当前位置:首页>> >>


面向对象的高分辨率遥感影像分类.rar

收藏

资源目录
    文档预览:
    编号:20180915222317450    类型:共享资源    大小:4.30MB    格式:RAR    上传时间:2018-09-15
    尺寸:148x200像素    分辨率:72dpi   颜色:RGB    工具:   
    20
    金币
    关 键 词:
    面向 对象 高分辨率 遥感 影像 分类
    资源描述:
    山东科技大学本科毕业设计(论文)I摘要随着高分辨率影像的应用越来越普及,迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨率影像信息不断增长的应用和研究需要。然而,传统面向像元的分类方法在对高分辨率遥感影像进行分类时,存在着不能充分利用影像信息、分类精度降低、速度慢等局限性,根据高分辨率遥感影像的特点、本文提出面向对象的高分辨率遥感影像分类方法研究。本文以反射光学系统成像光谱仪(ROSIS-03)光学传感器的机载数据为例,选取意大利帕维亚市作为实验区,以eCognition软件为平台,对实验区进行面向对象的分类实验。首先,根据不同地物类型的特点,选取地物提取的最优分割尺度对实验区进行分割;其次,构建地物类型提取的分类体系,提取地物类型的特征或特征组合;再次,采用模糊分类法对地物类型进行分类,获得实验区的地物分类结果;最后,将实验区面向对象遥感影像分类方法的分类结果与传统面向像元监督分类方法的分类结果进行对比评价。结果表明,采用面向对象遥感影像分类方法对高分辨率遥感影像进行信息提取时,提取的地物与真实地物具有较高的形状和属性一致性,分类的精度更高,有效地避免了“椒盐现象”,分类结果也更易于理解和解释。关键词:高分辨率影像;面向对象;分类;精度评定;分割参数山东科技大学本科毕业设计(论文)IIAbstractWith the increasing popularity of high-resolution images,it is urgent to studyhigh-resolution remote sensing information extraction to meet the growingapplication and research needs of high-resolution image information. However,in the classification of high-resolution remote sensing images,there are somelimitations that cannot make full use of image information,classificationaccuracy and slow speed.According to the characteristics of high-resolutionremote sensing images,this paper proposes object-oriented Research on HighResolutionRemoteSensingImageClassificationMethod.In this paper,the airborne data of the ROSIS-03 optical sensor is taken as anexample,and the city of Pavia,Italy, is selected as the experimental area.Theobject-oriented classification experiment is carried out with eCognitionsoftware as the platform.Firstly,according to the characteristics of differenttypesofobjects,theoptimaldivisionscale ofthefeatureextractionisselectedtosegment the experimental area,the classification system of the extraction of thefeature type isconstructed,the feature orfeature combinationofthefeature typeis extracted.Type of classification,the results of the classification of theexperimental area.Finally,the classification results of the object-oriented remotesensing image classification method are compared with the traditionalclassification results of the classification method.The results show that theobject-oriented remote sensing image classification method useshigh-resolution remote sensing image for information extraction,the extractedfeatures and the real features have high shape and attribute consistency,theclassification of the higher accuracy,effectively avoid the“salt-and-pepper山东科技大学本科毕业设计(论文)IIIclassification noise“,theclassificationresultsarealsoeasiertounderstandandexplain.K ey words: Hyperspectral images; Object-oriented; Classification; PrecisionAssessment; SegmentationParameters.山东科技大学本科毕业设计(论文)IV目录1绪论................................................................................................................11.1研究的目的和意义................................................................................11.2国内外研究现状....................................................................................21.2.1影像分割算法的研究现状和趋势......................................................21.2.2遥感影像分类方法的研究现状和趋势...............................................31.3研究内容与技术路线............................................................................61.3.1研究内容..........................................................................................61.3.2技术路线..........................................................................................72研究区数据介绍及软件介绍.................................................................82.1研究区数据简介.....................................................................................82.2软件平台简介.........................................................................................83面向对象遥感影像分类方法...............................................................103.1影像分割...............................................................................................103.1.1影像分割方法概述..........................................................................103.1.2面向对象的区域合并算法................................................................113.1.3多尺度分割.....................................................................................133.2分类体系...............................................................................................163.3模糊分类...............................................................................................184面向对象的影像分类实例.....................................................................204.1分割.......................................................................................................204.2影像分类...............................................................................................234.3结果分析与评价...................................................................................265结论与讨论.................................................................................................295.1结论.......................................................................................................295.2讨论.......................................................................................................30参考文献.........................................................................................................32致谢...................................................................................................................34附录...................................................................................................................35山东科技大学本科毕业设计(论文)11绪论1.1研究的目的和意义高分辨率遥感影像的分辨率通常在10m以内,相对于中低分辨率影像,高分辨率遥感影像能反应出更多的地表空间信息,如地物结构和纹理信息。但受当前数据传输、记录和处理等条件的限制,高分辨率遥感影像在保持高空间分辨率的情况下,只能牺牲部分光谱分辨率。而对于遥感影像进行计算机分类传统算法设计的主要依据是地物光谱数据,统计模式是以像素作为识别的基本单元,依靠不同光谱数据组合在统计上的差别来进行的。传统的基于像元的分类方法由于未能充分利用遥感影像提供的大小、形状、纹理、相邻像素间关系等形状和空间位置特征,因此在对高分辨率遥感影像以及光谱识别性不强烈的传统中分辨率遥感影像进行分类时,目标识别的应用效果不佳。针对高分辨遥感数据的特点,一些学者提出了面向对象的信息提取方法[1]。面向对象的分类方法首先对遥感影像进行分割,得到同质对象,再根据遥感分类或目标地物提取的具体要求,检测和提取目标地物的多种特征(如光谱、形状、纹理、阴影、空间位置、相关布局等),利用模糊分类方法以达到对遥感影像进行分类和目标地物提取的目的。面向对象方法使得影像分类的结果更合理,也更适合于高分辨率遥感影像的分类。面向对象的高分辨率遥感影像分类,相对于传统分类技术具有很高的优越性,是目前城市遥感图像分担主要手段,是今后高分辨率遥感影像分类的发展方向。山东科技大学本科毕业设计(论文)21.2国内外研究现状1.2.1影像分割算法的研究现状和趋势图像分割算法分为三大类:基于阈值的分割算法、边缘检测分割算法和区域分割算法。基于阈值分割的方法是最早出现的图像分割方法之一,其计算简单,具有较高的运算效率,在图像分割中被广泛采用。一般阈值分割法采用灰度值为特征,通过阈值分离影像中的前景和背景,它利用图像的空间信息较少,仅靠灰度值作为分割的依据,难以得到准确的分割结果,容易受到噪声的干扰。基于边缘检测的分割方法认为,不同区域边界处的灰度值会不连续,因此一般通过寻找图像中局部区域灰度值突变的地方来确定边缘。这种突变可以通过对图像求导来检测到,一阶导数的峰值点和二阶导数的过零点均对应边缘位置。微分算子通常对噪声十分敏感,因此,一般要对图像先进行滤波再检测边界,然而噪声的抑制和边缘的检测精度是一对矛盾体,在滤除噪声的同时会降低边缘定位的精度。基于区域的分割方法以区域为基本单位,通过一些特征对这些区域进行增长或分裂合并。其中,区域增长方法首先选择一些种子点,然后以它们为起点将周围与其特征相近的点逐步合并增长实现分割。区域分裂合并方法是首先从整个图像开始不断地分裂得到各个区域,再将相邻的具有相似性的区域合并以获得分割结果。基于区域的分割方法考虑了像素间的相似性和相邻关系,具有较好的抗噪性[2]。在经典的分割算法的基础上,为了增强分割算法的实用性,许多研究探索了新的分割技术和方法。例如:基于模糊数学的分割方法、基于数学山东科技大学本科毕业设计(论文)3形态学的方法,基于神经网络或遗传算法的方法,马尔可夫随机场模型法,多尺度法,基于小波变换的方法等。以上国内外对面向对象方法的研究和应用充分表明了面向对象方法在处理高分辨率影像时有独特的优势。现有的研究在高分辨率遥感影像的分割、尺度选择以及分类方面进行了大量研究,并取得了丰硕的成果。目前研究的热点集中在一下四个方面:1)不同地物提取时分割尺度的确定问题;2)对象分割算法的改进研究;3)对象分类特征选择问题;4)高分遥感影像对图像分割算法的精度和速度要求。尽管人们在影像分割方面做了许多研究工作,目前尚无通用的分割理论,提出的分割算法都是针对具体问题的,并没有一种适合于所有影像的通用分割算法。根据具体情况采取有效的方法,在许多特殊应用中根据待分割影像的特点,结合己知的先验知识,研究符合具体影像特性的分割模型,是提高影像分割效果的重要手段[3]。1.2.2遥感影像分类方法的研究现状和趋势目前,很多研究者改进传统的分类方法(非监督分类法和监督分类法),对高分辨率影像进行分类。非监督分类包括ISODATA算法、k均值、模糊k均值等,这几张方法实现比较简单,但在分类之前要确定分类的类别多少以及聚类的中心,而直到现在还没有一种行之有效的方法自动设置各种中心,靠目视判读很难确定分类的数目。监督分类法如基于最小错误概率的Bayes分类器、极大似然法、最小距离等,其理论依据是经验风险最小化原则,由于无法直接获得期望风险的真值,因此,用选取的样本的均值等信息,也即经验风险代替期望风险。这种方法需要选取的样本数量足山东科技大学本科毕业设计(论文)4够大,才能达到足够的精度。其局限性在于,只能对大样本有很好的分类精度,而对数量较小的测试样本,其信息提取结果相对较差。决策树分类、模糊分类、神经网络、支持向量机(SVM)等分类方法是近年来发展的新方法,这几种方法能显著提高分类精度,但各自都有一定的局限性,对常规决策树与分层算法,选择不同的地物分类顺序通常会产生不同的分类结果,因此需要预先确定合适的分类顺序;模糊分类法中模糊样本的选择十分困难;神经网络法存在训练速度慢、易陷入局部极小点、过学习等缺点;SVM方法能很好的解决小样本、非线性及高维模式识别问题,具有较好的收敛性,分类结果精度较高,但其分类结果的精度对核函数的选择依赖较大。上述方法都是基于像元的分类,仍然只是利用了遥感影像的光谱信息,而没有充分考虑高分辨率遥感影像的纹理、结构等信息,因此尽管分类精度有一定程度的提高,但不能解决传统分类方法固有的缺陷。因此,有些研究者将影像分割技术带到影像分类中,基于对象进行分类,产生了一种面向对象的分类方法[4]。面向对象的分类首先要对影像进行多尺度影像分割,得到具有内部同质性的影像对象(图斑),然后统计这些影像对象的各种特征,如选择样本影像特征,包括亮度,均方差,均值,比率,与邻居对象的边界比、均方差、平均差值等;类别纹理特征,包括光谱纹理特征(与子对象的均方差、平均差值、均值等)和形状纹理特征(与子对象的面积、密度、不对称性、主方向等);类别几何特征,包括基本形状特征(面积、长度、宽度、边界长度、主方向、不对称性)、位置特征、多边形形状特征、相对于邻居对象特征、相对于父亲对象特征等。针对上述特征,提取对分类影响较大的主要特征,建立分类标准,对影像进行分类。面向对象的分类方法的优势在于:山东科技大学本科毕业设计(论文)51)以同质“对象”作为分析单元,可以减少像元间光谱异质性,充分利用影像的纹理、结构等信息;2)首先进行影像分割得到同质对象,然后面向对象进行分类,可以提高分类运算速度;3)能够克服传统象素级分类方法的“椒盐现象”;4)促成多源数据的融合,引导GIS和RS的整合。在国外,许多学者对面向对象分类方法进行了相关研究。例如,Sande(2001)根据不同地物在位置与光谱上的差异性以及对象间的关系,以IKONOS为数据源,评估了研究区洪水对道路、建筑物等地物的灾害影响。Batuer&Steinnocher(2001)运用面向对象的计算机自动分类技术对奥地利维也纳市进行航空影像的土地利用分类,结果表明该方法速度快、精度高,是高分辨率影像自动分类的理想选择。Winhauck等分别利用面向对象分类方法与传统的目视解译方法识别SPOT数据与航空影像的森林类别,完成森林火灾的制图任务。Omua等在面向对象分类时利用小波变换提取影像的多尺度纹理,并和光谱特征融合,从QuickBrid城市影像中提取树木。在国内,面向对象影像分类研究在我国起步较迟,近年来受到了广大学者们的重视。孙志英等(2007)采用SPOT-5影像以南京市去为例采用面向对象分类方法研究市区地表的不透水度,结果稳定可靠。林谭以黑龙江省拜泉县为研究区多尺度影像分割和模糊分类相结合实现面向对象分类,与基于像元的分类方法比较,总精度从66.83%提高到88.00%,Kappa系数从0.6128提高到0.8598。申真在eCogition软件中通过面向对象分析,通过特征组合和道路的多尺度提取,得到精确的道路网面。魏德强研究了对象分割算法对面向对象分类精度的影响,分别运用多尺度影像分割和区域分割两种方法对建筑物进行提取,并分析了提取结果的精度[5-6]。山东科技大学本科毕业设计(论文)61.3研究内容与技术路线1.3.1研究内容在进行分类之前,首先对遥感影像进行分割,获取影像对象,以对象为基本单元进行下一步处理,摆脱了传统分类方法基于像元的限制。在得到影像对象后,以这些对象的光谱、形状、纹理等特征为基础,在影像分割层上用对影像进行分类。本文所研究的内容有:1)高分辨率遥感影像分割方法本文主要研究了多尺度分割方法,通过合并相邻的像素或小的分割对象,在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下,基于区域合并技术实现影像分割。2)高分辨率遥感影像的对象级分类根据建立的分类体系和选定的对象特征,选取典型对象样本完成样本训练,采用最邻近分类实现面向对象的影像分类。3)分类实验以高分辨率影像为数据源应用上述方法,进行了分割分类实验,并应用混淆矩阵和Kappa系数两种指标对分类结果进行评价。
    展开阅读全文
    1
      金牌文库所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论,赶快抢占沙发吧。

    关于本文
    本文标题:面向对象的高分辨率遥感影像分类.rar
    链接地址:http://www.gold-doc.com/p-185666.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们
    copyright@ 2014-2018 金牌文库网站版权所有
    经营许可证编号:浙ICP备15046084号-3
    收起
    展开