遙感影像面狀地物半自動提取方法的研究.pdf

1、近年來，隨著空間技術(shù)和信息技術(shù)的飛速發(fā)展，高分辨率遙感衛(wèi)星已可以為人類提供高清晰、大容量的遙感衛(wèi)星影像。根據(jù)高分辨率的遙感圖像細節(jié)信息豐富、地物幾何結(jié)構(gòu)明顯的特點，從遙感影像中獲取目標信息已成為空間信息更新的重要手段，并且已廣泛的應用于國民經(jīng)濟生產(chǎn)和軍事目標偵察等領(lǐng)域。本文從目標地物提取和目前生產(chǎn)作業(yè)的實際出發(fā)，以不規(guī)則面狀地物的半自動提取與精確定位為研究內(nèi)容，重點解決了遙感影像中一些典型面狀地物（如大面積的建筑物、水域、植被等）高精度

2、地半自動目標分割與邊界精確定位的問題，其關(guān)鍵點是機器學習、圖像分割、目標模式提取等一系列相關(guān)技術(shù)。 本文提出了一種新的半自動提取面狀地物的方法，它能夠用隨意給定的前景和背景曲線準確地提取出感興趣的區(qū)域。算法首先提取前景和背景曲線上的像素作為分類樣本，并使用SVM得到最初的分類效果。并在此基礎(chǔ)上，綜合利用分類對象的光譜特征和形狀特征信息，進行區(qū)域合并。最后，采用一種自動停止區(qū)域合并的準則確定最終合并結(jié)果。 支持向量機（Su

3、pport Vector Machine，SVM）作為一種最新的也是最有效的統(tǒng)計學習方法，近年來成為模式識別與機器學習領(lǐng)域一個新的研究熱點。遙感圖像分析與處理是SVM應用一個熱門的研究方向[1]。支持向量機基于研究小樣本情況下機器學習規(guī)律，以結(jié)構(gòu)風險最小化為準則，對實際應用中有限訓練樣本的問題，表現(xiàn)出很多優(yōu)于已有學習方法的性能。在遙感圖像的分類研究中，應用SVM分類的優(yōu)點是數(shù)據(jù)無需降維，并且在算法的分類精度和速度方面都有較好的性能。本文

4、研究了支持向量機在高光譜遙感圖像的局部分類中的應用。實驗表明，在一般情況下用SVM實現(xiàn)的初步分類效果已經(jīng)能夠基本將前景和背景區(qū)域區(qū)分出來，精度高，分類速度快。 圖像分割形成的區(qū)域是圖像對象的形狀表述，分割的好壞將直接影響到對圖像分析、識別和解譯等的精度。本文提出了一種基于區(qū)域合并的分割方法，此方法綜合利用遙感圖像的光譜特征和形狀特征信息來描述區(qū)域?qū)ο蟮奶匦?，并在此基礎(chǔ)上給出兩個相鄰區(qū)域的合并代價，通過對合并代價進行限制。在由SV

5、M進行初步圖像處理后，對圖像中的區(qū)域進行進一步合并，提高圖像提取的精度。為提高遙感圖像分割的效率，使用分塊策略對區(qū)域鄰接圖進行劃分。實驗證明，這種方法精度較高，同時效率有了較大的提高。 上海交通大學遙感科學實驗室依托上海市科委重點項目“基于影像內(nèi)容的自動搜索和特定目標的變化檢測與更新技術(shù)研究”（NO.055115018），設(shè)計實現(xiàn)了面向?qū)ο蟮倪b感圖像處理平臺ELU。本文結(jié)合該項目而進行，對不規(guī)則目標地物提取、圖像分割、機器學習等