面向对象分类技术的景观信息获取

摘要

传统的基于像元的遥感分类算法对高分辨率遥感数据进行分类，往往难以取得满意的效果。这是因为传统的分类算法主要依靠的是影像所包涵的光谱信息，而高分辨率遥感影像一般只有3～4个波段，尤其是融合所得真彩色影像，只在可见光范围内拥有3个波段，光谱信息相对较弱，即依据不足。事实上，高分辨率遥感影像，如SPOT5、IKONOS和Quickbird等影像数据，还具有极其丰富的空间结构和纹理信息。近年来广受关注的面向对象的遥感分类思想，不仅将光谱信息作为分类依据，同时还将空间结构和纹理信息，甚至包括遥感工作者的目视判读经验和知识一并作为分类依据，改“象素”基本单元为光谱和纹理特征相似的“均质对象

目录

文摘

英文文摘

声明

第一章绪论

1.1概述

1.2高分辨率遥感影像及应用

1.2.1高分辨率遥感及其影像特征

1.2.2高分辨率遥感影像的应用

1.3遥感信息提取

1.3.1遥感信息提取技术

1.3.2遥感信息提取方法

1.4传统方法在高分辨率卫星影像分析中面临的问题

1.5本文研究的主要内容

1.6本文的结构安排

第二章面向对象的遥感影像分析

2.1引言

2.2面向对象影像分析的基本概念

2.2.1图像分割(image segmentation)

2.2.2尺度(scale)

2.2.3影像对象(image object)

2.2.4特征(feature)

2.2.5上下文信息(context information)

2.2.6分类器(classifier)

2.3基于像元与面向对象

2.4面向对象影像分析中的特征提取

2.5面向对象影像分析研究现状

2.6面向对象的影像分析技术发展趋势

第三章影像分割及其参数选择

3.1影像分割

3.2多尺度遥感影像分割

3.2.1多尺度分割概念

3.2.2基于异质性最小原则的区域合并算法

3.2.3多尺度分割技术流程

第四章面向对象的影像分类方法

4.1面向对象的影像分类

4.2 eCognition软件简介

4.2.1 eCognition软件的主要特点

4.2.2使用eCognition进行面向对象的遥感信息提取过程

4.3模糊数学分类

4.3.1模糊数学基础

4.3.2模糊集和隶属函数

4.3.3常用的模糊隶属函数

4.3.4模糊分类原理

4.4影像信息提取方法

4.5多时相、多源遥感数据复合分类方法

4.6面向对象影像分类中的尺度问题

第五章试验与结果

5.1研究区选择

5.2影像预处理

5.3确定分类目标

5.4多尺度分割

5.5分类

5.5.1分类策略

5.5.2分类结果

5.6精度评价

第六章总结与展望

6.1总结

6.2展望

参考文献

攻读硕士学位期间发表论文及参与的科研课题

致谢