遙感影像分割（Remote Sensing Image Segmentation,RSIS）是將影像劃分成具有不同特性且互不重疊的分割對(duì)象的過(guò)程,良好的分割結(jié)果對(duì)提高影像地物信息的提取和目標(biāo)地物的識(shí)別精度有很大幫助。遙感衛(wèi)星獲取數(shù)據(jù)的技術(shù)發(fā)展速度增快以及得到的圖像分辨率的增高,從而出現(xiàn)了高空間分辨率遙感影像（High Spatial Resolution Remote Sensing Image,HSRRSI）。HSRRSI中的地物復(fù)雜多樣,且除了光譜信息還具有豐富的紋理、結(jié)構(gòu)和形狀特征。當(dāng)前高空間分辨率遙感影像分割（High Spatial Resolution Remote Sensing Image Segmentation,HSRRSIS）存在兩方面的問(wèn)題:一方面是由于地物復(fù)雜多樣,單一尺度的分割方法很難對(duì)影像中所有地物進(jìn)行準(zhǔn)確分割;另一方面是傳統(tǒng)的RSIS方法不能利用HSRRSI的所有特征進(jìn)行分割,充分利用這些特征有利于提高遙感影像的分割精度。但是隨著加入的HSRRSI的特征越來(lái)越多,會(huì)使得影像的特征維數(shù)增多,從而出現(xiàn)“維數(shù)災(zāi)難”這一難以解決的問(wèn)題。為解決以上兩方面的現(xiàn)存問(wèn)題... 

【文章來(lái)源】：江西理工大學(xué)江西省

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

章貢區(qū)研究區(qū)域

第三章基于RMAS指數(shù)與最大面積法的MSS參數(shù)選擇21圖3.1FNEAMSS的網(wǎng)絡(luò)層次結(jié)構(gòu)HSRRSIS效果較好，即同一對(duì)象內(nèi)部同質(zhì)程度較高，并且不同對(duì)象之間異質(zhì)程度較高，分辨性較好，其實(shí)就是和相互調(diào)節(jié)的過(guò)程。某地物的設(shè)置尺度太小，得到分割圖斑瑣碎，此時(shí)分割圖斑內(nèi)部的同質(zhì)程度很高，即較小，但鄰近的分割對(duì)象便有很大可能是同地類(lèi)，即較小，此時(shí)計(jì)算所得的RMAS值較校當(dāng)?shù)匚锏脑O(shè)置尺度不斷增大，分割圖斑的面積變大，影像圖斑內(nèi)部的同質(zhì)程度高，即較小，但值逐漸增大，計(jì)算直到RMAS值達(dá)到最大，此時(shí)分割效果最佳；當(dāng)目標(biāo)地物的設(shè)置尺度在此基礎(chǔ)上繼續(xù)增高，一個(gè)影像圖斑內(nèi)可能含有兩種或幾種地物類(lèi)別，增大，相鄰對(duì)象間減小，計(jì)算所得的RMAS值也會(huì)開(kāi)始降低。上述分析可得，RMAS值與分割尺度之間有很大的關(guān)系，RMAS值達(dá)到最高時(shí)，和具有最好的調(diào)節(jié)效果，此時(shí)RMAS最大值相應(yīng)的尺度就是最優(yōu)分割尺度，HSRRSIS結(jié)果最好，因此通過(guò)RMAS值與尺度之間的變換可以來(lái)預(yù)判HSRRSIS效果的好壞。根據(jù)指數(shù)指標(biāo)來(lái)進(jìn)行最佳HSRRSIS尺度的確定，首先設(shè)定分割尺度步長(zhǎng)，初步確定HSRRSIS的最佳尺度區(qū)間，為使得不同尺度下對(duì)應(yīng)的對(duì)象區(qū)域樣本不出現(xiàn)重復(fù)值，因此基于最大尺度下的初始分割圖層，利用ArcGIS-DataManagementTools-Createrandompoints函數(shù)為每個(gè)分割對(duì)象創(chuàng)造樣本點(diǎn)，由于不同尺度下的樣本分割對(duì)象對(duì)應(yīng)的光譜信息，紋理、結(jié)構(gòu)和形狀特征等信息不同，則RMAS指數(shù)指標(biāo)值所顯示出的分割圖斑內(nèi)部的同質(zhì)化程度和不同分割圖斑間的異質(zhì)化程度不同，因此利用ArcGIS-AnalysisTools-Overlay-SpatialJoin空間連接的方法為每個(gè)樣本點(diǎn)在不同尺度下對(duì)應(yīng)相應(yīng)的分割對(duì)象，然后分別在不同尺度下選擇不同數(shù)量的各種類(lèi)型的地物的代表性分割對(duì)象樣本，計(jì)算RMAS指數(shù)指標(biāo)值，?

第三章基于RMAS指數(shù)與最大面積法的MSS參數(shù)選擇240.1-0.9時(shí)取到最大面積圖斑面積及圖斑類(lèi)型恒定區(qū)間，依次直至ωshape設(shè)0.9時(shí)，ωcompactness設(shè)0.1-0.9時(shí)查看最大面積圖斑面積及圖斑類(lèi)型是否恒定，最后統(tǒng)計(jì)出現(xiàn)頻率最多的區(qū)間即為某地類(lèi)的ωcompactness的最優(yōu)區(qū)間。另外，還要記錄形狀因子討論中ωshape設(shè)多少時(shí)，ωcompactness的變化對(duì)最大面積分割圖斑的影響較小，即斑塊恒定區(qū)間范圍最廣，此時(shí)的ωshape值與前一節(jié)得到的ωshape區(qū)間的交集即為最佳ωshape。3.3MSS討論與分析在eCognition中載入融合后的R1影像，根據(jù)2.2章節(jié)國(guó)家土地利用地物分類(lèi)標(biāo)準(zhǔn)，其涉及住宅用地，交通運(yùn)輸用地，其他土地三種地類(lèi)，如圖3.2所示，。基于HSRRSI的FNEA分割算法分割時(shí)一般要遵循兩個(gè)原則[59]:①設(shè)置的ωcolor值盡可能大;②邊界不平滑但分割對(duì)象緊密度很高的HSRRSI應(yīng)減少ωshape值。宗旨為ωshape值取值適宜偏小，ωcompactness適宜偏大，對(duì)得到較好的分割效果有所幫助。因此初步利用FNEA固定ωshape設(shè)0.1，ωcompactness設(shè)0.5，來(lái)進(jìn)行最佳尺度選擇的實(shí)驗(yàn)。對(duì)影像進(jìn)行初步分割得知當(dāng)尺度小于100時(shí)整副影像中地物過(guò)于瑣碎，影像出現(xiàn)過(guò)分割現(xiàn)象嚴(yán)重，較小地物仍然存在再分割的現(xiàn)象；當(dāng)尺度大于400時(shí)，各類(lèi)地物都有明顯的欠分割，分割對(duì)象劃分類(lèi)別不明確，單個(gè)分割對(duì)象內(nèi)存在多種地物類(lèi)別。因此確定R1研究區(qū)域的尺度區(qū)間為100-400尺度，以20為尺度步長(zhǎng)，15個(gè)尺度下（100,120,140,160,180,200,220,240,260,280,300,320,340,360,380,400）輸出的矢量圖層如圖3.3所示。圖3.2R1研究區(qū)域影像

【參考文獻(xiàn)】：
期刊論文
[1]遙感影像監(jiān)督分割評(píng)價(jià)指標(biāo)比較與分析[J]. 李澤宇,明冬萍,范瑩琳,趙林峰,劉思民.  地球信息科學(xué)學(xué)報(bào). 2019(08)
[2]形態(tài)學(xué)邊緣檢測(cè)和區(qū)域生長(zhǎng)相結(jié)合的遙感圖像水體分割[J]. 王小鵬,文昊天,王偉,馬鵬,王陽(yáng)萍.  測(cè)繪科學(xué)技術(shù)學(xué)報(bào). 2019(02)
[3]改進(jìn)Canny邊緣檢測(cè)的遙感影像分割[J]. 劉麗霞,李寶文,王陽(yáng)萍,楊景玉.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[4]融入邊界特征的遙感影像多尺度分割[J]. 翟德超,范亞男,周亞男.  國(guó)土資源遙感. 2019(03)
[5]基于改進(jìn)的均值漂移算法的高分辨率遙感影像分割方法研究[J]. 李婷婷,王曉紅,鄧仕雄.  貴州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[6]基于K-means算法分割遙感圖像的閾值確定方法研究[J]. 趙紅丹,田喜平.  科學(xué)技術(shù)與工程. 2017(09)
[7]融合邊界信息的高分辨率遙感影像分割優(yōu)化算法[J]. 楚森森,洪亮,陳杰,鄧敏,楊昆,劉純.  中國(guó)圖象圖形學(xué)報(bào). 2016(08)
[8]基于快速mean-shift聚類(lèi)與標(biāo)記分水嶺的圖像分割方法[J]. 邰瀅瀅,吳彥海,張利.  計(jì)算機(jī)應(yīng)用與軟件. 2015(08)
[9]k均值聚類(lèi)引導(dǎo)的遙感影像多尺度分割優(yōu)化方法[J]. 王慧賢,靳惠佳,王嬌龍,江萬(wàn)壽.  測(cè)繪學(xué)報(bào). 2015(05)
[10]自適應(yīng)確定K-means算法的聚類(lèi)數(shù):以遙感圖像聚類(lèi)為例[J]. 袁周米琪,周堅(jiān)華.  華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(06)

博士論文
[1]高分辨率遙感影像分割方法及應(yīng)用研究[D]. 劉大偉.長(zhǎng)安大學(xué) 2016

碩士論文
[1]基于稀疏表示的高光譜遙感影像半監(jiān)督降維算法研究[D]. 周頌洋.中國(guó)礦業(yè)大學(xué) 2015
[2]面向?qū)ο蟮母叻直媛蔬b感影像多尺度分割參數(shù)及分類(lèi)研究[D]. 王露.中南大學(xué) 2014



本文編號(hào)：3400194