lidar辅助遥感影像建筑物分类识别和提取研究

lidar辅助遥感影像建筑物分类识别和提取研究

ID:33397671

大小:2.24 MB

页数:85页

时间:2019-02-25

lidar辅助遥感影像建筑物分类识别和提取研究_第1页
lidar辅助遥感影像建筑物分类识别和提取研究_第2页
lidar辅助遥感影像建筑物分类识别和提取研究_第3页
lidar辅助遥感影像建筑物分类识别和提取研究_第4页
lidar辅助遥感影像建筑物分类识别和提取研究_第5页
资源描述:

《lidar辅助遥感影像建筑物分类识别和提取研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、全日制硕士学位论文LiDAR辅助遥感影像建筑物分类识别和提取研究学生类别:学术型研究生申请人姓名:艾泽天指导教师:王双亭专业名称:测绘科学与技术研究方向:数字摄影测量与遥感应用河南理工大学测绘与国土信息学院二○一一年六月万方数据万方数据河南理工大学学位论文原创性声明本人郑重声明:所呈交的学位论文,是我个人在导师指导下进行的研究工作及取得的研究成果。论文中除了特别加以标注和致谢的地方外,不包含任何其他个人或集体已经公开发表或撰写过的研究成果。其他同志对本研究的启发和所做的贡献均已在论文中作了明确的声明并表示了谢意。本人愿意承担因本学位论文引发的一切相关责

2、任。学位论文作者签名:年月日河南理工大学学位论文使用授权声明本学位论文作者及导师完全了解河南理工大学有关保留、使用学位论文的规定,即:学校有权保留和向有关部门、机构或单位送交论文的复印件和电子版,允许论文被查阅和借阅,允许将本学位论文的全部或部分内容编入有关数据库进行检索和传播,允许采用任何方式公布论文内容,并可以采用影印、缩印、扫描或其他手段保存、汇编、出版本学位论文。保密的学位论文在解密后适用本授权。学位论文作者签名:导师签名:年月日年月日万方数据万方数据中图分类号:P23;TP39.4密级:公开UDC:528单位代码:10460LiDAR辅助遥感

3、影像建筑物分类识别和提取研究ResearchonClassificationRecognitionandExtractionofBuildingsbyRSImageAssistedbyLiDARdata申请人姓名艾泽天申请学位工学硕士数字摄影测量学科专业测绘科学与技术研究方向与遥感应用导师王双亭职称教授提交日期2011.3.31答辩日期2011.6.4.河南理工大学万方数据万方数据致谢在论文完成之际,我要感谢所有曾给予我帮助的教师、同学、亲人及朋友们!首先,我要深深地感谢我的导师王双亭教授,是他的直接教导使我学会了大量的摄影测量与遥感知识,是他的直接指

4、导使我能够完成本篇毕业论文,是他的直接培养使我学会了许多人生道理。在两年多的学习生活中,王老师始终给予我热心的指导和无私的帮助。他渊博的专业知识、严谨的治学作风、豁达开阔的心胸、和蔼可亲的待人态度和对测绘科研事业执著的追求精神值得我用一生来学习。在这两年多的学习生活中,一直得到卢小平教授、袁占良副教授、于海洋副教授、刘春国副教授、靳海亮副教授、王育红副教授、雷伟伟老师和傅建春老师的悉心指导和热心帮助,在此向他们表示由衷的谢意。感谢都伟冰、古林玉、訾国杰等诸位学友在我学习上和生活上都给予我热情的帮助,在此向他们表达谢意。深深感谢我的父母、爱人和亲人,你们

5、的期盼和关心是我不断前进的动力,没有你们的鼓励和支持,我是不能在学校专心完成我的学业的。最后,感谢所有关心和支持我的人!万方数据万方数据摘要摘要近年来,我国城市扩张迅速,城市建筑物快速增加。如何从高分辨遥感影像上自动、快速地提取建筑物,对地理信息系统数据库更新、城市规划、数字化城市建设等方面有着十分重要的学术及现实意义。LiDAR(LightDetectingAndRanging)技术的发展,为解决这一问题提供了新的途径。本文使用LiDAR数据辅助高分辨遥感影像,结合LiDAR数据的高度特征和高分辨遥感影像的光谱及纹理特性,使用支持向量机(Suppor

6、tVectorMachine,简称SVM)分类的方法,对建筑物的分类识别和提取进行了研究。支持向量机(SVM)是一种基于统计学习理论的新的机器学习方法,应用于遥感影像分类中,在小样本学习,学习效率和获取全局最优等方面都有显著的优势。目前,SVM用于高分辨率遥感影像分类也处于广泛的研究中。本文在前人研究的基础上,采用了区别于其它建筑物提取方法的新方法,即融合LiDAR高程数据和高分辨遥感影像作为实验数据,利用SVM分类技术把建筑物同其他地物分离,然后使用数字图像处理技术对分类结果进行处理,最终提取出建筑物。本文的主要研究内容如下:1.初步探讨了原始LiD

7、AR点云数据的预处理,研究了基于TerraScan分类生成数字表面模型(DSM)和数字高程模型(DEM),进而使用两者生成没有地面高程信息的nDSM,作为建筑物分类提取的辅助数据。2.阐述了四种常用的监督分类理论尤其是支持向量机分类理论,进行了高分辨影像的监督分类实验,比较了这四种监督分类方法的分类精度,同时比较了建筑物分类提取精度;进行了基于不同核函数的SVM高分辨影像分类实验,比较了这四种核函数的分类精度和建筑物提取精度。3.提出了支持向量机分类识别建筑物的分类流程,重点研究了如何确定支持向量机的核函数及核函数参数,并使用获取的核函数及核参数对实验

8、影像进行了建筑物分类实验,最后对建筑物分类结果进行分析。4.研究了影像分类后建筑物提取的后期处

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。