基于模式识别方法的多光谱遥感图像分类研究
  • 【摘要】

    随着遥感传感器和平台技术的不断发展,其获得的以遥感图像数据为代表的地理空间数据无论从质量和数量上都有巨大提高,种类也日益丰富。遥感图像目前广泛应用于区域以及全球尺度土地利用(Land Use)和地表覆盖(Land Cover)变化的研究领域,而且从遥感图像中提取的各种专题信息也是政府部门制定相关决策的重要信息依据。然而,地理空间数据具有内在的异质性、复杂性和不精确性等特点,地理现象的信息表达也普遍... 展开>>随着遥感传感器和平台技术的不断发展,其获得的以遥感图像数据为代表的地理空间数据无论从质量和数量上都有巨大提高,种类也日益丰富。遥感图像目前广泛应用于区域以及全球尺度土地利用(Land Use)和地表覆盖(Land Cover)变化的研究领域,而且从遥感图像中提取的各种专题信息也是政府部门制定相关决策的重要信息依据。然而,地理空间数据具有内在的异质性、复杂性和不精确性等特点,地理现象的信息表达也普遍存在模糊性和不确定性。因此,数字遥感图像专题信息提取方法在实际应用中面临着巨大的挑战。
      模式识别(Pattern Recognition)是人工智能领域(Artificial Intelligence)的重要分支之一,同时也是一项融合统计学、认知科学和信息科学等多个学科的交叉研究课题,其理论和技术在众多领域得到成功应用,而在遥感领域中,应用基于计算机技术的模式识别方法对多光谱遥感图像数据进行土地利用/地面覆盖分类是最常用的一种专题信息提取手段,尤其在处理实际应用问题时效果显著。
      本文以模式识别方法在遥感图像处理和其他领域中的应用为线索,力图找到模式识别方法在多光谱遥感图像专题分类的应用契合点。根据当前多光谱遥感图像分类的研究现状和发展趋势,从多光谱遥感图像的光谱特性出发,以提高遥感图像分类精度为目标,提出一种基于局部联合直方图的多光谱遥感图像特征提取方法和基于K-均值(K-means)聚类集成的多光谱遥感图像分割算法,并在此基础上进行基于对象的遥感图像分类。本文研究的主要工作及贡献如下:
      1.对现有的应用于遥感图像专题信息提取的相关模式识别方法进行较深入研究并做出较全面的总结和概括。
      首先,介绍了模式识别系统的基本工作流程;其次,对特征提取和分类器设计两个环节进行了较详细的论述,包括主成分分析(Principal Component analysis,PCA)、独立成分分析(Independent Component Analysis,ICA)、监督分类、非监督分类、多分类器集成等遥感图像专题分类中常用的模式识别方法,这两者也是本文工作重点所在;最后,对本文实验中所采用的分类精度评价方法和指标等作简要介绍。
      2.提出基于局部联合直方图的多光谱遥感图像特征提取方法。
      遥感图像的直方图本质上是遥感图像光谱特征的一种统计信息,现有基于直方图的图像分割方法实质上是一种针对直方图的多阈值操作。但是(全局)直方图在对内容比较复杂图像进行分割时的分离性较差,且很少用于遥感数字影像分类。遥感图像中一个像元所反映的来自地表的表观信号有较多分量是来自其周围地物,所以选择局部直方图作为遥感图像分割的特征。首先对多光谱遥感图像进行预处理、量化;然后在每个波段中计算每个像元的局部直方图,最后通过连接操作为每个像元生成局部联合直方图。其中,量化过程既降低遥感图像数据中的冗余信息,减小了噪音和异常(Outlier)数据的影响,又保存了分割所必须的边界信息;而局部直方图不仅包含了像元的光谱信息,还隐含了(邻域)空间信息。随后的实验结果验证了本文提出的特征提取方法在多光谱遥感图像分割中的有效性。
      3.提出基于K-均值聚类集成的多光谱遥感图像分割算法。
      本文以多分类器集成在多光谱遥感图像分类中的成功应用为线索,针对多光谱遥感图像特性提出一种无监督(K-均值)聚类集成分割算法。首先根据各波段间的相关性,将多光谱图像划分为不同的波段子集,再形成若干波段组合;计算各个波段组合中每个像元的局部联合直方图,并在以此为像元特征的每个波段组合上应用K-均值聚类算法,从而得到多个分割结果(初步分割过程);最后再对这些分割结果应用一次同样的K-均值聚类算法,得到最终分割结果(精化过程)。不同的波段组合突出了不同的地物信息,有利于某些地物的识别,而多个波段组合上聚类结果的集成比较全面地综合了各种地物信息,避免了地物识别的片面性,从而提高了更多种的地物识别率。以人工合成和实际Landsat-7 ETM+数据集为数据源进行图像分割实验,实验结果表明,本文提出的分割算法优于其他参与实验的方法,验证了其可行性和有效性,而且更好地克服了分割不足和过分割现象。
      4.针对本文分割算法得到的分割区域(Patches)对象,应用有监督分类算法,利用分割得到的对象,实现了基于对象的遥感图像分类。
      传统基于单个像元的分类方法分类结果常会出现“椒盐”现象(Salt-and-pepper,出现在分类结果图中大量孤立的错分点或小图斑),不利于专题地图制图与实际应用,其主要原因是没有充分利用空间、纹理、结构、上下文等信息,基于对象的分类克服了这些不足。较好的分割结果必然导致精度较高的分类,针对人工合成和实际Landsat-7 ETM+数据集的分类实验验证了本文中基于对象的多光谱遥感图像分类方法在很大程度上提高了有监督分类的精度。因此,本文中基于对象分类技术也可以作为一种遥感图像分割评价指标,相关实验也间接定量验证了本文提出的分割算法优于其他参与实验的分割方法。
      论文的创新之处主要体现在利用局部联合直方图作为多光谱遥感图像分割的特征,兼顾了遥感图像的光谱信息和空间信息,且有效地克服了传统的特征提取方法(PCA和ICA)对噪音和异常数据极其敏感的缺点;使用基于K-均值聚类集成策略对多光谱遥感图像进行分割,提高了更多种地物的识别率,有效抑制了分割不足和过分割现象;利用分割得到的分割区域对象,实现了基于对象的多光谱遥感图像分类,达到较高的分类精度。 收起<<

  • 【作者】

    杨威 

  • 【学科专业】

    地图学与地理信息系统

  • 【授予学位】

    博士

  • 【授予单位】

    东北师范大学

  • 【导师姓名】

    孙铁利

  • 【学位年度】

    2011

  • 【语种】

    chi

  • 【关键词】

    多光谱遥感图像  模式识别方法  数据处理  地理信息