基于纹理分析的张家界地貌遥感信息提取及分类研究

论文摘要

由于张家界地貌的独特性,国内外学者对张家界地貌的地貌形态、成因机制、地质构造以及发育现状等研究颇多,基于RS技术提取地貌遥感特征信息的研究较少;随着遥感影像空间分辨率的提高,纹理作为遥感影像的基本组成特征被广泛用于遥感分类。本文以张家界武陵源区为研究区,选取高分一号（GF-1）可见光数据和Sentinel-1SAR微波数据,利用灰度共生矩阵（GLCM）提取并统计两种类型遥感影像中5种地类（峰林、建设用地、水体、植被、农田）的纹理信息,分析张家界地貌（峰林）的纹理特征,选择纹理特征波段与相应多光谱（GF-1）波段组合用以分类研究,利用最大似然法（MLC）获取分类结果,最后通过计算混淆矩阵评价分类精度,进行分类精度研究。结果表明:（1）适用于张家界地貌纹理特征分析的数据类型:通过两种遥感影像（GF-1和SAR）的分析比较,SAR影像所包含的峰林纹理信息更优,且在8种纹理特征中,对比度（Contrast）差值最为明显,SAR（3.7573）>GF-1（1.1626）,差值为2.5947。对比度特征与图像的清晰度直接相关,反映出纹理沟纹的深浅程度。这充分表明,采用SAR影像能更好地揭示张家界峰林地貌影像特有的空间纹理结构信息,也为张家界地貌遥感工作数据的选择提供依据。（2）张家界地貌与其他地类的纹理差异:张家界地貌在GF-1影像上突显的是峰林的阴影,与水体在表征上相似,易受水体和植被干扰,纹理特征表现较为均一简单,且色调较深,与其他地类区分明显。在SAR影像上,张家界地貌表现出较为突显的地貌结构,纹理特征表象较完整,受植被干扰性小。峰林的纹理特征在局部和整体上具有一致性,有较强的纹理方向性。（3）应用于分类的纹理特征组合:通过不同地物的纹理特征差异分析,增加特征波段提高分类精度,选取地类区分度较大的纹理特征值,得出武陵源区内不同地类分类的最佳纹理特征波段组合为均值、方差、相异性、熵和相关性。（4）纹理对分类精度的影响:利用混淆矩阵评估纹理加入前后的多光谱影像（GF-1）的分类精度。2 m分辨率下,纹理特征的加入使得分类的总体精度（OA）提高了1.87%,Kappa提高了0.0459;8 m分辨率下,OA提高了0.76%,kappa系数提高了0.026。结果表明利用光谱与纹理特征结合的分类精度高于仅利用光谱特征分类的精度,说明纹理特征与光谱信息结合可以提高遥感影像的分类精度。（5）纹理对不同地物分类精度的影响:基于分类精度结果,分析纹理特征结合前后研究区内不同地类分类精度的变化。2 m分辨率下,5种地类在加入纹理特征后分类精度都有变化,峰林、建设用地、植被和农田分别提高了4.77%、2.66%、2.48%、2.90%,水体的分类精度降低了0.6%。8 m分辨率下,5种地类分类分别提高了4.38%、3.19%、0.58%、1.34%和4.22%。结果表明,纹理特征的加入有利于提高地物分类精度,但其对不同地物类型的影响程度不同。

论文目录

文章来源

类型: 硕士论文

作者: 喻送霞

导师: 杨波

关键词: 张家界地貌,纹理特征,灰度共生矩阵,最大似然法,分类精度评价

来源: 湖南师范大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 湖南师范大学

分类号: P237

总页数: 72

文件大小: 99958K

下载量: 163

相关论文文献

• [1].多光谱图像纹理特征数据挖掘方法仿真[J]. 计算机仿真 2020(02)
• [2].基线动态对比增强磁共振成像纹理特征对直肠癌放化疗病理反应状态的预测价值[J]. 肿瘤影像学 2020(02)
• [3].一种基于纹理特征匹配的快速目标分割算法[J]. 软件导刊 2017(03)
• [4].像他 是他 不似平常 谈谈拍摄艺人照的经验[J]. 人像摄影 2017(02)
• [5].基于耳蜗谱图纹理特征的声音事件识别[J]. 声学技术 2020(01)
• [6].PET/CT融合图像肺纹理特征在肺癌诊断中的应用[J]. 中国继续医学教育 2020(25)
• [7].纹理特征与面向对象结合的高分影像耕地提取应用[J]. 安徽农业科学 2018(19)
• [8].基于角度纹理特征模型的道路提取方法[J]. 影像技术 2013(06)
• [9].一种基于运动和纹理特征的深度图提取方法[J]. 南京工程学院学报(自然科学版) 2012(04)
• [10].灰度共生矩阵纹理特征的运动目标跟踪方法[J]. 南京理工大学学报(自然科学版) 2010(04)
• [11].音乐声的音色感知特征与图像的纹理特征的关联研究[J]. 复旦学报(自然科学版) 2020(03)
• [12].磁共振后扣带回纹理特征分析在老年健康人群、轻度认知障碍与阿尔茨海默病患者鉴别诊断中的价值[J]. 解放军医学院学报 2020(07)
• [13].基于波段运算和纹理特征的高分一号多光谱数据云检测[J]. 遥感信息 2018(05)
• [14].一种基于鲁棒局部纹理特征的背景差分方法[J]. 计算机工程与科学 2017(08)
• [15].基于灰度共生矩阵的纹理特征值提取[J]. 科技视界 2013(22)
• [16].一种基于纹理特征的图像检索方法的实现[J]. 青海师范大学学报(自然科学版) 2012(04)
• [17].高光谱影像纹理特征编码分形特征研究[J]. 武汉大学学报(信息科学版) 2009(04)
• [18].开采沉陷遥感监测中多维纹理特征影像分类方法[J]. 煤田地质与勘探 2008(06)
• [19].基于纹理特征和随机森林的恶意代码分类研究[J]. 湖北工业大学学报 2020(02)
• [20].面向活体人脸检测的时空纹理特征级联方法[J]. 模式识别与人工智能 2019(02)
• [21].应用色彩纹理特征的人脸防欺骗算法[J]. 计算机科学 2019(10)
• [22].基于纹理特征的恶意代码检测方法测试[J]. 云南电力技术 2018(01)
• [23].基于灰度共生矩阵纹理特征的输电导线识别[J]. 云南电力技术 2015(02)
• [24].利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测[J]. 麦类作物学报 2020(08)
• [25].基于纹理特征的穿梭分析系统动物检测算法[J]. 佳木斯大学学报(自然科学版) 2014(03)
• [26].基于纹理特征的数字图书馆文档图像识别[J]. 图书馆学刊 2012(08)
• [27].基于颜色和纹理特征的图像检索技术研究[J]. 河北工业大学学报 2008(06)
• [28].基于间隙度纹理特征的海底目标检测方法[J]. 兵工学报 2015(S2)
• [29].结合多尺度纹理特征的高光谱影像面向对象树种分类[J]. 北京林业大学学报 2020(06)
• [30].健康志愿者心肌磁共振纹理特征初探[J]. 四川大学学报(医学版) 2019(04)

标签：张家界地貌论文;  纹理特征论文;  灰度共生矩阵论文;  最大似然法论文;  分类精度评价论文;