混合像元分解及其应用研究

论文摘要

高光谱遥感是指利用很窄而连续的光谱通道对地物遥感成像的技术。高光谱成像技术的问世是遥感技术应用的一个重大飞跃,所获取的地球表面图像包含了丰富的空间、辐射和光谱三重信息,已广泛用于地质勘探、海洋遥感、植被研究、精细农业、大气和环境监测、军事侦察和地形测绘等方面。高光谱遥感使遥感从定性分析逐步向定量分析深化。然而,但是由于空间分辨率有限以及地物的复杂多样性,遥感图像中普遍存在混合像元(即一个像元内有多种地物),对地面地物分布比较复杂的区域尤其如此。混合像元问题不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍。因此,如何有效地解译混合像元是高光谱遥感应用的突出问题。本论文围绕混合像元分解及其应用这个中心,进行以下研究:①AMEE端元提取研究。先前的端元提取技术只利用光谱信息,因此为了更好的解决混合像元问题,本文引入了数学形态学的方法,建立了一种可以同时兼顾光谱信息和像素之间的空间相关性来进行端元提取的算法。②基于端元提取的高光谱图像分类。传统分类算法依据不同类别地物的光谱信息存在差异,而忽略了混合像元的光谱信息不代表任何一种单一的地物类型。高光谱图像分类技术是很多应用的基础,但仅用传统分类算法对高光谱图像进行分类,会导致分类精度降低。因此,文章对混合像元进行分解,然后对高光谱图像进行分类。论文以AMEE和PPI方法提取端元,然后以线性解混后的丰度图像进行图像分类,获得较满意的结果。③高光谱图像分类比较研究。论文进行以下几组比较研究:1) AMEE与PPI端元提取后的分类比较,结果表明对AMEE端元提取线性解混后的丰度图像进行最大似然分类精度高于PPI端元丰度图像分类精度;2)最大似然法与支持向量机的分类比较研究,试验表明支持向量机的分类精度高于传统最大似然分类;3)混合像元分解对分类的影响比较。将前述四种分类结果进行比较,结论说明线性分解后丰度图像分类精度最高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究目的及意义
• 1.2 高光谱遥感技术概述
• 1.2.1 高光谱遥感概念及其数据表达
• 1.2.2 高光谱遥感的应用及其发展瓶颈
• 1.3 混合像元分解应用现状及其发展趋势
• 1.4 研究内容及技术路线
• 1.5 本文所采用的数据源
• 第二章 混合像元分解模型
• 2.1 光谱混合的成像机理
• 2.2 概念的提出
• 2.3 光谱混合模型
• 2.3.1 线性模型
• 2.3.2 非线性模型
• 2.3.3 神经网络模型
• 2.4 本章小结
• 第三章 基于线性模型及其混合像元分解
• 3.1 线性光谱混合模型
• 3.1.1 模型的理论基础
• 3.1.2 模型的数学表达
• 3.1.3 模型参数的估计
• 3.1.4 模型中对端元的描述
• 3.2 端元组分确定
• 3.2.1 端元类型和数量的确定
• 3.2.2 端元光谱值确定
• 3.3 端元提取算法概述
• 3.3.1 PPI
• 3.3.2 N-FINDR
• 3.3.3 IEA
• 3.3.4 ORASIS
• 3.4 实例研究
• 3.5 本章小结
• 第四章 基于数学形态学的端元提取算法
• 4.1 引言
• 4.2 数学形态学的基本原理与运算
• 4.2.1 数学形态学的基本概念
• 4.2.2 数学形态学的基本运算
• 4.3 基于数学形态学的端元提取
• 4.3.1 算法描述
• 4.3.2 实例研究
• 4.4 比较不同方法的分解结果
• 4.5 本章小结
• 第五章 混合像元分解与图像分类
• 5.1 遥感图像分类概述
• 5.1.1 非监督分类
• 5.1.2 监督分类
• 5.2 高光谱遥感图像的分类方法
• 5.2.1 光谱角制图法
• 5.2.2 支持向量机
• 5.3 实验比较
• 5.3.1 特征选择后分类
• 5.3.2 实验结果分析与评价
• 5.3.3 与其他分类方法比较
• 5.4 本章小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 研究展望
• 致谢
• 参考文献
• 在学期间发表的论著及参与的科研项目