本文關(guān)鍵詞：基于Mean Shift無(wú)人機(jī)高分辨率遙感影像分割方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著遙感影像信息獲取技術(shù)(無(wú)人機(jī)遙感)的快速發(fā)展,如何提高遙感圖像信息的提取速度和精度是遙感影像處理領(lǐng)域的重要研究方向。遙感圖像分割是遙感影像信息提取過(guò)程中最為重要的一項(xiàng)技術(shù)。在圖像處理鄰域,圖像分割方法雖然取得了一定的成果,但在高分辨遙感影像分割中仍然存在分割精度不高、效率低等不足。本文在前人的研究基礎(chǔ)上,將Mean Shift算法引入到高分辨率遙感影像分割中,通過(guò)優(yōu)化Mean shift的核函數(shù)和加入LBP紋理特征,提升Mean Shift算法遙感圖像分割的效率和精度,為后期的遙感影像的分類識(shí)別提供可靠的分割區(qū)域。(1)由于無(wú)人機(jī)的重量輕對(duì)天氣狀況的依賴性大,受到天氣變化飛機(jī)姿態(tài)不穩(wěn)定及相機(jī)本身畸變的影響,因此需要對(duì)獲取的原始影像進(jìn)行預(yù)處理。本文利用國(guó)際上著名的INPHO軟件對(duì)無(wú)人機(jī)獲取的原始影像進(jìn)行畸變差校正、空中三角測(cè)量、生成正射影像等處理,為后續(xù)的遙感影像的分割提供準(zhǔn)確的正射遙感圖像實(shí)驗(yàn)數(shù)據(jù)。(2)本文引入Mean Shift算法于無(wú)人機(jī)高分辨率遙感影像分割,針對(duì)傳統(tǒng)Mean Shift分割算法存在效率低和邊界模糊等問(wèn)題,優(yōu)化Mean shift的核函數(shù)并加入了LBP紋理特征,組成了“空間位置、顏色和紋理”特征向量。實(shí)驗(yàn)結(jié)果表明：通過(guò)目視判讀比較得出,本文改進(jìn)Mean Shift分割算法的分割效果比傳統(tǒng)的Mean Shift分割效果更符合人的視覺(jué)感知,效率和精度也得到了很大的提高。(3)本文采用區(qū)域面積加權(quán)的區(qū)域相似度準(zhǔn)則和最小對(duì)象面積參數(shù)準(zhǔn)則進(jìn)行分割后的區(qū)域合并,以此來(lái)解決改進(jìn)Mean Shift分割算法產(chǎn)生的過(guò)分割現(xiàn)象。最后將區(qū)域合并處理后的結(jié)果分別與在遙感影像分割鄰域中比較出名的EDISON軟件和eCognition軟件進(jìn)行比較,以此驗(yàn)證本文改進(jìn)的分割方法的分割效果。實(shí)驗(yàn)結(jié)果表明：通過(guò)目視判讀比較得出,在改進(jìn)Mean Shift算法中加入?yún)^(qū)域合并方法能得到更好的分割效果且能在一定程度上提高遙感影像分割的精度。對(duì)于紋理特征比較突出的地塊和道路,改進(jìn)的Mean Shift算法分割則能更準(zhǔn)確的分割,從分割精度的角度可以得出,本文改進(jìn)的Mean Shift算法分割的效果在很多方面已達(dá)到eCognition軟件分割的效果。
【關(guān)鍵詞】：無(wú)人機(jī)遙感 Mean Shift LBP紋理特征 圖像分割
【學(xué)位授予單位】：四川農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-16
• 1.1 國(guó)內(nèi)外研究現(xiàn)狀10-11
• 1.1.1 遙感圖像分割的國(guó)內(nèi)外研究現(xiàn)狀10
• 1.1.2 Mean Shift算法用于遙感圖像的國(guó)內(nèi)外研究現(xiàn)狀10-11
• 1.2 研究目的與研究?jī)?nèi)容11-14
• 1.2.1 研究目的與意義11
• 1.2.2 研究材料與運(yùn)行平臺(tái)11-13
• 1.2.3 主要研究?jī)?nèi)容和技術(shù)路線13-14
• 1.3 本文的組織結(jié)構(gòu)14-16
• 第二章 無(wú)人機(jī)高分辨率遙感影像的預(yù)處理16-19
• 2.1 INPHO軟件概述16-17
• 2.2 INPHO無(wú)人機(jī)影像處理流程與結(jié)果17-18
• 2.3 本章小結(jié)18-19
• 第三章 Mean Shift算法原理19-27
• 3.1 Mean Shift算法19-24
• 3.2 Mean Shift算法高分辨率遙感影像分割的實(shí)現(xiàn)24-26
• 3.3 本章小結(jié)26-27
• 第四章 改進(jìn)的Mean Shift高分辨率遙感影像分割方法27-41
• 4.1 遙感影像特征描述27-28
• 4.2 LBP紋理特征28-34
• 4.2.1 基本LBP算子28-30
• 4.2.2 多尺度LBP算子30-33
• 4.2.3 無(wú)人機(jī)高分辨率遙感影像的LBP特征圖的實(shí)現(xiàn)33-34
• 4.3 加入LBP特征的改進(jìn)Mean Shift分割算法34-35
• 4.4 基于LBP的改進(jìn)Mean Shift高分辨率遙感影像分割實(shí)現(xiàn)35-40
• 4.5 對(duì)比分析40
• 4.6 本章小結(jié)40-41
• 第五章 Mean Shift分割后區(qū)域合并41-47
• 5.1 圖像分割后區(qū)域合并原理41-43
• 5.1.1 區(qū)域合并的預(yù)處理42
• 5.1.2 區(qū)域合并過(guò)程42-43
• 5.2 Mean Shift高分辨率遙感影像分割后區(qū)域合并的實(shí)現(xiàn)43-47
• 第六章 結(jié)果對(duì)比分析47-55
• 6.1 評(píng)價(jià)方法47-48
• 6.2 傳統(tǒng)的Mean Shift和改進(jìn)的Mean Shift算法分割結(jié)果對(duì)比分析48-50
• 6.3 改進(jìn)的Mean Shift算法和EDISON軟件對(duì)比分析50-52
• 6.4 改進(jìn)的Mean Shift算法和eCognition軟件對(duì)比分析52-54
• 6.5 本章小結(jié)54-55
• 第七章 結(jié)論與展望55-57
• 7.1 結(jié)論55-56
• 7.2 展望56-57
• 參考文獻(xiàn)57-60
• 致謝60

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 趙曉靜;陳兆學(xué);王志禎;;基于Mean Shift方法的肝臟CT圖像的自動(dòng)分割[J];中國(guó)醫(yī)學(xué)影像技術(shù);2010年12期

2 傅文林;胡福喬;;基于mean shift的頭發(fā)自動(dòng)檢測(cè)[J];微型電腦應(yīng)用;2010年10期

3 張鳳軍;趙嶺;安國(guó)成;王宏安;戴國(guó)忠;;一種尺度自適應(yīng)的Mean Shift跟蹤算法[J];計(jì)算機(jī)研究與發(fā)展;2014年01期

4 謝捷;;一種尺度自適應(yīng)的Mean shift跟蹤算法[J];國(guó)外電子測(cè)量技術(shù);2013年04期

5 連潔;韓傳久;;基于Mean Shift的紅外目標(biāo)自動(dòng)跟蹤方法[J];微計(jì)算機(jī)信息;2008年04期

6 康一梅;謝晚冬;胡江;黃琪;;目標(biāo)尺度自適應(yīng)的Mean Shift跟蹤算法[J];兵工學(xué)報(bào);2011年02期

7 郭曉藝;姜明新;;基于Mean Shift的運(yùn)動(dòng)目標(biāo)的頭腳點(diǎn)檢測(cè)[J];黑龍江科技信息;2013年03期

8 張恒;李立春;于起峰;;尺度方向自適應(yīng)Mean Shift跟蹤算法[J];光學(xué)精密工程;2008年06期

9 付勇;何明一;劉超;;Mean Shift目標(biāo)跟蹤核函數(shù)寬度的自適應(yīng)調(diào)整[J];計(jì)算機(jī)工程與應(yīng)用;2010年17期

10 王占鳳;郭星;袁繼彬;;基于改進(jìn)的Mean Shift人體跟蹤算法[J];宿州學(xué)院學(xué)報(bào);2013年08期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 王立琦;燕小強(qiáng);馬小玲;;結(jié)合交互式多模型的Mean Shift算法[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前9條

1 徐文濤;基于Mean Shift的高分辨率遙感圖像分割研究[D];浙江工業(yè)大學(xué);2015年

2 袁開(kāi)宇;基于mean shift的目標(biāo)跟蹤及軌跡聚類[D];南昌航空大學(xué);2015年

3 李勇;基于Mean Shift無(wú)人機(jī)高分辨率遙感影像分割方法研究[D];四川農(nóng)業(yè)大學(xué);2015年

4 鄭永威;Mean Shift算法研究及其在視頻目標(biāo)跟蹤中的應(yīng)用[D];山東大學(xué);2013年

5 師揚(yáng);Mean Shift結(jié)合拓?fù)浼s束法進(jìn)行高密度細(xì)胞追蹤[D];哈爾濱工程大學(xué);2011年

6 張寶明;基于DSP目標(biāo)跟蹤Mean Shift算法的研究與實(shí)現(xiàn)[D];長(zhǎng)春理工大學(xué);2013年

7 謝捷;尺度自適應(yīng)的擴(kuò)展Mean shift跟蹤算法[D];南京郵電大學(xué);2013年

8 楊輝;基于Mean Shift算法的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D];武漢工程大學(xué);2013年

9 胡波;基于Mean Shift算法和卡爾曼濾波的視頻目標(biāo)跟蹤技術(shù)研究[D];寧波大學(xué);2010年

  本文關(guān)鍵詞：基于Mean Shift無(wú)人機(jī)高分辨率遙感影像分割方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：277333