基于高光谱影像多维特征的植被精细分类
发布时间：2022-02-16 21:12
目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果;缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面植被分布情况,选择训练样本并进行支持向量机（Support vector machine,SVM）监督分类,完成地面植被的精细分类,对分类结果进行验证,总体精度可达99.6%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、提高信息利用率,为植被生态监测提供更为准确的数据支撑。
【文章来源】：大气与环境光学学报. 2020,15(02)CSCD
【文章页数】：8 页
【部分图文】：
图１?ＭＮＦ变换特征直方图??Ｆｉｇ．ｌ?ＭＮＦ?ｔｒａｎｓｆｏｒｍ?ｆｅａｔｕｒｅ?ｈｉｓｔｏｇｒａｍ??
?１２１??光谱分辨率为２．８?ｎｍ，空间分辨率为１３?ｃｍ，最终得到具有２２６个光谱波段的高光谱影像数据。通过前期预??处理，将采集影像中没有实际物理意义的像素量化值（ＤＮ值）转化为具有一定物理意义的光谱反射率值，??再进行后续的处理与应用。??于同一时期开展了现场调查工作，通过样方布设方式获取了区域内地物种类与覆盖情况，利用ＧＰＳ??仪获得各类植被的分布位置信息．相关现场调査结果用于数据处理时训练样本的选择以及数据处理后植被??分类的结果验证－??（ｄ）??Ｓｈａｄｏｗ??图４区域一分类结果比较。⑷原始伪彩色图；（ｂ）全波段＋ＳＡＭ；?（ｃ）多维特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多维??特征＋ＳＶＭ??Ｆｉｇ．４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?１．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??Ｔｒｅｅ?Ｉ??鑑戀?Ｉ?＇ｒｃｃ?２??（ｉｒａｓｓ?Ｉ??ｌｉｉｉｌｉ?（ｉｒａｓｓ?２??Ｓｈａｄｏｗ??（ｄ）?（ｅ）??图５区域二分类结果比较。（ａ）原始伪彩色图５?（ｂ）全波段＋ＳＡＭ；?（ｃ）多维特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多维??特征＋ＳＶＭ??Ｆｉｇ．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?２．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ
征＋ＳＶＭ??Ｆｉｇ．４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?１．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??Ｔｒｅｅ?Ｉ??鑑戀?Ｉ?＇ｒｃｃ?２??（ｉｒａｓｓ?Ｉ??ｌｉｉｉｌｉ?（ｉｒａｓｓ?２??Ｓｈａｄｏｗ??（ｄ）?（ｅ）??图５区域二分类结果比较。（ａ）原始伪彩色图５?（ｂ）全波段＋ＳＡＭ；?（ｃ）多维特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多维??特征＋ＳＶＭ??Ｆｉｇ．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?２．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??
【参考文献】：
期刊论文
[1]高光谱遥感城市植被识别方法研究[J]. 梁志林,张立燕,曾现灵,扶丹丹,杨丽新. 地理空间信息. 2017(02)
[2]一种新的空谱联合探测高光谱影像目标探测算法[J]. 王彩玲,王洪伟,胡炳樑,温佳,徐君,李湘眷. 光谱学与光谱分析. 2016(04)
[3]基于BP神经网络的盐湖矿物离子含量高光谱反演[J]. 周亚敏,张荣群,马鸿元,张健,张小栓. 国土资源遥感. 2016(02)
硕士论文
[1]基于高光谱图象的植被理化参数反演及精细分类[D]. 刘艳玲.哈尔滨工业大学 2018
[2]基于光谱匹配技术的青藏高原典型植被识别与提取[D]. 明群杰.中国地质大学(北京) 2017
[3]祁连山中段典型植被的光谱特征研究与应用[D]. 乔雨.兰州大学 2017
[4]基于HJ-1A星HSI高光谱数据的植被分类研究[D]. 陈丹.南京农业大学 2012
本文编号：3628670
【文章来源】：大气与环境光学学报. 2020,15(02)CSCD
【文章页数】：8 页
【部分图文】：
图１?ＭＮＦ变换特征直方图??Ｆｉｇ．ｌ?ＭＮＦ?ｔｒａｎｓｆｏｒｍ?ｆｅａｔｕｒｅ?ｈｉｓｔｏｇｒａｍ??
?１２１??光谱分辨率为２．８?ｎｍ，空间分辨率为１３?ｃｍ，最终得到具有２２６个光谱波段的高光谱影像数据。通过前期预??处理，将采集影像中没有实际物理意义的像素量化值（ＤＮ值）转化为具有一定物理意义的光谱反射率值，??再进行后续的处理与应用。??于同一时期开展了现场调查工作，通过样方布设方式获取了区域内地物种类与覆盖情况，利用ＧＰＳ??仪获得各类植被的分布位置信息．相关现场调査结果用于数据处理时训练样本的选择以及数据处理后植被??分类的结果验证－??（ｄ）??Ｓｈａｄｏｗ??图４区域一分类结果比较。⑷原始伪彩色图；（ｂ）全波段＋ＳＡＭ；?（ｃ）多维特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多维??特征＋ＳＶＭ??Ｆｉｇ．４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?１．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??Ｔｒｅｅ?Ｉ??鑑戀?Ｉ?＇ｒｃｃ?２??（ｉｒａｓｓ?Ｉ??ｌｉｉｉｌｉ?（ｉｒａｓｓ?２??Ｓｈａｄｏｗ??（ｄ）?（ｅ）??图５区域二分类结果比较。（ａ）原始伪彩色图５?（ｂ）全波段＋ＳＡＭ；?（ｃ）多维特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多维??特征＋ＳＶＭ??Ｆｉｇ．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?２．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ
征＋ＳＶＭ??Ｆｉｇ．４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?１．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??Ｔｒｅｅ?Ｉ??鑑戀?Ｉ?＇ｒｃｃ?２??（ｉｒａｓｓ?Ｉ??ｌｉｉｉｌｉ?（ｉｒａｓｓ?２??Ｓｈａｄｏｗ??（ｄ）?（ｅ）??图５区域二分类结果比较。（ａ）原始伪彩色图５?（ｂ）全波段＋ＳＡＭ；?（ｃ）多维特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多维??特征＋ＳＶＭ??Ｆｉｇ．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?２．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??
【参考文献】：
期刊论文
[1]高光谱遥感城市植被识别方法研究[J]. 梁志林,张立燕,曾现灵,扶丹丹,杨丽新. 地理空间信息. 2017(02)
[2]一种新的空谱联合探测高光谱影像目标探测算法[J]. 王彩玲,王洪伟,胡炳樑,温佳,徐君,李湘眷. 光谱学与光谱分析. 2016(04)
[3]基于BP神经网络的盐湖矿物离子含量高光谱反演[J]. 周亚敏,张荣群,马鸿元,张健,张小栓. 国土资源遥感. 2016(02)
硕士论文
[1]基于高光谱图象的植被理化参数反演及精细分类[D]. 刘艳玲.哈尔滨工业大学 2018
[2]基于光谱匹配技术的青藏高原典型植被识别与提取[D]. 明群杰.中国地质大学(北京) 2017
[3]祁连山中段典型植被的光谱特征研究与应用[D]. 乔雨.兰州大学 2017
[4]基于HJ-1A星HSI高光谱数据的植被分类研究[D]. 陈丹.南京农业大学 2012
本文编号：3628670
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3628670.html
