摘 要

遥感影像分类是遥感影像转换为能够有效使用的地理数据的关键一环，是遥感应用的基石，如何改善并提高分类精度是遥感研究的重要内容。近年来，随着遥感技术的蓬勃发展，高时间、高空间、高光谱分辨率遥感影像的应用得以普及，海量影像中所蕴含的信息益发丰富。传统基于像元的影像分类方法在分类质量与效率已无法满足当代需求。另外，人工智能方法在处理非常复杂、大数据量问题时比传统方法更具有优势。本文提出了基于面向对象遥感技术的蚁群分类算法应用于遥感影像分类，力图将面向对象遥感技术和蚁群算法相结合，尝试为遥感影像分类提出新的解决思路。

本文以北京市某城乡结合部的一小块儿区域作为研究对象，首先应用面向对象遥感中的多尺度分割技术分割影像，获取各地类最优分割尺度下的矢量图层，结合常用影像的光谱、形状、纹理等特征，选取恰当的分类属性作为蚁群算法的属性节点，进行遥感分类。

起初由于选择的属性节点（矢量多边形属性字段）较多，得到的规则条件项较多，产生分类规则非常困难。实验过程中，通过对蚁群算法的分析，对属性字段采取主成分方法进行约减，并依据标准化的主成分值的频数分布，采取等频方法划分断点。研究的结果表明，分类精度还算可以。最后，对于属性字段的选择、属性约减、数据离散化以及蚁群算法的参数设置都进行了一些探讨，在下一步的研究中，改进算法中的不足，以获取精度更高的分类结果。

关键词：面向对象遥感技术；蚁群算法；遥感分类

Abstract

Remote sensing image classification is the core of the transformation of the remote sensing images to the available geographic data, is the cornerstone of remote sensing applications, how to improve the classification accuracy is an important part of remote sensing research. In recent years, with the rapid development of remote sensing technology, the application of remote sensing images of high time, high spatial and high spectral resolution come to be universal, inherent in the image information is also more abundant. Traditional pixel-based image classification method has been unable to meet the demand in the category of quality and efficiency. Moreover, artificial intelligence methods have a clear advantage in dealing with complex and large amounts of data problems. Ant colony optimization algorithm as the outstanding representative of the new smart algorithm has been successfully used in remote sensing image classification, providing a broader way of thinking for remote sensing image classification. In this paper, ant colony algorithm based on object-oriented classification of remote sensing technology applied to remote sensing image classification is proposed，trying to combine object-oriented remote sensing technology and ant colony algorithm ,to offer a fresh way for remote sensing image classification.

In this thesis, a small pieces of a suburb of Beijing was selected as the research object; First, segment the image using the multi-scale segmentation of the object-oriented application technology; Second, get around the kind of the landuses of the vector layer under optimal segmentation scale; Third, consider with the commonly used image features like the spectrum, shape, texture, select the proper characteristics as an attribute node of ant colony algorithm; Finally implement the remote sensing classification.

Since the attribute node selected are more, so are the items in the rule conditions, and it is more difficult to generate classification rules. In addition, as the understanding is not deep enough to the ant colony algorithm, the execution efficiency of the algorithm programed by myself is not high. Preliminary experimental analysis, this method for remote sensing image classification is valid. Due to the limitations of time, improve the selection and reduction of property nodes and ant colony algorithm, it requires a lot of experimentation and further research.

Key words: Object-oriented Remote Sensing Technology; Ant Colony Algorithm; Remote Sensing Classification.

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1研究背景与意义 1

1.2国内外研究现状 2

1.2.1面向对象遥感技术发展现状 2

1.2.2蚁群算法应用于遥感分类的研究现状 3

1.3论文研究内容与研究方法 5

1.4论文组织结构 6

第2章 面向对象遥感技术概述 8

2.1 面向对象遥感技术的基本原理 8

2.1.1 面向对象遥感中的重要概念 8

2.1.2 多尺度分割的基本流程 11

2.2遥感影像分割参数的确定 13

2.3常用影像特征介绍 13

2.3.1 光谱特征 14

2.3.2 形状特征 15

2.3.2 纹理特征 15

第3章 基于蚁群智能的分类规则挖掘算法 18

3.1蚁群算法基本原理 18

3.2基于蚁群算法的遥感影像分类方法 18

3.2.1数据离散化 19

3.2.2规则构造 21

3.2.3规则剪枝 22

3.2.4信息素浓度更新 24

3.3蚁群算法规则挖掘的特点 24

第4章 数据预处理的实现 26

4.1研究区介绍 27

4.2专题层的作用 28

4.3基于专题层的多尺度分割 28

4.4各地类的最佳分割尺度确定 29

4.5影像分类 29

4.6分类数据的拓扑检查 31

4.7选择属性字段 32

4.8属性约减策略 33

第5章 蚁群数据挖掘系统设计与实现 38

5.1输入数据 38

5.2输出数据 39

5.3蚁群算法数据挖掘流程 39

5.4分类效果 42

5.5结果分析 44

第6章 总结与展望 46

6.1本文总结 46

6.2展望 46

致 谢 48

参考文献 49

第一章 绪论

1.1研究目的及意义

土地利用/覆盖及其变化规律是全球环境变化过程中的重要组成部分。遥感影像分类则是获取土地利用/覆盖数据的一项重要手段^[1]。遥感影像分类一直是遥感研究领域里的一项关键内容，是遥感应用的奠基石，因为它是遥感影像转换为能够有效使用的地理数据的关键技术^[2]。真实准确的土地利用/覆盖是国家进行土地资源管理工作和宏观经济调控的基础和重要依据^[3] 。

目前遥感影像分类方法大致可归纳为三类，即：基于密度函数的统计学分类、基于知识的专家系统分类和基于智能计算的神经网络分类以及支持向量机分类方法等^[4]。统计学分类方法（SA）按待分像元与样本数据的相似度执行分类，计算相对简单，实现过程也很方便，但要求训练数据为正态分布，导致训练样本的选择和参数估计的好坏直接决定分类结果，因而获得较高的分类精度较困难。专家系统分类方法(Expert System)综合地表地物影像的光谱、形状、纹理、空间结构等信息以及行业内专家的经验，分类规则易理解且过程清晰，能提高分类精度。然而该方法需要专家在该领域有一个漫长的学习期，以达到对地物规律更清楚的认识，制约了此方法的应用。神经网络方法（NNA）具有自适应性、能执行复杂并行运算的特点，能融合多种数据执行分类，但是该分类结果难以解释，存在过学习、局部最小值和收敛速度慢的问题^[5]。

随着科学技术的迅猛发展，信息化和智能化已成为未来社会的发展趋势。目前遥感信息提取其他研究领域的研究成果，尤其是人工智能领域，智能化已经成为当今遥感信息提取与数据处理的时代特征^[6]。人工智能在处理复杂的问题时相较于传统方法优势更明显，因此，可以尝试将智能算法引入到海量遥感影像的遥感分类，以提高分类精度。