基于模式识别特征地物图像分割实验研究.ppt

基于模式识别的特征地物图像分割实验研究 ——以房屋信息提取为例 目录 研究背景 图像分割研究进展 高分辨率遥感图像中房屋分割提取策略 提取房屋的图像分割实验 结论与创新点 1.研究背景 二十世纪九十年代以来，高分辨率传感器技术有了长足的发展 目前高分辨率遥感图像处理方法在处理精度和处理速度上无法达到统一 要从图像中识别提取出目标物体，提取有用的信息和数据，通常采用图像分割的方法将目标与背景区别开来。本文首先对图像分割领域的研究进展进行分析，并在此基础上结合高分辨率遥感图像的特点，试图提出针对具体问题的房屋提取分割策略，并以实验遥感图像中的房屋为目标，寻求最佳的参数组合，并检验其精度。 2.图像分割研究进展 回顾：相关刊物及文献统计 基本图像分割方法 阈值型图像分割方法 边缘检测型图像分割法 区域跟踪型图像分割法 基本图像分割算法评价 结合特定理论工具的分割技术 图像分割的发展方向和趋势 回顾：相关刊物及文献统计 回顾：相关刊物及文献统计 回顾：相关刊物及文献统计 基本图像分割方法 基本图像分割算法评价 结合特定理论工具的分割技术 小波变换 模糊理论 神经网络 图像分割的发展方向和趋势 分割算法的针对性增强 关于图像分割指导思想的理论有待建立 对图像内容尺度层次的研究 纹理图像分割的扩展 各种图像分割方法的综合运用 3.高分辨率遥感图像中房屋分割提取策略 基本图像分割算法的选择 传统的统计模式识别 模式识别 特征空间 模式识别系统设计 房屋分割提取策略 基本图像分割算法的选择 高分辨率遥感图像中内容复杂多样，房屋目标在图像中所占面积比例相对较小，存在林地、耕地、水体、道路等其他地物干扰，存在分辨率的提高带来的“噪声”（如烟囱、车辆行人、阴影等）导致有用边缘信息不明显。 使用边缘检测分割方法将产生大量难以处理的细碎边缘；而区域跟踪方法更难以确定初始种子的位置和数量，带来巨大的计算量和不确定的结果。而对于阈值分割，只要解决好特征向量选取，特征空间构造等问题，便具有较大的优越性，便于后续采用模式识别的方法识别房屋。 本文就是从阈值分割和模式识别结合的观点出发来建立高分辨率遥感图像中房屋分割提取算法。 传统的统计模式识别 传统的统计模式识别 传统的统计模式识别 房屋分割提取策略 阈值分割将房屋与其他地物初步区分； 构造房屋模板，对步骤一生成图像进行模板匹配，去除其他噪声斑块； 精度评价 4.提取房屋的图像分割实验 背景介绍 选取特征组成约束条件 方法和参数 实验流程 实验结果的精度评价 相关讨论及后续工作的设想 背景介绍 为了改进地震灾情评估的手段，更好地为灾后恢复重建和生产提供科学依据，民政部救灾救济司以2003 年2 月24 日发生在新疆自治区的伽师－巴楚地震为例，与北京师范大学环境演变与自然灾害教育部重点实验室和中国科学院遥感卫星地面站合作，以高分辨率QuickBird 遥感数据为数据源，研究遥感数据评估地震损失的可行性和效果，为今后借助高科技手段评估灾害损失、指导灾后重建工作开展实验研究。 背景介绍 房屋倒塌和损坏是地震灾情主要方面之一。这次地震的灾区面积大，涉及民房众多，且房屋倒塌情况复杂，给及时准确地获取房屋倒塌情况带来了很大困难。鉴于目前对于高分辨率遥感图像的处理手段还不成熟，应用在生产实践中还不多见，尤其是应用到灾情评估方面。因此在QuickBird 遥感图像处理中，选择使用了人工判读的方法进行处理。人工判读速度慢，无法在短时间内处理大量遥感图像数据，不能充分发挥卫星遥感图像获取，而且精度虽然较高，但是不能得到保证。因此，开发一套算法迅速准确地识别遥感图像中的房屋具有相当重要的意义。 背景介绍 背景介绍 背景介绍 选取特征组成约束条件 光谱特征 房屋形状、尺度特征 其他参考特征 算法基本思路 光谱特征 在特定的遥感图像上，每一类地物都有其特定的光谱。某些地物反照率不均匀，光谱特征不明显（虽然可能纹理特征明显）；某些地物的反照率相对均匀，例如水面、屋顶、道路等表面均质的地物，在灰度图像上表现为其灰度值集中在一个比较小的区间。这个区间是独特的（否则与其他地物没有区别），可以作为识别该地物的依据之一。事实上，人的肉眼进行判读的时候，在相当程度上也依赖于不同地物之间的灰度差别。这也是传统的监督分类所采用的办法。 房屋形状、尺度特征 房屋属于人工地物，通常具有规则的形状。最为常见的形状是长方形。这一点非常有利于模板匹配。另外，房屋的尺度范围有限，长宽比例在一定的范围之内，表现在高分辨率遥感图像上，房屋所占像素的个数、长宽范围都可以由图像分辨率大致估计。高分辨率遥感图像中混合像元的减少使得该估计得准确率得以提高，足以精确到实际应用。 其他参考特征 阴影：凡是背光（由图像的太阳高度角参数得出）存在高差的地方都可能