论文部分内容阅读
遥感影像分割(Remote Sensing Image Segmentation,RSIS)是将影像划分成具有不同特性且互不重叠的分割对象的过程,良好的分割结果对提高影像地物信息的提取和目标地物的识别精度有很大帮助。遥感卫星获取数据的技术发展速度增快以及得到的图像分辨率的增高,从而出现了高空间分辨率遥感影像(High Spatial Resolution Remote Sensing Image,HSRRSI)。HSRRSI中的地物复杂多样,且除了光谱信息还具有丰富的纹理、结构和形状特征。当前高空间分辨率遥感影像分割(High Spatial Resolution Remote Sensing Image Segmentation,HSRRSIS)存在两方面的问题:一方面是由于地物复杂多样,单一尺度的分割方法很难对影像中所有地物进行准确分割;另一方面是传统的RSIS方法不能利用HSRRSI的所有特征进行分割,充分利用这些特征有利于提高遥感影像的分割精度。但是随着加入的HSRRSI的特征越来越多,会使得影像的特征维数增多,从而出现“维数灾难”这一难以解决的问题。为解决以上两方面的现存问题,本文研究了基于稀疏表示(Sparse Representation,SR)进行特征选择的HSRRSI的多尺度分割(Multi-scale segmentation,MSS)方法,具体的研究方法介绍如下:(1)MSS参数的选择。本文HSRRSI进行MSS预分割,要先确定该预分割过程中的尺度、形状因子和紧致度因子参数。利用RMAS指数法选择确定各类地物的尺度;利用最大面积法定量确定适合各类地物分割的最佳形状和紧致度因子参数。最后,将获得的最优分割参数加入到eCognition 9.0软件上作MSS实验。(2)基于SR的HSRRSI特征选择。HSRRSI存在丰富的光谱信息、纹理、结构和形状特征,充分利用这些特征进行分割在提高分割精度的同时易造成“维数灾难”。SR根据稀疏系数值判断训练样本特征的重要性,对训练样本进行SR特征选择降维,是一种有效的监督特征选择算法。因此本文利用Scikit-learn库中基于L1正则化SR的方法对HSRRSI进行最优特征空间选择,从而删除掉冗余和不相关的特征。(3)基于均值漂移算法(Mean Shift,MS)的多特征空间聚类分割。RSIS问题可以看成是对遥感影像特征的聚类问题,因此多特征空间聚类是HSRRSIS的一种有效方法。本文利用基于SR的HSRRSI特征选择方法,研究了MS多特征空间下的聚类分割法。然后基于数学形态学将联通物体在空间上隔开,进而对聚类分割结果进行进一步细化。本文以章贡区的地物类型覆盖不同的两个研究区域R1和R2为例,R1区域地物类型简单,以厂房和居民住宅用地混合分布为主,其次包括交通用地和其他地物类别。R2区域地物类型更加复杂,包含耕地,林地,住宅用地,交通用地,水域用地,其他土地六种地物类型。本文以Geoeye-1 HSRRSI为数据源,进行了一种基于SR的多尺度HSRRSIS方法研究。并以平均像素精度(mean pixel accuracy,MPA)和均交并比(mean intersection over union,MIOU)作为精度衡量指标,来全面对比分析了不同稀疏度下和不同尺度下本文所提分割算法的精度。对于R1区域,others地类的稀疏度为1000时,MPA达到89.99%,MIOU达到78.66%。residence和transportation两种地类的稀疏度为10000时,MPA达到91.42%,MIOU达到76.87%。此时各种地类的聚类分割效果较好。对于R2区域,residence和arable两种地类的稀疏度为1.0时,MPA达到79.44%,MIOU达到69.88%。others地类的稀疏度为10时,MPA达到88.18%,MIOU达到81.88%。transportation地类的稀疏度为1.0时,MPA达到82.59%,MIOU达到77.97%。woodland地类的稀疏度为100时,MPA达到91.26%,MIOU达到79.41%。water地类的稀疏度为100时,MPA达到91.57%,MIOU达到80.95%。此时各种地类的聚类分割效果较好。