论文部分内容阅读
近十年来,高分辨率遥感卫星相继成功发射。未来十年,我国将发射大量高分辨率遥感卫星,分辨率将达到亚米级。遥感影像空间分辨率的提高给传统的影像处理方法带来了新的问题和挑战。高分辨率遥感影像中,同一地物内部组成要素的细节信息得以表征,几何结构信息丰富;地物尺寸、形状、目标之间的邻接关系得到更好地反映。针对高分辨率遥感影像这一特点,研究者提出了一种高分辨率遥感影像分析思想—面向对象的影像分析方法。面向对象影像分析方法的核心就是把对象作为影像特征提取和分析的最小处理单元,对象比像素具有更多的结构特征。从高分辨率遥感影像的统计特征来看,高分辨率遥感影像属于一种随机信号,同地物的光谱响应以及地物与地物之间的邻接关系等信息都有比较强的随机性,所以采用随机场的方法来研究高分辨率遥感影像处理是一种有效的途径,基于马尔可夫随机场模型的影像分割方法能有效刻画影像的空间信息、具备完善的理论基础和容易集成在Bayesian框架中。所以本文将以面向对象的思想对高分辨率遥感影像进行分割生成对象,再以对象作为基本处理单元进行马尔可夫随机场建模,实现高分辨率遥感影像分割。本文研究内容主要包括以下五个方面:(1)系统地总结了面向对象影像分析的相关理论、基于马尔可夫随机场(Markov Random Field, MRF)模型进行图像分割的相关理论和图像分割质量定性,定量评价指标。(2)通过分析当前高分辨率遥感影像处理方法中所存在的问题和高分辨率遥感影像的统计特征,提出一种基于对象马尔可夫随机场(Markov Random Field,MRF)建模的高分辨率遥感影像分割算法—对象马尔可夫模型(OMRF。采用面向对象方法—均值漂移(Mean-Shift, MS)算法对高分辨率遥感影像进行初始分割,生成基本处理单元—对象,建立对象邻接图,再在对象邻接图上建立MRF模型,其中,在特征场建模中采用对象中像素的光谱特征;在标记场建模中采用对象邻接图的邻域系统、势团和能量函数。最后通过二个高分辨率遥感影像数据集(GeoEye和IKONOS)的实验来验证OMRF算法的有效性,实验结果表明OMRF算法适合高分辨率遥感影像分割。(3)在对象马尔可夫模型的基础上,针对高分辨率遥感影像数据除了光谱特征外还有丰富的纹理特征和形状特征,提出一种高分辨率遥感影像分割算法—多特征对象马尔可夫模型(MFOMRF)。先对高分辨率遥感影像进行过分割生成对象,建立对象邻接图,然后提取对象邻接图中每个结点(对象)中的光谱、纹理和形状特征形成多维特征向量,再在对象接图上建立多特征马尔可夫模型。最后通过二个高分辨率遥感影像数据集(GeoEye和IKONOS)的实验来验证MFOMRF算法的有效性。实验结果表明MFOMRF在高分辨率遥感影像分割中可取得较好的结果,特别在纹理和形状特征突出地物中取得更好的分割结果。(4)通过分析高分辨率遥感影像具有海量数据,地物表现出很强的多层次、多尺度的特点,以及像素分层马尔可夫模型的优缺点,提出一种高分辨率遥感影像分割算法—分层多尺度对象马尔可夫模型(HMSOMRF))。采用面向对象的思想—均值漂移算法对高分辨率遥感影像进行多尺度分割得到多尺度分割结果,再把多尺度分割结果形成层次结构,建立分层多尺度对象邻接树。提取分层多尺度对象邻接树中各层的每一个结点(对象)的特征(光谱特征、纹理特征、形状特征)。再在分层多尺度对象邻接树上建立分层MRF模型进行高分辨率遥感影像分割。最后通过二个高分辨率遥感影像数据集(GeoEye和IKONOS)的实验来验证HMSOMRF算法的有效性。实验表明该算法在分割效率和分割精度上都得到显著提高并减少像素分层马尔可夫模型分割的块状现象,HMSOMRF算法适合高分辨率遥感影像分割。(5)最后把第三章、第四章和第五章所提出的三个高分辨率遥感影像分割算法应用于土地利用分类实例,并与商业遥感软件进行对比实验。实验结果表明,本文提出的三个算法比ENVI和eCognition算法的分类精度得到了较大的提高,三种算法具有较大的应用和实用价值。