基于均值漂移算法的遥感图像地物提取及分类

摘要

随着空间遥感技术的快速发展，遥感图像已经被广泛应用到各行各业。由于遥感图像内容包含的范围广、数据大，各部们所关心的内容不同，所以如何将遥感图像中的各个要素准确的分类和提取已经成为目前研究的热点。
　　学者们常用的分类方法主要包括最大似然法、最小距离法、支持向量机法等，但是这些方法都没有充分的考虑各像元间的位置关系，以导致“同物异谱”和“异物同谱”的现象出现，使得最后的分类准确度不高。然而均值漂移算法是一种基于核密度估计的非参数核密度估计算法，不依赖参数的估计以及概率密度函数的选择。均值漂移算法具有运算量小、易于实现等优势，在图像平滑，图像分割以和目标的跟踪等方面已经得到了广泛应用。因此本文根据均值漂移算法的聚类特性，给出了两种遥感图像分类的改进方法。论文主要工作及研究成果概括如下:
　　(1)针对均值漂移算法的聚类特性，以遥感图像为例，讨论了该算法核函数中的两个参数对图像分割的影响。
　　(2)本文利给出了两种改进的遥感图像分类方法，一种是均值漂移算法与支持向量机结合的分类方法，另一种是均值漂移算法与最小距离结合的方法。并从三个方面与常用分类方法进行对比:kappa系数、混淆矩阵以及分类时间。实验结果表明，本文给出的两种改进方法分别在效果与时间上具有显著的优势。
　　(3)本文给出了一种改进的遥感图像要素提取方法，该方法通过引入等高线、二值化、形态学等方法进行改进。该方法在提取河流的效果与运算的时间上都有很好的表现。

目录

声明

摘要

第1章 绪论

1．1 引言

1．2 课题的提出及意义

1．3 国内外研究现状

1．4 论文主要工作

1．5 论文结构安排

第2章 均值漂移算法参数讨论

2．1 引言

2．2 均值漂移算法原理

2．3 参数讨论及实验结果

2．4 小结

第3章 基于均值漂移算法的遥感图像分类

3．1 引言

3．2 常用监督分类方法分析

3．2．1 常用监督分类方法介绍

3．2．2 对比分析及实验结果

3．3 遥感图像分类改进方法

3．3．1 均值漂移算法与支持向量机结合方法

3．3．2 均值漂移算法与最小距离结合方法

3．4 实验结果对比与分析

3．5 小结

第4章 遥感图像要素的提取

4．1 引言

4．2 遥感图像要素直接提取法

4．3 改进方法

4．4 实验结果对比与分析

4．5 小结

第5章 总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果