学位论文 > 优秀研究生学位论文题录展示

基于QuickBird影像土地利用信息提取研究

作　者: 蒋永涛
导　师: 湛洪举；邓良基；任国业
学　校: 四川农业大学
专　业: 土壤学
关键词: 纹理面向对象影像分析多尺度分割精度评价
分类号: TP751
类　型: 硕士论文
年　份: 2009年
下　载: 309次
引　用: 1次
阅　读: 论文下载

内容摘要

本研究以QuickBird影像为基础,选取了成都郫县古城镇4km~2范围为试验区,在遥感分析软件ENVI的支持下,提取不同滑动窗口对比度纹理,分别与多光谱数据组合,参与SVM分类,并根据类别的可分性,寻找不同地物的最佳纹理窗口,将获取的不同窗口纹理用于多窗口影像分类。在Definiens软件支持下,进行面向对象影像分类,将纹理信息引入影像的多尺度分割,建立模糊分类规则,综合运用模糊分类法和最邻近分类法,对研究区土地利用信息进行提取,并对不同分类方法下提取结果作比较。根据分类影像计算出分类混淆矩阵及精度评价参数,对分类结果进行了精度分析与评价。为全国第二次土地调查、土地利用动态监测与更新、作物估产及遥感专题信息的准确、快速提取提供一定的技术支持。研究结论如下:①通过类别的可分性(J-M距离)计算了不同地物的最佳分离度窗口。其中耕地的最佳可分性在3×3窗口,水体的最佳可分性在5×5窗口,园地、林地的最佳可分性在13×13窗口,裸耕地的最佳可分性在15×15窗口,居民点的最佳分离度在17×17窗口。②不同滑动窗口纹理和光谱组合的提取方式,比光谱提取方式的分类精度均有较大提高,其中精度最高的为11×11滑动窗口纹理参与的分类。③3×3、11×11、17×17三个滑动窗口纹理组合的影像分类,Kappa系数为0.7370,OA为79.42%,比3×3、17×17两个窗口纹理组合的分类精度高。多窗口纹理参与的分类,其精度都高于单一纹理窗口,多窗口纹理能够更好地描述地物的纹理特征,更有效解决分类结果中的地物分布破碎问题。④面向对象的分类方法可以提高分类的精度。研究表明,面向对象分类OA为87.22%,Kappa系数为0.8363,与多纹理参与的监督分类相比,OA提高了7.80%,Kappa系数提高了0.0993。⑤纹理信息作为波段用于影像的多尺度分割,降低了地物光谱异质性影响,使分割结果更趋于合理。综合运用模糊分类器和最邻近分类器,便于各分类器充分发挥自己的特长,分类结果更为合理。⑧选取了1000×1000像素为验证区,对多纹理参与的监督分类和面向对象分类结果进行类别与精度的验证。其中多纹理参与的监督分类,类别精度为84.00%,面积精度为86.36%,分类总体精度为72.54%;面向对象分类的类别精度为92.00%,面积精度为92.18%,总体分类精度为84.80%。

全文目录

摘要  4-5
Abstract  5-9
1 绪论  9-17
  1.1 研究背景与意义  9
  1.2 文献综述  9-14
    1.2.1 纹理分析研究综述  9-11
    1.2.2 面向像元影像分类  11-13
    1.2.3 面向对象影像分类  13-14
  1.3 研究目标、内容、技术路线  14-17
    1.3.1 研究区概况  14
    1.3.2 研究目标  14-15
    1.3.3 研究内容  15-16
    1.3.4 技术路线图  16-17
2 材料与方法  17-27
  2.1 数据源  17
  2.2 灰度共生矩阵纹理提取方法  17-19
    2.2.1 灰度纹理提取原理  17-18
    2.2.2 常用灰度纹理  18-19
  2.3 面向对象影像分析方法  19-25
    2.3.1 多尺度分割  19-22
    2.3.2 分类体系  22-23
    2.3.3 分类方法  23-25
  2.4 分类精度评价方法  25-27
3 郫县古城镇土地利用信息提取  27-49
  3.1 影像预处理  27-30
    3.1.1 最佳波段组合  27-28
    3.1.2 影像融合  28-29
    3.1.3 几何校正  29-30
  3.2 影像特征分析  30-34
    3.2.1 光谱特征分析  30-31
    3.2.2 植被指数分析  31-32
    3.2.3 纹理特征分析  32-33
    3.2.4 形状特征分析  33-34
    3.2.5 类间关系分析  34
  3.3 基于不同窗口纹理参与的影像分类  34-41
    3.3.1 分类样本的选取  34-35
    3.3.2 分类器的选择  35-36
    3.3.3 灰度纹理量的筛选  36-38
    3.3.4 单一窗口纹理参与的影像分类  38
    3.3.5 多窗口纹理参与的影像分类  38-41
    3.3.6 分类后处理  41
  3.4 基于对象的影像分类  41-49
    3.4.1 图像多尺度分割  41-44
    3.4.2 分类层次结构的建立  44-45
    3.4.3 模糊分类规则的建立  45-47
    3.4.4 最邻近分类与特征空间优化  47-49
4 分类结果评价  49-56
  4.1 单一窗口纹理参与分类精度评价  49-50
  4.2 多窗口纹理参与分类精度评价  50-52
  4.3 面向对象分类精度评价  52-53
  4.4 面向对象分类与面向像元分类比较  53-54
    4.4.1 理论基础  53
    4.4.2 目视效果  53
    4.4.3 分类精度  53-54
  4.5 方法验证  54-56
5 结论与展望  56-58
  5.1 主要结论  56-57
  5.2 研究展望  57-58
参考文献  58-61
致谢  61-62
攻读硕士期间发表论文  62

基于QuickBird影像土地利用信息提取研究

内容摘要

全文目录

相似论文