1、检测技术与自动化装置专业优秀论文 基于纹理特征的遥感图像分类算法研究关键词：遥感图像 图像识别 纹理分类 分类算法摘要：遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用
2、Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对 Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代
3、公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。正文内容遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabo
4、r 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两
5、幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
6、本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类
7、时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助
8、对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择
9、、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图
10、像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥
11、感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GM
12、RF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，
13、然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，
14、利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabo
15、r 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两
16、幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
17、本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类
18、时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助
19、对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择
20、、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图
21、像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥
22、感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GM
23、RF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。遥感图像的分类精度直接影响到遥感数据的应用水平和实用价值。纹理是遥感图像的重要信息和基本特征，如何借助纹理借助对遥感图像进行综合分析，解决多类别地物的识别并满足一定的分类精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 本文分别对 Gabor 变换以及高斯马尔科夫随机场(GMRF)纹理分类算法进行了研究。为了解决纹理窗口的选择对 Gabor 变换分类精度的影响，引入多尺度 Wedgelet 变换对遥感图像进行分段线性表示，完成对遥感图像较为精确的区域分割，
24、然后利用 Gabor 变换提取各分割区域的纹理特征，实现遥感图像的有效纹理分类。针对 Gabor 纹理特征无法充分表示遥感图像的全局特性，且容易受图像中奇异点影响的问题，利用克隆选择算法对Gabor 纹理特征进行优化，通过克隆选择算法的选择、克隆和变异等操作获得系数幅度序列的最优聚类中心，将其作为遥感图像的最优纹理特征用于分类。GMRF 模型用于遥感图像分类时，存在着确定局部纹理结构和识别整体纹理特征的不足，同时由于相同的图像将具有相同的 GMRF 参数，因此该算法很难区分两幅表示不同地物而具有相同结构的图像。基于以上存在的问题，在通过 GMRF 算法获得遥感图像的全局 GMRF 模型参数后，
25、利用迭代公式求取单像素 GMRF 最优参数估计，然后计算单像素马尔可夫邻域的傅里叶功率谱特征，将该特征作为单像素的 GMRF 模型参数的局部权重。将得到的所有像素的 GMRF 模型参数组成高维矩阵，利用 K-L 变换进行特征提取，用于遥感图像的分类。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。我们还可提供代笔服务，价格优惠，服务周到，包您通过。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌甸?*U 躆 跦?l, 墀
26、VGi?o 嫅#4K 錶 c#x 刔 彟 2Z 皙笜?D 剧珞 H 鏋 Kx 時 k,褝仆? 稀?i 攸闥-) 荮vJ 釔絓|?殢 D 蘰厣?籶(柶胊?07 姻Rl 遜 ee 醳 B?苒?甊袝 t 弟l?%G 趓毘 N 蒖與叚繜羇坯嵎憛?U?Xd* 蛥?-.臟兄+鮶 m4嵸/E 厤U 閄 r塎偨匰忓tQL 綹 eb?抔搉 ok 怊 J?l?庮 蔘?唍*舶裤爞 K 誵Xr 蛈翏磾寚缳 nE 駔殞梕 壦 e 櫫蹴友搇6 碪近躍邀 8 顪?zFi?U 钮 嬧撯暼坻7/?W?3RQ 碚螅 T 憚磴炬 B- 垥 n 國 0fw 丮“eI?a揦(?7 鳁?H?弋睟栴?霽 N 濎嬄! 盯 鼴蝔 4sxr?溣?檝皞咃 hi#?攊(?v 擗谂馿鏤刊 x 偨棆鯍抰Lyy|y 箲丽膈淢 m7 汍衂法瀶?鴫 C?Q 貖 澔?wC(?9m.Ek?腅僼碓 靔 奲?D| 疑維 d袣箈 Q| 榉慓採紤婏(鞄-h-蜪7I冑?匨+蘮.-懸 6 鶚?蚧?铒鷈?叛牪?蹾 rR?*t? 檸?籕
