论文部分内容阅读
虽然高分辨率遥感图像提供了丰富的地表细节信息,但伴随的类内光谱差异增大、类间光谱差异减小的特点对传统面向像元的分类方法提出了挑战,因此面向对象的分类方法应运而生。面向对象的高分辨率遥感图像分类以一组像元作为计算对象,可以取得准确且连续的分类效果,受到广泛认可。目前主流的面向对象分类方法是基于图像分割后的一组像元进行分类,这类方法受限于图像分割的尺度和语义定义。还有一类新型的面向对象分类方法,它基于像元之间的空间关系、利用机器学习算法实现无分割的高分辨率遥感图像分类,只是需要人为给定一组像元作为分类的计算对象。
本文针对新型无分割的面向对象分类,希望研究自动获得分类计算对象的方法;通过引入空间像元模板作为从分类目标像元到分类计算对象的映射,本文将研究对象锁定空间像元模板的构建方法。经过分析本文指出,构建空间像元模板实为选择模板中心位置的相对位置特征,因此通过借鉴广义特征选择的三种模式--过滤式、打包式、嵌入式的原理,本文分别提出了三种相应的空间像元模板构建方法。
在研究上述方法的过程中,本文以一幅模拟图像和两幅高分辨率遥感图像作为实验数据,按照先模拟图像后真实图像的顺序,对设计的空间像元模板构建方法进行实验,通过分析实验结果不断改进方法,最终形成可用于空间像元模板构建的过滤式方法、打包式方法和嵌入式方法。
其中过滤式方法采用了自定义的相关性函数,并运用假设检验解决了相关性阈值的确定问题;打包式方法引用了空间数据分析中的相关图作为模板相对位置的随机提取概率;嵌入式方法也对成熟的组合分类器构造算法进行了局部改进。
最后本文从应用空间像元模板的图像分类精度、自身优缺点和适应性三个方面,对提出的三种空间像元模板构建方法进行了对比和评价。
综合本文的研究得出结论:将特征选择思想引入面向高分辨率遥感图像分类的空间像元模板构建具有良好可行性;同时系统的研究三种不同方法突破了以往遥感图像的特征选择单纯以改善精度为目的并且仅采用一种方法的局限性,具有借鉴意义。