高分辨率遥感影像面向对象分类（中期报告）

毕业设计（论文）中期报告题目：高分辨率遥感影像面向对象分类1.论文工作是否按开题报告预定的内容及进度安排进行本次研究的内容是实现《高分辨率遥感影像面向对象分类》，高分辨率的遥感影像能够将丰富的地物细节及几何特征清晰的记录下来，所以在多个领域有非常广泛的应用。为了方便从影响中提取出有效的信息，所以本次对面向对象遥感影像分类技术进行研究。本次研究主要从以下三个方面实现：第一，通过研究影像分割算法的原理和实现过程，从初分割和区域合并两个方面提高影像分割的效率和精度。影像分割算法研究指为了提高影像分割效率，本文初分割算法采用只需一趟扫描的分水岭分割算法，为了改善分水岭分割都存在的过分割问题，采用动态阈值的标记分水岭分割方法对遥感影像进行初分割，大大改善了影像的初分割效果。为了进一步优化初分割影像对象，采用区域邻接图RAG(Region Adjacency Graph)表达相邻区域的邻域关系，基于光谱形状结合的区域合并准则对初分割结果进行合并，通过设置不同合并阈值获取不同尺度下的分割结果，探索影像分割的最优尺度。第二，研究对象特征量化方法和不同对象特征对分类结果的影像，对象特征分析和组合是研究影像对象的光谱、形状和纹理特征，分析不同地物类型各特征之间的关系：根据不同的分类目的，选取合理的特征组合，从光谱、形状和纹理等多个角度精炼分类结果，提高地物提取的精度。第三，选择支持向量机(SVM)分类方法和最邻近方法对影像对象进行分类，实现了高分辨率遥感影像提取。高分辨率遥感影像面向对象分类。采用SVM算法和最邻近分类算法对不同遥感影像进行分类实验，实现了面向对象的高分辨率遥感影像分类，并对比分析两种方法在面向对象分类时的优缺点。并采用的分割算法实现了遥感影像区域动态初分割，一定程度上改善了传统分水岭算法的过分割现象：运用本文面向对象分割和分类算法对资源三号卫星影像和WorldView-2影像进行初分割、多尺度区域合并及面向对象分类，通过实验证明了面向对象信息提取方法具有可行性并存在一定的优势。（希望能在WorldView-2中添加实验性证明的照片。)本次设计基本是按照开题报告的内容及进度安排进行的，在写作过程中部分章节处有调整。具体进度如下：2021.11.03-2012.12.10:经过资料的收集并与导师沟通后确定本次研究的课题为高分辨率遥感影像面向对象分类，搜集大量与课题相关的资料，并进行加工整理，总结研究遥感影像面向对象的分类技术发展现状，发现目前存在的问题，构思论文雏形。2021.12.10-2021.02.28:利用面向对象分析方法中的多尺度分割法对影像进行分割研究。2022.03.01-2022.05.08:总结利用分割出来的影像提取对象的特征，光谱特征、形状指数特征、纹理特征（包括分形纹理指数和形态学纹理等）等。2022.03.09-2022.03.08:在分割的时候通过地物呈现出的空间形态选择合适的数据进行分割，并从分割对象中分别提取对象的，为后期地物分类提供有效的对象描述信息根据获得的信息对结果进行向量机分类。2022.06.01-2006.05.15:总结研究成果，撰写论文从当前论文研究的进度来看，与最初开题报告中对论文进度的基本一致，在论文书写的过程中，遇到了一定的难题，在导师的帮助下已经得到良好的解决。2.已完成的研究工作及成果目前，本次对论文的研究已经初步完成了对遥感影像分割方法的研究及面向对象特征量化和组合两项工作。经过研究取得的成果：第一，研究遥感影像分割方法后确定本次研究将选择三种遥感影像分割方法，分别是：传统分水岭算法、动态阈值标记分水岭分割法及多尺度区域合并法。传统分水岭算法：该算法从水浸入的角度来看，假设水从极小区域底部开始浸入，当不同积水盆地中的水面不断升高到将要汇聚在一起时，便会筑起一道堤坝便是分水线。该算法把图像理解为三维可视化的地形，即将影像梯度值当做地面的高程值来显示，分水岭算法是根据自然界中水浸没的规律，即地形处于低洼的地段先被浸没。（这边要加有相关的图片)分水岭算法的优点是需一遍扫描，分割效率高，分缺点就是分割结果存在比较严重的过分割现象。动态阈值标记分水岭分割法：此方法能够提高初分割的效率的同时改善统分水岭严重过分割的现象。标记是指某一对象内部同质性好的连通像素集合，其梯度值一般较低，标记像素可以理解为区域分割时区域增长的种子点。标记的目的是在分水岭变换之前大大减少梯度图像中的伪局部极小值点，从而从根源上减少过分割的区域。动态阈值标记分水岭分割算法采用梯度影像阈值分割的方法来区分标记像素和待分割像素。遥感影像不同于普通图像，其地物繁杂，不同区域的不同地物特征差异明显，采用单一的全局阈值难以准确的区分标记像素和待分割像素，故本文采用动态调整获取局部最佳阈值。首先通过统计梯度直方图来获取全局最佳梯度阈值，再通过高斯低通滤波获取梯度影像趋势对全局阈值进行调整，最后梯度影像标记并采用分水岭算法进行分割。进行分割的时候分为两个部分：第一部分，获取标记影像：获取被标记的影像的步骤包括：步骤一，获取影像梯度：本文采用Sobel算子进行卷积运算获取梯度影像[33]。Sobel算子是由两个3×3的矩阵组成的，一个横向矩阵和一个纵向矩阵。使用两个方向上的矩阵分别与图像作平面卷积运算，即可得到横向及纵向的亮度差分近似值，进一步计算得到影像梯度。步骤二，全局阈值影像标记：典型的标记分水岭的算法思想是通过设定阈值参数，将深度小于的局部极小值去除，从一定程度上过分割的区域。参数h的选择是标记提取的关键，的值选取过小可能会无法有效的避免分割结果的过分割现象；h的值如果设定的比较大有可能会丢失深度较小的真实汇水盆地，出现欠分割的现象。步骤三，调整动态阈值：高分辨率影像中，包含丰富的地物信息，且地物特征差异明显。如在地物分布比较单一的区域遥感影像的梯度总体较低，方差较小；而在地物分布密集或者地物纹理变化较大的区域其梯度值会较高，方差较大。一幅影像中的梯度变化与地物分布相关，如果只用一个固定的阈值来对整幅影像进行标记，忽略影像地物内部特征，这样对影像分割就会导致分割结果效果不佳。对影像分割时要考虑影像的像元信息与像元在图像中的位置有关，不同位置的像元梯度特征呈现出不同趋势。所以这里通过对梯度影像进行高斯低通滤波剔除高频信息，得到的区域性梯度趋势图像来估计影像梯度的局部分布情况，通过梯度调整系数来控制全局阈值，实现动态阈值分割。步骤四，获取分割的标记：通过综合全局阈值和区域自适应阈值，得到阈值图像T,然后通过阈值分割的方式将梯度图像分割为标记像素和待分割像素。多尺度区域合并：为了得到更为准确的分割结果，故本节对初分割生成的对象区域进行区域合并来进一步改善分割质量。区域合并主要涉及两个方面：区域间相邻关系的组织表达，区域合并准则的制定。区域间相邻关系，合并过程数据的有效组织和表达是区域合并算法快速实现的基础。而区域间异质性度量的准确性决定着整个分割的质量。区域合并准则决定何种区域对进行合并以及区域对合并的优先顺序，故区域合并准则的制定影响区域合并的效率和质量。对区域进行合并的操作分为以下几步：步骤一，对象区域邻接关系表达：对于初始分割的区域，每一个区域与多个区域相邻，区域与区域间是多对多的关