论文部分内容阅读
针对高分辨率遥感图像的研究越来越多,相对于中低分辨率遥感图像,它具有丰富的空间信息,如形状信息和纹理信息。利用传统的基于像素光谱信息的方法对高分辨率遥感图像进行分类,分类结果图存在大量的椒盐噪声,分类效果不是很理想。本文对高分辨率遥感图像进行分类研究,采用了面向对象的分类方法,首先经图像分割产生图像对象,然后分析和提取对象的属性特征,最后根据有效的特征信息完成对象的分类。本文主要研究了结合分水岭变换和区域合并的分割算法,既保持了分水岭分割能够产生单像素宽闭合边界,效率、准确率高,以及稳定性和适用性强的优势,又在一定程度上克服了过分割现象,其分割结果与专业的面向对象的智能图像处理软件eCognition分割结果相当。在提取对象的特征信息时,除了常用的光谱特征,本文还提取了纹理特征、形状特征。实验证明对象的形状或纹理信息的加入可以区分“同谱异物”问题,但用来描述对象的特征不是越多越好,需要择优组合。在具体分类方法的选择方面,本文着重研究了基于支撑向量机(Support Vector Machine, SVM)和基于概率潜在语义分析(Probabilistic Latent Semantic Analysis, PLSA)模型的两种分类方法。第二种分类方法将PLSA和SVM结合应用于高分辨率遥感图像分类,并利用LSA初始化PLSA模型参数对PLSA进行改进,在一定程度上解决了EM算法随机初始化引起的局部最优和过拟合问题,取得了理想的分类效果。为了对比不同方法的分类效果,本文使用了最近邻分类、基于支撑向量机分类以及基于概率潜在语义分析模型的分类三种方法对北京某地区SPOT-5高分辨率遥感图像进行面向对象的分类实验,同时还利用传统的基于像素的分类方法——最大似然分类对同一实验数据进行分类。定性和定量地分析各分类结果,可以看出：面向对象的方法产生的分类结果图更具有完整性,较之基于像素的分类方法,总体分类精度提高了约20%,总Kappa系数提高了约0.2。