發(fā)布時(shí)間：2017-08-31 07:46

  本文關(guān)鍵詞：基于優(yōu)化均值漂移算法的居民地及面狀地物邊線提取方法

  更多相關(guān)文章： 均值漂移算法 圖像分割 統(tǒng)計(jì)分類 制圖綜合 上下文特征

【摘要】：隨著對(duì)地觀測(cè)技術(shù)的快速發(fā)展,無人機(jī)航拍和衛(wèi)星對(duì)地觀測(cè)為我們帶來了海量的遙感數(shù)據(jù)和信息。如何從這些遙感影像中,提取出我們感興趣的地物目標(biāo),一直是學(xué)者們研究的重點(diǎn)。在各類地物中,居民地因其重要性和多變性,成為了目標(biāo)提取的熱點(diǎn)。實(shí)現(xiàn)這一信息的準(zhǔn)確提取,對(duì)于城市建設(shè)規(guī)劃、土地利用調(diào)查、災(zāi)害評(píng)估和國(guó)防軍事等領(lǐng)域具有重要意義。現(xiàn)有的居民地提取方法主要有四種：基于決策樹模型的方法、基于知識(shí)發(fā)現(xiàn)模型的方法、基于統(tǒng)計(jì)模型的方法和面向?qū)ο蟮姆椒ā＿@些方法使用起來都有其局限性：基于決策樹模型的方法多依靠各波段亮度值對(duì)地物類型進(jìn)行區(qū)分,遇到復(fù)雜地貌便會(huì)出現(xiàn)“錯(cuò)分”、“漏分”的現(xiàn)象;基于知識(shí)發(fā)現(xiàn)模型的方法對(duì)測(cè)繪人員先驗(yàn)知識(shí)要求較高,且研究范圍多為特定區(qū)域,因此不具有通用性；基于統(tǒng)計(jì)模型的方法在處理影像中“同物異譜”或“異物同譜”現(xiàn)象時(shí),無法準(zhǔn)確進(jìn)行區(qū)分；面向?qū)ο蟮姆椒▽?duì)于高分辨率遙感影像中的居民地,因其差異較大且結(jié)構(gòu)復(fù)雜,處理效果并不理想。均值漂移算法,是一種基于核密度梯度而非參數(shù)密度函數(shù)進(jìn)行估計(jì)的算法,具有原理簡(jiǎn)單、運(yùn)行效率高、抗噪性強(qiáng)等特點(diǎn),目前主要用于圖像分割。本文嘗試將其引入遙感影像目標(biāo)提取,采用“先分割、后分類、再提取”的方法實(shí)現(xiàn)了對(duì)特定信息(居民地和面狀地物邊線)的提取,主要研究?jī)?nèi)容和成果總結(jié)如下：(1)引入紋理參數(shù)優(yōu)化了均值漂移算法,并對(duì)算法中涉及到的三個(gè)參數(shù)(空間帶寬參數(shù)hs、色度帶寬參數(shù)hr和紋理帶寬參數(shù)ht)取不同值進(jìn)行實(shí)驗(yàn),對(duì)比分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),參數(shù)的取值給影像分割帶來直接影響,對(duì)居民地提取具有重要意義。(2)提出了一種基于優(yōu)化均值漂移算法提取遙感影像中居民地的方法,將其分別與統(tǒng)計(jì)分類模型中的馬氏距離、最大似然估計(jì)和神經(jīng)網(wǎng)絡(luò)相結(jié)合,分別采用航空影像和衛(wèi)星影像進(jìn)行實(shí)驗(yàn)研究,再將實(shí)驗(yàn)結(jié)果與現(xiàn)有方法所得結(jié)果進(jìn)行對(duì)比分析,發(fā)現(xiàn)新方法具有精度更高、速度更快、適用性更強(qiáng)的優(yōu)點(diǎn)。(3)提出了基于優(yōu)化均值漂移算法提取面狀地物邊線的方法,并對(duì)直接提取法做了兩方面改進(jìn)：與制圖綜合原理相結(jié)合,使其針對(duì)性更強(qiáng);與地物影像特征中的形狀特征和上下文特征相結(jié)合,使其準(zhǔn)確度更高。
【關(guān)鍵詞】：均值漂移算法 圖像分割 統(tǒng)計(jì)分類 制圖綜合 上下文特征
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：P237
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 選題依據(jù)及意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 遙感信息提取的方法研究11-13
• 1.2.2 均值漂移算法的現(xiàn)狀概述13
• 1.2.3 均值漂移算法用于遙感影像處理的發(fā)展態(tài)勢(shì)13-14
• 1.3 論文的主要工作14-15
• 1.4 論文的結(jié)構(gòu)安排15-16
• 第二章 均值漂移算法原理及分析16-28
• 2.1 算法原理解析16-21
• 2.1.1 核函數(shù)16-17
• 2.1.2 特征空間無參核密度估計(jì)17-18
• 2.1.3 多元核均值漂移算法18-21
• 2.2 算法優(yōu)化研究21-26
• 2.2.1 基本均值漂移算法21-24
• 2.2.2 優(yōu)化均值漂移算法24-26
• 2.3 算法應(yīng)用效果26-27
• 2.4 本章小結(jié)27-28
• 第三章 基于優(yōu)化均值漂移算法的居民地提取方法28-51
• 3.1 常用的居民地提取方法28-38
• 3.1.1 基于決策樹模型的方法28-31
• 3.1.2 基于統(tǒng)計(jì)模型的方法31-38
• 3.2 基于優(yōu)化均值漂移算法的居民地提取方法38-43
• 3.2.1 優(yōu)化均值漂移算法結(jié)合馬氏距離39-40
• 3.2.2 優(yōu)化均值漂移算法結(jié)合最大似然估計(jì)40-42
• 3.2.3 優(yōu)化均值漂移算法結(jié)合神經(jīng)網(wǎng)絡(luò)42-43
• 3.3 實(shí)驗(yàn)結(jié)果比較分析43-45
• 3.4 方法可行性評(píng)估45-50
• 3.5 本章小結(jié)50-51
• 第四章 基于優(yōu)化均值漂移算法的面狀地物邊線提取方法51-63
• 4.1 直接提取面狀地物邊線法51-52
• 4.2 優(yōu)化均值漂移算法結(jié)合制圖綜合的改進(jìn)方法52-57
• 4.2.1 制圖綜合原理53
• 4.2.2 優(yōu)化均值漂移算法與制圖綜合結(jié)合法53-56
• 4.2.3 實(shí)驗(yàn)結(jié)果比較分析56-57
• 4.3 優(yōu)化均值漂移算法結(jié)合影像特征的改進(jìn)方法57-62
• 4.3.1 形狀特征的引入57-59
• 4.3.2 上下文特征的引入59-62
• 4.4 本章小結(jié)62-63
• 第五章 全文總結(jié)與展望63-65
• 5.1 全文總結(jié)63
• 5.2 后續(xù)工作展望63-65
• 致謝65-66
• 參考文獻(xiàn)66-68

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉靜;仇大偉;;基于均值漂移的舌體分割算法[J];山東科學(xué);2014年02期

2 王壽峰;白俊奇;;帶寬自適應(yīng)的均值漂移紅外目標(biāo)跟蹤算法[J];光子學(xué)報(bào);2014年05期

3 周芳芳;樊曉平;葉榛;;基于自適應(yīng)帶寬的快速動(dòng)態(tài)高斯核均值漂移算法[J];控制理論與應(yīng)用;2008年04期

4 周世健，曾紹炳;均值漂移模型與方差擴(kuò)大模型的等價(jià)[J];礦山測(cè)量;1995年01期

5 趙高鵬;薄煜明;;基于特征自適應(yīng)選擇的金字塔均值漂移跟蹤方法[J];光子學(xué)報(bào);2011年01期

6 李剛;李艷靈;;快速均值漂移圖像分割算法研究[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2009年08期

7 宗序平,韋博成;線性回歸診斷的若干問題[J];高校應(yīng)用數(shù)學(xué)學(xué)報(bào)A輯(中文版);1993年03期

8 王凱;趙永強(qiáng);程詠梅;魏坤;;基于均值漂移和模糊積分融合的高光譜圖像分割[J];光子學(xué)報(bào);2010年01期

9 張凡;李元;;帶均值漂移的HEGY檢驗(yàn)及其實(shí)證研究[J];廣州大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年03期

10 任間;王堅(jiān);李鋒;黃鯤;朱利平;姚仰光;袁海龍;金革;;均值漂移算法在LAMOST動(dòng)態(tài)選星中的應(yīng)用[J];天文學(xué)報(bào);2007年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前6條

1 趙晶晶;諶海新;劉星彤;;基于均值漂移的紅外飛行目標(biāo)分割方法[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

2 徐青松;王仁明;劉代志;;基于均值漂移的紅外目標(biāo)跟蹤方法綜述[A];國(guó)家安全地球物理叢書（七）——地球物理與核探測(cè)[C];2011年

3 李冠彬;吳賀豐;;基于顏色紋理直方圖的帶權(quán)分塊均值漂移目標(biāo)跟蹤算法[A];第五屆全國(guó)幾何設(shè)計(jì)與計(jì)算學(xué)術(shù)會(huì)議論文集[C];2011年

4 白培瑞;李良;趙奇;韓焱;;基于均值漂移的醫(yī)學(xué)超聲圖像分割改進(jìn)算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第三分冊(cè)）[C];2009年

5 雷穎惠;張娟;楊文佳;;一種基于改進(jìn)均值漂移的實(shí)時(shí)目標(biāo)檢測(cè)與跟蹤算法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

6 景軍鋒;李光燕;李鵬飛;;基于MeanShift和Harris算子圓網(wǎng)印花機(jī)對(duì)花檢測(cè)的研究與設(shè)計(jì)[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 王娟;復(fù)雜場(chǎng)景中的目標(biāo)跟蹤優(yōu)化算法研究[D];燕山大學(xué);2014年

2 陳遠(yuǎn);復(fù)雜場(chǎng)景中視覺運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D];華中科技大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 陳應(yīng)躍;集成均值漂移分割的遙感影像融合方法研究[D];昆明理工大學(xué);2015年

2 胡薇薇;基于Grab Cut的快速交互式圖像分割算法研究[D];福州大學(xué);2013年

3 王振;基于視頻序列的目標(biāo)跟蹤算法優(yōu)化[D];中北大學(xué);2016年

4 程平;基于視頻信息的運(yùn)動(dòng)多車輛追蹤的量子均值漂移算法研究[D];廣東工業(yè)大學(xué);2013年

5 任娟;基于優(yōu)化均值漂移算法的居民地及面狀地物邊線提取方法[D];電子科技大學(xué);2016年

6 梁意;基于移動(dòng)背景的目標(biāo)檢測(cè)和跟蹤算法研究與實(shí)現(xiàn)[D];東南大學(xué);2015年

7 鄭增國(guó);基于均值漂移的目標(biāo)跟蹤算法研究[D];廣西民族大學(xué);2012年

8 韋迅;基于均值漂移的動(dòng)態(tài)目標(biāo)跟蹤算法研究[D];哈爾濱工程大學(xué);2012年

9 明新勇;基于均值漂移和粒子濾波的目標(biāo)跟蹤算法研究[D];南京理工大學(xué);2008年

10 成偉;均值漂移算法在視頻目標(biāo)跟蹤中的應(yīng)用[D];重慶大學(xué);2009年

，

本文編號(hào)：764363