遥感影像面状地物半自动提取方法的研究

摘要

近年来，随着空间技术和信息技术的飞速发展，高分辨率遥感卫星已可以为人类提供高清晰、大容量的遥感卫星影像。根据高分辨率的遥感图像细节信息丰富、地物几何结构明显的特点，从遥感影像中获取目标信息已成为空间信息更新的重要手段，并且已广泛的应用于国民经济生产和军事目标侦察等领域。本文从目标地物提取和目前生产作业的实际出发，以不规则面状地物的半自动提取与精确定位为研究内容，重点解决了遥感影像中一些典型面状地物（如大面积的建筑物、水域、植被等）高精度地半自动目标分割与边界精确定位的问题，其关键点是机器学习、图像分割、目标模式提取等一系列相关技术。 本文提出了一种新的半自动提取面状地物的方法，它能够用随意给定的前景和背景曲线准确地提取出感兴趣的区域。算法首先提取前景和背景曲线上的像素作为分类样本，并使用SVM得到最初的分类效果。并在此基础上，综合利用分类对象的光谱特征和形状特征信息，进行区域合并。最后，采用一种自动停止区域合并的准则确定最终合并结果。 支持向量机（Support Vector Machine，SVM）作为一种最新的也是最有效的统计学习方法，近年来成为模式识别与机器学习领域一个新的研究热点。遥感图像分析与处理是SVM应用一个热门的研究方向[1]。支持向量机基于研究小样本情况下机器学习规律，以结构风险最小化为准则，对实际应用中有限训练样本的问题，表现出很多优于已有学习方法的性能。在遥感图像的分类研究中，应用SVM分类的优点是数据无需降维，并且在算法的分类精度和速度方面都有较好的性能。本文研究了支持向量机在高光谱遥感图像的局部分类中的应用。实验表明，在一般情况下用SVM实现的初步分类效果已经能够基本将前景和背景区域区分出来，精度高，分类速度快。 图像分割形成的区域是图像对象的形状表述，分割的好坏将直接影响到对图像分析、识别和解译等的精度。本文提出了一种基于区域合并的分割方法，此方法综合利用遥感图像的光谱特征和形状特征信息来描述区域对象的特性，并在此基础上给出两个相邻区域的合并代价，通过对合并代价进行限制。在由SVM进行初步图像处理后，对图像中的区域进行进一步合并，提高图像提取的精度。为提高遥感图像分割的效率，使用分块策略对区域邻接图进行划分。实验证明，这种方法精度较高，同时效率有了较大的提高。 上海交通大学遥感科学实验室依托上海市科委重点项目“基于影像内容的自动搜索和特定目标的变化检测与更新技术研究”（NO.055115018），设计实现了面向对象的遥感图像处理平台ELU。本文结合该项目而进行，对不规则目标地物提取、图像分割、机器学习等问题进行研究，并完成了ELU系统中对应模块的设计和实现。