论文部分内容阅读
随着卫星遥感成像技术的快速发展,所获取的地面图像的分辨率越来越高,并且能够获得全天候、全方位的实时数据。因此,运用高分辨率遥感图像对地物目标进行信息提取,可以避免繁琐的人工调查,提高工作效率。建筑物作为一类重要的地物目标,利用遥感图像对其进行信息提取在数字化城市的创建、地理信息更新及军事目标监测等方面有着重要意义和实际应用价值。本文在前人的工作基础上,深入研究了基于高分辨率遥感图像的建筑物信息提取所涉及的若干技术,包括建筑物遥感图像增强、建筑物遥感图像分割、建筑物边缘检测及建筑物区域识别,主要工作如下:首先,研究了一种基于Contourlet变换和L1范数边缘保持滤波的建筑物遥感图像增强方法。对建筑物遥感图像进行Contourlet变换,得到低频分量和高频分量,采用非线性变换处理高频分量,增强边缘细节,同时利用基于L1范数的边缘保持滤波对低频分量进行增强,最后通过Contourlet逆变换得到增强图像。实验结果表明,与近几年提出的4种方法相比,该方法无论是在主观视觉效果还是客观评价指标上都更具优势。其次,提出了一种基于混沌布谷鸟优化的二维Tsallis交叉熵建筑物遥感图像分割方法。利用Tsallis交叉熵综合考虑分割前及分割后图像信息的差异性和关联性的特点,首先给出了二维Tsallis交叉熵的阈值选取公式,再采用布谷鸟搜索（Cuckoo Search,CS）算法优化二维阈值的选取过程,同时为了进一步缩短运行时间,引入由Logistic映射生成的混沌序列以提高布谷鸟搜索算法的后期收敛速度,最后利用得到的最优二维阈值对建筑物遥感图像进行分割。实验结果表明,所提方法与二维倒数交叉熵法、二维Tsallis熵法、基于混沌粒子群优化（Chaotic Particle Swarm Optimization,CPSO）的二维Tsallis灰度熵法等方法相比,分割得到的建筑物目标更为准确,细节更为清晰,且运算时间更短。然后,讨论了一种基于复Shearlet域模极大值和Hough变换的遥感图像建筑物边缘检测方法。对建筑物遥感图像进行基于复Shearlet变换的多尺度分解,获得一个低频分量和一系列的高频分量,利用Hough变换检测低频分量得到低频边缘图像,对高频分量使用方向模极大值方法进行检测,得到纹理丰富的高频边缘图像,采用加权求和的方式将低频边缘图像和高频边缘图像组合,并进行伪边缘抑制,最终检测出完整的建筑物边缘。实验结果表明,在主观视觉效果、峰值信噪比（Peak Signal to Noise Ratio,PSNR）等方面,该方法与Canny方法、小波模极大值方法、Shearlet模极大值方法相比综合性能更优。最后,利用中值鲁棒扩展局部二值模式（Median Robust Extended Local Binary Pattern,MRELBP）作为纹理特征描述,Franklin矩作为形状特征描述,提出一种基于MRELBP特征、Franklin矩和布谷鸟优化支持向量机（Support Vector Machine,SVM）的遥感图像建筑物区域识别方法。由MRELBP纹理特征算子计算得到图像的纹理特征向量,用Franklin矩不变量得到形状特征向量,将纹理特征向量和形状特征向量组合成综合特征向量,然后利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对支持向量机的核函数参数和惩罚因子进行优化,最后利用训练好的支持向量机对图像进行分类,得到建筑物区域识别结果。实验结果表明,与基于RGB的SVM分类方法、基于LBP的SVM分类方法、基于Zernike矩的SVM分类方法相比,该方法所识别的遥感图像建筑物区域准确度更高。