62
• 4.4.2 多尺度特征融合實驗62-68
• 4.5 本章小結(jié)68-69
• 第五章 基于多核SVM的分類技術(shù)69-75
• 5.1 多核學(xué)習(xí)理論69-72
• 5.2 多核函數(shù)組合方式和核參數(shù)設(shè)置72
• 5.3 實驗與分析72-74
• 5.4 本章小結(jié)74-75
• 第六章 總結(jié)與展望75-77
• 6.1 總結(jié)75-76
• 6.2 展望76-77
• 致謝77-78
• 參考文獻78-83
• 作者簡歷83

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 林棟;秦志遠;楊婧瑋;張占睦;;高分辨率遙感影像多特征協(xié)同地物分類方法[J];測繪科學(xué)技術(shù)學(xué)報;2014年02期

2 胡榮明;黃小兵;黃遠程;;增強形態(tài)學(xué)建筑物指數(shù)應(yīng)用于高分辨率遙感影像中建筑物提取[J];測繪學(xué)報;2014年05期

3 秦昆;陳一祥;甘順子;馮霞;任文力;;高分辨率遙感影像空間結(jié)構(gòu)特征建模方法綜述[J];中國圖象圖形學(xué)報;2013年09期

4 余潔;余峰;張晶;劉振宇;;結(jié)合區(qū)域生長與道路基元的高分辨率遙感影像道路提取[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2013年07期

5 慎利;唐宏;王世東;張露;;結(jié)合空間像素模板和Adaboost算法的高分辨率遙感影像河流提取[J];測繪學(xué)報;2013年03期

6 王珂;肖鵬峰;馮學(xué)智;吳桂平;李暉;;基于頻域濾波的高分辨率遙感圖像城市河道信息提取[J];遙感學(xué)報;2013年02期

7 劉輝;謝天文;;基于PCA與HIS模型的高分辨率遙感影像陰影檢測研究[J];遙感技術(shù)與應(yīng)用;2013年01期

8 吳孔江;曾永年;靳文憑;何麗麗;李靜;;改進利用蟻群規(guī)則挖掘算法進行遙感影像分類[J];測繪學(xué)報;2013年01期

9 杜培軍;阿里木·賽買提;;高分辨率遙感影像分類的多示例集成學(xué)習(xí)[J];遙感學(xué)報;2013年01期

10 李剛;萬幼川;;基于改進的像素級和對象級的遙感影像合成分類[J];測繪學(xué)報;2012年06期

  本文關(guān)鍵詞：高分辨率遙感影像空間特征提取及面向?qū)ο蠓诸惣夹g(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號：376343