基于边缘引导区域分级合并的高分辨率遥感模糊分类

针对目前高分辨率遥感图像分类精度以及自动化程度低的现状，提出一种新的基于边缘引导区域分级合并的模糊分类模型，基于面向对象的图像分析机制，综合利用图像中的光谱、形状、边界和NDVI、WRI和SSI特征指数，可以有效处理遥感影像中的同物异谱和相邻地物亮度对比度较低引起的分割不足问题。首先基于光谱特征利用MST算法形成图斑，同时基于地物边缘几何模型对原图像进行保边滤波提取边缘特征，再综合利用区域形状和NDVI、WRI与SSI特征指数信息，进行由边缘引导的分级区域合并，形成多尺度分割结果；分割结果作为后续模糊分析系统的输入，基于图像上下文信息和前述特征指数进行决策分类，多特征参量的统一采取逻辑运算方式，可有效减少人为输入。本项目所研究的高空间分辨率遥感分类模型可进一步发展针对高分辨率遥感图像的分类方法，明显提高分类精度、效率和自动化程度。

在本项目中，我们根据面向对象的图像分析方法，对于高分辨率遥感影像的分割问题，提出和实现了一种边缘引导的、综合形状信息的高时间效率的算法，并在多种算法设置的情况下进行了测试和评价，证明了这种分割方法的有效性。对于分类过程，我们将分类作为分割后的后续步骤，这样每个待分类的对象都具有了几何意义，并且含有各自的独特的几何、光谱信息和上下文信息。我们引入了模糊决策方法，有效的运用多种信息来指导分类，同时对多种分类方法进行了对比试验，选取了最优的分类方法。本项目建立了一个能够尽量减少人为干预的高空间分辨率遥感图像典型地物特征分类模型，并实现了软件模型。在这个模型中对已有的理论方法进行改进提高，实现了综合多种图像信息（光谱信息、形状信息以及边缘信息）的遥感影像高效分割算法，实现了在多尺度分割基础上的模糊决策分类，并融入实现了现今的优秀分割分类方法，提高了高分辨率遥感影像分类的精度和自动化程度。在本项目中，我们还对模糊分类方法进行了推广，用于城区建筑物的变化检测，初期的测试表明了模糊决策分类的优越性。. 主要创新性有以下三方面：. （1）对于分割问题，我们提出并实现了在高分辨率遥感图像分割过程中综合利用灰度、形状、边缘特征的分割算法。首先应用最小生成树算法生成图斑，然后利用循环最近邻区域对融合方法对图斑进行融合，在综合光谱特征、形状特征的基础上采用边缘信息引导区域合并，有效地提高了分割精度和效率。. （2）在分类过程中，我们应用模糊决策方法，融合多种图像区域的形状、光谱和上下文信息，通过模糊规则确定区域类别隶属度以及去模糊化，并作了相应的软件实现，提高了分类精度。. （3）我们对提出的分类模型进行了拓展，将其应用于道路提取和城区建筑物变化检测。初步的验证了该分类方法对于多种高分辨率遥感应用实际问题的可用性。. 本项目的研究成果包括：. （1）共发表8篇学术论文，其中SCI检索3篇，其中两篇同时为EI检索，会议论文EI检索两篇，一学生完成硕士论文。. （2）取得软件著作权两项. （3）获地理信息科技进步二等奖一项，测绘科技进步三等奖一项。