基于面向对象的典型目标自动提取与变化检测方法研究

卫星遥感技术的迅速发展，遥感影像空间分辨率和时间分辨率大为提高，使我们获取地球表面的信息越来越丰富，跟踪或监测感兴趣区域的变化信息越来越方便。高空间分辨率影像减少混合像元的同时，增大了同类地物内部光谱的差异性。采用传统基于像元光谱信息提取技术已经不能满足当前高空间分辨率遥感影像信息提取的要求，面向对象的影像分析技术为高空间分辨率遥感影像信息提取与变化信息检测提供了新的思路和方法。 本文全面分析、总结国内外在信息提取与变化检测研究成果的基础上，利用QuickBird高分影像数据，对感兴趣区域典型目标变化信息的自动提取，开展了如下几方面工作： 1.全面对比分析了传统基于像元分类方法与面向对象分类方法的优缺点。针对传统分类方法的固有缺陷，将面向对象的思想应用到目标信息提取中，并详细阐述了面向对象分类方法中影像分割、特征提取以及影像对象分类等重要环节。针对面向对象信息提取中存在的尺度效应问题，进行了实验分析说明。 2.总结归纳现有的主要变化检测方法，针对高空间分辨率影像的特点，分析了多种变化检测方法的优劣性，将基于面向对象分类后变化检测与传统的图像代数运算变化检测方法进行对比实验，验证了基于对象分类后变化检测方法能较好的消除影像配准误差对变化检测结果的影响。 3.实验对比分析现在广泛应用的分形网络演化法、分水岭方法、基于置信度的均值漂移方法，针对分割方法中存在的过度分割、区域较为破碎等问题，本文提出了融合边缘与光谱信息进行分割处理和基于局部同质性合并小区域的处理方法，实验表明影像对象的提取效果较好。 4.针对影像对象分类过程中，特征空间优化与分类参数阈值选取主观因素干扰较多的问题进行了方法改进。本文创新性地提出通过对基于监督分类后影像对象进行全样本统计分析，获取对象各特征参数距离分布图，根据阈值选择公式，自动选取目标分类阈值的方法。这种方法的优势是避免了主观误差的引入，使得阈值选取更具科学性、定量化的优点。