学位论文 > 优秀研究生学位论文题录展示

基于小波域隐马尔可夫树模型的遥感图像纹理分类研究

作　者: 彭玲
导　师: 赵忠明
学　校: 中国科学院研究生院（遥感应用研究所）
专　业: 地图学与地理信息系统
关键词: 小波域隐马尔可夫树模型纹理特征多尺度效应多级分割多光谱训练样本
分类号: TP751
类　型: 博士论文
年　份: 2005年
下　载: 1295次
引　用: 12次
阅　读: 论文下载

内容摘要

遥感图像有着丰富的纹理信息,准确地提取纹理特征对于图像分割或分类至关重要。基于模型的方法是纹理特征提取的基本方法,也是一种比较适用于遥感图像纹理分析的方法。此外,纹理的多尺度效应描述在纹理分析中也不可忽视。本文根据遥感图像纹理所呈现的多尺度特性和随机的特性,采用基于小波域隐马尔可夫树模型(HMT)对纹理进行分析,并有机地结合遥感图像的要求和特点进行深入研究。由于小波系数不满足高斯分布,在同尺度内和尺度间都表现为一种潜在的依赖关系,所以小波域HMT模型较准确地揭示了小波系数间的这些依赖关系,在实现上利用最大期望算法(EM算法)估计模型参数,采用最大似然方法进行分类。结合遥感图像的特点,论文在描述HMT模型建立及其图像分割应用的基础上,对模型本身及其在图像中的具体应用进行了深入研究。研究并解决了训练样本与待分图大小不一致的问题;提出一次建模、多级同时分割的展示方法:针对多光谱遥感图像,通过HSI变换和最大主成分分析,将多光谱信息融合起来,得到图像在多方面的描述,如H-S-I分量和最大主成分分量,进而在融合结果上采用HMT方法取得分割结果。研究表明,合理地利用多波段信息有助于分割结果的改进。此外,论文还对基于HMT表示的纹理的多尺度效应及相关问题进行了比较深入的研究,对于后续研究工作具有一定的价值和意义。

全文目录

第一章引言  7-18
  1．1 纹理图像  7-11
    1．1．1 什么是纹理图像  7-8
    1．1．2 遥感中的纹理图像  8-9
    1．1．3 纹理分析是遥感应用的基础性研究工作  9-10
    1．1．4 选题依据  10-11
  1．2 纹理分析技术现状、应用及发展趋势  11-15
    1．2．1 纹理分析方法综述  11-12
    1．2．2 基于小波域隐马尔可夫树模型研究状况  12-13
    1．2．3 纹理在遥感图像分类中的应用  13-14
    1．2．4 目前存在的问题及纹理分析发展趋势  14-15
  1．3 本文研究的主要内容  15
    1．3．1 本文研究主要内容及目标  15
    1．3．2 论文组织  15
    1．3．3 论文章节安排  15
  1．4 与本研究有关的相关概念  15-18
第二章本研究相关理论基础  18-51
  2．1 纹理及相关理论基础  18-25
    2．1．1 纹理的描述及性质  18-20
    2．1．2 纹理特征抽取及主要分析方法  20-22
    2．1．3 几种常用的算法  22-25
  2．2 纹理的多分辨率特性及描述方法研究  25-30
    2．2．1 图像的多分辨率性质  25-26
    2．2．2 图像多分辨表示与人类视觉机理的关系  26-27
    2．2．3 图像的多分辨率表示方法  27-29
    2．2．4 遥感影象中的多分辨率特点  29-30
  2．3 小波变换基本理论  30-39
    2．3．1 引言  30-31
    2．3．2 小波变换  31-33
    2．3．3 小波变换中的多分辨分析  33-35
    2．3．4 二维小波变换  35-37
    2．3．5 常用小波函数比较  37-39
    2．3．6 小波变换在图像处理中的作用  39
  2．4 马尔可夫随机场及其应用  39-44
    2．4．1 一维Markov过程  40
    2．4．2 二维Markov随机场  40-41
    2．4．3 Gibbs分布  41-42
    2．4．4．马尔可夫随机场基本性质  42-44
  2．5 隐马尔可夫模型  44-50
    2．5．1 引言  44-45
    2．5．2 马尔可夫链  45-46
    2．5．3 隐马尔可夫链  46-47
    2．5．4 HMM基本算法  47-49
      2．5．4．1 前向-后向算法  47-48
      2．5．4．2 Baum-Welch算法  48-49
    2．5．5 HMM算法中的若干问题  49
    2．5．6 HMM建模的优点  49-50
  2．6 本章小结  50-51
第三章基于小波域隐马尔可夫树的模型理论  51-78
  3．1 引言  51
  3．2 小波信号模型分析  51-53
  3．3 小波变换的压缩性分析及其表示  53-55
  3．4 小波变换的系数相关性分析  55-58
    3．4．1 概率图模型  56-57
    3．4．2 基于概率图的三种模型  57-58
  3．5 小波域HMT建模原理  58-65
    3．5．1 小波变换特性简要分析  59
    3．5．2 二维离散小波变换及多尺度树图表示  59-60
    3．5．3 小波域HMT概率模型  60-63
    3．5．4 小波系数的“捆绑”  63-65
  3．6 小波域隐马尔可夫树模型的三个典型问题  65-66
  3．7 使用EM算法的模型参数估计和似然函数计算  66-72
    3．7．1 单个小波树的E步骤(上向-下向算法)  67-69
    3．7．2 M步骤  69-70
    3．7．3 多个小波树的E步骤  70-72
  3．8 模型训练的稳健性  72-73
  3．9 数据块分类实现  73-74
  3．10 图像中的上下文约束关系  74-77
    3．10．1 上下文关系涵义  74-75
    3．10．2 上下文关系在图像多尺度分割中的作用  75-76
    3．10．3 上下文关系分析与描述  76-77
  3．11 本章小节  77-78
第四章基于HMT的纹理分割及遥感图像分类  78-105
  4．1 HMT实现中的问题  79-91
    4．1．1 基于HMT模型的监督分类基本思想流程  79-82
    4．1．2 HMT模型分割研究及样本对其影响  82-91
  4．2 HMT模型改进  91-105
    4．2．1 HMT非监督分类模型基本思想及流程  91-96
    4．2．2 非监督HMT模型分割结果及分析  96-99
    4．2．3 组合遥感图像多波段信息的纹理分割  99-105
第五章 HMT分类结果精度评价及工作总结  105-113
  5．1 混淆矩阵  105
  5．2 Kappa统计系数  105-106
  5．3 伴随着混淆矩阵的问题  106
  5．4 本文中采用的参考数据  106-107
  5．5 精度评价结果  107-111
  5．6 主要工作与创新点  111
  5．7 结语及未来工作展望  111-113
参考文献  113-121
攻读博士学位期间发表的主要论文  121-122
附录  122-123
致谢  123-124

基于小波域隐马尔可夫树模型的遥感图像纹理分类研究

内容摘要

全文目录

相似论文