论文部分内容阅读
随着遥感技术的快速发展,一系列高分辨率遥感卫星陆续升空,高分辨率卫星遥感数据的获取能力大幅提高,人类进入到多源高分辨率地球观测数据获取的新时代。高分辨率卫星遥感使得我们获得了从宏观到微观、从定性到定量的持续对地观测能力,然而,随着卫星遥感图像分辨率的提高,遥感图像的数据量和信息量越来越大,图像内容也更加丰富多样。这种变化,一方面促进了遥感的深入应用,另一方面也给遥感图像数据处理与分析技术带来新的挑战,一系列针对高分辨率卫星遥感图像的信息处理与识别问题也随之出现。遥感信息处理的能力与效率已成为限制高分辨率卫星遥感应用深入发展所面临的突出问题。图像分类作为遥感信息处理与应用的最基础工作之一,其传统的技术与方法已经很难满足高分辨率卫星遥感图像分类的应用需求。因此,研究新的面向高分辨率遥感图像的分类技术体系与方法,对于提高高分辨率遥感图像的信息提取能力,促进遥感应用,具有十分重要的理论研究意义和应用价值。 论文在全面分析和总结遥感图像分类技术研究现状的基础上,针对高分辨率光学遥感图像具有丰富的空间和纹理等信息的特点,围绕分类这一核心问题,开展基于决策融合的高分辨率光学遥感图像智能分类框架及其相关关键技术的研究,并完成了相关算法的实现。论文的主要研究工作和成果如下: 1、高分辨率遥感图像具有丰富的空间结构和细节信息,然而更高的空间分辨率和较少的光谱波段数使得图像中同类地物之间的光谱差异性增强,不同类地物之间的光谱差异性减弱,传统分类技术与方法难以获得高精度的分类结果。针对上述特点,论文提出了一种基于决策融合机制的高分辨率遥感图像智能分类算法框架,它综合应用高分辨率遥感图像的多尺度特性、对象的多源特征和多种分类器的优势,通过决策融合与再分策略,获得高精度的分类结果。 2、对基于决策融合的高分辨率遥感图像智能分类框架中涉及的关键技术进行了深入研究,将自适应决策融合机制引入到高分辨率遥感图像面向对象分割和分类过程,具体包括: 1)研究了多尺度自适应决策融合分割算法。常规的多尺度分割通常从多尺度分割结果中选择某一尺度作为图像最佳分割结果。然而,高分辨率遥感图像具有多尺度特性,不同地物目标的最佳分割尺度不同,选用单一尺度的分割结果很难实现图像中全地物要素的最佳表达。为此,论文基于多尺度分割结果定义了区域多尺度MoransⅠ指数以及临界分割尺度概念,以最大分割尺度作为初始临界尺度,通过多尺度MoransⅠ指数的变化特征逐个判定临界尺度上的区域是否欠分割。如果欠分割,则依据多尺度MoransⅠ指数确定区域的临界分割尺度,进而将当前临界分割尺度作为新的初始临界尺度,依次自适应的递归进行“尺度下推”,直至到达最小分割尺度层或者当前层不存在欠分割区域,进而结合多尺度分割层之间的空间上下文关系,得到自适应决策融合分割结果。该算法有效综合了多尺度分割信息,解决了过分割与欠分割、易分割与精确性的矛盾,获得高质量的分割结果。 2)研究了对象多源特征提取的策略与方法。分析验证了基于空间优化映射机制的对象光谱特征提取方法相比于传统图像融合方法的优势。该方法依据全色与多光谱图像像元之间的空间对应关系,将多光谱像元映射到全色图像的分割区域中,定义了多光谱像元的区域纯度概念并选择区域纯度较高的多光谱像元参与区域特征统计计算,去除边界处区域混合多光谱像元的影响,实现区域光谱特征空间的优化。在分析传统区域纹理特征提取方法的边界效应及存在移动窗口大小的选择问题基础上,研究了基于区域自身形状的纹理特征提取方法,以区域自身的形状作为基本统计窗口,在计算的过程中定义了像元邻域区域纯度的概念,剔除邻域纯度低的点,消除了移动窗口大小和边界效应对区域整体纹理特征的影响。实验证明了该方法的有效性和优势。 3)研究了基于决策融合机制与再分类策略的分类框架,主要包括:基于类别空间映射和区域再分的分类方法,将全色与多光谱像元之间的空间对应关系扩展到全色图像分割结果与多光谱像元分类属性的对应关系,依据类别空间映射实现全色图像的初始分类,进而应用对象的空间上下文关系和光谱特征进行未决策区域的再分,应用Quickbird数据进行实验,取得了79.46%的总体分类精度,相比于基于像素的SVM分类提高到了11.3个百分点,相比于传统面向对象的分类提高了5.5个百分点;分析了基于投票表决和概率加权两种决策融合模式的特点,研究了投票“软决策”和未决策区域再分的决策融合模式,针对多特征单分类器、单特征多分类器和多特征多分类器三种模式的多分类结果进行决策融合,多特征包括对象的光谱、纹理、植被指数特征及其三种特征的组合,多分类器包括支持向量机、神经网络、CART决策树、C5.0决策树、随机森林和KNN,多特征单分类器决策融合取得了79.86%的总体分类精度,相同特征多分类决策融合取得了77.66%的总体分类精度,多特征多分类器决策融合取得了80.31%的最高总体分类精度;研究了异常分类结果检测与再分方法,依据地物的面积、矩形度等形状特征和不同类别地物之间的空间位置逻辑关系进行异常分类结果的检测,并应用对象的光谱特征和空间上下文关系进行修正,有效消除地物分布的空间逻辑错误,优化了分类结果,相比于基于SVM的基础分类结果,基于区域面积特征的异常分类结果检测与再分结果总体精度提高了0.7个百分点,基于阴影与建筑物空间上下文关系特征的异常分类结果检测与再分结果总体精度提高了0.9个百分点,基于空间上下文关系和形状特征的异常分类结果检测与再分结果总体精度提高了1.4个百分点;实现多源遥感数据特征的融合与分类。 3、以QuickBird、SPOT-5等高分辨率卫星遥感图像作为数据源,进行了系列实验。实验结果表明,基于决策融合机制的高分辨率遥感图像智能分类方法可以将高分辨率遥感图像的全色与多光谱数据信息有机耦合,实现对象的多源特征和多分类器的优势互补,有效提高高分辨率遥感图像分类的精度。