基于核k均值聚类的高分辨率遥感图像的道路特征提取研究

摘要

自从1957年10月4日第一颗人造卫星发射以来，卫星遥感也随着产生，随着航空航天事业的不断发展进步，地球表面信息的获取一直都是人类不断追求的一个方向，地形探测、灾难受损情况检测、城市规划、获取城市道路信息等等，而这其中应用最广的莫过于城市道路信息的获取。卫星航天等技术的发展使得遥感图像分辨率越来越高，高分辨率的遥感图像提供了丰富的地面信息，但是由于有分辨率太高导致了有太多的干扰，道路上行驶的车子、路上的行人、道路两旁的树木、道路旁边的建筑物在道路上形成的阴影等，以及一些类似于道路表面特征的干扰，比如停车场、宽阔的屋顶等，这些都给道路提取带来很大的麻烦。
　　 本文的主要工作首先对图像进行边缘信息提取与分类，研究了常见的一些图像边缘信息提取与分类的算法，有基于一阶微分算子的roberts、prewitt、sobel还有基于二阶微分算子的log以及canny、分水岭分割边缘信息提取方法。并对仿真出的结果进行了对比，从对比结果中可以看到不同算法对图像边缘信息检测的优点和缺点，并且得出这些常见的图像边缘信息监测方法对高分辨率遥感图像不适用的结论，从而在后文中引入了基于k均值的聚类分割算法，成功的将我们需要的道路区域分割出来。通过k均值聚类分割算法虽然能够成功的分割出道路区域，但是由于受到道路旁边的各种噪声干扰，得到的结果并不是很理想，因此本文中将核的方法应用于k均值聚类分割算法中，通过基于核的k均值聚类分割算法对高分辨率遥感图像进行道路检测，得到的结果相对于k均值有着明显的改进，虽然道路旁边的噪声干扰不能完全消除，但是相对于k均值聚类而言噪声带来的影响已经被大量的消弱，在后期的工作中利用数学形态学的和图像的形状特征判断成功的滤除掉噪声的干扰并最终得到完整的道路网络。

目录

声明

摘要

第1章 绪论

1．1 遥感技术概述

1．2 遥感技术的研究背景及意义

1．3 遥感技术中道路提取的研究现状

1．4 本论文的规划与安排

第2章 基于边缘检测和分割的图像边缘信息提取

2．1 微分算子法

2．2 拉普拉斯—高斯算子法

2．3 canny边缘检测方法

2．4 分水岭分割算法

2．5 各种算子的边缘检测效果对比

第3章 K-means聚类算法和基于核的K-means聚类算法

3．1 非监督分类

3．2 K-means算法的原理

3．3 影响k-means算法效果的基本因素

3．3．1 初始点的选取对分类效果的影响

3．3．2 分类数目对分类结果的影响

3．3．3 距离函数

3．3．4 仿真结果

3．4 基于核的K-means算法

3．4．1 核函数方法的优越性

3．4．2 基于核的k-means聚类算法的步骤

3．4．3 核函数的选择

3．4．4 基于核的k-means聚类算法仿真结果

第4章 数学形态学处理和道路的提取

4．1 数学形态学处理介绍

4．2 二值形态学

4．2．1 二值形态学的基本运算

4．2．2 二值形态学的应用

4．3 灰度形态学

4．3．1 灰度形态学的基本运算

4．3．2 灰度形态学的常见应用

4．4 道路网络的提取

4．4．1 图像中连通区域的相关参数

4．4．2 判断是否是道路网络用到的几个区域特征

4．4．3 道路轮廓的提取

第5章 GUI界面的制作

5．1 新建一个空白gui界面

5．2 加载按钮和坐标轴控件

5．3 编写各控件代码

第6章 总结与展望

致谢

参考文献