基于多端元光谱混合分解的高分辨率影像城市亚像元分类

发布时间：2017-05-10 10:17

  本文关键词：基于多端元光谱混合分解的高分辨率影像城市亚像元分类，由笔耕文化传播整理发布。

【摘要】：遥感分析中作为基本空间单元的图像像元,记录的往往不止一种地物的反射光谱信号。这一信号被认为是多种土地覆盖类型的光谱响应特征混合,故该类像元被称为“混合像元”。混合像元产生的主要原因有两个：一,地物尺度小于给定的传感器空间分辨率,造成异质性地物共同出现在瞬时视场中；二,像元内地物以紧密、交错的方式均匀混合。城市遥感数据包含的混合像元主要产生于第一种原因。中低分辨率遥感图像中存在大量混合像元促进了光谱混合分析方法的发展。在空间分辨率达米级乃至亚米级的对地观测技术进入应用阶段的今天,城市中混合像元的数量和组成会有什么变化,传统像元光谱的解混方法是否仍然适用或需要做何种改进,如何最大限度地利用高分辨率优势量化表征城市景观,是探索高分辨率遥感数据特性和复杂城市结构之间关系中亟待回答的重要问题。 围绕上述问题,本文以上海市田子坊Worldview-2卫星2米多光谱影像为实验数据源,针对高度异质的城市景观,对直径小于图像空间分辨率的兴趣地物(如建筑物和道路)所产生的混合像元问题以及同物异谱现象进行传统的线性光谱混合分解(LSMA)和较为先进的多端元光谱混合分解(MESMA),并结合参考数据对两种分析方法获得的结果精度做了视觉和量化对比。 研究设定了如下控制条件和实验过程：在光谱库建立初始,从图像中提取了9大类47小类兴趣区(ROIs)含8162个像元,由此生成8162条初始光谱；然后利用计数端元选择(CoBI)、端元均方根误差(EAR)、最小平均光谱角(MASA)三个指标值进行综合排序,建立LSMA和MESMA端元光谱库。 两种光谱混合分析方法的具体实现过程如下： (1)根据上述综合排序结果,为LSMA挑选出6条不透水面、2条植被、1条阴影光谱,组成LSMA端元光谱库。具体的LSMA分解满足所有组分和为1,分量最小约束为0、最大约束为1的线性约束,借助Matlab软件的最小二乘法函数实现。分解结果重组为包含不透水面、植被、阴影、RMSE四个数据层的文件。 (2)依据上述综合排序结果,挑选了57条不透水面、9条植被、10条阴影光谱构成MESMA端元光谱库,共组合成分解模型5130个。分解过程借助ENVI插件VIPER Tools工具实现,对约束条件进行变换组合,选出最佳参数：最小分量约束为-0.05、最大分量约束1.05,最大阴影约束0.8,最大允许RMSE为0.025,分解中各波段残差约束0.025。分解端元已包含阴影分量,在MESMA结果基础上进行阴影归一化,消除VIPER Tools工具自身限制带来的错误得到阴影归一化MESMA结果文件。最终结果由不透水面、植被、阴影、RMSE数据层组成。 对两种不同分析方法获得的结果采取目视定性和指标定量结合的方式进行精度检验。目视定性发现MESMA较LSMA斑块细碎,但是MESMA更贴合实际地物。定量法对100个随机采样点的LSMA、MESMA对照航拍照片进行一一目视解译,并采用均方根误差RMSE、均方误差MAE、决定系数R2对端元丰度值进行评估。 对照样本的指标定量检验中,植被(Vege)在LSMA和MESMA结果中都表现出最小的RMSE和MAE,不透水面(IS)和阴影(Shade)的RMSE在LSMA中都为0.32左右,IS的MAE为0.22,Shade的MAE为0.24；MESMA中两者的RMSE都提高到0.23,IS的MAE提高到0.11,Shade也提高到0.12。1S的R2在LSMA中最低,仅为0.75,MESMA中为次高,0.92,改善最大,这正体现出MESMA较传统的LSMA在城市异质性景观提取的优势性；阴影的R2也从0.84提高到0.94,但是植被的R2在LSMA到MESMA中却呈现出降低趋势。总体来看,MESMA较LSMA在不透水面、植被、阴影分量都有不同程度改善,展示出MESMA对于城市景观亚像元分解较传统的LSMA的适用性。 最后,总结MESMA和LSMA过程中存在的问题并提出进一步分解效率改进措旌。
【关键词】：Worldview-2 多端元光谱混合分解 线性光谱混合分解 高分影像
【学位授予单位】：华东师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P237
【目录】：

• 摘要6-8
• Abstract8-14
• 图目录14-15
• 表目录15-16
• 第一章 绪论16-27
• 1.1 研究背景与意义16-18
• 1.2 国内外研究现状18-22
• 1.3 研究内容与技术路线22-26
• 1.3.1 研究内容22-23
• 1.3.2 技术路线23-26
• 1.4 论文结构26-27
• 第二章 模型和方法理论介绍27-35
• 2.1 光谱混合分析27
• 2.2 线性光谱混合分析27-29
• 2.3 非线性光谱混合分析29-30
• 2.4 多端元光谱混合分析30-31
• 2.5 VIPER_Tools工具介绍31-32
• 2.6 端元获取32-35
• 第三章 实验数据和研究区域介绍及数据预处理35-47
• 3.1 Worldview-2数据源介绍35-36
• 3.2 Worldview-2影像及实验区介绍36-39
• 3.2.1 影像信息介绍36-37
• 3.2.2 试验区域介绍37-39
• 3.3 辐射校正39-43
• 3.3.1 辐射定标39-41
• 3.3.2 大气校正41-43
• 3.4 航拍照片的介绍及投影坐标统一43-46
• 3.5 精度检验指标46-47
• 第四章 线性光谱混合分解和多端元光谱混合分解47-63
• 4.1 创建方阵(Square Array)47-49
• 4.2 方阵输出波段(Square Array output Bands)的说明49-51
• 4.3 方阵(Square Array)结果分析51-54
• 4.4 EAR/MASA/CoB(EMC)介绍54-56
• 4.5 VIPER Tools中EAR、MASA和CoB的计算56-57
• 4.6 最优端元光谱的选取57-59
• 4.7 LSMA获得亚像元丰度结果59
• 4.8 MESMA获得亚像元丰度结果59-61
• 4.9 MESMA的阴影归一化结果61-63
• 第五章 LSMA和MESMA结果分析及精度检验63-71
• 5.1 RMSE结果分析63-66
• 5.1.1 LSMA的RMSE波段分析63-64
• 5.1.2 阴影归一化后MESMA的RMSE波段分析64-66
• 5.2 LSMA和MESMA目视对比66-67
• 5.3 与航拍数据的精度检验67-70
• 5.4 分解效率及改进70-71
• 5.4.1 分解效率70
• 5.4.2 改进建议70-71
• 第六章 总结与展望71-73
• 6.1 主要结论71-72
• 6.2 特色与创新72
• 6.3 研究展望72-73
• 参考文献73-78
• 后记78-79

【参考文献】

中国期刊全文数据库 前9条

1 吴志杰;赵书河;;基于TM图像的“增强的指数型建筑用地指数”研究[J];国土资源遥感;2012年02期

2 罗永明;钟仕全;莫伟华;何立;曾行吉;;基于TM数据的南宁市水体和建筑用地变化研究[J];气象研究与应用;2008年01期

3 戴建光;蔡海良;;基于TM影像的城市建筑用地信息提取方法研究[J];现代测绘;2008年06期

4 马孟莉;朱艳;李文龙;姚霞;曹卫星;田永超;;基于分层多端元混合像元分解的水稻面积信息提取[J];农业工程学报;2012年02期

5 韩丽君;;土地利用分类中TM影像最佳波段组合选择研究[J];太原师范学院学报(自然科学版);2010年01期

6 张洪恩;施建成;刘素红;;湖泊亚像元填图算法研究[J];水科学进展;2006年03期

7 曹雪;柯长青;;基于TM影像的南京市土地利用遥感动态监测[J];武汉大学学报(信息科学版);2006年11期

8 杨存建,周成虎;TM影像的居民地信息提取方法研究[J];遥感学报;2000年02期

9 Amirreza SHAHTAHMASSEBI;Nathan MOORE;;Monitoring rapid urban expansion using a multi-temporal RGB-impervious surface model[J];Journal of Zhejiang University-Science A(Applied Physics & Engineering);2012年02期

  本文关键词：基于多端元光谱混合分解的高分辨率影像城市亚像元分类，，由笔耕文化传播整理发布。

本文编号：354549