本文關(guān)鍵詞：基于高分辨率影像紋理特征提取日光溫室方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：日光溫室為解決我國西北部地區(qū)冬季蔬菜供應(yīng)問題發(fā)揮了重要作用,利用高分辨率遙感影像提取日光溫室空間分布信息,掌握其分布規(guī)律和發(fā)展動(dòng)態(tài)至關(guān)重要。本研究分別利用基于窗口和基于影像對象的紋理特征在ALOS影像上對日光溫室進(jìn)行信息提取。深入探討了紋理變量、紋理窗口、方向和步長等參數(shù)對日光溫室信息提取精度的影響。根據(jù)信息熵的大小篩選出5個(gè)紋理變量參與分類,利用因子分析法找到與不同地物類型相關(guān)性最高的紋理參數(shù)組合,在此基礎(chǔ)上提出了一種多尺度紋理構(gòu)建方法。通過研究得到以下結(jié)論:1)基于影像對象和基于窗口的紋理對提高日光溫室分類精度有著不同的影響�；谟跋駥ο蟮募y理不能顯著提高日光溫室的總分類精度,有時(shí)還會降低總提取精度,提升幅度為-0.36%~1.39%,而基于窗口的紋理可以明顯提高影像的總分類精度,提升幅度為4.66%~7.88%。對于不同地物類型,兩類紋理對分類精度的貢獻(xiàn)是不同的,基于窗口的紋理特征能夠提高大部分地物的分類精度,而基于對象的紋理特征僅能提高無覆蓋日光溫室、休耕地、居民地和園地的提取精度,且基于窗口的紋理特征對分類精度提高的幅度比較大。總之,從總分類精度和各地物的分類精度這兩方面看,基于窗口的紋理特征要優(yōu)于基于影像對象的紋理特征。2)信息熵法是一種紋理變量選取的有效辦法。采用信息熵法選取的5個(gè)紋理變量參與分類同全部紋理變量參與分類相比,不僅不會顯著降低分類精度,大部分情況可以提高分類精度。最終選取均值、同質(zhì)性、差異性、熵和相關(guān)性這5個(gè)紋理變量對日光溫室進(jìn)行信息提取。3)從紋理變量的相關(guān)性、KMO和Bartlett球形檢驗(yàn)等方面證明采用因子分析法對紋理變量進(jìn)行優(yōu)化組合是必要的和可行的。不同地物綜合得分最高的紋理參數(shù)組合與實(shí)際分類結(jié)果選取的最佳紋理參數(shù)組合并不相同。主要是因?yàn)?依據(jù)分類精度選取的最佳組合,是綜合ALOS影像的紋理特征和光譜特征選取的最佳組合,其中ALOS影像的光譜信息對最佳紋理參數(shù)的結(jié)果產(chǎn)生一定影響;因子分析法選取的最佳紋理參數(shù)組合是基于各紋理變量有不同加權(quán)系數(shù)基礎(chǔ)上的,而實(shí)際分類時(shí)并沒有考慮紋理變量的加權(quán)值,所有紋理變量的加權(quán)系數(shù)均為1。4)最佳紋理窗口受步長影響比較大,不同的步長對應(yīng)著不同的最佳紋理窗口。步長為1時(shí)最佳窗口為最大紋理窗口(15×15),其余步長的最佳窗口為最小紋理窗口,且總分類精度最高的窗口為15×15(方向?yàn)?35°,步長為1)。究其原因,步長為1時(shí),在窗口增大的同時(shí),地物內(nèi)部細(xì)節(jié)信息不斷減少,均質(zhì)性在不斷增強(qiáng),且地物邊界的模糊程度在可接受范圍之內(nèi),不同地物間的可分性在增大。步長不為1時(shí),隨著窗口的增大,紋理邊界越模糊,偏離地物實(shí)際邊界的程度越大,跨紋理單元的現(xiàn)象越嚴(yán)重,不同地物間的可分性在減小。5)窗口大小和紋理方向影響最佳步長的選擇,最佳步長集中在1和3,當(dāng)窗口大小為7×7和9×9時(shí)最佳步長為3(135°方向除外,最佳步長為1),當(dāng)窗口大小為11×11、13×13和15×15時(shí)最佳步長為1。究其原因,步長為1和3時(shí),大部分參與運(yùn)算的像元在同一個(gè)對象內(nèi)部,GLCM紋理特征能夠相對準(zhǔn)確地反映地物空間特征。步長為5和7時(shí),對應(yīng)實(shí)際距離為12.5m和17.5m,大于部分地物實(shí)際尺寸(如道路、休耕地),參與運(yùn)算的像元不在同一個(gè)對象內(nèi)部的概率變大,GLCM紋理特征就不能客觀地反映地物空間特征。6)紋理方向?qū)Ψ诸惥鹊挠绊懯怯邢薜?大多數(shù)地物的最佳紋理方向集中于某兩個(gè)方向,且集中分布的方向和最高分類精度的紋理方向并不是總保持一致。通過統(tǒng)計(jì)地物分割對象的主方向,發(fā)現(xiàn)地物的分割對象并沒有固定的主方向,且主方向浮動(dòng)范圍比較大�？梢�,地物分割對象的方向性不強(qiáng)是紋理方向分類精度影響不大的主要原因。7)利用因子分析法構(gòu)建的多尺度紋理的總分類精度要高于基于窗口和基于影像對象的最優(yōu)分類精度,分別提高了3.98%和10.56%。多尺度紋理還提高了居民地、無覆蓋日光溫室、坑塘、有薄膜覆蓋日光溫室、道路、休耕地和園地的分類精度。
【關(guān)鍵詞】：灰度共生矩陣 因子分析 日光溫室 多尺度紋理 ALOS 基于對象影像分析技術(shù)
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 中文摘要3-5
• Abstract5-9
• 第一章 緒論9-19
• 1.1 選題背景及研究意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-16
• 1.2.1 日光溫室信息提取研究現(xiàn)狀10-11
• 1.2.2 GLCM紋理特征提取研究現(xiàn)狀11-15
• 1.2.3 因子分析在影像處理中的研究現(xiàn)狀15-16
• 1.3 研究目的、研究內(nèi)容及技術(shù)路線16-17
• 1.4 論文結(jié)構(gòu)安排17-19
• 第二章 原理與方法19-27
• 2.1 日光溫室信息提取方法19-21
• 2.1.1 多尺度分割19
• 2.1.2 紋理特征的提取19-20
• 2.1.3 信息提取20-21
• 2.2 紋理分析21-24
• 2.2.1 紋理的基本概念21-22
• 2.2.2 灰度共生矩陣22-24
• 2.3 因子分析24-27
• 第三章 研究區(qū)概況及數(shù)據(jù)準(zhǔn)備27-32
• 3.1 研究區(qū)概況27-29
• 3.2 數(shù)據(jù)預(yù)處理29
• 3.3 影像分割29
• 3.4 紋理特征計(jì)算29-30
• 3.4.1 GLCM紋理特征計(jì)算29-30
• 3.4.2 多尺度紋理構(gòu)建方法30
• 3.5 因子分析30-32
• 第四章 結(jié)果與討論32-52
• 4.1 特征組合對分類精度的影響32-34
• 4.2 紋理變量的選取34-36
• 4.3 紋理變量與地物相關(guān)性36-42
• 4.3.1 因子分析模型評價(jià)37-40
• 4.3.2 因子分析法最佳參數(shù)組合40-42
• 4.4 紋理窗口對分類精度的影響42-45
• 4.5 步長對分類精度的影響45-46
• 4.6 紋理方向?qū)Ψ诸惥鹊挠绊?/span>46-48
• 4.7 多尺度紋理參與的信息提取48-52
• 4.7.1 分類精度48-49
• 4.7.2 日光溫室提取制圖分析49-52
• 第五章 結(jié)論與展望52-55
• 5.1 結(jié)論52-53
• 5.2 展望53-55
• 參考文獻(xiàn)55-61
• 在學(xué)期間的研究成果61-62
• 致謝62-63

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 蔡哲元;余建國;張敏敏;金震東;;胰腺內(nèi)鏡超聲圖像紋理特征提取與分類研究[J];生物醫(yī)學(xué)工程學(xué)進(jìn)展;2008年03期

2 劉麗;匡綱要;;圖像紋理特征提取方法綜述[J];中國圖象圖形學(xué)報(bào);2009年04期

3 閆晶瑩;王成儒;;一種新的紋理特征提取算法[J];西安郵電學(xué)院學(xué)報(bào);2011年01期

4 劉文萍,吳立德;紋理特征提取及分割[J];計(jì)算機(jī)應(yīng)用與軟件;2001年11期

5 黃麗雯;龐柯;汪鑫;施幫利;王濤;炊萬年;;基于小波包分析的顱頜面紋理特征提取方法[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年11期

6 姚娜;呂海芳;陳杰;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的漢字紋理特征提取[J];塔里木大學(xué)學(xué)報(bào);2013年04期

7 鄭曉霞;李偉鍵;;基于紋理特征提取的圖像檢索技術(shù)[J];黑龍江工程學(xué)院學(xué)報(bào);2005年04期

8 陳再良;劉晴;鄒北驥;沈海瀾;周浩宇;;結(jié)合視覺注意和紋理特征提取感興趣區(qū)域算法[J];小型微型計(jì)算機(jī)系統(tǒng);2012年05期

9 肖鵬;徐軍;陳少沖;;紋理特征提取方法[J];電子科技;2010年06期

10 毛秉毅;;旋轉(zhuǎn)不變傅立葉紋理特征提取[J];計(jì)算機(jī)工程與應(yīng)用;2007年10期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 劉玉芳;劉定生;;利用紋理特征提取城市用地信息方法探索[A];中國地理學(xué)會2004年學(xué)術(shù)年會暨海峽兩岸地理學(xué)術(shù)研討會論文摘要集[C];2004年

2 彭玲;趙忠明;;遙感圖像紋理特征提取的若干方法[A];信號與信息處理技術(shù)第三屆信號與信息處理全國聯(lián)合學(xué)術(shù)會議論文集[C];2004年

3 曾文涵;楊練根;謝鐵邦;李柱;;彈頭發(fā)射痕跡紋理特征提取方法的研究[A];中國儀器儀表學(xué)會第三屆青年學(xué)術(shù)會議論文集（上）[C];2001年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 畢于慧;彩色航空圖像森林紋理特征提取方法的研究[D];北京林業(yè)大學(xué);2007年

2 李朝榮;Copula驅(qū)動(dòng)的小波域紋理特征提取研究[D];電子科技大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 肖敏敏;基于多維特征融合的地震剖面相似性研究[D];西安石油大學(xué);2015年

2 陳辰;基于相對相域頻繁項(xiàng)集的紋理特征提取方法及其在圖像分類中的應(yīng)用[D];蘭州大學(xué);2015年

3 李洪偉;基于高分辨率影像紋理特征提取日光溫室方法研究[D];蘭州大學(xué);2016年

4 黃媛媛;基于小波的紋理特征提取算法的研究[D];江蘇科技大學(xué);2012年

5 王龍;圖像紋理特征提取及分類研究[D];中國海洋大學(xué);2014年

6 章智儒;紋理特征提取算法及其在面向?qū)ο蠓诸惣夹g(shù)中的應(yīng)用研究[D];電子科技大學(xué);2009年

7 丁守鴻;基于分形分析的紋理特征提取[D];大連理工大學(xué);2011年

8 龐鵬飛;紋理特征提取與自動(dòng)分類算法研究[D];天津大學(xué);2012年

9 周璇;鋁土礦浮選精選泡沫顏色校正與紋理特征提取及其應(yīng)用[D];中南大學(xué);2013年

10 林霞;浮選泡沫圖像紋理特征提取研究及應(yīng)用[D];中南大學(xué);2013年

  本文關(guān)鍵詞：基于高分辨率影像紋理特征提取日光溫室方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：338638