基于遙感影像的地物要素智能識別與提取研究.pdf

1、傳統(tǒng)的遙感影像分類方法是以像元為處理單元的，在進行影像地物分類時考慮的主要是像元的灰度值等影像統(tǒng)計特征，由于傳統(tǒng)影像分類方法對影像信息利用不充分，因此分類結(jié)果存在分類精度較低、分類速度慢等缺陷。由于高分辨率遙感影像包含了豐富的空間信息和紋理信息，傳統(tǒng)的分類方法并不能滿足其分類要求。因此，本文采用綜合考慮了影像的光譜、形狀、大小、紋理、拓撲信息等特征的面向?qū)ο蟮倪b感影像分類法，它是以含有更多語義信息的對象作為處理單元，有效地克服傳統(tǒng)分類時

2、的“椒鹽現(xiàn)象”，并能夠取得較好的分類效果。面向?qū)ο蟮挠跋穹诸惖年P(guān)鍵技術(shù)是對影像數(shù)據(jù)的分割。本文采用天繪衛(wèi)星2m的全色影像與10m多光譜影像進行融合，形成具有高空間分辨率、色彩豐富、表達細致紋理的融合影像。采用改進的分水嶺分割算法實現(xiàn)對高分辨率遙感影像智能化處理，其主要是通過直接計算融合影像彩色向量空間梯度，并對梯度圖像采用形態(tài)學(xué)混合開、閉重建進行梯度修正，有效的去除了梯度圖中的噪聲點和細密紋理結(jié)構(gòu)，并移除影像中所有無意義的細密紋理產(chǎn)生的

3、過小區(qū)域的連通塊。為了解決梯度圖像中因存在過多的局部極小值和偽極值點而使分水嶺分割出現(xiàn)過分割現(xiàn)象，本文采用自適應(yīng)閾值選取對梯度圖像做局部擴展極小值標(biāo)記，以限制了極小值點數(shù)目，并采用強制最小運算在原彩色梯度圖像中強制標(biāo)記擴展極小值標(biāo)記的局部極值點位置，對梯度圖像做進一步的修正重構(gòu)，最后對梯度圖像做分水嶺分割，并尋找分割區(qū)域相似度將小區(qū)域合并到相鄰大區(qū)域中，有效抑制了V-S分水嶺過分割現(xiàn)象，提高了分割精度。
　　本文對水體、道路和居民

4、地進行了特征分析以及描述，其中由于水體在近紅外波段的反射率與其他地物的反射率差異較大，可以很容易將水體與其他地物區(qū)分開來，因此利用影像對象在近紅外波段的平均值來提取水體；由于材質(zhì)的影響道路在影像上都具有較高的亮度值，并且在影像上呈現(xiàn)條帶狀，長寬比特征可以將道路與建筑物進行區(qū)分，因此利用長寬比這一特征來提取道路；居民地是利用135°方向上的灰度共生矩陣來進行提取。在改進分水嶺分割的基礎(chǔ)上，對獲得的分割后影像根據(jù)不同的影像特征利用模糊理論來

5、提取目標(biāo)地物水體、道路和居民地。模糊理論提取地物的具體步驟包括：通過多次使用確定分類閾值以便將目標(biāo)地物與其他分開；根據(jù)目標(biāo)地物的影像特征值，選擇合適的隸屬函數(shù)；模糊化，即將影像對象中的每一個特征值帶入隸屬函數(shù)，計算出對象隸屬于某一類的隸屬度；反模糊化。根據(jù)反模糊化算法確定對象的歸宿，其中若對象歸于所有類的隸屬度小于設(shè)定的分類閾值，則被劃分為未分類。為了驗證面向?qū)ο蟮姆诸惙椒ㄏ啾葌鹘y(tǒng)的基于像元的方法對高分辨率影像分類具有更大的優(yōu)勢，本文對