高分辨率遥感图像多类目标识别研究

论文摘要

本文所研究的针对高分辨率遥感图像的多类目标检测识别任务,有别于传统的对每类目标建立具体模型的识别方法,其目的是通过提取感兴趣区域,在大尺度图像范围内同时对多类目标进行检测识别,在保证较高识别率的同时显著提高效率。针对高分辨率遥感图像中的五类人工建筑物目标(机场,港口,桥梁,公路枢纽,铁路枢纽),本文使用几何特征提取感兴趣区域与特征向量,参考图像纹理分类信息,采用树形识别结构在多分辨率进行检测识别。其关键点在于:产生有效的特征向量描述各类目标,提取感兴趣区域以剔除大量无关背景,以及设计合理的分类器对潜在的目标进行识别。本文的主要研究内容如下:首先,基于人工建筑物目标常表现出较多的线特征,采用线段特征作为初级特征。改进了相位编组线段检测算法,参考Canny算子提取的边缘信息辅助提取线段特征。通过实验表明,该改进算法具有效率高,抗噪能力强,能有效提取关键线段特征的优点。同时,结合结构匹配方法和特征袋(Bag of Features)思想产生特征向量。对提取出来的初级线段考虑形状,几何关系和空间关系,将原始线段组合成几何基元并计算相应属性,由此得到特征向量。然后,根据人工建筑物目标常表现出密集线段的特性,提出了一种检测遥感图像中人工建筑物的感兴趣区域提取方法,通过计算线段密度分布图来获得感兴趣区域。通过实验表明,该方法能够在复杂场景中很好的将人工建筑物区域提取出来,排除了大量背景区域的干扰。最后,讨论了SVM分类器的参数选择问题,并描述了一种高分辨率遥感图像多类目标检测识别方法。通过实验表明,针对五类感兴趣目标,该检测识别方法具有较高识别正确率与效率。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 发展现状
• 1.3 遥感图像目标检测识别
• 1.4 课题来源和研究目的
• 1.5 论文的研究内容和结构
• 2 特征提取
• 2.1 遥感图像特征提取
• 2.2 线段检测算法
• 2.3 线段检测改进算法
• 2.4 提取特征向量
• 2.5 本章小结
• 3 感兴趣区域提取
• 3.1 感兴趣区域提取算法综述
• 3.2 基于特征密度分布的感兴趣区域提取算法
• 3.3 实验结果及分析
• 3.4 本章小结
• 4 多类目标检测识别
• 4.1 遥感图像样本集
• 4.2 分类器学习
• 4.3 多类目标检测识别流程
• 4.4 实验结果及分析
• 4.5 本章小结
• 5 总结与展望
• 5.1 本文工作总结
• 5.2 进一步工作
• 致谢
• 参考文献
• 附录