面向高空间分辨率遥感影像的建筑物目标识别方法研究

论文摘要

上世纪九十年代以来,高空间分辨率对地观测技术进入了飞速发展阶段,所获得的遥感数据除空间分辨率大大增强外,数据量也成几何倍数增加,开始广泛应用于测绘、农业、林业、城市规划、国土资源管理、地质矿产勘察、军事等各个领域。然而,与日益发达的对地观测技术相对应的影像处理和信息提取技术进展相对缓慢,特别是在目标地物信息表现丰富多样、能反映精细的地物空间结构和分布信息、在城市规划领域极具价值的高空间分辨率遥感影像的处理方面,目前仍没有一套精确高效的地物识别方法。人工目视解译仍然是最普遍使用的判读方法,费时费力,准确率难以保证,严重制约了高空间分辨率遥感影像的大规模应用,并且造成了影像数据的极大浪费。基于此,本文总结了目前国内外常用的遥感目标识别方法和高空间分辨率遥感影像中建筑物目标识别方法,认为面向对象的遥感目标识别方式以其最接近人工判读习惯的识别模式,有着较强的应用前景。然而目前面向对象的识别方式发展还不完善,提取精度还不理想,对人工参与的要求仍然较高,大规模影像处理尚难实现。针对目前面向对象遥感识别方法中存在的问题,本文以SINCE2008为实验平台,采用QuickBird遥感数据,进行了一系列的实验,提出了耦合GA与SVM的目标识别方法并进行了精度验证。本文所作的工作如下:(1)在SINCE2008平台中,对覆盖武汉城区的QuickBird遥感影像数据采用多种影像融合和影像增强的方法进行预处理,并利用分割结果选取最佳预处理方法。(2)选取两组实验数据,使用均值漂移的分割方法,通过实验选择最优分割尺度和分割参数。(3)总结建筑物在高空间分辨率遥感影像中所表现出的光谱、纹理、形状、拓扑等特征,并针对这些特征为建筑物识别制定类方案。(4)总结了目前建筑物识别中常用的特征优化和分类方法,改进了传统的遗传算法,提出了耦合GA与SVM的基元目标识别方法,进行了实验验证并与传统的特征优化和分类方法的识别结果做了对比,证明该方法能够获得较高的识别精度。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 图表目录
• 第1章. 引言
• 1.1 选题的背景和意义
• 1.2 研究目的和研究内容
• 1.2.1 研究目的
• 1.2.2 研究内容
• 1.3 研究框架和论文结构安排
• 第2章. 国内外相关研究综述
• 2.1 高空间分辨率遥感影像及其特点
• 2.1.1 遥感影像空间分辨率演进
• 2.1.2 高空间分辨率遥感影像的特点
• 2.1.3 QuickBird遥感影像简介
• 2.2 常用遥感目标识别方法
• 2.2.1 目视解译的遥感目标识别
• 2.2.2 基于像元的遥感目标识别
• 2.2.3 面向对象的遥感目标识别
• 2.3 高空间分辨率遥感影像的建筑物目标识别
• 2.3.1 面向几何元素的建筑物识别
• 2.3.2 面向对象的建筑物提取方法
• 第3章. 目标识别中的影像预处理
• 3.1 影像融合
• 3.1.1 IHS彩色空间变换融合法
• 3.1.2 主成分变换融合法
• 3.1.3 Brovey变换融合法
• 3.2 影像增强
• 3.2.1 直方图均衡化
• 3.2.2 灰度拉伸
• 3.3 影像分割
• 3.3.1 面向对象的多尺度分割
• 3.3.2 MeanShift分割方法
• 3.4 实验——选择最优影像预处理方式和分割尺度
• 3.4.1 实验数据
• 3.4.2 预处理方式选择
• 3.4.3 最佳分割尺度选择
• 第4章. 建筑物目标识别
• 4.1 建筑物特征分析与提取
• 4.1.1 建筑物的基本特征
• 4.1.2 建筑物特征提取
• 4.2 建筑物基元特征优选
• 4.2.1 根据经验优化特征
• 4.2.2 主成分分析法
• 4.2.3 遗传算法
• 4.2.4 改进的遗传算法
• 4.3 目标墓元识别方法
• 4.3.1 最小距离分类器
• 4.3.2 模糊数学分类法
• 4.3.3 支持向量机分类器
• 4.4 耦合GA与SVM的目标识别
• 4.4.1 特征降维阶段
• 4.4.2 适应度计算阶段
• 4.4.3 遗传结果识别阶段
• 4.5 建筑物基元合并
• 4.5.1 基元合并概述
• 4.5.2 相邻对象合并的算法流程
• 4.5.3 全图的建筑物基元合并
• 第5章. 建筑物目标识别实验验证
• 5.1 实验总体设计
• 5.1.1 实验方法
• 5.1.2 实验数据及分析
• 5.1.3 实验参数说明
• 5.1.4 类方案与样本设计
• 5.2 实验结果与分析
• 5.2.1 实验一
• 5.2.2 实验二
• 5.3 讨论与结论
• 第6章. 结论与展望
• 6.1 结论
• 6.2 问题讨论与展望
• 参考文献
• 附录 1 SINCE2008平台介绍
• 附录 2 两次实验中二十次特征优化结果列表
• 个人简历
• 在读期间参与的项目
• 在读期间发表的学术论文