高分辨率遥感影像居民地自动提取:一种无监督特征分解方法

需积分: 10 1 下载量 20 浏览量 更新于2024-08-12 收藏 444KB PDF 举报
"高分辨率遥感影像上居民地自动提取方法 (2014年) - 武汉大学学报·信息科学版 Vol.39No.7 - 2014年7月" 高分辨率遥感影像上的居民地自动提取是一项关键的地理信息处理任务,尤其在现代遥感技术中,高分辨率影像提供了丰富的地表信息,使得对居民地等复杂地物的精细化分析成为可能。然而,这也带来了新的挑战,比如影像细节过多可能导致分类难度增大,居民地与背景的区分度降低。 传统的基于单像元光谱亮度值的分类方法在高分辨率环境下效率下降,因为高分辨率影像中的居民地和背景之间的统计特性发生变化,使得在单一尺度下难以准确区分。为了解决这个问题,文章提出了一个基于特征分解的无监督分割方法,利用小波分解来提取多尺度特征。 小波分解是一种强大的信号分析工具,它能够提供多尺度和多方向的信息,且具有正交性和可逆性,优于Gabor滤波器。在居民地提取中,小波分解能够捕捉居民地内部和外部结构的差异,以及不同尺度下的光谱辐射强度变化。这些特征被用于构建特征空间。 为了进一步优化特征空间的分割效果,文章采用了约束均值漂移(CMS)算法。这种算法能够在特征空间中自适应地寻找数据分布的重心,从而有效地将居民地区域与背景分离。CMS算法的优势在于它可以在一定程度上克服数据噪声和局部极值的影响,提高分割的准确性。 实验结果显示,这种方法有效地消除了高分辨率影像的高度细节化对居民地提取的干扰,实现了对居民地的准确自动提取。这种方法对于构建地理数据库,进行城市规划,灾后评估等应用具有重要意义,因为它提高了居民地信息提取的自动化程度和精度。 该研究为高分辨率遥感影像的处理提供了一个创新的解决方案,它结合了小波分析和无监督学习的策略,为复杂地物的自动提取开辟了新的路径。未来的工作可能涉及优化特征选择,进一步提高算法的鲁棒性和适应性,以及将这种方法扩展到其他类型的地物提取任务。