基于纹理信息的高分辨率无人机遥感图像分割

摘要

虽然近年来高分辨率遥感影像数据呈现急剧性增长，但日益增长的数据需求与落后的影像分析技术之间的矛盾却越来越突出,造成的原因主要是落后的影像分析技术不能把原始的遥感影像数据转化为工程应用中所需的数据。图像分割是从图像处理到图像分析的关键步骤，在图像工程中占有重要的地位。所以有必要对图像分割相关的两个方面进行了一定的分析和改进。
　　第一个方面是向对象影像分割算法分析和改进。在分析了面向对象的边缘检测和区域增长法两种面向对象影像分割方法的基础上，重点对区域增长法从两个方面进行了改进：第一，设计了新的增长规则；第二，增加了异质点去除环节。这样使算法减少过分割现象并在抗噪声方面也得到提升，最终使图像分割质量得到了有效的提升。
　　第二个方面是对纹理信息提取技术的研究。对比分析了Tamura纹理和灰度共生矩阵两种纹理信息提取方法重点对灰度共生矩阵各参数对纹理特征的影响进行深入的研究。为了使通过共生矩阵能得到更合理的纹理特征，首先对10种纹理特征间的相关性进行分析，从而选出具有代表性的纹理。然后对开窗大小与各纹理特征的间的关系进行分析，从而为计算共生矩阵时的开窗大小选择提供依据。
　　最后按照前面的研究结果把纹理特征和光谱特征结合起来对高分辨率无人机遥感影像进行了面向对象的分割，并进行了相应的定性和定量分析。定量分析方面与不考虑纹理信息的分割结果通过优度实验法进行了对比研究。结果表明考虑了纹理信息的面向对象分割能更真实有效的反映图像中地物目标的整体结构，为进一步有效的地物分类提供保障。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 选题依据与研究意义

1.2 纹理分析的研究现状及发展趋势

1.3论文主要章节结构

第二章 面向对象影像分割算法分析和改进

2.1 面向对象技术的理论基础

2.2 面向对象的边缘检测方法

2.3 区域增长法

2.4 区域增长法的改进

2.5本章小结

第三章 纹理信息提取方法

3.1纹理特征谱

3.2基于Tamura纹理的方法

3.3 基于共生矩阵的方法

3.4 本章小结

第四章 基于共生矩阵的无人机遥感图像的面向对象分割

4.1 数据准备

4.2 实验区纹理信息的提取

4.3分割算法实现

4.4分割结果及视觉对象化

4.5实验结果评价

4.6 本章小结

第五章 结论与展望

5.1 内容总结

5.2 研究展望

致谢

参考文献

在学期间的研究成果