论文部分内容阅读
近年来,随着遥感技术的发展,遥感图像分辨率不断提高,其在众多领域的应用得到了人们的广泛关注。遥感图像识别技术就是其研究的主要热点之一。鉴于传统识别技术执行时间长和空间占用大的缺点,本文研究面向对象的图像识别技术,其主要包括两个方面:遥感图像的分割和目标识别。为了满足时间、空间和精度的要求,本文做了以下工作:(1)超像素分割算法的并行化改造传统分割算法大多采用串行执行的方式,已经不能满足现今遥感图像处理对时间和空间的高要求。本文结合数据分块并行理论和SLIC(simple linear iterative cluster)算法OpenMP并行化方法,根据遥感图像数据可分的特点,将遥感图像进行条状分块并编号,将分块后的子图像独立进行并行化后的SLIC分割操作。通过并行实验,对串行执行时间和并行执行时间进行对比,很明显,此改进在时间和加速比都取得了好的效果,达到预期目标。(2)并行分割完后边界合并算法的设计并行分割完成之后,分块边界处会出现明显的合并线,本文提出基于区域邻接图的边界合并算法。该算法首先获取边界处的区域标签,根据边界像素的空间位置关系,建立边界处的区域邻接图,然后遍历区域邻接图,根据一定的合并准则对边界区域进行处理。最后通过边界合并算法实验,验证了边界合并算法的有效性。(3)神经网络识别算法的改进针对遥感图像数据大,神经网络训练规模过大,难以达到高精度的要求,本文采用面向对象的识别技术,选取图像分割结果形成的超像素,提取光谱特征与纹理特征,进行组合形成特征向量送入BP神经网络训练,大大缩减神经网络的规模。实验选取了6副遥感图像数据进行植被识别,与ENVI最大似然法和易康KNN识别算法进行比较,精度上验证了该算法的识别精度。