论文部分内容阅读
随着遥感技术的深入发展和人们对图像空间分辨率要求的不断提高,高分辨率遥感图像也变得更加普及。相比于中、低分辨率遥感图像,高分辨率遥感图像有着更丰富的细节信息。因而,对高分辨率遥感图像的信息提取需要综合运用光谱和空间结构信息。由此,面向对象的遥感图像分割和分类方法成为目前的研究热点。面向对象的分割和分类方法以对象(同质性像元的集合)作为基本处理单元,对象比单个像元含有更加丰富的类别信息,能在更多维数特征下表征其类别属性,通过特征的计算和组合,以达到信息提取的目的。通过图像分割算法将图像分割成特征相近的同质性对象区域,在分割的过程中综合光谱、形状、纹理等信息能使分割对象多边形更贴近真实地物边界,后续的特征计算和分类都是在分割对象基础上完成,因此,图像分割是基础,分割效果的好坏决定了分类的精度。分形网络演化方法(FNEA)的多尺度分割是一种比较经典的面向对象分割方法,分割过程结合了对象光谱和几何形状信息,多尺度分割形成的层次网络结构让不同地物都有最适合的分割参数,在避免噪声影响的同时也取得很好的分割视觉效果。另一方面,FNEA方法的分割参数较多,且每一层次都有不同的分割参数,操作繁琐且参数的设置没有严密的数学理论约束,层次越多,人的主观影响越严重。本文基于此点考虑实验一种FNEA单一尺度的分割,通过初始分割对象快速构建和分割效果优化对其进行改进。在此基础上采用模糊分类法将对象分类,通过和多尺度分割的分类效果进行量化对比分析,从数据可知FNEA多尺度分割和改进FNEA分割的分类总体精度都达到了85%以上,Kappa系数0.8以上,都取得很好的分类效果。在城市图像分类中两种分割方法的分类精度几乎一致,郊区图像分类中改进FNEA方法虽然和FNEA多尺度方法的分类精度有所差距但差别不大。研究表明:改进FNEA分割方法比FNEA多尺度分割操作更加简单且初始分割时间效率有很大程度的提高,对象的分类精度也能达到多尺度分割的精度要求,对地物尺度相差越小的图像改进FNEA分割的分类效果也越好。