中文摘要：

当前遥感制图应用中，数据对象中地物成像的空间跨度大，辐射强度、成像角度、尺度差异大，从而使同类地物成像结果的光谱、纹理等特征也表现出明显差异。数据预处理和特定的训练样本选取只能部分地降低这些差异的影响。本研究期望通过构造具有辐射、成像角度、尺度不变性的特征，结合新的分类流程和框架，提高算法对成像条件变化的鲁棒性，提高分类精度。生物学启发的特征在多种光照条件、成像角度和尺度下有高度的不变性，是计算机视觉领域近年取得的重要进步，在多种应用中表现优异。遥感图像的光谱范围、波段数、成像内容、空间尺度等都不同于自然场景图像，本研究针对这些特点构造适合遥感图像场景表达的不变特征。相应地定制使用这些高维特征的分类流程，将同一类别的训练样本的特征聚类为多个"类别元"，用这些"类别元"或其出现频数形成的直方图描述区域对象，代表多种成像条件下的特征表现，有望进一步提高对辐射、角度、尺度的鲁棒性，提高分类精度。

结论摘要：

地表覆盖制图中的不确定部分来源于成像时的光照差异或大气、地形影响，成像角度差异、分辨率和地物大小的影响。解决这一问题，可以是低层特征提取和表达的改进，中层特征组合及变换方法，或者高层利用特征关联关系、分类器的自适应能力、时空分布的一致性约束或其他辅助信息等提高分类精度。本研究中分析了图像的自相似性，光谱一致性对特征表达的影响，比较了多种具有不变性的特征的表现。重点研究了特征提取后，在高层使用时空一致性约束，辅助信息等提高分类精度的方法。用2000-2002，2009-2011年的数据，结合时空一致性约束模型完成2001年和2010年的250米全球地表覆盖制图。