纹理信息在遥感图像分类中的应用与研究

摘要

遥感图像分类一直是遥感领域研究的热点问题。目前传统的遥感分类分类方法主要是结合光谱信息进行分类，对于图像的空间信息的利用相对较少，然而事实证明，遥感图像的空间信息是相当丰富的。为了提高遥感数据的利用率，本文采用了结合基于变差函数提取的纹理信息进行遥感图像分类的研究方法。 遥感图像的空间特征包括图像的形状，大小，阴影，纹理，位置和布局，本文主要是针对图像的纹理信息进行研究，有效的利用纹理信息对于遥感图像分类具有很重要的实用价值。文中首先分析了目前国内外关于图像分类方法和图像纹理信息的提取方法的现状。然后对本文所使用的变差函数的基本理论和图像分类的两种方法的基本理论进行详细的说明，并结合具体的实例对变差函数用于纹理提取进行详细介绍，在实验过程中，本文对纹理计算的窗口大小，方向选择等问题上进行详细的探讨。同时，在现有的纹理提取算法的基础上，采用了一种新的纹理计算方法-加权变差函数计算方法。在图像分类方法上，本文选择了两种具有代表性的分类方法，一是传统的分类方法：最大似然法。一是计算机分类方法：BP神经网络分类方法（该分类方法对数据源没有严格的要求）。本文将提取的纹理信息与多光谱图像本身的光谱信息相结合进行分类，旨在提高分类精度。实验证明，结合纹理信息的分类方法，不管是用于传统的分类方法还是用于BP神经网络分类方法，精度都有了明显的提高。同时，在对两种分类方法的比较过程中，也可以看出BP神经网络的分类方法要优于传统的最大似然法分类。本次研究可以得出，结合变差函数提取的纹理信息进行遥感图像的分类可以提高图像的分类精度。

目录

文摘

英文文摘

声明

1绪论

1.1引言

1.2国内外研究现状

1.2.1遥感图像分类方法

1.2.2纹理提取的方法

1.3研究目的和意义

1.4研究内容

1.5小结

2变差函数基本理论及其在遥感图像分类中的应用

2.1变差函数的基本理论

2.1.1区域化变量

2.1.2变差函数的定义

2.1.3变差函数的性质

2.1.4变差函数的结构分析

2.1.5变差函数的理论模型

2.2基于变差函数纹理信息提取的影响因素分析

2.2.1窗口的选择

2.2.2计算方向

2.2.3计算方式

2.3变差函数在纹理信息分析中的应用

2.3.1常用的三种地统计学变差函数的计算方法

2.3.2改进的加权变差函数的计算方法

2.4基于变差函数纹理提取的程序设计流程

3遥感图像分类理论研究

3.1遥感图像分类概述

3.2最大似然法分类方法

3.3神经网络分类方法

3.4 B-P神经网络分类方法介绍

3.4.1 BP网络模型

3.4.2神经元

3.4.3 BP神经网络训练

3.4.4 BP神经网络模型构造

3.5　小结

4基于纹理信息的最大似然法和BP神经网络分类法

4.1研究区概述

4.2技术流程

4.3遥感图像预处理

4.3.1遥感图像的几何纠正

4.3.2主成分分析

4.4基于变差函数的纹理提取

4.5加入纹理信息的两种分类方法

4.5.1训练样本的可分性检验

4.5.2神经网络结构设计和参数设置

4.5.3分类及精度评定

5结论

5.1结论

5.2展望

致 谢

参考文献

附录:攻读硕士期间发表的论文