本文關(guān)鍵詞：高分辨率遙感影像空間特征提取及面向?qū)ο蠓诸?lèi)技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：相較中低分辨率遙感影像,高分辨率遙感影像能夠提供更多描述地表覆蓋的細(xì)節(jié)信息,從而開(kāi)啟了地物分類(lèi)和提取問(wèn)題研究的歷史新紀(jì)元。但是,由于高分辨率遙感影像上存在大量“同物異譜、同譜異物”現(xiàn)象,使得影像分類(lèi)及解譯工作面臨巨大的挑戰(zhàn)。為了在一定程度上克服這一問(wèn)題,本文主要從影像空間特征提取、多尺度分割、多特征融合以及多核學(xué)習(xí)的角度對(duì)高分辨率遙感影像地物要素分類(lèi)問(wèn)題展開(kāi)深入研究。完成的主要工作和取得的成果如下：1.對(duì)高分辨率遙感影像分類(lèi)的基本流程、分類(lèi)器設(shè)計(jì)及分類(lèi)精度評(píng)價(jià)等基礎(chǔ)理論和技術(shù)進(jìn)行了系統(tǒng)地梳理。2.針對(duì)傳統(tǒng)像素級(jí)空間特征提取算法容易增加“椒鹽效應(yīng)”的問(wèn)題,研究并提出了分別利用“超像素”技術(shù)和數(shù)學(xué)形態(tài)學(xué)理論實(shí)現(xiàn)新型空間特征提取的方法,即面積緊致性指數(shù)(Size Compactness Index, SCI)和增強(qiáng)形態(tài)學(xué)陰影指數(shù)(Enhanced Morphological Shadow Index, EMSI)。其中,SCI特征構(gòu)建主要分兩步實(shí)現(xiàn)：首先利用閡值控制和局部非極大抑制雙準(zhǔn)則生成“超像素”區(qū)域；然后結(jié)合區(qū)域的面積和緊致性特征來(lái)描述地物的形狀特征。而EMSI特征則借助CFO算子黑帽變換的差分多尺度形態(tài)學(xué)序列進(jìn)行地物形狀特征的表達(dá)。通過(guò)7種空間特征提取方法(GLCM、PSI、SOI、DMPCBR、DMPOBR、EMBI、EMSI)的對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),SCI特征可獲得最高的分類(lèi)精度,EMSI特征的分類(lèi)精度略低于SCI,但高于其他的特征提取方法。3.針對(duì)高分辨率遙感影像分割問(wèn)題,研究并提出了一種融合邊緣信息的最小生成樹(shù)多尺度分割算法。該算法首先利用Canny算子對(duì)全色影像進(jìn)行邊緣信息提取,之后結(jié)合光譜信息和邊緣信息構(gòu)建基于圖論方法的距離度量函數(shù)獲取邊權(quán)值,并采用最小生成樹(shù)Kruskal算法得到彩色影像的初始對(duì)象,最后綜合對(duì)象內(nèi)的光譜、形狀和邊緣信息完成區(qū)域合并,生成分割結(jié)果圖。實(shí)驗(yàn)結(jié)果表明：本文算法在分割效果和效率上均優(yōu)于eCognition 8.0商用軟件。利用上述算法的分割結(jié)果得到的面向?qū)ο驡LCM、 PSI特征也優(yōu)于傳統(tǒng)的基于像素級(jí)的GLCM、PSI特征。4.為了實(shí)施高維光譜特征及空間特征的協(xié)同分類(lèi),研究并實(shí)現(xiàn)了利用直接矢量疊加(VS)對(duì)多尺度空間特征進(jìn)行融合的方法。實(shí)驗(yàn)結(jié)果表明：所提取的幾種空間特征(面向?qū)ο驡LCM、面向?qū)ο驪SI、SCI、DMPs、EMBI、EMSI)之間具有相互補(bǔ)充的關(guān)系,聯(lián)合全部或者部分空間特征往往可以取得比單一空間特征更好的分類(lèi)結(jié)果；直接矢量疊加能夠?qū)⒉煌磉_(dá)形式的空間特征有機(jī)融合,有利于大幅度提升遙感影像的分類(lèi)精度。5.在分析復(fù)雜情況下利用單核映射方式對(duì)所有樣本進(jìn)行處理具有不合理性的前提下,開(kāi)展了基于多核SVM的分類(lèi)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：在高分辨率遙感影像分類(lèi)中,多核SVM能夠取得優(yōu)于單核SVM的分類(lèi)效果。
【關(guān)鍵詞】：高分辨率遙感影像 面積緊致性指數(shù) 增強(qiáng)形態(tài)學(xué)陰影指數(shù) 最小生成樹(shù)Kruskal算法 并查集數(shù)據(jù)結(jié)構(gòu) 直接矢量疊加 多核支持向量機(jī)
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：P237
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-18
• 1.1 研究背景與意義10-11
• 1.2 國(guó)內(nèi)外發(fā)展現(xiàn)狀和存在的問(wèn)題11-16
• 1.2.1 空間特征提取技術(shù)研究現(xiàn)狀分析12-13
• 1.2.2 面向?qū)ο蠓诸?lèi)技術(shù)研究現(xiàn)狀分析13-15
• 1.2.3 多核支持向量機(jī)分類(lèi)技術(shù)研究現(xiàn)狀分析15-16
• 1.2.4 目前存在的問(wèn)題16
• 1.3 論文主要研究?jī)?nèi)容及章節(jié)安排16-18
• 第二章 影像分類(lèi)基本理論18-26
• 2.1 影像分類(lèi)基本流程18
• 2.2 分類(lèi)器18-23
• 2.2.1 數(shù)據(jù)線(xiàn)性可分的支持向量機(jī)20-21
• 2.2.2 數(shù)據(jù)非線(xiàn)性可分的支持向量機(jī)21-23
• 2.3 精度評(píng)價(jià)23-24
• 2.4 本章小結(jié)24-26
• 第三章 高分辨率遙感影像空間特征提取與分析26-50
• 3.1 空間特征提取方法26-33
• 3.1.1 灰度共生矩陣26-27
• 3.1.2 像元形狀指數(shù)27-28
• 3.1.3 增強(qiáng)形態(tài)學(xué)陰影指數(shù)28-30
• 3.1.4 面積緊致性指數(shù)30-33
• 3.2 空間特征測(cè)度圖33-39
• 3.2.1 GLCM特征圖34-35
• 3.2.2 PSI特征圖35-36
• 3.2.3 EMSI、EMBI及DMPs特征圖36-38
• 3.2.4 SCI特征圖38-39
• 3.3 實(shí)驗(yàn)與分析39-48
• 3.4 本章小結(jié)48-50
• 第四章 基于最小生成樹(shù)多尺度分割的面向?qū)ο蠓诸?lèi)技術(shù)50-69
• 4.1 KRUSKAL算法與并查集數(shù)據(jù)結(jié)構(gòu)50-53
• 4.1.1 Kruskal算法50-51
• 4.1.2 并查集數(shù)據(jù)結(jié)構(gòu)51-53
• 4.2 融合邊緣信息的最小生成樹(shù)多尺度分割算法53-57
• 4.3 多尺度特征融合57-58
• 4.4 實(shí)驗(yàn)與分析58-68
• 4.4.1 基于最小生成樹(shù)的多尺度分割算法實(shí)驗(yàn)58-62
• 4.4.2 多尺度特征融合實(shí)驗(yàn)62-68
• 4.5 本章小結(jié)68-69
• 第五章 基于多核SVM的分類(lèi)技術(shù)69-75
• 5.1 多核學(xué)習(xí)理論69-72
• 5.2 多核函數(shù)組合方式和核參數(shù)設(shè)置72
• 5.3 實(shí)驗(yàn)與分析72-74
• 5.4 本章小結(jié)74-75
• 第六章 總結(jié)與展望75-77
• 6.1 總結(jié)75-76
• 6.2 展望76-77
• 致謝77-78
• 參考文獻(xiàn)78-83
• 作者簡(jiǎn)歷83

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 林棟;秦志遠(yuǎn);楊婧瑋;張占睦;;高分辨率遙感影像多特征協(xié)同地物分類(lèi)方法[J];測(cè)繪科學(xué)技術(shù)學(xué)報(bào);2014年02期

2 胡榮明;黃小兵;黃遠(yuǎn)程;;增強(qiáng)形態(tài)學(xué)建筑物指數(shù)應(yīng)用于高分辨率遙感影像中建筑物提取[J];測(cè)繪學(xué)報(bào);2014年05期

3 秦昆;陳一祥;甘順子;馮霞;任文力;;高分辨率遙感影像空間結(jié)構(gòu)特征建模方法綜述[J];中國(guó)圖象圖形學(xué)報(bào);2013年09期

4 余潔;余峰;張晶;劉振宇;;結(jié)合區(qū)域生長(zhǎng)與道路基元的高分辨率遙感影像道路提取[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2013年07期

5 慎利;唐宏;王世東;張露;;結(jié)合空間像素模板和Adaboost算法的高分辨率遙感影像河流提取[J];測(cè)繪學(xué)報(bào);2013年03期

6 王珂;肖鵬峰;馮學(xué)智;吳桂平;李暉;;基于頻域?yàn)V波的高分辨率遙感圖像城市河道信息提取[J];遙感學(xué)報(bào);2013年02期

7 劉輝;謝天文;;基于PCA與HIS模型的高分辨率遙感影像陰影檢測(cè)研究[J];遙感技術(shù)與應(yīng)用;2013年01期

8 吳孔江;曾永年;靳文憑;何麗麗;李靜;;改進(jìn)利用蟻群規(guī)則挖掘算法進(jìn)行遙感影像分類(lèi)[J];測(cè)繪學(xué)報(bào);2013年01期

9 杜培軍;阿里木·賽買(mǎi)提;;高分辨率遙感影像分類(lèi)的多示例集成學(xué)習(xí)[J];遙感學(xué)報(bào);2013年01期

10 李剛;萬(wàn)幼川;;基于改進(jìn)的像素級(jí)和對(duì)象級(jí)的遙感影像合成分類(lèi)[J];測(cè)繪學(xué)報(bào);2012年06期

  本文關(guān)鍵詞：高分辨率遙感影像空間特征提取及面向?qū)ο蠓诸?lèi)技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：376343