基于遙感影像的地物要素智能識(shí)別與提取研究.pdf

1、傳統(tǒng)的遙感影像分類(lèi)方法是以像元為處理單元的，在進(jìn)行影像地物分類(lèi)時(shí)考慮的主要是像元的灰度值等影像統(tǒng)計(jì)特征，由于傳統(tǒng)影像分類(lèi)方法對(duì)影像信息利用不充分，因此分類(lèi)結(jié)果存在分類(lèi)精度較低、分類(lèi)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(lèi)方法并不能滿足其分類(lèi)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?fù)湫畔⒌忍卣鞯拿嫦驅(qū)ο蟮倪b感影像分類(lèi)法，它是以含有更多語(yǔ)義信息的對(duì)象作為處理單元，有效地克服傳統(tǒng)分類(lèi)時(shí)

2、的“椒鹽現(xiàn)象”，并能夠取得較好的分類(lèi)效果。面向?qū)ο蟮挠跋穹诸?lèi)的關(guān)鍵技術(shù)是對(duì)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(jìn)行融合，形成具有高空間分辨率、色彩豐富、表達(dá)細(xì)致紋理的融合影像。采用改進(jìn)的分水嶺分割算法實(shí)現(xiàn)對(duì)高分辨率遙感影像智能化處理，其主要是通過(guò)直接計(jì)算融合影像彩色向量空間梯度，并對(duì)梯度圖像采用形態(tài)學(xué)混合開(kāi)、閉重建進(jìn)行梯度修正，有效的去除了梯度圖中的噪聲點(diǎn)和細(xì)密紋理結(jié)構(gòu)，并移除影像中所有無(wú)意義的細(xì)密紋理產(chǎn)生的

3、過(guò)小區(qū)域的連通塊。為了解決梯度圖像中因存在過(guò)多的局部極小值和偽極值點(diǎn)而使分水嶺分割出現(xiàn)過(guò)分割現(xiàn)象，本文采用自適應(yīng)閾值選取對(duì)梯度圖像做局部擴(kuò)展極小值標(biāo)記，以限制了極小值點(diǎn)數(shù)目，并采用強(qiáng)制最小運(yùn)算在原彩色梯度圖像中強(qiáng)制標(biāo)記擴(kuò)展極小值標(biāo)記的局部極值點(diǎn)位置，對(duì)梯度圖像做進(jìn)一步的修正重構(gòu)，最后對(duì)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(guò)分割現(xiàn)象，提高了分割精度。
　　本文對(duì)水體、道路和居民

4、地進(jìn)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(kāi)來(lái)，因此利用影像對(duì)象在近紅外波段的平均值來(lái)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(zhǎng)寬比特征可以將道路與建筑物進(jìn)行區(qū)分，因此利用長(zhǎng)寬比這一特征來(lái)提取道路；居民地是利用135°方向上的灰度共生矩陣來(lái)進(jìn)行提取。在改進(jìn)分水嶺分割的基礎(chǔ)上，對(duì)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(lái)

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(guò)多次使用確定分類(lèi)閾值以便將目標(biāo)地物與其他分開(kāi)；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(duì)象中的每一個(gè)特征值帶入隸屬函數(shù)，計(jì)算出對(duì)象隸屬于某一類(lèi)的隸屬度；反模糊化。根據(jù)反模糊化算法確定對(duì)象的歸宿，其中若對(duì)象歸于所有類(lèi)的隸屬度小于設(shè)定的分類(lèi)閾值，則被劃分為未分類(lèi)。為了驗(yàn)證面向?qū)ο蟮姆诸?lèi)方法相比傳統(tǒng)的基于像元的方法對(duì)高分辨率影像分類(lèi)具有更大的優(yōu)勢(shì)，本文對(duì)