高空间分辨率遥感影像分类研究

随着遥感影像的空间分辨率不断提高,影像所包含的细节信息越来越丰富,较过去的中低空间分辨率影像而言,能更好的表现地物目标的纹理、形状和几何结构信息。与此同时,遥感影像空间分辨率的提高伴随着数据量的激增,需要高效率的自动分类技术取代传统的人工目视解译,对影像中的有用信息进行提取。另一方面,高空间分辨率遥感影像的光谱分辨率相对较低,并且包含了大量细节信息,造成光谱分布异常复杂,降低了地物目标在光谱域的可分性。为解决这一问题,自动分类技术需要充分利用影像中隐含的信息,弥补光谱特征的不足。本文考虑到支持向量机在解决小样本、非线性以及高维模式识别问题所具有的优势,以这一机器学习算法作为分类器,首先从光谱域角度对高空间分辨率遥感影像进行分类。由实验结果发现,影像中的地物目标仅仅通过光谱特征的差异进行区分并不可靠,光谱特征相似的异类地物目标发生混淆。继而利用像元形状指数方法,提取高空间分辨率遥感影像的像元形状指数特征,对光谱特征进行补充。实验结果表明,像元形状指数特征能够有效区分光谱特征相似而几何形状不同的地物目标,在分类精度上优于光谱特征分类方法。同时,在与小波纹理特征方法和多尺度区域特征方法比较中,像元形状指数方法也取得了更好的结果。另一方面,实验中发现该方法极易受到高空间分辨率遥感影像中细节信息的影响,对富于细节信息的区域分类效果不理想。鉴于像元形状指数方法存在的不足,本文引入了面向对象分析思想,对高空间分辨率遥感影像进行分类。在像元形状指数方法的启发下,设计了一种自适应带宽的均值漂移方法,对高空间分辨率遥感影像进行对象的提取。实验证明了这一方法在保留较小目标的基础上,对较大目标保证了足够的平滑,同时忽略了影像中过度的细节信息,是一种多尺度统一的对象提取方法。最终的分类结果说明,面向对象分类方法较像元形状指数方法,无论在视觉效果上还是精度上,都更为优秀。