收藏本站
《兰州大学》 2016年
收藏 | 手机打开
二维码
手机客户端打开本文

基于高分辨率影像纹理特征提取日光温室方法研究

李洪伟  
【摘要】:日光温室为解决我国西北部地区冬季蔬菜供应问题发挥了重要作用,利用高分辨率遥感影像提取日光温室空间分布信息,掌握其分布规律和发展动态至关重要。本研究分别利用基于窗口和基于影像对象的纹理特征在ALOS影像上对日光温室进行信息提取。深入探讨了纹理变量、纹理窗口、方向和步长等参数对日光温室信息提取精度的影响。根据信息熵的大小筛选出5个纹理变量参与分类,利用因子分析法找到与不同地物类型相关性最高的纹理参数组合,在此基础上提出了一种多尺度纹理构建方法。通过研究得到以下结论:1)基于影像对象和基于窗口的纹理对提高日光温室分类精度有着不同的影响。基于影像对象的纹理不能显著提高日光温室的总分类精度,有时还会降低总提取精度,提升幅度为-0.36%~1.39%,而基于窗口的纹理可以明显提高影像的总分类精度,提升幅度为4.66%~7.88%。对于不同地物类型,两类纹理对分类精度的贡献是不同的,基于窗口的纹理特征能够提高大部分地物的分类精度,而基于对象的纹理特征仅能提高无覆盖日光温室、休耕地、居民地和园地的提取精度,且基于窗口的纹理特征对分类精度提高的幅度比较大。总之,从总分类精度和各地物的分类精度这两方面看,基于窗口的纹理特征要优于基于影像对象的纹理特征。2)信息熵法是一种纹理变量选取的有效办法。采用信息熵法选取的5个纹理变量参与分类同全部纹理变量参与分类相比,不仅不会显著降低分类精度,大部分情况可以提高分类精度。最终选取均值、同质性、差异性、熵和相关性这5个纹理变量对日光温室进行信息提取。3)从纹理变量的相关性、KMO和Bartlett球形检验等方面证明采用因子分析法对纹理变量进行优化组合是必要的和可行的。不同地物综合得分最高的纹理参数组合与实际分类结果选取的最佳纹理参数组合并不相同。主要是因为:依据分类精度选取的最佳组合,是综合ALOS影像的纹理特征和光谱特征选取的最佳组合,其中ALOS影像的光谱信息对最佳纹理参数的结果产生一定影响;因子分析法选取的最佳纹理参数组合是基于各纹理变量有不同加权系数基础上的,而实际分类时并没有考虑纹理变量的加权值,所有纹理变量的加权系数均为1。4)最佳纹理窗口受步长影响比较大,不同的步长对应着不同的最佳纹理窗口。步长为1时最佳窗口为最大纹理窗口(15×15),其余步长的最佳窗口为最小纹理窗口,且总分类精度最高的窗口为15×15(方向为135°,步长为1)。究其原因,步长为1时,在窗口增大的同时,地物内部细节信息不断减少,均质性在不断增强,且地物边界的模糊程度在可接受范围之内,不同地物间的可分性在增大。步长不为1时,随着窗口的增大,纹理边界越模糊,偏离地物实际边界的程度越大,跨纹理单元的现象越严重,不同地物间的可分性在减小。5)窗口大小和纹理方向影响最佳步长的选择,最佳步长集中在1和3,当窗口大小为7×7和9×9时最佳步长为3(135°方向除外,最佳步长为1),当窗口大小为11×11、13×13和15×15时最佳步长为1。究其原因,步长为1和3时,大部分参与运算的像元在同一个对象内部,GLCM纹理特征能够相对准确地反映地物空间特征。步长为5和7时,对应实际距离为12.5m和17.5m,大于部分地物实际尺寸(如道路、休耕地),参与运算的像元不在同一个对象内部的概率变大,GLCM纹理特征就不能客观地反映地物空间特征。6)纹理方向对分类精度的影响是有限的,大多数地物的最佳纹理方向集中于某两个方向,且集中分布的方向和最高分类精度的纹理方向并不是总保持一致。通过统计地物分割对象的主方向,发现地物的分割对象并没有固定的主方向,且主方向浮动范围比较大。可见,地物分割对象的方向性不强是纹理方向分类精度影响不大的主要原因。7)利用因子分析法构建的多尺度纹理的总分类精度要高于基于窗口和基于影像对象的最优分类精度,分别提高了3.98%和10.56%。多尺度纹理还提高了居民地、无覆盖日光温室、坑塘、有薄膜覆盖日光温室、道路、休耕地和园地的分类精度。
【学位授予单位】:兰州大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP391.41

手机知网App
【相似文献】
中国期刊全文数据库 前10条
1 蔡哲元;余建国;张敏敏;金震东;;胰腺内镜超声图像纹理特征提取与分类研究[J];生物医学工程学进展;2008年03期
2 刘丽;匡纲要;;图像纹理特征提取方法综述[J];中国图象图形学报;2009年04期
3 闫晶莹;王成儒;;一种新的纹理特征提取算法[J];西安邮电学院学报;2011年01期
4 刘文萍,吴立德;纹理特征提取及分割[J];计算机应用与软件;2001年11期
5 黄丽雯;庞柯;汪鑫;施帮利;王涛;炊万年;;基于小波包分析的颅颌面纹理特征提取方法[J];西南师范大学学报(自然科学版);2013年11期
6 姚娜;吕海芳;陈杰;;基于脉冲耦合神经网络的汉字纹理特征提取[J];塔里木大学学报;2013年04期
7 郑晓霞;李伟键;;基于纹理特征提取的图像检索技术[J];黑龙江工程学院学报;2005年04期
8 陈再良;刘晴;邹北骥;沈海澜;周浩宇;;结合视觉注意和纹理特征提取感兴趣区域算法[J];小型微型计算机系统;2012年05期
9 肖鹏;徐军;陈少冲;;纹理特征提取方法[J];电子科技;2010年06期
10 毛秉毅;;旋转不变傅立叶纹理特征提取[J];计算机工程与应用;2007年10期
中国重要会议论文全文数据库 前3条
1 刘玉芳;刘定生;;利用纹理特征提取城市用地信息方法探索[A];中国地理学会2004年学术年会暨海峡两岸地理学术研讨会论文摘要集[C];2004年
2 彭玲;赵忠明;;遥感图像纹理特征提取的若干方法[A];信号与信息处理技术第三届信号与信息处理全国联合学术会议论文集[C];2004年
3 曾文涵;杨练根;谢铁邦;李柱;;弹头发射痕迹纹理特征提取方法的研究[A];中国仪器仪表学会第三届青年学术会议论文集(上)[C];2001年
中国博士学位论文全文数据库 前2条
1 毕于慧;彩色航空图像森林纹理特征提取方法的研究[D];北京林业大学;2007年
2 李朝荣;Copula驱动的小波域纹理特征提取研究[D];电子科技大学;2013年
中国硕士学位论文全文数据库 前10条
1 肖敏敏;基于多维特征融合的地震剖面相似性研究[D];西安石油大学;2015年
2 陈辰;基于相对相域频繁项集的纹理特征提取方法及其在图像分类中的应用[D];兰州大学;2015年
3 李洪伟;基于高分辨率影像纹理特征提取日光温室方法研究[D];兰州大学;2016年
4 黄媛媛;基于小波的纹理特征提取算法的研究[D];江苏科技大学;2012年
5 王龙;图像纹理特征提取及分类研究[D];中国海洋大学;2014年
6 章智儒;纹理特征提取算法及其在面向对象分类技术中的应用研究[D];电子科技大学;2009年
7 丁守鸿;基于分形分析的纹理特征提取[D];大连理工大学;2011年
8 庞鹏飞;纹理特征提取与自动分类算法研究[D];天津大学;2012年
9 周璇;铝土矿浮选精选泡沫颜色校正与纹理特征提取及其应用[D];中南大学;2013年
10 林霞;浮选泡沫图像纹理特征提取研究及应用[D];中南大学;2013年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026