论文部分内容阅读
随着遥感影像信息获取技术(无人机遥感)的快速发展,如何提高遥感图像信息的提取速度和精度是遥感影像处理领域的重要研究方向。遥感图像分割是遥感影像信息提取过程中最为重要的一项技术。在图像处理邻域,图像分割方法虽然取得了一定的成果,但在高分辨遥感影像分割中仍然存在分割精度不高、效率低等不足。本文在前人的研究基础上,将Mean Shift算法引入到高分辨率遥感影像分割中,通过优化Mean shift的核函数和加入LBP纹理特征,提升Mean Shift算法遥感图像分割的效率和精度,为后期的遥感影像的分类识别提供可靠的分割区域。(1)由于无人机的重量轻对天气状况的依赖性大,受到天气变化飞机姿态不稳定及相机本身畸变的影响,因此需要对获取的原始影像进行预处理。本文利用国际上著名的INPHO软件对无人机获取的原始影像进行畸变差校正、空中三角测量、生成正射影像等处理,为后续的遥感影像的分割提供准确的正射遥感图像实验数据。(2)本文引入Mean Shift算法于无人机高分辨率遥感影像分割,针对传统Mean Shift分割算法存在效率低和边界模糊等问题,优化Mean shift的核函数并加入了LBP纹理特征,组成了“空间位置、颜色和纹理”特征向量。实验结果表明:通过目视判读比较得出,本文改进Mean Shift分割算法的分割效果比传统的Mean Shift分割效果更符合人的视觉感知,效率和精度也得到了很大的提高。(3)本文采用区域面积加权的区域相似度准则和最小对象面积参数准则进行分割后的区域合并,以此来解决改进Mean Shift分割算法产生的过分割现象。最后将区域合并处理后的结果分别与在遥感影像分割邻域中比较出名的EDISON软件和eCognition软件进行比较,以此验证本文改进的分割方法的分割效果。实验结果表明:通过目视判读比较得出,在改进Mean Shift算法中加入区域合并方法能得到更好的分割效果且能在一定程度上提高遥感影像分割的精度。对于纹理特征比较突出的地块和道路,改进的Mean Shift算法分割则能更准确的分割,从分割精度的角度可以得出,本文改进的Mean Shift算法分割的效果在很多方面已达到eCognition软件分割的效果。