论文部分内容阅读
随着航空航天平台和遥感技术的不断发展,我们可以获取到越来越多的纹理细节清晰、光谱特征丰富的高空间分辨率遥感影像,高空间分辨率遥感影像已经成为经济建设、国防安全、地理信息服务等方面重要的空间信息源。但与此同时,“同物异谱”和“异物同谱”现象随之而来,并成为制约高空间分辨率遥感影像应用和发展的主要因素。为了解决上述问题,国内外大量学者开展了大量研究。目前,围绕高空间分辨率遥感影像分析与处理已成为遥感领域研究的热点方向之一。同时,随着影像空间分辨率的提高,信息的提取技术从基于像元的分类逐渐过渡到面向对象的识别。面向对象的影像分析方法采用先分割再分类的模式进行地物识别与提取。其中,遥感影像分割和分类技术是面向对象影像分析方法的基础和关键,两个过程均涉及特征的选取及特征相似度的计算,在两个过程中均会带来结果的不确定性。伴随计算机视觉研究的不断加深,研究者更加关注影像分割更为准确的分析和理解,语义分割的提出给这一问题带来契机,有别于传统的影像分割方法,语义分割的根本目的是,在分割的同时确定分割区域的语义类别,这对于影像分析和处理更加准确化有着深远的意义。为此本文以高空间分辨率遥感影像为研究对象,通过采用影像分割方法以及基于对象的影像分析方法来研究语义分割的新方法,具体研究工作如下:(1)针对高空间分辨率遥感影像纹理细节丰富、数据量巨大等特点,给遥感影像语义分割处理的研究带来了极大的挑战,比较各种分割方法的优缺点,分析国内外研究现状、关键技术以及存在的问题。(2)本文提出小波域多尺度和马尔科夫随机场(GMGRF)相结合的语义分割方法。其中,标记场采用MLL模型建模,估计势函数,再使用高斯模型对各个尺度上的小波系数向量场进行建模,采用EM期望最大算法求取GMGRF模型参数,阿棚村高分辨率遥感影像语义分割整体精度为78.7073%,德马村高分辨率遥感影像语义分割整体精度为89.7524%。(3)研究基于简单线性迭代聚类(SLIC)的语义分割方法,针对该方法提高分割效率的同时,产生严重的过分割现象,本文根据区域合并算法,结合光谱、纹理、形状和面积,解决过分割现象,并根据光谱均值不同区分类别,实现语义分割。阿棚村高分辨率遥感影像做了三组实验,实验(1)的整体精度为78.7802%,实验(2)的整体精度为80.1948%,实验(3)的整体精度为77.8281%。德马村高分辨率遥感影像做了三组实验,实验(1)的整体精度为88.2376%,实验(2)的整体精度为88.4100%,实验(3)的整体精度为88.7041%。(4)研究基于马尔科夫随机场模型的影像分割算法。在马尔科夫随机场基础上对影像进行建模,本文根据条件迭代模型和梯度最小化模型,提出基于迭代条件模型改进的语义分割算法,通过对比实验,阿棚村高分辨率遥感影像语义分割整体精度提高了2.7086%,德马村高分辨率遥感影像语义分割整体精度提高了2.6333%。(5)针对不同实验进行精度评价分析。