线性与非线性混合像元分解模型的比较研究

论文摘要

本文目的是验证非线性光谱混合模型在遥感图像分类中的有效性,主要围绕混合像元分解技术在遥感图像分类中的应用展开,比较非线性与线性的光谱混合模型在遥感图像分类中的效果并分析其各自特点。利用混合像元分解技术更好解决分类中的混合像元问题,提高分类精度。由于传感器分辨率的限制以及地物的复杂多样性,混合像元普遍存在于遥感影像中,它涉及成像机理、特征提取、应用技术等一系列不能回避的问题:同时,混合像元分解也是遥感图像分类精度的重要途径之一。混合像元分解存在两大难点:（1）终端端元的确定与提取,（2）混合分解模型的求解。论文首先针对Landsat7ETM+遥感数据的特点,对图像进行了必要的预处理,为图像的进一步分析和实际应用提供了保障。在混合像元分解模型确定的前提下,端元组分选择的优劣直接影响混合像元分解的精度。针对遥感分类过程中终端端元光谱的选择问题,接着研究分析了分类过程中常用的终端端元光谱的来源和选择方法。针对遥感分类中混合像元的分解问题,探讨混合像元的概念和几种常用的混合像元分解模型,并对常用的线性和非线性分解模型给出了详细的求解过程。然后结合具体的遥感图像数据,对比分析基于非线性混合像元分解模型和线性的混合像元分解模型的优缺点,并进一步分析比较了非线性与线性混合像元分解模型,实验表明:非线性光谱混合模型用于混合像元分解分类比线性光谱混合模型效果好,分类精度提高了4%,验证了非线性混合像元分解应用于ETM+遥感分类的实用性和优越性。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 引言
• 1.2 混合像元的国内外研究概况
• 1.3 混合像元分解的研究
• 1.3.1 混合像元的概念
• 1.3.2 混合像元分解问题的研究
• 1.4 研究目的与意义
• 2 研究区选择与数据处理
• 2.1 研究地区的选择与其概况
• 2.1.1 研究区自然概况
• 2.1.2 研究区森林资源概况
• 2.1.3 社会经济情况
• 2.2 遥感影像数据的获取
• 2.3 数据预处理
• 2.3.1 像元值到反射率值的转换
• 2.3.2 几何纠正
• 2.4 本章小结
• 3 研究区域端元组分的确定
• 3.1 概述
• 3.2 端元组分选取的几种方法
• 3.2.1 几何顶点提取法
• 3.2.2 提取均值波谱的方法
• 3.2.3 改进的PPI方法
• 3.3 几何端元数目的确定
• 3.3.1 端元数目与本征维数之间的关系
• 3.3.2 本征维数的估计
• 3.4 本研究区域端元数目的确定
• 3.5 本章小结
• 4 混合像元分解
• 4.1 混合像元光谱分解概念
• 4.2 混合像元分解模型
• 4.2.1 线性模型
• 4.2.2 几何光学模型
• 4.2.3 随机几何模型
• 4.2.4 概率模型
• 4.2.5 模糊模型
• 4.2.6 线性混合光谱模型
• 4.2.7 非线性混合光谱模型
• 4.2.8 神经网络模型
• 4.2.9 模糊模型
• 4.2.10 匹配滤波法
• 4.2.11 经验系数法
• 4.3 线性与非线性混合像元分解模型的应用比较分析
• 4.3.1 直接分类
• 4.3.2 线性混合光谱模型在分类中的应用分析
• 4.3.3 非线性混合光谱模型在分类中的应用分析
• 4.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢