由于城市化、工業(yè)化的進程加快以及自然災(zāi)害的頻發(fā),在人為因素和自然因素的雙重影響下我國自然資源安全受到了嚴重威脅。所以及時了解農(nóng)田變化情況對我國農(nóng)業(yè)建設(shè)和自然資源可持續(xù)發(fā)展具有重要意義。農(nóng)田變化檢測是根據(jù)同一感興趣區(qū)不同時相的農(nóng)田信息來確定農(nóng)田變化情況的過程。隨著遙感技術(shù)和圖像處理技術(shù)的快速發(fā)展,利用高分辨率遙感影像進行感興趣區(qū)變化檢測變得十分方便。但是利用傳統(tǒng)的基于像元的變化檢測方法已無法適用于含有豐富信息特征的高分辨率遙感影像。因此,采用面向?qū)ο蟮淖兓瘷z測方法成為目前國內(nèi)外學者研究的關(guān)鍵問題。本文選取大安市舍力鎮(zhèn)作為研究區(qū)。選擇兩期時相分別為2015年9月、2017年8月的高分二號遙感影像作為變化檢測試驗數(shù)據(jù)。采用面向?qū)ο蟮姆诸惙椒ㄍ瓿蓪善谶b感影像農(nóng)田信息的提取并對分類結(jié)果進行精度評價,然后采用面向?qū)ο蟮淖兓瘷z測方法實現(xiàn)農(nóng)田信息的變化檢測。本文主要研究成果如下:(1)對基于邊界的分割算法與基于區(qū)域的分割算法的區(qū)別進行詳細研究,從客觀和主觀兩方面分析出基于區(qū)域分割算法的多尺度分割在同時提取多種目標地物類型時具有優(yōu)越性,并總結(jié)出多尺度分割參數(shù)的選擇方法。在不同影像對象層采用不同的分割參數(shù)進行多尺度分割。利用試錯法得出第一層植被與非植被的最優(yōu)分割尺度為90、形狀因子為0.2、緊致度因子為0.5,第二層旱田、水田及其它植被的最優(yōu)分割尺度為150、形狀因子為0.2、緊致度因子為0.5。(2)綜合利用高分遙感影像的光譜特征、形狀特征、自定義特征對目標地物類型進行信息提取。建立影像對象的分類層次后,通過對目標地物特征的描述和組合,建立目標地物的提取規(guī)則。以多尺度分割后的影像對象為分類的基本單元,利用閾值分類和最鄰近分類相結(jié)合的方法實現(xiàn)了研究區(qū)農(nóng)田信息的提取。(3)以2015年、2017年高分二號遙感影像目視解譯結(jié)果作為參考影像,對分類結(jié)果進行精度評價。對兩期研究區(qū)遙感影像進行目視解譯,人工判讀農(nóng)田信息。利用混淆矩陣對兩期自動分類結(jié)果與目視解譯結(jié)果進行對比,得出2015年總體精度為91.6%、Kappa系數(shù)為84.8%,2017年總體精度為90.8%、Kappa系數(shù)為84.3%。(4)探討了三種遙感影像的變化檢測方法并采用面向?qū)ο蟮淖兓瘷z測方法進行試驗。利用copy map、synchronize map、convert to sub-objects、copy image object level等算法對兩期研究區(qū)農(nóng)田信息變化進行變化檢測。檢測結(jié)果表明該方法具有較高的實用性和有效性。
【學位單位】：吉林大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S127
【部分圖文】：

分割尺度為 90 時，植被與非植被類別的輪廓相對完整、分割成的影像對象較完整，能夠較好地區(qū)分植被類別與非植被類別。當分割尺度為 110 和 130 時，分割成的多邊形面積過大，地類綜合過大，使得植被與非植被類別信息部分合并，無法清晰區(qū)分。分割尺度不同時的分割效果如圖 5.1 所示。分割尺度=70,形狀因子=0.1,緊致度因子=0.5 分割尺度=90,形狀因子=0.1,緊致度因子=0.5

分割尺度=90,形狀因子=0.3,緊致度因子=0.5圖 5.2 形狀因子不同時的在第一層分割的基礎(chǔ)上，通過繼承關(guān)系同方法得出，第二層區(qū)別旱田、水田、其他無=150,形狀因子=0.2,緊致度因子=0.5。研究區(qū)表 5.1 研究區(qū)各層層次 提取信息 波段權(quán)重Level 1 植被、非植被B：G：R：NNDVI：ND=1：1：1：2Level 2旱田、水田、B：G：R：NNDVI：ND

第 5 章 面向?qū)ο蟮霓r(nóng)田變化檢測試驗方法是面向?qū)ο笮畔⑻崛≈幸环N最常用的分類方法。選取具有旱田、水田及其他植被明顯特征的分布均勻類地物類型賦予相應(yīng)的具有代表性的目標地物，并創(chuàng)特征組合。第二級分類時最初人工構(gòu)建的特征空間為 用到分類過程中會導致計算量過大、分類效率降低[38]ure Space Opitimization 自動選取最佳特征組合，將特征空間優(yōu)化工具選取的最鄰近分類最佳特征組合為邊形面積（Area）、長寬比（Length/Width）、最大差分（ctness），如圖 5.4 所示。

【相似文獻】

相關(guān)期刊論文 前10條

1 眭海剛;馮文卿;李文卓;孫開敏;徐川;;多時相遙感影像變化檢測方法綜述[J];武漢大學學報(信息科學版);2018年12期

2 謝馨嫻;岳彩榮;霍鵬;;森林變化檢測方法比較[J];四川林業(yè)科技;2018年03期

3 王娜;張景發(fā);;SAR圖像變化檢測技術(shù)方法綜述[J];地殼構(gòu)造與地殼應(yīng)力文集;2016年01期

4 宋英旭;牛瑞卿;張景發(fā);李永生;羅毅;馮時;陳艷;;遙感影像變化檢測方法對比[J];地殼構(gòu)造與地殼應(yīng)力文集;2016年02期

5 李強;張景發(fā);;變化檢測技術(shù)在震害信息提取中的應(yīng)用[J];地理空間信息;2014年02期

6 龍玄耀;李培軍;;基于圖像分割的城市變化檢測[J];地球信息科學;2008年01期

7 于躍龍,盧煥章;以統(tǒng)計變化檢測為基礎(chǔ)的實時分割視頻對象新方法[J];中國圖象圖形學報;2005年01期

8 孫揚;朱凌;修田雨;;基于國產(chǎn)衛(wèi)星影像的協(xié)同分割變化檢測[J];北京建筑大學學報;2018年04期

9 王鑫;;聚類分析觀點下的分散式最快變化檢測[J];南京理工大學學報;2014年02期

10 沈壁川;毛期儉;呂翊;;基于巴氏距離的視頻流場景變化檢測(英文)[J];重慶郵電大學學報(自然科學版);2009年01期

相關(guān)會議論文 前10條

1 劉元波;;環(huán)境遙感變化探測研究中的若干問題：輻射校正方法與變化檢測算法及其理論關(guān)系[A];中國地理學會2007年學術(shù)年會論文摘要集[C];2007年

2 毛衛(wèi)華;;時態(tài)遙感數(shù)據(jù)對象級變化檢測方法研究[A];2016年度浙江省測繪與地理信息學會優(yōu)秀論文集[C];2016年

3 林麗群;舒寧;肖俊;;MODIS影像自動變化檢測[A];第十五屆全國遙感技術(shù)學術(shù)交流會論文摘要集[C];2005年

4 劉志剛;李夕海;錢昌松;;遙感圖像變化檢測問題淺析[A];陜西地球物理文集（五）國家安全與軍事地球物理研究[C];2005年

5 王長海;陳文靜;;基于遙感影像分類的城鎮(zhèn)建成區(qū)變化檢測方法研究[A];國家安全地球物理叢書（十三）——軍民融合與地球物理[C];2017年

6 蔣汾龍;王善峰;公茂果;馬晶晶;張明陽;武越;;基于降噪耦合卷積神經(jīng)網(wǎng)絡(luò)的多源遙感影像變化檢測[A];第五屆高分辨率對地觀測學術(shù)年會論文集[C];2018年

7 鄭安明;羅健;康薇薇;;基于遙感影像的流域下墊面變化檢測[A];環(huán)境變化與水安全——第五屆中國水論壇論文集[C];2007年

8 陳宇;唐偉成;;基于北京一號小衛(wèi)星遙感數(shù)據(jù)的徐州東礦區(qū)土地利用/覆蓋變化檢測方法研究[A];第十七屆中國遙感大會摘要集[C];2010年

9 李全;李霖;;基于LANDSAT TM影像的城市變化檢測研究[A];中國地理學會2004年學術(shù)年會暨海峽兩岸地理學術(shù)研討會論文摘要集[C];2004年

10 歐陽峗;馬建文;戴芹;;動態(tài)貝葉斯網(wǎng)絡(luò)在遙感變化檢測中的應(yīng)用[A];第十五屆全國遙感技術(shù)學術(shù)交流會論文摘要集[C];2005年

相關(guān)重要報紙文章 前2條

1 本報記者 孫楠 徐文彬;提高我國在氣候變化檢測歸因領(lǐng)域的國際影響力[N];中國氣象報;2016年

2 通訊員 孫愛華　張向峰;區(qū)域氣候變化檢測研討會召開[N];中國氣象報;2009年

相關(guān)博士學位論文 前10條

1 鄭耀國;基于結(jié)構(gòu)化表示學習的遙感圖像分類及變化檢測[D];西安電子科技大學;2016年

2 蘇臨之;基于像素信息和深度學習的遙感圖像變化檢測技術(shù)[D];西安電子科技大學;2016年

3 賈璐;基于核理論的遙感影像變化檢測算法研究[D];西安電子科技大學;2016年

4 李瑜;基于特征學習的SAR圖像變化檢測方法研究[D];西安電子科技大學;2016年

5 李振軒;基于差分測度的高分辨率遙感影像可靠性變化檢測方法研究[D];中國礦業(yè)大學;2018年

6 劉博宇;時序NDVI數(shù)據(jù)集螺線型構(gòu)建及多形狀參數(shù)變化檢測[D];吉林大學;2018年

7 李勝;聯(lián)合領(lǐng)域知識和深度學習的城市地表覆蓋變化檢測方法[D];武漢大學;2018年

8 趙金奇;多時相極化SAR影像變化檢測方法研究[D];武漢大學;2018年

9 劉嘉;多目標演化深度神經(jīng)網(wǎng)絡(luò)模型與應(yīng)用[D];西安電子科技大學;2018年

10 龐世燕;三維信息輔助的建筑物自動變化檢測若干關(guān)鍵技術(shù)研究[D];武漢大學;2015年

相關(guān)碩士學位論文 前10條

1 楊彬;基于深度學習的高分辨率遙感影像變化檢測[D];中國礦業(yè)大學;2019年

2 郭欣;光學與SAR圖像像素級融合的水體變化檢測[D];中國礦業(yè)大學;2019年

3 張玉沙;基于主動集成學習和不確定性分析的遙感影像變化檢測[D];中國礦業(yè)大學;2019年

4 劉陸洋;基于雙差異圖的SAR圖像變化檢測研究[D];新疆大學;2019年

5 婁雪梅;基于SAR圖像的變化檢測算法研究[D];新疆大學;2019年

6 丁永;高分辨率遙感影像結(jié)合地表覆蓋矢量數(shù)據(jù)的變化檢測方法研究[D];武漢大學;2017年

7 許競軒;面向?qū)ο蟮母叻直媛蔬b感影像變化檢測方法研究[D];戰(zhàn)略支援部隊信息工程大學;2018年

8 孫揚;基于超像素協(xié)同分割的遙感影像變化檢測方法[D];北京建筑大學;2019年

9 唐文博;基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率多光譜遙感圖像上的城區(qū)建筑物變化檢測技術(shù)[D];浙江大學;2019年

10 莊姊琪;基于Siamese卷積神經(jīng)網(wǎng)絡(luò)的高分影像城市地物變化檢測[D];武漢大學;2018年

本文編號：2825006