本文關(guān)鍵詞：基于高分遙感影像數(shù)據(jù)的油田地區(qū)建筑物信息提取方法研究

  更多相關(guān)文章： 高分辨率遙感影像 油田地區(qū) 建筑物提取 多特征分類

【摘要】：隨著衛(wèi)星遙感技術(shù)的不斷發(fā)展,遙感影像的分辨率不斷提高,目前很多在軌的遙感衛(wèi)星可以為我們提供大量的亞米級(jí)衛(wèi)星遙感影像數(shù)據(jù),為研究者帶來(lái)了更加豐富的地物細(xì)節(jié)信息。在城鄉(xiāng)面貌日新月異的今天,有效地利用這些遙感影像對(duì)信息掌控和未來(lái)規(guī)劃都具有重要意義。對(duì)于油田地區(qū),有效地掌握地面建筑的實(shí)時(shí)位置、狀態(tài)信息對(duì)于石油的安全生產(chǎn)顯得更為重要。但傳統(tǒng)的基于中低分辨率遙感圖像的建筑物信息提取方法并不能良好地應(yīng)用于高分遙感影像數(shù)據(jù)。因此,本文立足于國(guó)家項(xiàng)目江蘇油田的地理信息管理監(jiān)測(cè)系統(tǒng),致力于尋找到一種快速、穩(wěn)定、準(zhǔn)確的基于高分辨率遙感影像數(shù)據(jù)的油田地區(qū)建筑物信息提取方法。本文在對(duì)油田地區(qū)的地貌氣候特征、建筑分布特點(diǎn)的充分分析和考察基礎(chǔ)上,完成了以下工作:(1)對(duì)油田地區(qū)的高分遙感圖像進(jìn)行了去噪、增強(qiáng)等預(yù)處理操作。(2)在詳細(xì)對(duì)比各類圖像分割算法特點(diǎn)的基礎(chǔ)上,應(yīng)用基于Mean Shift濾波算法的圖像分割方法將遙感圖像分割為待處理的對(duì)象區(qū)域,并針對(duì)對(duì)象分割過(guò)細(xì)的情況做了空間尺度過(guò)濾。(3)對(duì)分割完成的區(qū)域?qū)ο?進(jìn)行了基于光譜特征、形狀特征、紋理特征的多特征提取工作。對(duì)于提取出的特征集合,采用特征篩選算法獲得了能夠反映樣本特點(diǎn)的特征子集。并針對(duì)不規(guī)則對(duì)象的紋理特征提取工作提出了一種基于鄰域加權(quán)均值的灰度共生矩陣計(jì)算方法,取得了較好的特征提取效果。(4)基于提取出的樣本特征子集,本文采用IOSDATA聚類方法對(duì)區(qū)域?qū)ο笞龀隽朔诸�。并針�?duì)建筑物區(qū)域外形參差不齊的情況,對(duì)其做了形態(tài)學(xué)優(yōu)化,去除了毛刺和空洞,使之更符合建筑物原有的邊緣形態(tài)。經(jīng)實(shí)驗(yàn)分析,本文所采用的方法能夠在較短的時(shí)間內(nèi),從油田地區(qū)的高分遙感影像中提取出準(zhǔn)確、外形規(guī)則的建筑物信息,對(duì)油田的地理信息管理工作帶來(lái)了很大的幫助。
【關(guān)鍵詞】：高分辨率遙感影像 油田地區(qū) 建筑物提取 多特征分類
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 課題研究背景及意義10-11
• 1.2 遙感圖像建筑物提取的研究現(xiàn)狀分析11-12
• 1.3 本文的主要研究工作和結(jié)構(gòu)安排12-15
• 第2章 遙感圖像對(duì)象分割方法研究15-28
• 2.1 遙感圖像的預(yù)處理15-18
• 2.1.1 高分遙感圖像的特點(diǎn)15-17
• 2.1.2 高分遙感圖像的預(yù)處理17-18
• 2.2 高分遙感圖像的對(duì)象分割方法18-21
• 2.2.1 基于閾值的圖像分割19
• 2.2.2 基于區(qū)域的分割算法19-20
• 2.2.3 基于邊緣檢測(cè)的分割算法20-21
• 2.3 基于Mean Shift算法的遙感圖像對(duì)象分割21-24
• 2.3.1 Mean Shift算法的國(guó)內(nèi)外研究現(xiàn)狀21-22
• 2.3.2 Mean Shift算法原理22-23
• 2.3.3 Mean Shift算法在遙感圖像分割上的應(yīng)用23-24
• 2.4 遙感圖像分割實(shí)驗(yàn)結(jié)果24-28
• 第3章 面向?qū)ο蟮奶卣魈崛〖昂Y選28-41
• 3.1 油田地區(qū)地貌特征概況28-29
• 3.2 遙感圖像特征的分類29-33
• 3.2.1 光譜特征29-30
• 3.2.2 形狀特征30-31
• 3.2.3 紋理特征31-33
• 3.3 面向?qū)ο蟮募y理特征提取33-35
• 3.3.1 灰度共生矩陣33-34
• 3.3.2 面向不規(guī)則形態(tài)對(duì)象的紋理特征提取34-35
• 3.4 建筑物特征的選擇35-39
• 3.4.1 特征選擇算法的分類35-37
• 3.4.2 基于ReliefF算法的建筑物特征選擇37-39
• 3.5 面向?qū)ο蟮亩嗵卣魈崛?shí)驗(yàn)結(jié)果39-41
• 第4章 基于多特征的建筑物提取及優(yōu)化41-49
• 4.1 遙感圖像特征分類方法研究41-43
• 4.1.1 非監(jiān)督分類方法41-42
• 4.1.2 監(jiān)督分類方法42-43
• 4.2 基于ISODATA算法的建筑物分類提取43-44
• 4.3 建筑物目標(biāo)的形態(tài)學(xué)優(yōu)化44-46
• 4.4 建筑物分類提取實(shí)驗(yàn)結(jié)果及分析46-49
• 第5章 結(jié)論與展望49-51
• 參考文獻(xiàn)51-54
• 作者簡(jiǎn)介54-55
• 致謝55

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 劉建華;毛政元;;高空間分辨率遙感影像分割方法研究綜述[J];遙感信息;2009年06期

2 張皓;黃艷;楊洋;鄒曉亮;;基于GLCM紋理特征的LiDAR點(diǎn)云建筑物自動(dòng)提取[J];測(cè)繪通報(bào);2009年11期

3 李應(yīng)岐;何明一;方小鋒;;基于Contourlet變換和均值漂移的SAR圖像分割[J];計(jì)算機(jī)工程;2007年22期

4 莫登奎;林輝;李際平;孫華;熊育久;;基于均值漂移的高分辨率影像多尺度分割(英文)[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

5 吳軍;3維城市建模中的建筑墻面紋理快速重建研究[J];測(cè)繪學(xué)報(bào);2005年04期

6 唐亮,謝維信,黃建軍,謝興燦,劉潔;從航空影像中自動(dòng)提取高層建筑物[J];計(jì)算機(jī)學(xué)報(bào);2005年07期

7 李鄉(xiāng)儒,吳福朝,胡占義;均值漂移算法的收斂性[J];軟件學(xué)報(bào);2005年03期

8 徐德啟,汪志華;綜合紋理和顏色的圖像分割方法[J];計(jì)算技術(shù)與自動(dòng)化;2002年03期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 崔衛(wèi)紅;基于圖論的面向?qū)ο蟮母叻直媛视跋穹指罘椒ㄑ芯縖D];武漢大學(xué);2010年

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

1 范志超;基于禁忌搜索算法的特征選擇研究[D];安徽理工大學(xué);2010年

2 朱現(xiàn)龍;揚(yáng)州市市轄區(qū)土地利用/覆被變化模擬研究[D];中南大學(xué);2009年

，

本文編號(hào)：526828