基于FNEA的面向对象分类及其在高铁线路提取中的应用

摘要

遥感图像在面向对象分类处理过程中，避免了“同物异谱”和“同谱异物”现象对图像分类效果的影响，为高分辨率遥感图像地物提取创造了更好的条件。本文以遥感图像地物提取的具体应用为背景，在回顾和总结国内外研究进程及现状的基础上，通过对现有分类器的介绍，进一步对遥感图像面向对象处理中图像分割这一重点内容进行研究。面向对象图像处理通常会遇到分割方法及分割参数优选的问题，通过反复的实验对比可能会得到较好的分类效果，但存在效率低、可重复性不强等问题，采用分割参数优选工具或算法对图像进行分割参数的预测，是一种有效进行面向对象分类处理的方法。　　针对以上内容，本文研究面向对象图像分割过程中不同分割方法及不同分割参数对图像的影响，通过支持向量机（Support Vector Machine，SVM）、决策树分类（Classification And Regression Tree，CART）及K最邻近算法（K Nearest Neighbor，KNN）三种面向对象分类器对分割后图像进行分类处理。最后，将面向对象的遥感图像分类方法应用在高速铁路线路提取的具体实例中。主要工作和成果如下：　　（1）介绍Mean Shif分割、Watersheds分割、棋盘分割、四叉树分割、分形网络演化方法（Fractal Net Evolution Approach，FNEA）、光谱差异分割六种不同多尺度分割方法，比较得出基于FNEA多尺度分割方法在不同的遥感图像分割过程中具有较好的适用性；　　（2）引入作为图像光谱特征的均值及标准差，图像几何特征的形状指数，并考虑分割时间、分割对象数量、分割对象最大面积进行图像分割评价，描述不同分割参数下这些指标随尺度转换的变化趋势，对分割结果进行总结发现尺度参数在30-60之间时图像分割效果较好，能反映出不同地物之间的差异性；　　（3）通过ESP工具对IKONOS遥感图像进行分割参数预测，设置不同的对比参数与预测参数进行面向对象分类比较，实验结果表明基于 ESP 的分割参数优选方法在遥感图像面向对象分类过程中具有可行性，能更直接的反映出图像分割参数，并在一定程度上可以提升面向对象图像分类处理的效率。另外，在本文实验的三种分类器中，基于KNN 分类器的面向对象图像分类具有更好地推广性，分类效果远高于同一参数下的CART及SVM分类器分类效果，且SVM分类器分类效果相对较低；　　（4）基于前期研究及对实验结果的总结，利用面向对象最优尺度选择方法及KNN分类器对高速铁路线路提取的具体应用。对实验定性和定量评价可得出，面向对象的图像分类方法在遥感图像特定地物提取的过程中具有一定的优越性。

目录

声明

1 绪论

1.1 研究意义

1.2 国内外研究现状

1.3 研究目标和内容

1.4 论文组织结构

2 面向对象分类方法

2.1 支持向量机分类

2.2 CART决策树分类

2.3 K最邻近分类

2.4 面向对象的图像分析流程

2.5 本章小结

3 面向对象的多尺度分割方法的比较

3.1问题的提出

3.2典型的图像分割方法

3.3 六种多尺度分割方法的比较与分析

3.4本章小结

4 基于FNEA的多尺度分割参数的比较

4.1 问题的提出

4.2 实验数据与方法

4.3 实验结果与分析

4.4 本章小结

5 基于FNEA的多尺度分割参数的优选

5.1 问题的提出

5.2 多尺度分割参数优选

5.3 实验数据与方法

5.4实验结果与分析

5.5 本章小结

6 基于FNEA的多尺度分割在高铁线路提取中的应用

6.1 问题的提出

6.2 实验数据与方法

6.3 实验结果与分析

6.4 本章小结

7 总结与展望

7.1 总结

7.2 展望

参考文献

致谢

攻读硕士学位期间发表的论文与主要学术活动