基于支持向量机的多特征融合云检测研究

摘要

遥感影像广泛应用于资源调查、土地覆盖分类、农业生产、环境检测、生态保护和目标识别等领域，由于光学影像容易受到天气条件的影响，影像中会存在一定量的云覆盖，云的存在妨碍影像解译工作和后续利用。准确检测出影像中云的位置，便于测绘产品的生产和影像地物识别，具有重要的生产意义。
　　本文针对传统的云检测方法检测精度不高、适用性不广的现状，围绕多数据源、多区域的遥感影像开展云检测方法研究和测试实验。以资源三号和高分一号高分辨率影像为实验数据，研究不同特征识别云层的能力，提出基于支持向量机(Support Vector Machine，SVM)的多特征融合的云检测方法。分析云在不同波段中的辐射特性，结合影像的光谱特性提取样本的光谱特征;再利用像元块的和差直方图提取影像的纹理特征;选取归一化植被指数(Normalized Difference Vegetation Index，NDVI)作为补充特征，以像元的光谱特征、纹理特征和NDVI特征构造特征向量，利用SVM进行云检测。结合改进的平均梯度、几何形状特征进行后处理，减少初步云检测中误判的地物。在Landsat影像和Spot影像上使用该方法能得到较高的云检测精度，说明本文算法具有一定的可扩展性。实验结果表明，本文方法适用性广、云检测精度较高，能满足测绘生产要求。

目录

声明

致谢

摘要

1 绪论

1．1 研究的背景与意义

1．2 国内外研究现状

1．2．1 云检测现有方法

1．2．2 云检测现存问题

1．3 论文的主要研究工作

1．4 技术路线

2 基本理论

2．1 云的形成原理与成像特性分析

2．1．1 云的物理特性分析

2．1．2 云的成像特性分析

2．1．3 典型云特征

2．2 分形维数理论

2．3 多尺度理论与原理

2．3．1 多尺度表达

2．3．2 检测基本原理

2．3．3 检测流程

2．3．4 分块处理

2．4 支持向量机

2．4．1 线性支持向量机

2．4．2 非线性支持向量机

2．4．3 分类器设计

2．5 分类精度评价指标

2．6 本章小结

3传统云检测算法分析

3．1 数据定标

3．2 传统云检测算法

3．2．1 多尺度阈值云检测

3．2．2 光谱特征法云检测

3．2．3 NDVI法云检测

3．2．4 基于面向对象的云检测

3．3 传统云检测结果定量分析

3．4 本章小结

4 支持向量机多特征融合云检测

4．1 云检测方法选择依据

4．1．1 分类器的选择

4．1．2 特征选择

4．2 云识别分类原则

4．3 SVM多特征云检测

4．3．1 特征提取

4．3．2 多特征融合

4．3．3 面向对象的后处理

4．4 云检测结果质量评定

4．4．1 STN与单一特征对比分析

4．4．2 SIN与传统云检测算法对比分析

4．5 扩展性实验

4．5．1 Landsat影像云检测

4．5．2 Spot影像云检测

4．6 本章小结

5结论与展望

5．1 结论

5．2 展望

参考文献

作者简历

学位论文数据集