面向遥感影像的水域提取算法研究

摘要

遥感影像中地物的分类与识别是目前遥感影像领域中的研究热点之一，其中水域提取的研究在军事和民用领域中都具有重要应用价值。本文分析了现有的遥感影像水域提取技术存在的优缺点。发现目前的水域提取技术大多针对多光谱遥感影像，分析像素点的谱间关系提取水域，需要处理的数据量庞大，效率低，没有考虑重要的空间信息。因此本文提出一种针对RGB遥感影像的面向对象水域提取模型，以超像素块代替像素点作为基本处理单元，减小了数据处理的规模，提高了运算效率。本文研究内容如下:
　　1)在使用SLIC算法获取超像素块的过程中，超像素块对水域等地物边缘吻合度不够高。本文提出了一种融合RLBP局部纹理特征的SLIC分割算法(RLBP-SLIC)。首先计算图像中像素点的RLBP编码值，并进行旋转不变性变换和均匀化，然后将RLBP编码值提取的局部纹理特征与像素的Lab颜色和空间信息进行特征融合，构建新的相似度度量准则。最后根据新的相似度度量准则，将图像中像素点进行类别划分，形成超像素块。新SLIC算法考虑了图像的局部纹理信息，所以得到的超像素块边缘吻合度更高。
　　2)论文利用SVM分类算法对水域和非水域块进行分类，需要获取数据集中样本的特征。本文提取了超像素块的颜色特征和小波变换后的纹理特征构成291维特征向量，为解决特征维数过高带来的数据冗余和造成分类器分类效果下降，本文在原有的随机森林特征选择算法基础上，提出一种改进循环选择最优特征的随机森林特征选择方法。该方法是通过循环建立随机森林，每次建立随机森林时，选择特征重要性最优的部分特征作为随机森林的输入参数，通过循环选择，最终得到维数较低且分类效果更好的新特征向量。
　　3)本文需要建立用于水域和非水域样本分类的数据集，在对图像进行超像素分割后，采用人工标记水域和非水域的超像素块的方式构建数据集，并分成训练集和测试集。
　　本文利用SVM支持向量机对超像素块数据集进行二分类，最终验证了改进循环选择最优特征的随机森林算法的有效性。并且水域提取实验结果中水域边缘吻合度较高，进一步也说明了本文提出的RLBP-SLIC算法的有效性。

目录

声明

摘要

第1章绪论

1．1课题的背景和意义

1．2国内外研究现状

1．2．1基于像素分类和面向对象分类方法

1．2．2超像素分割方法

1．3存在的问题

1．4论文内容及组织结构

1．4．1论文的主要工作

1．4．2论文的组织结构

第2章遥感影像水域提取关键技术研究

2．1超像素分割技术

2．1．1超像素图像分割技术

2．1．2经典超像素分割算法

2．2图像纹理特征

2．2．1图像纹理特征描述

2．2．2灰度共生矩阵

2．2．3 LBP纹理特征

2．3特征选择

2．3．1特征选择概念与基本流程

2．3．2特征子集搜索策略

2．3．3特征子集评价准则

2．4本章小结

第3章RLBP-SLIC超像素分割算法

3．1改进算法的提出

3．2算法的基本思路

3．3遥感影像RLBP-SLIC分割的具体流程

3．3．1遥感影像的预处理

3．3．2 RLBP局部纹理特征提取

3．3．3 RLBP-SLIC算法分割

3．4实验与结果分析

3．4．1实验环境及数据

3．4．2实验与结果分析

3．5本章小结

第4章面向对象水域提取模型

4．1面向对象水域提取模型的过程

4．2特征提取

4．2．1颜色特征提取

4．2．2基于小波变换的GLCM纹理特征提取

4．3特征选择

4．3．1 Relief特征选择算法

4．3．2随机森林特征选择算法

4．3．3循环选择最优特征的改进随机森林算法

4．4支持向量机分类算法

4．4．1线性支持向量机

4．4．2非线性支持向量机

4．5本章小结

第5章实验与结果分析

5．1分类模型性能评价方法

5．2实验与结果分析

5．2．1实验数据及预处理

5．2．2实验结果与分析

5．3本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢