• / 17
  • 下载费用:5 金币  

遥感图像的特征提取方法研究.doc

关 键 词:
遥感 图像 特征 提取 方法 研究
资源描述:
龙岩学院资源工程学院毕业论文题 目: 遥感图像的特征提取方法研究 资源工程学院 遥感图像的特征提取方法研究 【摘要】 随着科技的发展和遥感图像所包含的内容愈加丰富,对遥感图像目标的自动识别和分类应用也愈加广泛。图像识别分类的部分步骤如下:经图像处理来进行校正坐标、辐射等;数字图像增强达到提高清晰度、对比度等来突出目标信息;图像融合是影像包含的数据更有利于分析、特征提取来满足用户需要……其中特征提取的内容和方法显得非常重要,它直接决定了识别和分类的效率和准确性。如何为不同类别的遥感图像提取相对应的有良好表征好且受噪声小的特征参数,是应用研究的一个重要问题。【关键词】目标自动识别分类;图像处理;数字图像增强;图像融合;特征提取目录1、绪论 ............................................................................11.1 论文的研究背景及意义 .....................................................11.2 图像特征提取方法的研究现状 ...............................................11.3 常用的特征提取方法总结 ...................................................11.3.1光谱特征 ..................................................................11.3.2纹理特征 ..................................................................21.4 本文的研究内容 ...........................................................32.特征提取前的图像处理 .............................................................32.1图像融合技术 ................................................................32.2图像最佳波段组合 ............................................................53.遥感图像的特征提取方法 ...........................................................73.1主成分分析 ..................................................................73.2核主成分分析 ................................................................83.3两种方法特征提取效果对比 ...................................................103.4总结 .......................................................................124.结束语 ..........................................................................135.致谢词 ..........................................................................1311、绪论1.1论文的研究背景及意义遥感技术在新纪元开始迅猛发展,使可得的遥感数据源大大增加。高光谱、多时相和立体观测影像等丰富的遥感影像数据为信息的获取提供了可能性,但对数据挖掘带来了难题:数据交叉重叠,冗余度大,计算量大等等。遥感应用已经遍布各行各业,鉴于遥感图像特征提取方法还属于新兴课题,各种算法、方法带有一定的经验性,还不成熟。特征提取能够去除冗余的信息,还能提高目标物的识别精度、减少分类过程中的运算量等作用。对遥感图像特征提取方法进行研究,结合图像处理、变换、融合等手段,能够准确快速提取目标信息,满足用户需求。所谓图像的特征,通常是将遥感图像用数值、符号或图形来表示,反映着图像中基本的重要信息,把获取图像特征信息的过程称为特征提取。遥感信息特征提取方法手段各异,特征的提取并非越多越好,提取什么样的特征,到什么程度,这都要根据实际要解决的问题来决定,适当调整,节省人力物力。不同领域的图像都有自己独特的特征,并且结构也不一样,图像反映出来的目标受视觉影响,如区域亮度、边缘轮廓、纹理或色彩等各不一样,而有些则是需要通过变换或者测量才能得到所需要的特征。1.2图像特征提取方法的研究现状在上世纪七、八十年代,用软件来处理图像的技术发展才刚起步,遥感信息特征提取主要是依靠人工目视解译来完成 [1]。人工目视解译花费时间长,严重影响了信息利用效率。随着计算机技术的发展以及遥感软件的开发,遥感信息的提取也从人工逐步转向自动化。图像的特征提取非常实用,在国内外测绘界、模式识别与人工智能等多个领域都对图像特征这块领域做了深入研究,特别是在线状特征提取的研究上。例如美国的 Mckeown实验室、瑞士的 Amobe项目、德国的波恩大学、奥地利的格拉茨大学和法国地理学院等;还有我国的一些著名高校如武汉大学、国防科技大学、信息工程大学等在这方面都作了很多工作 [2]。图像特征提取的总体思想是: 将提取的特征抽象化 特征提取 提取图像的特征值 模式识别和特征参数 解译图像图像预处理 建立特征空间图 1-1 图像特征处理大概流程在理论上,特征提取从两大方面入手。一种方法是特征选择,指从原有的 m个特征空间中,按照一定的要求选出 n个特征;另一种方法是特征变换,指的是将原来的特征空间通过线性变换、非线性变换或者其他的某种数字变换生成一组新的特征空间的过程。1.3常用的特征提取方法总结1.3.1光谱特征一般遥感图像上的光谱特征是通过多光谱图像上的像元亮度表现出来,不同的物体在同一波段中的亮度表现不一致;不同的物体在不同波段图像上亮度呈现的规律也有差别,人们通过掌握物体的像元亮度,配合光谱特征曲线,以此来辨识目标。光谱特征表示地物的特性,与空间结构排列无关,在光谱特性曲线上体现出来,因此即使在像元亮度差别不大的时候也可以分辨出不同地物 [3]。2图 1-2 地物光谱特征曲线表 1-1 特征变换常用的变换方法类别 名称 特点主成分变换变换后的图像能够起到压缩数据的目的,并且能让原来多个有用信息集中到少数几个相互独立的波段中。线性变换缨帽变换通过缨帽变换后,主成分往往只代表了土壤的亮度、绿度、黄度指数,较好地分离了土壤和植被,可以达到消除干扰分离信息的目的。非线性变换 神经元网络分析法神经网络是一种根据模拟动物神经网络行为特征来处理信息的算法。具有良好的自适应图像分割和提取能力能够有效地提取非线性特征。空间-频率变换 傅里叶变换 将图像从空间域转换到频率域中 [4]。比值变换 能够区别土壤、植被、水之间的辐射,减少地形坡度和方向所带来的灰度变化。代数运算生物量指标变换光合速率、叶绿素含量、叶面积等都称为生物量指标。常用于农作物估产、生态环境监测等。其特点和比值变换类似。哈达玛变换利用哈达玛矩阵作为变换矩阵,哈达玛矩阵是一个对称的正交矩阵。其几何意义是将坐标轴旋转 45°其他IHS变换只能适用于三个波段的多光谱遥感图像。作用是将图像从 RGB三种颜色组成的彩色空间变换到 IHS作为定位参数的彩色空间 [5]。1.3.2纹理特征纹理是图像的重要特征之一。所谓纹理,图像在某些区域以色调变化或颜色变化表现出来的重复出现的图案。这种图案是重复影像中出现的某些区域的特征。纹理特征有个独特之处,就是表征比较稳定,不取决于物体表面色调或亮度。图像的同质化现象、灰度空间布局、表面独有的视觉特征及其周围环境都能从纹理特征中显像出来,并且综合考虑到宏观结构特点 [6]。基于纹理特征的统计分类方法是作为光谱特征统计分类方法的一个辅助手段。3表 2-3 纹理特征提取常用方法方法 特点灰度共生矩阵法同样的像元灰度在解译区域中重复出现形成纹理,因而在一定距离的两个像素存在一定的灰度关系。将这个关系通过统计方法进行确认,就能得到灰度共生矩阵,用于描述纹理。 Laws纹理能量法是通过算子计算纹理特征的方法。设置一个小窗口来测量以像元为中心的小区域的灰度,生成属性;另一个是宏窗口用于求属性的统计量,称为能量变换。空间自相关函数法自相关函数 ρ(x,y)随着自变量 x,y大小而变化,ρ(x,y)与图像中的纹理有密切关系,能反映纹理的粗细。遥感图像的解译,除了上述的特征之外,还需要利用地物的边缘特征、颜色特征、形状特征和空间关系特征等。 由于图像有很强的领域性,不同行业要求的信息不一致,尽管人们提出了很多算法,但现有的算法基本上还处于实验阶段,其准确性、实用性、通用性等方法离大规模应用要求还有很大差距 [7]。1.4本文的研究内容遥感图像包含着各种数据,建筑物、行道树、水文、地形和植被等各种线性与非线性特征,并且有着复杂的空间关系。本文的主要研究内容一是如何根据用户的需要,对遥感数据源进行有选择性的加工处理和特征提取,得到最能反映目标的本质特征;二是对比现有的一些特征提取方法的特点,指出存在的缺陷。2.特征提取前的图像处理2.1图像融合技术遥感技术的发展提供了多源遥感数据,为图像融合提供前提,可以从不同图像中得到更多信息,补充单一传感器的不足 [7]。图像融合是指将通过多源信息通道收集到的图像按一定的算法,将其信道的信息最大限度利用,综合成一种新的图像的过程 [8]。当今传感器开发技术很难提供既满足分辨率并且拥有丰富信息的图像,举个实际例子,spot 全色波段图像的空间分辨率相对较高,而光谱分辨率却很低,而 TM 多光谱图像包含着丰富的遥感信息,将二者进行融合,可以将两者各自的优点融合在一起,提高多光谱图像的分辨率,增强图像特征。图像融合一般可以分为三个级别,分别是基于像素的图像融合,基于特征的图像融合和基于决策的图像融合,每种融合又有多种融合方式 [9]。图像融合的算法很多,要根据融合目的、用户选择、数据源类型来选择适当的方法。下面主要介绍基于像素和基于特征的图像融合。像素级融合是在对图像在原始数据层上进行融合,强调的是图像信息在像元基础上的综合,对栅格数据进行相互几何配准,4让每个像元都意义对应,然后进行图像合并处理,提高图像中有用信息成分。特征级融合原理是提取图像特征,如边缘特征、地物特征,然后将融合后的特征与其他影像进行融合。基于特征的图像融合常用的方法一是对两个不同特征的图像做边缘加强,然后加权融合;二是对其中一个图像做边缘提取,然后融合到另一个图像上。 举例分析:(像素级)基于主成分变换的图像融合 [10]。在 Erdas软件中,操作如下:A. 在主菜单上选择 Image Interpreter▕Spatial Enhancement▕Resolution MergeB. 输入高分辨率图像 spots.img ,多光谱图像 dmtm.img ,定义输出文件名 reso-merge.img(做主分量变换)C. 选择主成分变换的融合方法D. 设置重采样方法为 Bilinear InterpolationE. 选择输出数据位 Stretch Unsigned 8 bit, 输出波段为 Select Layers 1:7 [11]。如下图所示图 2-1 高分辨率图像 图 2-2 多光谱图像5图 2-3 经过 PCA融合后的同时具有高光谱信息的分辨率融合图像将图 2-3分别与图 2-1和图 2-2进行简单比较,可以轻松地得出结论:融合后的图像辨别力增强了,特别是左上角中不同的植被能够辨别出来,还有公路旁的池塘等地物。从视觉上来讲,图像边界清晰,各种目标地物轮廓明显,有益于特征提取。总体来讲,图像融合数据的优点可以总结如下:数据来源可靠;增加测量维数,增加置信度;性能稳定,容错性好;扩展了空间、时间的覆盖等 [12]。2.2图像最佳波段组合遥感技术在特征提取上还存在经验性,目前还是以人工目视解译为主。提升人机交互式的人工智能解译技术是提升特征提取精确性的前提。在图像解译的工作中,图像合成波段的选择结果将直接影响到今后作为解译基础的遥感图像的质量和使用性 [13] 。选择影响的最佳波段进行组合,如将 TM 4、5、3 进行组合,合成后的图像清晰、反差适中、色调丰富、易于判别等视觉优势,从而达到提高目视解译精度的目的。对组合后的波段进行评价,是用最佳指数因子 OIF作为参数:图像数据的标准差代表着图像信息的丰富度,标准差越大,则信息量也就越多;波段间的相关系数则表示各个波段质之间的独立性,相关系数越小,表明各个波段之间包含的数据独立性越高,信息冗余度越小 [14]。OIF= 3131/ii RijS上述公式含义:第 i个波段的标准差用 Si来表示,R ij则代表波段 i和波段 j的相关系数。计算 n个波段的相关系数矩阵,分别求出所有可能三组合波段的值。根据得出的数据可选择出最佳波段组合方案。6表 2-1 Landsat-4、5 上 TM 各波段主要参数波段序号 波段范围/μm 波段名称 应用领域Band1 0.45~0.52 蓝色这个波段增强了对水体的穿透能力,同时可以支持土地利用、土壤和植被特征的分析。该波段的下界正好在清洁水体峰值透射率以下,波段上界是健康绿色植被在蓝光处的叶绿素吸收的界限,当波长<0.45时,收到大气散射和吸收的影响显著。Band2 0.52~0.60 绿色 这个波段跨越蓝光和红光这两个叶绿素吸收波段之间的区域。对健康植物的绿光反射有影响。Band3 0.63~0.69 红色由于该波段的大气衰减效应降低,因此这一波段与 Band1、Band2 相比,表现出更强的反差。虽说该波段能吸收叶绿素,可以区分植被,但是该波段的高端值 0.69um代表光谱区 0.68-0.75um的开始,而在这个光谱区,植被反射有交叉效应,这种效应会降低植被的调查精度。Band4 0.76~0.90 近红外这个波段的低端正好在 0.75um以上。该波段对生物量有很好的响应。它能将强农作物和土壤的对比度。Band5 1.55~1.75 短波红外这个波段对植物中水分的含量很敏感,这些信息在农作物干旱研究和植被生长状况调查中很有用。该波段是少数能区分云、雪和冰的波段之一。Band6 10.4~12.5 热红外这个波段能够测量物体表面发射的红外辐射,所以能够确定地热活动,可以为地质调查制作热惯量图。Band7 2.08~2.35 短波红外这个波段是用于探测高温辐射能,用于监测火山活动、区分地质岩层、鉴别岩石中的水热蚀变带和火山活动等。举例分析:选取以云南省一幅影像为例,这幅遥感影像摄于 92年 8月 16号,轨道号是 129/043该地区覆盖了昆明市和大部分周边地区,该影像中覆盖的水体区域多,更具有代表性。由水体在 0.4-0.8μm 之间反射较强,根据 TM图像的波段范围,可知只要选择 1,2,3,4波段进行三波段组合。经过ERDAS软件进行数据处理,结果如下:表 2-2 各个波段光谱特征统计表基本统计数据(Basic Stats)最小值(Min) 最大值(Max) 均值(Mean) 标准差(Stdev)Band1 0 254 54.269470 36.679079Band2 0 244 24.419345 16.884346Band3 0 254 27.177945 20.3213357Band4 0 254 60.560022 42.991457由第四波段的标准差最大,可知第四波段含有的信息量最丰富。表 2-3 各个波段的相关度统计表Orrelation Band1 Band2 Band3 Band4Band1 1.000000 0.989832 0.937850 0.926418Band2 0.989832 1.000000 0.969017 0.917736Band3 0.937850 0.969017 1.000000 0.839359Band4 0.926418 0.917736 0.839359 1.000000由上个表格所显示的数据可知道,波段 3与波段 4之间的相关值最小,可知二者包含的信息相互独立性最好。且波段 1、2、3 之间的相关系数都比较大,所以最有可能的波段组合是 134、234、124表 2-4 OIF计算结果统计表序号 组合方案 OIF值1 124 34.070345442 134 36.984959583 234 29.41813763由上面的表格可得到波段 134组合的 OIF计算机最大,代表着两两波段之间标准差最大,相关系数最小,所以 134波段组合是最优选择方案。如图所示:图 2-4 1、2、4 波段组合效果图 图 2-5 1、3、4 波段组合效果图 图 2-6 2、3、4 波段组合效果图
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:遥感图像的特征提取方法研究.doc
链接地址:http://www.gold-doc.com/p-256758.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