發(fā)布時間：2021-05-11 18:27

　　遙感影像分類技術(shù)正在逐漸發(fā)展,然而其數(shù)據(jù)源獲取效率低,成本高,數(shù)據(jù)量大等缺點使得當(dāng)前遙感分類技術(shù)不能滿足當(dāng)前實物分類以及地物跟蹤等的需求。無人機技術(shù)的快速發(fā)展,使得獲取高分辨率影像數(shù)據(jù)越來越便利,具有時效性強、分辨率高和成本低等優(yōu)點,彌補了使用傳統(tǒng)方式獲取遙感影像數(shù)據(jù)的不足。本文以提取桉樹信息為例,針對無人機影像高精度,分辨率極高的特點,結(jié)合計算機在圖像處理方面的發(fā)展研究,研究紋理特征的多種提取方法,選取灰度共生矩陣作為提取紋理特征值的方法,提取桉樹與非桉樹樣本的相關(guān)值、對比值、能量值和同質(zhì)性等紋理特征,對不同影響因子（圖像大小、步距、方向）生成的灰度共生矩陣的進行試驗對比,測試結(jié)果得出,桉樹與非桉樹相比,有著明顯可分的紋理特征。研究彩色特征的多個色彩模型,最終選取Lab色彩模型作為影像色彩特征值。紋理特征值與色彩特征值將作為本文的基礎(chǔ)數(shù)據(jù),應(yīng)用在分割方法與分類方法中。通過實驗對比當(dāng)前計算機領(lǐng)域的圖像分割方法（邊緣檢測算子,直線提取法,閾值分割,分水嶺算法、區(qū)域生長和分裂方法、超像素分割與DBSCAN聚類法）,實驗表明超像素分割結(jié)合DBSCAN聚類的分類方法精度更優(yōu),該方法依據(jù)圖像的色... 

【文章來源】：南寧師范大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 研究方法與技術(shù)路線
2 高分辨率影像特征分析
    2.1 紋理特征
        2.1.1 定義與特征
        2.1.2 影像紋理特征分析
        2.1.3 紋理特征提取方法
        2.1.4 灰度共生矩陣
            2.1.4.1 算法描述
            2.1.4.2 特征值描述
    2.2 色彩特征
        2.2.1 色彩概念
        2.2.2 彩色空間
    2.3 實驗結(jié)果
    2.4 本章小結(jié)
3 高分影像圖像分割方法
    3.1 圖像分割概念
    3.2 圖像分割方法
        3.2.1 邊緣檢測算子法
        3.2.2 直線提取法
        3.2.3 閾值分割法
        3.2.4 分水嶺算法
        3.2.5 區(qū)域生長法和分裂合并法
    3.3 超像素分割
    3.4 DBSCAN聚類
    3.5 實驗結(jié)果
    3.6 本章小結(jié)
4 高分影像圖像分類
    4.1 圖像分類算法概述
    4.2 遙感圖像分類
        4.2.1 非監(jiān)督分類方法
        4.2.2 監(jiān)督分類法
    4.3 支持向量機
        4.3.1 SVM的概述
        4.3.2 SVM分類的原理及算法
        4.3.3 SVM核函數(shù)
        4.3.4 SVM優(yōu)點
    4.4 本文分類識別方法
    4.5 多種分類方法的實驗分析
        4.5.1 實驗數(shù)據(jù)
        4.5.2 實驗結(jié)果分析
    4.6 本章小結(jié)
5 基于GIS平臺的自動分類原型的實現(xiàn)
    5.1 自動分類步驟
    5.2 自動分類模型設(shè)計
    5.3 自動分類原型設(shè)計
        5.3.1 自動分類原型流程
        5.3.2 對象關(guān)系設(shè)計
        5.3.3 自動分類原型的具體設(shè)計
    5.4 自動分類原型實現(xiàn)
    5.5 實驗結(jié)果
    5.6 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 本文創(chuàng)新點
    6.3 展望
參考文獻
攻讀碩士學(xué)位期間的科研成果
附錄
致謝



本文編號：3181894