光谱与纹理特征融合的遥感图像分类方法

摘要

本文研究了基于光谱和纹理特征融合的遥感图像目标分类算法。分别运用DS证据理论和相似度模糊推理算法实现了遥感图像的分类。
　　 基于DS证据理论的遥感图像分类算法，首先提取图像的光谱特征和纹理特征，并对两种特征进行融合和概率分配。然后基于DS理论的证据组合，对四通道的概率进行融合。最后是基于概率最大值进行分类，并对分类结果进行评价。对融合前后的图像进行分类实验中，对于三类实际遥感图，融合前的分类准确度为0.941，融合后的分类准确度为0.959，对于五类实际遥感图，融合之前的分类准确度为0.765，融合之后的分类准确度为0.812。采用九种融合方法对图像处理后进行分类，总体精度均大于融合之前的图像。
　　 基于相似度模糊推理的分类方法，首先提取图像的光谱特征和纹理特征，并对两种特征进行融合；然后是对输入数据的模糊化；接着是针对四通道的融合，在融合过程中，通过求相似度权系数方法来实现加权平均；最后实现模糊分类，并对分类结果做出评价。在对融合前后的图像进行分类实验中，对于三类实际遥感图，融合之前的分类准确度为0.964，融合之后的分类准确度为0.994，对于五类实际遥感图，融合之前的分类准确度为0.922，融合之后的分类准确度为0.939。采用九种融合方法对图像处理后进行分类，总体精度均大于融合之前的图像。
　　 实验结果表明：采取光谱和纹理特征相结合的方法，利用这两种特征的信息互补进行分类，减少了漏分错分的现象，精度比单纯使用光谱特征得到了提高。能够有效的提高分类精确。利用融合算法对图像进行融合后再分类，能够有效的提高分类的精确度。这说明，将待分类遥感图像进行融合之后，对于提高分类的准确度起到重要作用。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2基于融合的遥感图像的目标识别的国内外现状

1.3论文的主要内容及章节安排

第二章遥感图像分类的基本理论

2.1遥感图像的特征提取

2.1.1图像的光谱特征

2.1.2图像的纹理特征

2.1.3图像的形状特征

2.2遥感图像的分类原理

2.2.1遥感图像的分类途径

2.2.2监督分类与非监督分类

2.2.3分类的评价方法

第三章基于DS证据理论的遥感图像分类研究

3.1 DS理论简介

3.1.1 DS理论的产生

3.1.2 DS证据理论的基本内容

3.2基于DS证据理论的遥感图像分类过程

3.3基于DS证据理论的分类算法实现

3.4.实验结果及分析

3.4.1基于特征的遥感图像分类实验

3.4.2基于数据层融合的遥感图像分类实验

3.5本章小结

第四章基于相似度模糊推理的遥感图像分类研究

4.1模糊推理理论

4.2相似度的定义

4.3基于相似度的遥感图像分类

4.3.1基于相似度的融合权系数的确定

4.3.2结合纹理特征进行分类

4.4基于相似度模糊推理算法的实现

4.5实验结果及分析

4.5.1基于特征的遥感图像分类实验

4.5.2基于数据层融合的遥感图像分类实验

4.6本章小结

第五章结论与展望

5.1工作总结

5.2课题展望

致谢

参考文献

研究成果