本文關鍵詞：高空間分辨率遙感影像分類研究

  更多相關文章： 高空間分辨率遙感影像 分類 支持向量機 像元形狀指數(shù) 面向對象 均值漂移

【摘要】：隨著遙感影像的空間分辨率不斷提高,影像所包含的細節(jié)信息越來越豐富,較過去的中低空間分辨率影像而言,能更好的表現(xiàn)地物目標的紋理、形狀和幾何結構信息。與此同時,遙感影像空間分辨率的提高伴隨著數(shù)據(jù)量的激增,需要高效率的自動分類技術取代傳統(tǒng)的人工目視解譯,對影像中的有用信息進行提取。另一方面,高空間分辨率遙感影像的光譜分辨率相對較低,并且包含了大量細節(jié)信息,造成光譜分布異常復雜,降低了地物目標在光譜域的可分性。為解決這一問題,自動分類技術需要充分利用影像中隱含的信息,彌補光譜特征的不足。本文考慮到支持向量機在解決小樣本、非線性以及高維模式識別問題所具有的優(yōu)勢,以這一機器學習算法作為分類器,首先從光譜域角度對高空間分辨率遙感影像進行分類。由實驗結果發(fā)現(xiàn),影像中的地物目標僅僅通過光譜特征的差異進行區(qū)分并不可靠,光譜特征相似的異類地物目標發(fā)生混淆。繼而利用像元形狀指數(shù)方法,提取高空間分辨率遙感影像的像元形狀指數(shù)特征,對光譜特征進行補充。實驗結果表明,像元形狀指數(shù)特征能夠有效區(qū)分光譜特征相似而幾何形狀不同的地物目標,在分類精度上優(yōu)于光譜特征分類方法。同時,在與小波紋理特征方法和多尺度區(qū)域特征方法比較中,像元形狀指數(shù)方法也取得了更好的結果。另一方面,實驗中發(fā)現(xiàn)該方法極易受到高空間分辨率遙感影像中細節(jié)信息的影響,對富于細節(jié)信息的區(qū)域分類效果不理想。鑒于像元形狀指數(shù)方法存在的不足,本文引入了面向對象分析思想,對高空間分辨率遙感影像進行分類。在像元形狀指數(shù)方法的啟發(fā)下,設計了一種自適應帶寬的均值漂移方法,對高空間分辨率遙感影像進行對象的提取。實驗證明了這一方法在保留較小目標的基礎上,對較大目標保證了足夠的平滑,同時忽略了影像中過度的細節(jié)信息,是一種多尺度統(tǒng)一的對象提取方法。最終的分類結果說明,面向對象分類方法較像元形狀指數(shù)方法,無論在視覺效果上還是精度上,都更為優(yōu)秀。
【關鍵詞】：高空間分辨率遙感影像 分類 支持向量機 像元形狀指數(shù) 面向對象 均值漂移
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：P237
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-13
• 1.1 研究背景以及意義9-10
• 1.2 研究現(xiàn)狀10-11
• 1.3 章節(jié)內容安排11-13
• 第二章 基于支持向量機的高空間分辨率遙感影像分類13-30
• 2.1 統(tǒng)計學習理論13-14
• 2.2 支持向量機方法14-21
• 2.2.1 基本的支持向量機14-17
• 2.2.2 支持向量機解決非線性問題17-19
• 2.2.3 松弛變量的引入19-20
• 2.2.4 支持向量機結合高空間分辨率遙感影像20-21
• 2.3 支持向量機核函數(shù)的選擇21-22
• 2.3.1 線性核函數(shù)21
• 2.3.2 多項式核函數(shù)21
• 2.3.3 徑向基核函數(shù)21-22
• 2.3.4 多層感知器22
• 2.4 支持向量機的多分類問題22-25
• 2.4.1 “一對多”方法23
• 2.4.2 “一對一”方法23-24
• 2.4.3 DAG方法24-25
• 2.5 實驗部分25-30
• 2.5.1 實驗數(shù)據(jù)25-26
• 2.5.2 訓練樣本選擇26-27
• 2.5.3 支持向量機分類27-30
• 第三章 像元形狀指數(shù)方法30-48
• 3.1 像元形狀指數(shù)30-33
• 3.1.1 方向線的提取30-31
• 3.1.2 PSI特征的提取31-32
• 3.1.3 PSI方法的參數(shù)32-33
• 3.2 用于對比的特征提取方法33-35
• 3.2.1 小波紋理特征方法33-34
• 3.2.2 多尺度區(qū)域特征方法34-35
• 3.3 實驗部分35-48
• 3.3.1 PSI方法實驗35-38
• 3.3.2 小波紋理特征方法與多尺度區(qū)域特征方法實驗38-46
• 3.3.3 三種特征提取方法的比較分析46-48
• 第四章 基于自適應帶寬的均值漂移算法的面向對象分類48-64
• 4.1 從面向像元到面向對象48-49
• 4.2 MS方法49-54
• 4.2.1 MS向量49-51
• 4.2.2 MS向量與非參數(shù)概率密度估計的關系51-52
• 4.2.3 MS聚類方法52-53
• 4.2.4 MS算法應用于遙感影像聚類53-54
• 4.3 自適應帶寬的MS方法54-56
• 4.4 實驗部分56-64
• 第五章 總結與展望64-65
• 5.1 本文的總結64
• 5.2 研究展望64-65
• 參考文獻65-68
• 攻讀碩士學位期間取得的研究成果68-69
• 致謝69

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉純;洪亮;陳杰;楚森森;鄧敏;;融合像素—多尺度區(qū)域特征的高分辨率遙感影像分類算法[J];遙感學報;2015年02期

2 侯曉文;劉奇;;自適應帶寬均值漂移腦部磁共振成像腫瘤分割[J];生物醫(yī)學工程學雜志;2014年05期

3 顧亞祥;丁世飛;;支持向量機研究進展[J];計算機科學;2011年02期

4 丁世飛;齊丙娟;譚紅艷;;支持向量機理論與算法研究綜述[J];電子科技大學學報;2011年01期

5 王爽;夏玉;焦李成;;基于均值漂移的自適應紋理圖像分割方法[J];軟件學報;2010年06期

6 沈占鋒;駱劍承;吳煒;胡曉東;;遙感影像均值漂移分割算法的并行化實現(xiàn)[J];哈爾濱工業(yè)大學學報;2010年05期

7 沈占鋒;駱劍承;胡曉東;孫衛(wèi)剛;;高分辨率遙感影像多尺度均值漂移分割算法研究[J];武漢大學學報(信息科學版);2010年03期

8 張睿;馬建文;;支持向量機在遙感數(shù)據(jù)分類中的應用新進展[J];地球科學進展;2009年05期

9 喬程;駱劍承;吳泉源;沈占鋒;王宏;;面向對象的高分辨率影像城市建筑物提取[J];地理與地理信息科學;2008年05期

10 余輝;趙暉;;支持向量機多類分類算法新研究[J];計算機工程與應用;2008年07期

，

本文編號：550663