本文關(guān)鍵詞：基于Mean Shift無人機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)(無人機遙感)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程中最為重要的一項技術(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別提供可靠的分割區(qū)域。(1)由于無人機的重量輕對天氣狀況的依賴性大,受到天氣變化飛機姿態(tài)不穩(wěn)定及相機本身畸變的影響,因此需要對獲取的原始影像進行預(yù)處理。本文利用國際上著名的INPHO軟件對無人機獲取的原始影像進行畸變差校正、空中三角測量、生成正射影像等處理,為后續(xù)的遙感影像的分割提供準確的正射遙感圖像實驗數(shù)據(jù)。(2)本文引入Mean Shift算法于無人機高分辨率遙感影像分割,針對傳統(tǒng)Mean Shift分割算法存在效率低和邊界模糊等問題,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。實驗結(jié)果表明：通過目視判讀比較得出,本文改進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)域相似度準則和最小對象面積參數(shù)準則進行分割后的區(qū)域合并,以此來解決改進Mean Shift分割算法產(chǎn)生的過分割現(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軟件進行比較,以此驗證本文改進的分割方法的分割效果。實驗結(jié)果表明：通過目視判讀比較得出,在改進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。對于紋理特征比較突出的地塊和道路,改進的Mean Shift算法分割則能更準確的分割,從分割精度的角度可以得出,本文改進的Mean Shift算法分割的效果在很多方面已達到eCognition軟件分割的效果。
【關(guān)鍵詞】：無人機遙感 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)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-16
• 1.1 國內(nèi)外研究現(xiàn)狀10-11
• 1.1.1 遙感圖像分割的國內(nèi)外研究現(xiàn)狀10
• 1.1.2 Mean Shift算法用于遙感圖像的國內(nèi)外研究現(xiàn)狀10-11
• 1.2 研究目的與研究內(nèi)容11-14
• 1.2.1 研究目的與意義11
• 1.2.2 研究材料與運行平臺11-13
• 1.2.3 主要研究內(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 無人機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無人機影像處理流程與結(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現(xiàn)24-26
• 3.3 本章小結(jié)26-27
• 第四章 改進的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 無人機高分辨率遙感影像的LBP特征圖的實現(xiàn)33-34
• 4.3 加入LBP特征的改進Mean Shift分割算法34-35
• 4.4 基于LBP的改進Mean Shift高分辨率遙感影像分割實現(xiàn)35-40
• 4.5 對比分析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)域合并的實現(xiàn)43-47
• 第六章 結(jié)果對比分析47-55
• 6.1 評價方法47-48
• 6.2 傳統(tǒng)的Mean Shift和改進的Mean Shift算法分割結(jié)果對比分析48-50
• 6.3 改進的Mean Shift算法和EDISON軟件對比分析50-52
• 6.4 改進的Mean Shift算法和eCognition軟件對比分析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57-60
• 致謝60

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 趙曉靜;陳兆學(xué);王志禎;;基于Mean Shift方法的肝臟CT圖像的自動分割[J];中國醫(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)自動檢測[J];微型電腦應(yīng)用;2010年10期

3 張鳳軍;趙嶺;安國成;王宏安;戴國忠;;一種尺度自適應(yīng)的Mean Shift跟蹤算法[J];計算機研究與發(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];國外電子測量技術(shù);2013年04期

5 連潔;韓傳久;;基于Mean Shift的紅外目標自動跟蹤方法[J];微計算機信息;2008年04期

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

7 郭曉藝;姜明新;;基于Mean Shift的運動目標的頭腳點檢測[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目標跟蹤核函數(shù)寬度的自適應(yīng)調(diào)整[J];計算機工程與應(yīng)用;2010年17期

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

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 王立琦;燕小強;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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 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 袁開宇;基于mean shift的目標跟蹤及軌跡聚類[D];南昌航空大學(xué);2015年

3 李勇;基于Mean Shift無人機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跟蹤中的應(yīng)用[D];山東大學(xué);2013年

5 師揚;Mean Shift結(jié)合拓撲約束法進行高密度細胞追蹤[D];哈爾濱工程大學(xué);2011年

6 張寶明;基于DSP目標跟蹤Mean Shift算法的研究與實現(xiàn)[D];長春理工大學(xué);2013年

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

8 楊輝;基于Mean Shift算法的運動目標檢測與跟蹤[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無人機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：277333