基于对象信息的遥感影像分类研究

论文摘要

与中、低分辨率的遥感影像相比,高分辨率遥感影像具有更加丰富的结构信息和纹理信息,利用传统的基于像元光谱信息的分类技术无法取得理想的效果,它产生的专题图中因含有大量椒盐噪声而失去完整性,并且不能够区分“异物同谱”和“同物异谱”现象。本文将面向对象的思想引入到高分辨率信息提取技术中,这种方法通过影像分割技术生成同质的影像对象,然后提取对象的特征信息,最后运用模糊分类器实现分类。针对传统分割技术容易引起过分割现象,本文阐述了一种融合光谱与空间信息的分割合并算法,在考虑区域间光谱差异的基础上,融入了空间信息,使得分割效果更加理想,其结果与eCognition专业软件分割结果相比较,精度可以相媲美,而且避免了后者需要大量重复实验选择合理尺度的繁琐人机交互。在提取对象信息时,本文不仅仅考虑了遥感影像传统的光谱信息,并且提取了对象的形状信息,纹理信息,以及空间位置信息,通过择优组合构成分类规则。实验证明加入了对象特征信息后,在解决“同谱异物”问题方面具有很好的效果。最后,利用SPOT-5 2.5米高分辨率遥感影像对北京通州区进行了分类实验。结果与传统基于像元的分类方法所得到的结果进行了定性与定量的比较,得出如下结论:基于对象信息的分类技术能够在很大程度上改善分类的精度,克服了传统分类方法固有的局限性——其结果专题图中含有大量“椒盐”噪声、不能区分“同物异谱”及“同谱异物”现象。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 研究意义
• 1.2 研究背景
• 1.2.1 高分辨率遥感发展现状
• 1.2.2 国内外研究现状与发展趋势
• 1.2.3 遥感影像分类的主要问题
• 1.3 研究内容和文章组织结构
• 1.3.1 研究内容
• 1.3.2 论文结构
• 第二章 面向对象遥感影像分类
• 2.1 面向对象的优越性
• 2.2 面向对象影像分析中的基本概念与方法
• 2.2.1 分割
• 2.2.2 尺度
• 2.2.3 多尺度影像分割技术
• 2.2.3.1 影像图层权重的选取
• 2.2.3.2 均质性标准的选取
• 2.2.3.3 分割尺度的选取
• 2.2.4 构建多尺度影像分割等级网络
• 2.2.5 模糊分类
• 2.2.5.1 模糊数学基础
• 2.2.5.2 模糊集和隶属函数
• 2.2.5.3 常用的模糊隶属函数
• 2.2.5.4 模糊分类原理
• 2.3 分类精度评价
• 2.3.1 精度评价方法概述
• 2.3.2 混淆矩阵与Kappa 系数
• 2.3.3 精度评价
• 2.4 面向对象遥感图像分类步骤
• 本章小结
• 第三章 融合光谱和空间信息的图像分割合并算法
• 3.1 面向对象存在的问题
• 3.2 融合光谱和空间信息的图像分割合并算法
• 3.2.1 基于区域的分割方法
• 3.2.2 eCognition 区域生长准则
• 3.2.3 本文融合光谱信息和空间信息的合并准则
• 3.2.4 本文停止合并准则
• 3.3 本文算法流程
• 3.4 分割效果比较实验
• 3.4.1 eCognition 分割效果
• 3.4.2 本文算法实验
• 本章小结
• 第四章 基于对象信息的特征提取
• 4.1 对象的特征信息
• 4.1.1 类相关特征
• 4.1.2 对象特征
• 4.1.2.1 图层值特征
• 4.1.2.2 形状特征
• 4.1.2.3 纹理特征
• 4.1.2.4 层次特征
• 4.1.2.5 专题属性
• 4.1.3 多特征的维数问题
• 4.2 图像空间关系与语义关系
• 4.2.1 空间结构和空间关系
• 4.2.2 图像语义关系
• 4.3 利用本文提取的对象信息区分“同谱异物”实验
• 4.3.1 “同谱异物”现象
• 4.3.2 提取对象信息
• 4.3.3 基于对象形状特性来区分
• 本章小结
• 第五章 运用对象的信息对遥感影像进行分类实验
• 5.1 研究数据描述
• 5.1.1 研究区概况
• 5.1.2 影像数据源介绍
• 5.1.3 研究数据源
• 5.2 图像分割
• 5.2.1 对象尺度的确定
• 5.2.2 图像分割
• 5.3 提取对象信息
• 5.4 根据对象信息建立规则
• 5.5 结果与精度评价
• 5.5.1 实验结果
• 5.5.2 精度评价
• 5.5.3 与传统分类相比较
• 本章小结
• 第六章 结论与展望
• 6.1 工作总结与创新点
• 6.2 存在问题与研究展望
• 致谢
• 参考文献
• 图索引
• 表索引
• 在学期间研究成果