1006大設(shè)計(jì)翻譯版

我，本及其研究工作是由在導(dǎo)師指導(dǎo)下獨(dú)立完成的，在完成時(shí)所利用的一切資料均已考文獻(xiàn)中列出。時(shí)間：20146LandCoverClassificationbasedonHighResolutionRemoteSensingImagesAuthor:ZHANGQinchuanTutor:WANGYunhongLandcoverclassificationisoneoftheimportantapplicationsofremotesensingtech-nology.Inthestudyofremotesensingtechnology,informationextraction,changedetectionandtheestablishmentoftheremotesensingdatabaseareallinseparablefromclassification.Forhighresolutionremotesensingimageclassification,thispaperadoptstheobject-orientedclassificationmethod.Thewholeprocesscanbedividedintothreephases:imagesegmenta-tion,multi-featureclassificationandscaleeffectresearch.Basedonthethreeparts,thispaperputsforwardamultiscaleclassificationmethodpoolingspectrumandtexturefeature.Themainworkisasfollows:Inthestageofimagesegmentation,thispapercombinesthewatershedalgorithmandregionmerging.Withpreliminarysegmentationfirst,wethendeterminetheheterogeneousdegreeofadjacentareaandmergesimilarareatogetthefinalsegmentationresult.Atthesametime,usingthethresholdofheterogeneousdegreeinregionmergingcsorealizethemultiscalesegmentationtoacertainextent.Inthestageofmulti-featureclassification,thispaperpoolsspectralfeaturesandtex-turefeatures.Afterthepooling,weuseSupportVectorMachine(SVM)toclassify.Comparedwithotherclassificationalgorithm,SVMissimpleinparametersettingandcanobtaintheglobaloptimalresults.AnditshowsmanyuniqueadvantagesinpatternrecognitionofsmallInthestageofscaleeffectresearch,thispaperyzestheinfluenceofdifferentscales.Weobtainedclassificationresultsofdifferentscalesbysettingdifferentregionalhet-erogeneitydegree.Andoptimalsegmentationscalesareyzedaccordingtodifferentlandcover.Finally,thispaperproposesamulti-scaleclassificationmethod.TheexperimentalresultsachievedonQuickbirdmulti-spectralimagesprovedthatthealgorithmiseffective.：Imagesegmentation,Multi-featureclassification,Scale緒 課題研究背景和意 國(guó)內(nèi)外研究現(xiàn) 課題研究方 構(gòu)成及研究?jī)?nèi) 分割算法的設(shè) 高分遙感圖像分割的意義與難 常見(jiàn)圖像分割算 區(qū)域生長(zhǎng)算 Vincent分水嶺算 基于分水嶺和區(qū)域合并的多尺度分割算 本章小 多特征分 特征提 光譜特征提 形狀特征提 紋理特征提 分類器選 SVM分類 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分 實(shí)驗(yàn)準(zhǔn) 關(guān)鍵步驟設(shè) 分類結(jié) 分類精度評(píng) 本章小 尺度效應(yīng)對(duì)分類的影 尺度效應(yīng)概 尺度效應(yīng)對(duì)分類精度的影 不同分辨率對(duì)分類結(jié)果的影 不同分割尺度對(duì)分類結(jié)果的影 本章小 結(jié) 致 參考文 緒課題研究背景和意義種有力技術(shù)[1]。近年來(lái)，遙感圖像分辨率的提高再加上計(jì)算機(jī)技術(shù)的迅猛發(fā)展，遙國(guó)內(nèi)外研究現(xiàn)狀在也有人據(jù)此提出建筑物指數(shù)用于區(qū)分遙感圖像中的建筑用地與地。在實(shí)際應(yīng)用中，課題研究方法(SupportVectorMachine，SVM)。SVM與其他的分類算法相比，SVM在解決小樣本模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，這也是本文選擇它的重要原因構(gòu)成及研究?jī)?nèi)容 以及本文使用的改進(jìn)后的分水嶺算法等，闡述了它們的原理過(guò)程。SVM；最后進(jìn)行了分類實(shí)驗(yàn) 分割算法的設(shè)高分遙感圖像分割的意義與難點(diǎn)常見(jiàn)圖像分割算法MeanShift算MeanShift這個(gè)概念最早是Fukunaga1975年在一篇關(guān)于概率密度梯度函數(shù)的估計(jì)[9]MeanShift理論的發(fā)移動(dòng)，直到滿足一定的條件結(jié)束，如圖2.1所示：2.1：MeanShift具體來(lái)說(shuō)，給定d????中的n個(gè)樣本點(diǎn)????，i=1·n。在x點(diǎn)的???(??)=1∑??∈??(????? ???(??)≡*??:(?????)??(?????)≤ MeanShift向量就是對(duì)落入?yún)^(qū)域???中的k個(gè)樣本點(diǎn)相對(duì)于點(diǎn)x的漂移向量h的設(shè)置，h越大圖像細(xì)2.2是MeanShift分割迭代示意圖，可以發(fā)現(xiàn)隨著迭代次數(shù)增加，圖像細(xì)節(jié)減少，的區(qū)區(qū)域生長(zhǎng)算法先給定圖像中要分割的目標(biāo)物體內(nèi)的一個(gè)小塊或者說(shuō)區(qū)域(seedpoint)，再在區(qū)遍歷數(shù)字圖像。找到首個(gè)還沒(méi)有分區(qū)的像素，假設(shè)該像素為(x??與(x??y??)合并；同時(shí)將(x,y)從堆棧中取出像素作為(x??y??)(a)分割前圖 (b)1次迭代后圖(c)5次迭代后圖像 圖2.2MeanShift分割示意圖Vincent分水嶺算法法是由L.Vincent[10]浸沒(méi)模型。分水嶺的概念和形成可以通過(guò)模擬浸入過(guò)程來(lái)說(shuō)2.3所示。第一步：對(duì)每一個(gè)局部極小值在h階高度采用先進(jìn)先出(FIFO)結(jié)構(gòu)進(jìn)行判斷及標(biāo)注。初初始合度級(jí)為h的灰度層排k+1的所有像元，并將那些至少有一個(gè)已經(jīng)被標(biāo)注的鄰域像元的像元讀入隊(duì)列中。對(duì)隊(duì)列中的每一個(gè)像元，其四鄰域：若四鄰域像元中具有k+1但未被標(biāo)號(hào)的像元構(gòu)成新的集水盆，并給其Vincent分水嶺算法實(shí)現(xiàn)了圖像的初步分割，但是由于梯度噪聲、量化誤差及物體細(xì)密紋理的影響，經(jīng)分水嶺變換后容易導(dǎo)致嚴(yán)重的過(guò)分割現(xiàn)象[11]。如2.4256*256Vincent7763塊。這 (a)分割前圖像 (b)分割后圖像圖2.4分水嶺算法分割前后對(duì)照?qǐng)D基于分水嶺和區(qū)域合并的多尺度分割算法一種是圖像后處理，即通過(guò)一定準(zhǔn)則進(jìn)行相鄰區(qū)域合并。本文采用了后者，在Vincent是否2.5Vincent分水嶺算法產(chǎn)生嚴(yán)重過(guò)分割現(xiàn)象的原因之一就在于，圖像中的梯度噪聲會(huì)后，再進(jìn)行Vincent分水嶺算法分割得到5047塊區(qū)域，見(jiàn)圖2.6。圖2.6濾波后分水嶺變換結(jié)評(píng)估，這里我僅考慮了光譜異質(zhì)度，并未采用eCognition的光譜加形狀異質(zhì)度評(píng)估。因?yàn)榻?jīng)實(shí)驗(yàn)發(fā)現(xiàn)形狀異質(zhì)度對(duì)分割效果的貢獻(xiàn)很?。?quán)重小于02），并且不適合所有的地區(qū)，四周其他區(qū)域的。這樣即可得到記錄所有區(qū)域鄰域信息的矩陣。如圖2.7所示為面積閾值1/500，即極小區(qū)域的面積小于等于圖像面積的1/500時(shí)圖2.7第4章2.8分割圖像具備相應(yīng)的優(yōu)勢(shì)：圖2.8(a)是閾值為20時(shí)的分割結(jié)果，這里細(xì)節(jié)信息最多但是.8(b)在分割大型建筑物和更勢(shì)是擴(kuò)到100圖2.8()部分細(xì)丟失，將一建筑物與空地分割一起；到圖2.8()到200，雖然細(xì)節(jié)丟失，但是部分建筑物反而被很好地分割出來(lái)（相較于閾值100。所以針對(duì)不同的數(shù)據(jù)，需要選擇適合（相對(duì)于具體目標(biāo)并不是線性變化的，具(a)閾值20的分割結(jié) (b)閾值50的分割結(jié)(c)閾值100的分割結(jié)果 (d)閾值200的分割結(jié)果圖2.8不同尺度下的分割圖像本章小結(jié)MeanShift算法、區(qū)域生長(zhǎng)算法和分水量檢查時(shí)，僅憑目視即可發(fā)現(xiàn)改進(jìn)后算法在分割效果上明顯優(yōu)于Vincent算法，而且不需要MeanShift算法那樣經(jīng)過(guò)多次迭代得到結(jié)果。通過(guò)對(duì)異質(zhì)度閾值的設(shè)置，本章還圖像分割將處理對(duì)象由像素轉(zhuǎn)換為多邊形區(qū)域，比起單個(gè)像素來(lái)，包含了能用多特征分特征提取光譜特征提取????=1∑?? 3.1中，????i波段光譜值，n為像元數(shù)目，????i的均

L=1∑???? 3.2中，????代表圖像的波段數(shù)，Lα=1∑????(????? 形狀特征提取本文的形狀特征參考了文獻(xiàn)[12]，并從中選取了常用的兩種特征進(jìn)行實(shí)驗(yàn)S=[ 3.4中，S是每個(gè)對(duì)象邊界點(diǎn)坐標(biāo)形成的協(xié)方差矩陣，XY分別是對(duì)象邊界像素(xy)坐標(biāo)組成的向量。??????(??)、??????(??)XY的方差，Cov(XY)XYγ=l=

3.5中，lm分別為對(duì)象的長(zhǎng)與寬，eig1、eig2S的特征值，其中eig1>eig2。γ即為所求的長(zhǎng)寬比。ε=3.6中，C為對(duì)象周長(zhǎng)，A

紋理特征提取本文采用灰度共生矩陣，即Haralick[13]GL ayLevelCo-occurrence個(gè)像素依據(jù)向量C可以得到一個(gè)像素對(duì)，即一個(gè)灰度值對(duì)，如下式所示：Vk=(vk1,vk2)=Vc(pk,?x,?y, 其中????=(????)Pc(i,j)=∑M×N(Vk==(i,j))(i,j=0… 向量C可以使用極坐標(biāo)向量表示：C=(p,θ)。為保證紋理特征的旋轉(zhuǎn)不變，使用了在灰度共生矩陣的基礎(chǔ)上，Haralick給出了14種紋理特征測(cè)度，其中本文采用表∑????,??,+(?)∑????,??,?)∑??,?熵∑????,(?ln????,??,??,=∑??,∑??,分類器選擇極大似然分類法，又稱(Bayes)分類，是常用監(jiān)督分類方法之一。在兩類或多到與其最鄰近的訓(xùn)練樣本集合中的K個(gè)近鄰樣本，隨后這K個(gè)樣本所屬類別的分布情況，最后取含有這K個(gè)樣本中最多樣本的類別，認(rèn)為是測(cè)試樣本所屬類別。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworksANNs14]1982Hopfield提出了一種引SVM分類支持向量機(jī)(SupportVectorMachineSVM)CortesVapnik1995年首先提出，并在《統(tǒng)計(jì)學(xué)習(xí)理論》上進(jìn)一步分析[15]。與其他的分類算法相比，SVM算法具有參數(shù) 3.23.2所示，實(shí)心點(diǎn)與空心點(diǎn)分別代表兩類樣本。H，H1，H2k個(gè)訓(xùn)練樣本數(shù)據(jù)，用{????,????}(i=1,2,…,k)表示。其中????n維向量用b表示分類面距離原點(diǎn)的偏移量。如果滿足如下兩式，則認(rèn)為訓(xùn)練模式是線性可分的。???????+b≥y=???????+b≤y=-

???????+b= Sigmoid函數(shù)。實(shí)際中，采用不同的核函數(shù)和不同的參數(shù)將會(huì)得到不同的分類結(jié)果。這SVM的這些優(yōu)點(diǎn)，針對(duì)于高分辨率遙感圖像中學(xué)習(xí)樣本較少的問(wèn)題，建立了基于多尺度下光譜與紋理特征的SVM地物分類算法。實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析實(shí)驗(yàn)準(zhǔn)備數(shù)據(jù)中包含四個(gè)波段，藍(lán)（B、綠（G、紅（R）和近紅外（NIR）波段，其波長(zhǎng)分別為450-520nm、520-600nm、630-690nm760-900nm。圖像空間分辨率為2.4m，大小為2768*2325像素。選取這一數(shù)據(jù)的原因在于該地區(qū)處于城郊，森林區(qū)域與非森林區(qū)域?qū)嶒?yàn)所用樣本數(shù)據(jù)為多分辨率Quickbird圖像中手工截取的規(guī)格化，每種50vs2010、opencv2.4.8、gdal1.9.2。實(shí)驗(yàn)的目的是驗(yàn)證多特3.3關(guān)鍵步驟設(shè)計(jì)(一圖像分voidWatershed(int**Image)//{}voidMergeRgs()//區(qū)域合{while(該區(qū)為極小區(qū)){}MergeNearest();//合并異質(zhì)度小于閾值的相似區(qū)}}(二特征提{intdis;//for(i=0;i<LocalImageHeight;i++)for(j=0;j<LocalImageWidth;NewImage[i][j]=LocalImage[i][j]/for(i=0;i++){for(j=0;j<LocalImageWidth-dis;PMatrixH[NewImage[i][j]][NewImage[i][j+dis]]+=1;PMatrixH[NewImage[i][j+dis]][NewImage[i][j]]+=}}/*90度、45度、135度同上}連得到新的特征向量(γφ)。RBF，通常在沒(méi)有先驗(yàn)知識(shí)的情況下，RBF核函數(shù)是最好的選擇。voidsvm()//{遍歷樣本，計(jì)算特征向量寫入樣本矩陣；}分類結(jié)果(a)(b)分類精度評(píng)估?M=?????M=????其中，????表示分類中應(yīng)屬于i類卻被分到j(luò)類中的像素總和，n為類別數(shù)。矩包括生產(chǎn)精度、用戶精度、總體精度和Kappa系數(shù)。P???? ∑∑

U???? ∑∑

OA

??=1

為分類誤差的衡量不足，因此有人提出了Kappa系數(shù)作為分類精度的一個(gè)指標(biāo)： ??∑?????????∑?? kappa ??2?∑1????+分別表示分類矩陣的行總和及列總和，N是混合矩陣中所有元素的總和。Kappa系數(shù)全面利用了矩陣的信息，可作為分類精度評(píng)價(jià)的綜合指標(biāo)。Kappa系數(shù)越大，表算。利用光譜特征的分類結(jié)果如表3.2、3.3所示：地00地00地利用融合特征的分類結(jié)果如表3.4、3.5：地00地00地3.5本章小結(jié)尺度效應(yīng)對(duì)分類的影尺度效應(yīng)概述也對(duì)遙感數(shù)據(jù)分類精度有著顯著的影響。Markham和Townshend很早就，遙感分類尺度效應(yīng)對(duì)分類精度的影響不同分辨率對(duì)分類結(jié)果的影響4.1是原遙感數(shù)據(jù)(3.3)1/84.21/2綠洲、建筑區(qū)域、地四大類。圖4.3、4.4是分類后的圖像，藍(lán)色代表水體，紅色代圖4.1縮小至原圖1/8的影 圖4.2縮小至原圖1/2的影圖4.3原圖縮小至1/8的分類結(jié) 圖4.4原圖縮小至1/2的分類結(jié)的混合像元數(shù)量較多，所以部分地與建筑區(qū)域進(jìn)行了錯(cuò)分；同時(shí)分辨率較低導(dǎo)致很多的圖4.4，分辨率提高引起地物光譜異質(zhì)度增大，可以發(fā)現(xiàn)部分植被錯(cuò)誤歸入建筑不同分割尺度對(duì)分類結(jié)果的影圖4.5至圖4.10是極小區(qū)域面積為圖像的1/2000，其余參數(shù)一定，僅僅改變異波動(dòng)，在1020時(shí)精度上升2050時(shí)分類精度下降，尺100時(shí)分類精度 圖4.5尺度為10的分類結(jié) 圖4.6尺度為20的分類結(jié)圖4.7尺度為50的分類結(jié) 圖4.8尺度為100的分類結(jié)圖4.9尺度為150的分類結(jié) 圖4.10尺度為200的分類結(jié)本章小結(jié)結(jié)Quickbird多光譜圖像上，改進(jìn)后的融合特征分類精度要明顯高于單一采用光譜特征分類，其中kappa系數(shù)提高了約0.1。Vincent分水嶺算法基礎(chǔ)上，進(jìn)行相鄰區(qū)域異質(zhì)度的判斷，根據(jù)閾值對(duì)相可以結(jié)合SVM分類器與具體特征進(jìn)一步分析。致段的導(dǎo)師?？佳薪Y(jié)束已經(jīng)2個(gè)多月，在這段時(shí)間里無(wú)論在學(xué)習(xí)還是生活方面，都此外，我還要感謝IRIP的。學(xué)長(zhǎng)在我做畢設(shè)的第一天起就嚴(yán)助，畢設(shè)無(wú)法進(jìn)展的如此順利由衷感謝這些給予我、鼓勵(lì)和指導(dǎo)的師友和親人。參考文Jensen.J.IntroductoryDigitalImageProcessingARemoteSensing[M].ThirdEdition,PrenticeHallPublisher,2004.Lillesand.T,Kiefer.R.RemoteSensingAndImageInterpretation[M].FourthEdition.Peng.W,Yu.X,Zhou.T,Li.XEt.PublishingHouseOfElectronicsIndustry.2003.,,夏學(xué)齊,.面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評(píng)價(jià)[J].遙感技術(shù)與應(yīng)用,2004,V19(1):20-24.LorenzoB.,LorenzoC.AMultilevelContext-BasedSystemForClassificationOfVeryHighSpatialResolutionImages[J].IEEETransactionsOnGeoscienceAndRemoteSens-ing,2006,V44(9):2587-2006.BlaschkeT.,Strobl.J.What’sWrongwithPixels?SomeRecentDevelopmentsInterfac-ingRemoteSensingandGIS[J].GeoBIT/GIS,2001,6:34-39..高分辨率遙感圖像分類技術(shù)研究[D].:中國(guó)遙感應(yīng)用,朱國(guó)賓.面向多分辨率層次結(jié)構(gòu)的遙感影像分析方法[J].大學(xué)學(xué)報(bào),LindaG.,Shapiro,GeorgeC.ComputerVision[M].London:PrenticeHall,FukunagaK,HostetlerLD.Theestimationofthegradientofadensityfunction,withap-plicationinpatternrecognition[J].IEEETransactionsonPatternysisandMachineVincentL,SoilleP.Watershedsindigitalspaces:anefficientalgorithmbasedonimmer-sionsimulation[J].IEEETransactionsonPatternysisandMachineInli-JosBTMRoerdin