论文部分内容阅读
随着传感器技术的迅速发展，遥感图像的分辨率在不断提高，高分辨率遥感图像的特征识别与提取成为本学科当前研究的热点。相对于中低分辨率遥感影像来说，高分辨率遥感影像具有丰富的空间信息，地物几何结构和纹理信息明显，影像细节特征越来越丰富，目标也越来越多。传统的基于像元的方法已不能满足高分辨率遥感图像信息处理和应用的需要，因此，基于图像分割、特征描述和对象归并实现目标识别的技术思路已经形成并趋于完善，其中，形状特征的描述和构建在对象归并中有着十分重要的地位。
傅里叶描述子的方法是基于轮廓的形状特征描述方法之一，其理论基础是一维傅里叶变换。遥感图像经过分割形成图像对象，易于获取对象轮廓线，因而将该方法引入到遥感图像对象形状特征描述中是可行的。本文将傅里叶变换和傅里叶描述子的理论应用于遥感图像对象的形状特征描述中，将形状特征描述方法从空域扩展到频域，为高分辨率遥感图像在频域的形状特征描述和表达提供了一种新的思路。
本文以高分辨率遥感图像分割形成的图像对象为研究对象，首先获取图像对象的轮廓线，进而对图像对象轮廓线进行傅里叶变换，利用傅里叶描述子的方法对图像对象的形状特征进行描述，通过对典型地物形状特征的分析，构建5-D形状特征矢量，并将其应用到图像对象归并中，实现基于形状特征的对象归并。全文围绕高分辨率遥感图像的“形状特征描述--形状特征构建--基于形状特征的对象归并”的技术思路展开研究，主要研究内容和研究结论如下：
(1)形状特征的描述：通过图像分割得到遥感图像对象，获取图像对象的轮廓线并进行傅里叶变换，获得傅里叶描述子；对初始的傅里叶描述子进行归一化处理，使其具有平移、缩放和旋转不变性；分别对建筑物、农田、道路和河道等典型地物的谱线特征进行分析，并分析不同频段描述子对形状特征的贡献率，最后分析特定系数下的地物形状的重构情况。研究结果表明，低频系数反映地物的整体形状，而高频系数则反映形状的细节部分；在谱线图中，直流分量对形状特征的贡献率在70％以上，低频和高频成分共占7％～24％左右，中频成分的贡献率只有2％～4％左右；仅低频成分(第1～5项)便能够很好地进行地物形状重构。
(2)形状特征的构建：在形状特征描述的基础上，研究形状特征的表达方法；通过分析和实验确定选用低频成分的1～5阶描述子，即构建一个5-D特征矢量；然后对该矢量的旋转、平移和缩放不变性进行验证；最后，以水体提取中河道和池塘的识别为例，探讨5-D特征矢量在解决遥感图像“同谱异物”问题中的作用，从而探讨傅里叶描述子的方法在形状特征识别中的初步应用。结果表明，试验中池塘和河道的识别正确率达100％，可见在遥感图像对象光谱特征相似的情况下，借助形状特征可以有效地区分不同类别的地物类型，构建的5-D特征矢量能够有效地应用于遥感图像对象的形状特征识别。
(3)基于形状特征的对象归并：研究归并参数的构建方法，构建一个9维的特征矢量矩阵；分别选用K-means算法和基于决策树的方法进行对象归并实验，并采用误混淆矩阵法分别对两种方法的对象归并结果进行精度分析。选取南京市一景IKONOS图像中地理位置不同的两个区域作为实验区(分别为256×256和476×443)，进行形状特征的构建和对象归并实验，并与未加入形状特征的对象归并结果进行对比，进而分别对两种方法的对象归并精度进行分析。
(4)研究结果表明，形状特征的加入能够有效地区分道路和建筑物、水体和阴影等仅靠光谱特征难以区分的类别；在基于K-means算法的实验中，仅利用灰度均值特征作为归并参数时，除少数几个位置的建筑物对象被正确归并外，绝大多数建筑物类别均与道路类别混淆为一类，而加入形状特征后对象归并的总体精度达82.35％，Kappa系数为0.7395；在基于决策树算法的实验中，仅利用灰度均值特征作为归并参数时，归并结果仅能将实验区划分为三个类别，即植被、建筑物和道路、水体和阴影，而加入形状特征后则可以很好地将道路和建筑物、水体和阴影区分开，且对象归并的总体精度达98.48％，Kappa系数为0.9714。这说明本文引入傅里叶描述子的理论和方法对遥感图像形状特征进行描述和表达具有充分的可行性，提出的5-D形状特征矢量具有较高的实用价值，能够有效地提高图像分割后对象归并的精度。
有待于进一步研究的工作，主要是可以发展新的图像分割方法以获取更合适的对象轮廓，以及归并模型的选择和丰富归并参数等问题。