辅助纹理特征的ALOS影像土地利用/覆盖分类

论文摘要

遥感技术的形成与发展,以及与全球定位系统和地理信息系统技术的集成,为土地资源调查研究提供了全新的科学方法和技术手段。光谱和纹理特征作为遥感图像具有的基本信息,是对遥感图像进行土地利用/覆盖分类所依据的两个基本要素。传统的基于像素光谱信息分类的方法主要依靠影像中的光谱信息差异进行地物区分,但同谱异物和同物异谱现象的存在,使得利用原始遥感数据进行分类的精度受到限制,已远远不能满足日益增长的应用需求。纹理是遥感图像中的重要空间结构信息和基本特征,是进行图像分析和理解的一个重要辅助信息源。将纹理信息融合到原始遥感图像中,对于地物的准确识别和分类具有重要的作用。在众多的遥感图像分类方法中,决策树分类法具有灵活、直观、清晰、强健、运算效率高等特点,在遥感分类研究中己被广泛应用,并表现出巨大的优势。本研究以覆盖浙江省安吉县的遥感影像ALOS（Advanced Land Observing Satellite）/AVNIR-2（Advanced Visible and Near Infrared Radiometer type 2）为数据源,使用灰度共生矩阵对影像的第一主成份提取纹理特征,利用C5.0决策树算法,对复合了各纹理测度信息和光谱特征信息的多光谱遥感影像AVNIR-2进行分类,并把获得的结果与传统的最大似然法分类结果进行比较,分析各特征信息对分类精度的影响。研究的主要内容和结论归纳如下:（1）根据研究区的地形和地物分布特征,使用DEM和坡度图,将研究区分为山地丘陵区和河谷平原区。在分区的基础上,对典型地类的光谱特征进行分析,并根据山区未利用地在第2、3波段独特的光谱特征,构建了新的指数B23。再通过引入归一化差异水体指数（NDWI）,结合改进的土壤调节植被指数（Modified Soil adjusted Vegetation Index,MSAVI）和B23（NDWI复合到河谷平原区,B23复合到山地丘陵区）,并将它们复合到原始数据中进行分类,结果表明:与原始数据对比,利用最大似然法和决策树分类方法对复合数据的分类精度均有提高。从引入的三个指数来讲,MSAVI的作用主要体现在对林地和水体区分上,指数B23由于增大了未利用地与建筑用地的光谱区分度,提高了未利用地和建筑用地的分类精度,NDWI可以有效地提取水体类别。（2）使用灰度共生矩阵提取了以下五个纹理特征:熵、方差、均值、对比度和相异性。并根据各典型地物纹理特征,构造了新的参数Mean/Contrast,用于提升地物的纹理区分度。将五个纹理特征值分别复合到AVNIR-2影像上进行分类,结果证明:除方差外的4个纹理特征均对分类精度有不同程度的提升,其中熵和相异性的提升作用比较明显。在进行最大似然法分类时,熵和相异性对总体精度分别提高了6.0%和8.2%;利用决策树分类时,分别提高了7.7%和4.5%。Mean/Contrast对分类精度的提升作用略优于均值,说明对纹理特征值进行合理的组合是有一定的意义的。（3）对于多光谱影像ALOS-AVNIR-2的整体分类精度,决策树分类技术要优于最大似然法。将熵复合到ALOS影像上后,决策树分类的总体精度为84.5%,而最大似然法的总体精度为77.3%;复合了MSAVI、（NDWI、B23）后决策树分类的总体精度比最大似然法分别提升了5.0%和6.4%。相对于最大似然分类,决策树分类将多源辅助信息作为知识进行决策。有助于辅助信息更好地发挥作用。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 图目录
• 表目录
• 1 绪论
• 1.1 选题依据
• 1.2 纹理分析研究综述
• 1.2.1 纹理分析研究现状
• 1.2.2 目前存在的问题及纹理分析发展趋势
• 1.3 土地利用信息提取方法的研究进展
• 1.4 研究目的
• 1.5 研究内容及技术路线
• 1.6 论文框架
• 1.7 本章小结
• 2 纹理的描述和分析方法
• 2.1 纹理描述
• 2.2 纹理的分析方法
• 2.2.1 统计分析法
• 2.2.1.1 灰度游程长度法
• 2.2.1.2 自相关函数
• 2.2.2 结构分析法
• 2.2.2.1 数学形态法
• 2.2.3 模型分析法
• 2.2.3.1 Markov随机场模型
• 2.2.3.2 分形模型
• 2.2.4 空间/频率域联合分析法
• 2.2.4.1 小波变换
• 2.2.4.2 Gabor滤波
• 2.3 本章小结
• 3 遥感影像获取和预处理
• 3.1 研究区概况
• 3.2 数据获取
• 3.3 预处理
• 3.3.1 几何校正
• 3.3.2 影像拼接及裁剪
• 3.4.3 主成分变换
• 3.4 本章小结
• 4 灰度共生矩阵纹理分析法
• 4.1 灰度共生矩阵定义
• 4.2 灰度共生矩阵的特点
• 4.2.1 共生矩阵是对称方阵
• 4.2.2 共生矩阵与统计方向和距离有关
• 4.2.3 矩阵元素值的分布与图像的信息丰富程度密切相关
• 4.2.4 共生矩阵元素值的分布情况与图像的纹理粗细程度密切相关
• 4.3 灰度共生矩阵纹理特征提取步骤
• 4.4 灰度共生纹理测度
• 4.4.1 角二阶矩
• 4.4.2 主对角线惯性矩
• 4.4.3 熵
• 4.4.4 方差
• 4.4.5 均值
• 4.4.6 均匀性
• 4.4.7 相异性
• 4.5 影响因素与纹理测度相关性分析
• 4.5.1 影响因素
• 4.5.2 纹理测度相关性分析
• 4.6 本章小结
• 5 土地利用/土地覆被分类
• 5.1 典型地物光谱特征分析及分类类别的确定
• 5.2 特征选择和提取
• 5.2.1 植被指数提取
• 5.2.2 归一化差异水体指数
• 5.2.3 研究区的地形特征提取
• 5.3 研究区初步分区
• 5.4 训练样区的选取与训练样本数据集合的评估
• 5.5 最大似然法
• 5.5.1 最大似然法分类结果
• 5.5.2 分类精度评价
• 5.6 决策树分类
• 5.6.1 决策树分类方法
• 5.6.2 基于See5.0算法的决策树分类
• 5.6.3 决策树分类结果
• 5.6.4 分类结果精度评价
• 5.7 本章小结
• 6 结论与展望
• 6.1 结论
• 6.2 问题与展望
• 参考文献（References）
• 个人简介