遥感图像地物纹理特征的识别研究

论文摘要

随着航天遥感技术的发展及高分辨率遥感图像广泛应用,仅依赖图像光谱信息作为地物的特征有着很大局限性。纹理作为空间信息的反映已经成为标示地物的重要特征,纹理特征的提取方法以及如何利用提取出的特征进行地物识别一直是遥感图像处理领域的研究热点,有着重要意义。针对以往多数识别研究没有很好的将光谱信息和非光谱信息进行结合,文中首先按照地物的光谱信息将济南地区ETM图像中地物划分为两类。有植被覆盖的耕地、山区乔木林地、灌木林地光谱相近,可作为一类,无植被覆盖的住宅区建筑与裸土为一类,后续研究只围绕每一类光谱相近地物展开。灰度共生矩阵法是一种公认的能有效进行纹理特征分析的方法,常用到的统计量有对比度（CON）、相关（COR）、能量（ASM）、熵（ENT）、逆差矩（IDM）,可用这5个统计量构成纹理特征向量。文中用灰度共生矩阵法提取出TM1,TM2,TM3波段ETM图像的纹理特征,对于每一类光谱相近地物,从三个波段的所有统计量中抽取部分构造出灰度共生纹理特征向量。耕地、山区乔木林地、灌木林地可使用{ASMB3, ASMB2, CORB1, ASMB1, ENTB1, IDMB1},住宅区建筑与裸土可使用{CONB3, ASMB3, IDMB3, CONB2, ASMB2, ENTB2, IDMB2, CONB1, CORB1}。灰度共生矩阵法能够从像元的灰度相关性上对纹理特征进行描述,而分形维数反映了纹理的结构自相似特征。文中利用差分计盒维数法,计算出TM1,TM2,TM3波段ETM图像地物的维数（DIM）,并将该维数作为地物的纹理特征,进而与灰度共生纹理特征向量结合构成了灰度共生-差分维数联合特征向量。耕地、山区乔木林地、灌木林地可使用{ASMB3, ASMB2, CORB1, ASMB1, ENTB1, IDMB1,DIMB3, DIMB2, DIMB1},住宅区建筑与裸土可使用{CONB3, ASMB3, IDMB3, CONB2, ASMB2, ENTB2, IDMB2, CONB1, CORB1, DIMB3, DIMB2, DIMB1}。BP神经网络和朴素贝叶斯网络是模式识别中经常用到的方法。利用从济南地区ETM图像中提取出的灰度共生纹理特征向量和灰度共生-差分维数向量对BP神经网络和朴素贝叶斯网络进行训练,并用训练后的网络对其它地区遥感图像进行地物识别实验。通过实验验证文中所提出的构造灰度共生纹理特征向量方法的可行性,讨论灰度共生纹理特征向量和灰度共生-差分维数联合特征向量的优劣,比较BP神经网络与朴素贝叶斯网络识别方法的差异。实验结果表明文中所提出的构造灰度共生纹理特征向量的方法是可行的。利用灰度共生纹理特征向量和灰度共生-差分维数联合特征向量结合BP神经网络和朴素贝叶斯网络都能对地物进行有效识别,识别率在70%以上。应用灰度共生-差分维数联合特征向量的识别结果要优于灰度共生纹理特征向量。BP神经网络的平均识别精度比朴素贝叶斯网络识别精度高2%-5%,但模型的建立要耗费大量的时间。地物类别的稳定性是BP识别算法效率的瓶颈,导致其健壮性不如朴素贝叶斯网络。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.1.1 遥感数字图像的获取
• 1.1.2 遥感数字图像处理
• 1.1.3 遥感数字图像处理流程
• 1.1.4 遥感数字图像的应用
• 1.2 研究目的及意义
• 1.3 论文章节安排
• 第2章 遥感图像的纹理特征提取及自动识别
• 2.1 纹理研究现状概述
• 2.2 纹理特征提取方法
• 2.2.1 统计方法提取纹理特征
• 2.2.2 模型法提取图像纹理特征
• 2.3 基于灰度共生矩阵的纹理特征提取
• 2.3.1 灰度共生矩阵简介
• 2.3.2 灰度共生矩阵法提取图像纹理特征
• 2.4 基于分形模型的纹理特征提取
• 2.4.1 分形，维数与纹理
• 2.4.2 差分计盒维数法提取图像纹理特征
• 2.5 遥感图像自动识别
• 2.6 神经网络模型的地物识别分类
• 2.6.1 神经网络概述
• 2.6.2 神经网络的结构
• 2.6.3 BP 神经网络模型
• 2.6.4 BP 算法的改进
• 2.6.5 BP 神经网络在遥感图像识别中的应用
• 2.7 贝叶斯网络模型的识别分类
• 2.7.1 贝叶斯理论
• 2.7.2 贝叶斯决策
• 2.7.3 贝叶斯分类器
• 2.7.4 朴素贝叶斯分类器的识别过程
• 第3章 实验结果及其分析
• 3.1 基于灰度共生矩阵的纹理特征提取
• 3.1.1 灰度图像预处理
• 3.1.2 滑动窗口的选择
• 3.1.3 纹理特征向量的选择
• 3.2 基于差分盒维数的遥感图像纹理特征提取
• 3.3 基于BP 神经网络的遥感图像自动识别
• 3.3.1 实验样本设计
• 3.3.2 BP 神经网络分类器设计
• 3.3.3 自动识别实验结果
• 3.4 基于朴素贝叶斯网络的遥感图像自动识别
• 第4章 结论与讨论
• 4.1 论文内容与研究方法的改进
• 4.2 结论与讨论
• 参考文献
• 攻读硕士期间发表论文
• 致谢