高分辨率影像面向对象分类特征选择方法分析-地图制图学与地理信息工程专业论文.docxVIP

I I 目 录 目 录 1 绪论1 1.1 课题背景及研究意义 1 1.2 国内外研究现状 2 1.2.1 面向对象分类的特征选择研究现状 2 1.2.2 特征选择方法研究现状 3 1.3 项目来源与经费支持 5 1.4 研究内容及技术路线 5 1.4.1 研究内容 5 1.4.2 技术路线 6 1.5 论文的体系结构 7 2 面向对象的遥感影像分类技术9 2.1 影像分割 10 2.2 特征空间的构建 12 2.2.1 光谱特征 14 2.2.2 纹理特征 14 2.2.3 形状特征 15 2.2.4 拓扑特征 15 2.2.5 自定义特征 15 2.2.6 上下文特征 15 2.3 特征选择 15 2.3.1 特征选择的定义 16 2.3.2 特征选择的分类 16 2.3.3 特征选择的基本流程 20 2.3.4 面向对象分类的特征选择 21 2.4 面向对象分类 21 2.4.1 最邻近分类 21 2.4.2 隶属度函数的模糊分类 23 2.5 精度评价 25 2.6 本章小结 26 HYPERLINK \l _TOC_250007 3 基于 Relief 算法和 J-M 距离的面向对象特征选择算法研究 29 目 录 HYPERLINK \l _TOC_250006 Relief 系列算法与 J-M 距离 29 HYPERLINK \l _TOC_250005 Relief 系列算法 29 HYPERLINK \l _TOC_250004 J-M 距离 33 HYPERLINK \l _TOC_250003 改进的 Relief 算法 33 HYPERLINK \l _TOC_250002 3.3 基于改进 Relief 算法和 J-M 距离的特征选择算法 37 HYPERLINK \l _TOC_250001 3.3.1 基于改进 Relief 算法和 J-M 距离特征选择的原理 37 HYPERLINK \l _TOC_250000 3.3.2 基于改进 Relief 算法和 J-M 距离特征选择的实现步骤 38 II II 3.3.3 面向对象特征选择算法阈值的设置 39 3.4 实验及结果分析 39 3.4.1 实验数据 39 3.4.2 实验流程 40 3.4.3 实验步骤 42 3.4.4 实验结果 44 3.4.5 结果分析 49 3.5 本章小结 51 4 面向对象分类的特征选择算法实现 53 4.1 需求分析 53 4.2 功能模块设计 53 4.3 算法实现 54 4.4 本章小结 57 5 结论与展望 59 5.1 研究结论 59 5.2 研究展望 60 致 谢 61 参考文献 63 附 录 69 PAGE PAGE 1 1 绪论 1 绪论 1.1 课题背景及研究意义 近些年，随着航空航天技术的飞速发展，遥感影像数据正朝着高光谱分辨率、高空 间分辨率、高时间分辨率等方向发展[1]。就空间分辨率而言， IKONOS、WorldView、 SPOT、QuickBird等卫星影像的全色影像空间分辨率已经突破了米级，航空影像的空间 分辨率也已经达到0.1米。高空间分辨率遥感影像是指地面分辨率高于5米的图像[2]。本 文中所涉及的高分辨率影像均是指高空间分辨率的卫星遥感影像。 与中低分辨率影像相比，在高分辨率影像上，除了具有丰富的光谱特征外，地物的 结构、形状和纹理等空间细节特征更丰富[3]，随着空间分辨率的提高，使地面上相同面 积对应在影像上的像元数目也随之增加，因此基于传统像元分类的效率被限制。另外， 传统基于像元的分类方法，主要依据像元反映的光谱特征统计值进行分类[4]，分类过程 中很大程度地忽略了区域的纹理、结构、形状、以及与邻近像元的关系等特征，会导致 分类精度降低[5]。而且，高分辨率影像的像元之间存在较强的异质性，传统基于像元分 类方法的结果图中，更容易出现“椒盐噪声”，影响分类精度，后期需要投入大量的人 力和时间进行后处理，代价过大。尽管，有学者将模糊集和神经网络等技术应用于传统 基于像元的分类方法中，实验结果也证明了这样可以在一定程度上可以提高分类的精度 [6] [7]。尽管如此，影像中的纹理、形状和上下文等特征在分类过程中的应用仍受到很大 的限制[8]，这些特征对于地物的分类和提取来说往往又比较重要。 为了更充分地利用高分辨率影像上所反映的丰富特征，提高地物提取的精度和速 度，国内外有学者将影像分割形成影像对象的思想引入遥感影像分类中，提出了面向对 象的分类技术[9][10][11]。与传统分类方法比，在面向对象的分类过程中，影像对