面向对象的遥感影像模糊分类方法研究

摘要

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。 为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0到1之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。 本文采用面向对象的影像分类方法。考虑了对象的不同特征值，例如光谱值，形状和纹理。结合上下文关系和语义的信息，这种分类技术不仅能够使用影像属性，而且能够利用不同影像对象之间的空间关系。在对诸多对象进行分类后，在进行精度分析。在此研究提出了一种面向对象的方法结合模糊理论把许多的对象块分成不同的类别。这一过程主要有两个步骤：第一个步骤是分割。图像分割将整个图像分割成若干个对象，在对所有对象进行分类，在这个过程中，分割尺度的选择会影响到后续的分类结果和精度；第二个步骤是分类。在这个步骤中，特征值的选择和隶属度函数的选择都对分类结果有着至关重要的影响。完成分类后，可以进行土地变换检测等后续工作。

目录

文摘

英文文摘

声明

1绪论

1.1国内外研究现状和发展趋势

1.2研究内容

1.3本文的结构安排

2现有的遥感影像分类方法概述

2.1图像分类方法的概念

2.2图像分类的主要方法

2.2.1模糊分类

2.2.2神经网络分类法

2.2.3支持向量机分类法

2.2.4基于专家知识和地学知识的影像分类

2.2.5K近邻分类法

2.2.6小波分析

3面向对象的模糊分类方法体系

3.1面向对象图像分类方法

3.2遥感影像的分割

3.2.1抖动分割算法

3.2.2多尺度分割

3.3模糊集及模糊分类的基本理论

3.4模糊C-均值算法简介

3.5遥感影像光谱特征及其提取

3.5.1均值类

3.5.2比率类

3.5.3方差类

3.5.4层间关系类

3.5.5相邻对象关系类

3.6遥感影像形状特征及其提取

3.6.1协方差矩阵

3.6.2绑定盒

3.6.3基本形状特征类

3.6.4位置特征类

3.6.5遥感影像的纹理特征

4模糊分类系统模型的建立

4.1ELU系统简介

4.2遥感影像的多尺度分割

4.3土地覆盖分类体系和标准

4.4模糊分类实现

4.5精度分析

5总结

5.1工作总结

5.2不足与展望

致谢

参考文献

附录