基于HJ1A高光谱数据和CCD数据的植被信息提取方法研究

发布时间：2017-04-28 22:06

  本文关键词：基于HJ1A高光谱数据和CCD数据的植被信息提取方法研究，，由笔耕文化传播整理发布。

【摘要】：近年来,高光谱遥感技术得到不断发展,其数据能够为森林树种识别提供更为精细的光谱分辨率,但是数据量大、冗余信息多的特点成为高光谱数据处理的难点。因而,高光谱数据降维称为高光谱数据信息提取的核心问题之一。本文基于环境一号A星高光谱遥感数据(HJ1A-HSI)和CCD数据(HJ1A-CCD),以福建省漳州市云霄县为研究区域,以高光谱数据植被信息提取方法为研究目的,结合分段主成分分析波段选择方法和最佳指数波段选择方法,提出了三种改进的高光谱波段选择方法——基于特征值、基于累积贡献率以及贡献率二次加权的改进SPCA和OIF波段选择方法,并对研究区进行了分类实验。论文主要内容如下：(1)对HJ1A的HSI数据和CCD数据进行预处理。论文主要对HSI数据进行条带噪声去除、FLAASH大气校正、几何精校正等处理,而CCD数据预处理流程主要包括传感器定标、FLAASH大气校正、几何精校正、影像镶嵌以及影像裁剪等。通过计算CCD影像NDVI阈值来确定研究区的植被区域,从而实现研究区HJ1A-HSI数据植被区域的提取。(2)在分段主成分分析(SPCA)和最佳指数(OIF)波段选择方法的基础上,提出了三种改进的高光谱数据降维方法——基于特征值的改进SPCA和OIF波段选择方法、基于累积贡献率的改进SPCA和OIF波段选择方法以及基于贡献率二次加权的改进SPCA和OIF波段选择方法：根据原始图像波段间的相关性将原始波段划分为若干子空间,分别对子空间图像进行PCA变换,确定包含原始图像绝大部分信息的前m个PCA波段,计算各子空间波段对其前m个PCA波段的贡献率,而后分别根据子空间中所有波段对特征值最大的第一主成分波段的贡献率、前m个主成分波段的累积贡献率以及前m个主成分波段对于原始图像的贡献率与原始波段对其累积贡献率的加权结果进行降序排列,并根据降序波段集合的波段间相关系数筛选出包含有最大信息量而相关性最低的子空间波段子集,最后根据所有子空间波段子集的最佳指数筛选出能够代表原始图像的波段集合,实现高光谱图像的有效降维。(3)分别运用最大似然法、支持向量机和神经网络三种分类方法对基于SPCA波段选择、OIF波段选择以及本文提出的三种改进的SPCA和OIF波段选择方法进行植被信息提取实验,并进行分类精度评价。通过对研究区HJ1A-HSI数据的植被区域进行桉树、经济林、阔叶树、杉木以及马尾松5种森林植被类型的信息提取实验对比,结果表明：本文提出的基于累积贡献率的改进SPCA和OIF波段选择方法的最大似然分类效果最好,总体精度为72.13%,Kappa系数为0.6452,而基于贡献率二次加权的改进SPCA和OIF波段选择方法次之；支持向量机分类方法的整体分类精度较低,其中基于特征值的改进SPCA和OIF波段选择方法的分类精度最高,总体精度为56.62%,Kappa系数为0.4224。结果可得：本文提出的三种改进波段选择方法的整体分类精度高于SPCA方法和OIF方法,而HJ1A-HSI信息提取的最优方法为基于累积贡献率的改进SPCA和OIF波段指数方法和最大似然分类方法的组合。
【关键词】：高光谱数据 波段选择 信息提取 分段主成分 最佳指数
【学位授予单位】：福建农林大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：S771.8
【目录】：

• 摘要7-9
• Abstract9-11
• 第一章 绪论11-25
• 1.1 研究背景和研究意义11-12
• 1.2 国内外研究现状12-22
• 1.2.1 成像光谱技术发展12-17
• 1.2.2 高光谱影像降维方法研究进展17-19
• 1.2.3 高光谱影像分类方法研究进展19-22
• 1.3 研究内容与技术路线22-23
• 1.3.1 研究内容22
• 1.3.2 研究方法22-23
• 1.4 技术路线23-25
• 第二章 研究区概况及相关理论基础25-40
• 2.1 研究区概况与研究数据25-26
• 2.1.1 研究区概况25-26
• 2.1.2 研究数据26
• 2.2 环境一号卫星数据介绍26-27
• 2.3 FLAASH大气校正理论27-28
• 2.4 基于移动窗口加权滤波的改进矩匹配方法理论28-29
• 2.5 高光谱遥感影像降维方法理论29-36
• 2.5.1 基于分段主成分分析(SPCA)的波段选择方法29-31
• 2.5.2 基于最佳指数(OIF)的波段选择方法31-32
• 2.5.3 基于特征值的改进SPCA和OIF波段选择方法32
• 2.5.4 基于累积贡献率的改进SPCA和OIF波段选择方法32-33
• 2.5.5 基于贡献率二次加权的改进SPCA和OIF波段选择方法33-36
• 2.6 高光谱遥感影像分类理论36-40
• 2.6.1 最大似然分类方法36-37
• 2.6.2 支持向量机分类方法37-38
• 2.6.3 神经网络分类方法38-40
• 第三章 影像预处理40-50
• 3.1 HSI数据预处理40-45
• 3.1.1 数据格式转换40
• 3.1.2 绝对辐亮度值转换40
• 3.1.3 条带去除40-43
• 3.1.4 FLAASH精确大气校正43-44
• 3.1.5 几何精校正44-45
• 3.2 CCD数据预处理45-47
• 3.2.1 FLAASH精确大气校正45-46
• 3.2.2 几何精校正46-47
• 3.2.3 影像镶嵌和裁剪47
• 3.3 研究区植被区域提取47-50
• 第四章 高光谱数据降维50-58
• 4.1 分段主成分分析波段选择50-54
• 4.1.1 子空间划分50
• 4.1.2 PCA变换50-51
• 4.1.3 累积贡献率计算51-53
• 4.1.4 波段选择53-54
• 4.2 OIF最佳指数波段选择波段选择54-55
• 4.3 改进的SPCA和OIF波段选择55-58
• 4.3.1 基于特征值的改进SPCA和OIF波段选择55-56
• 4.3.2 基于累积贡献率的改进SPCA和OIF波段选择56
• 4.3.3 基于贡献率二次加权的改进SPCA和OIF波段选择56-58
• 第五章 高光谱影像分类实验58-77
• 5.1 最大似然分类实验58-63
• 5.1.1 最大似然分类58-59
• 5.1.2 最大似然分类后处理59-61
• 5.1.3 最大似然分类后处理精度验证61-63
• 5.2 支持向量机分类63-68
• 5.2.1 支持向量机分类实验63-64
• 5.2.2 支持向量机分类后处理64-66
• 5.2.3 支持向量机分类后处理精度验证66-68
• 5.3 神经网络分类实验68-73
• 5.3.1 神经网络分类68-69
• 5.3.2 神经网络分类后处理69-71
• 5.3.3 神经网络分类后处理精度验证71-73
• 5.4 精度分析与评价73-77
• 5.4.1 总体分类精度分析与评价73-75
• 5.4.2 树种分类精度分析与评价75-77
• 第六章 总结与展望77-80
• 6.1 总结77-78
• 6.2 展望78-80
• 参考文献80-84
• 致谢84-85
• 附件85-88
• 附件1 SPCA波段选择方法的已选择波段子集Xs实现代码85-86
• 附件2 最佳指数波段选择方法代码86-87
• 附件3 基于指定波段最佳指数计算的前m个波段组合结果实现代码87-88

【参考文献】

中国期刊全文数据库 前10条

1 陈小平;焦奕雯;裴婷婷;周志翔;;园林植物吸附细颗粒物(PM_(2.5))效应研究进展[J];生态学杂志;2014年09期

2 梁丹;王彬;王云琦;张会兰;杨松楠;李昂;;北京市典型绿化灌木阻滞吸附PM_(2.5)能力研究[J];环境科学;2014年09期

3 刘玉安;唐志勇;程涛;易成功;锻炼;;基于HJ-1B数据的武汉市LST反演及热环境分析[J];长江流域资源与环境;2014年04期

4 单小军;唐娉;胡昌苗;唐亮;郑柯;;图像分层匹配的HJ-1A/B CCD影像自动几何精校正技术与系统实现[J];遥感学报;2014年02期

5 马样;裴亮;顾行发;余涛;高海亮;谢勇;;利用特征地物计算HJ-1卫星CCD波段间配准精度[J];地球信息科学学报;2014年02期

6 张玉环;李正强;侯伟真;许华;;利用HJ-1 CCD高分辨率传感器反演灰霾气溶胶光学厚度[J];遥感学报;2013年04期

7 高广磊;信忠保;丁国栋;李丛丛;张佳音;梁文俊;安云;贺宇;肖萌;李文叶;;基于遥感技术的森林健康研究综述[J];生态学报;2013年06期

8 张虎;焦子锑;李小文;黄兴英;董亚冬;;先验知识估算HJ-1 CCD数据地表反照率[J];遥感学报;2013年02期

9 郭宇龙;李云梅;朱利;徐德强;李渊;檀静;周莉;刘阁;;基于HJ1A-CCD数据的高光谱影像重构研究[J];环境科学;2013年01期

10 廖春华;张显峰;刘羽;;基于多端元光谱分解的干旱区植被覆盖度遥感反演[J];应用生态学报;2012年12期

中国博士学位论文全文数据库 前2条

1 高阳;高光谱数据降维算法研究[D];中国矿业大学;2013年

2 范昕炜;支持向量机算法的研究及其应用[D];浙江大学;2003年

  本文关键词：基于HJ1A高光谱数据和CCD数据的植被信息提取方法研究，由笔耕文化传播整理发布。

本文编号：333642