图像处理分析课程论文-面向对象的高分辨率遥感影像分类研究参考.doc

面向对象的高分辨率遥感影像分类研究 摘要 遥感影像分类是全球地面覆盖识别的有力手段之一。随着高分辨率遥感影像的发展，基于像元的分类方法不再适用，面向对象的分类方法得到发展。本文对面向对象的遥感影像分类做了以下研究，首先对遥感影像进行5-300的多尺度分割，基于对象层平均同质性进行最优分割尺度的选择，将同质性变化率的峰值作为最优分割尺度；其次，通过Fisher算法选取了分类特征，分别计算出对象光谱特征、纹理特征、结构特征和指数特征的Fisher分数并进行排序，选择Fisher分数较高的特征组成特征子集参与后续分类；再次，利用改进决策树分类结合监督分类的方法对分割对象进行分类，并与传统决策树分类和改进决策树分类结果进行比较，分类精度明显提高。 关键词：多尺度分割 特征选择 面向对象影像分类 绪论 1.1 研究目的与意义 传统的像素级的分类方法适用于中低分辨率遥感影像，即分辨率为10m到100m的遥感影像。而近几十年来，随着随着航空航天技术的发展，高分辨率乃至超高分辨率影像被越来越广泛地商业化与民用化。与传统的空间分辨率为十米级与百米级的中低分辨率遥感影像(如:MODIS影像)相比,高分辨率遥感影像包含更丰富的地物空间信息,地物的形状、几何结构、纹理信息及地物间的拓扑关系更为明显。然而,随着空间分辨率的提高,影像数据量大幅增加,地物对象由多个相邻像元组成,单一像元的光谱特性无法反映其所在地物的光谱特性，像素级的分类已不适用于高分辨率遥感影像的分类，而面向对象的分类逐渐成为研究的热点。 1.2 研究内容、方法及技术路线 1.21 研究内容 本文的主题为面向对象的高分辨率遥感影像分类，论文主要内容是用遥感影像对武汉地区2012年土地利用情况进行分析，分别检测出植被、水体以及建筑物等三类土地覆盖区域。 主要研究内容可从以下三个层次展开： 1）遥感影像多尺度分割。不同的地类对不同的分割尺度敏感程度各不相同。因此，如何针对每一种地类决策出其最佳的分割尺度是影像分割中的重点与难点。 2）对分割对象进行分类。参与分类的主要特征包括光谱特征和几何特征，光谱特征包括对象个波段灰度平均值、方差、亮度均值、NDVI、NDWI、Ratio_NIR等，空间几何特征包括长宽比、面积、圆度、纹理、边缘、矩等，如何从这些特征中选择出最有利于提高分类精度的特征向量是分类过程中亟待解决的问题。同时，找出一种能自动计算各个分类特征阈值的方法也是分类过程中的研究难点。 1.22 研究方法与技术路线 1）数据预处理 本文的实验数据分别为武汉地区2012年8月获取的worldview卫星影像（0.5m全色/2m多光谱遥感影像），已经过影像配准与辐射校正。 2）多尺度影像分割 通过目视判读和多尺度分割算法，估算出最适用于影像分割的最佳尺度，并在eCognition软件中对影像做多尺度分割获取图斑，将图斑作为基本处理单元。 3）影像分类 通过特征选择算法，挑选出最能提高分类精度的分类特征，计算出分类阈值，采用决策树与监督分类或非监督分类两种方法分别对2012年和2013年的影像进行分类，并进行精度评定。 本文的技术路线如图1.1所示： 图1.1 基本处理流程图 高分辨率遥感影像分割 随着高分辨率遥感影像的发展，基于像素级的遥感影像分类已不适用，面向对象的遥感影像分类发展起来。遥感影像分割是面向对象遥感影像分析方法的基础和关键，是遥感图像处理到图像分析过程的一个关键步骤。 2.1 影像分割概念 影像分割是一种把图像分成互不重叠的区域并提取感兴趣目标的技术。从广义上来讲，是根据影像的某些特征或者特征集合（包括光谱、结构、纹理等）的相似性准则对图像像素进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。常用的分割方法有基于阈值的分割、基于边缘的分割和基于区域的分割。基于阈值的分割方法实现简单、计算量小、性能较稳定，适用于目标和背景占据不同灰度级范围的影像，但阈值的选取很大程度上影响影像分割的效果。基于边缘的分割方法利用了图像局部特性不连续（或突变）的特性，如灰度、颜色、纹理的突变等，但在三维现实到二维空间的转变中易丢失信息。以上两种方法皆不适用于面向对象的影像分割。基于区域的分割方法主要利用区域内像素特征的相似性来分割图像，抗噪能力强，得到区域形状紧凑，无需事先声明类别数目，易扩展到多波段，适用于复杂场景，但时空开销较大，难以确定种子点和区域同质性指标。 针对高分辨率遥感影像的特点，面向对象的遥感影像分类中更适合采用区域分裂与合并结合的分割方法。然而遥感影像中不同地物的尺寸差异较大，水体、植被一般为尺寸较大、易于识别的物体，建筑物则较为分散、面积较小，因而只使用单一尺度进行影像分割并不适用，多尺度遥感影像分割应运而生。 2.2 多尺度分割 多尺度分割是指在