多时相遥感影像土地覆盖自动分类研究

论文摘要

土地覆盖是陆地表层过程研究的重要基础,土地覆盖的变化将影响生态系统的结构、功能及其他一系列的地表过程,如能量交换、水循环等,对区域及全球生态环境产生着巨大的影响。遥感技术可以客观快速的获取区域及全球的土地覆盖信息,已成为目前获取土地覆盖数据的主要手段。针对目前土地覆盖遥感分类中重复选取训练样区的缺点,以及历史影像无法获得先验知识（地面调查数据）的缺陷,本文通过遥感数据定量化处理,提出一种多时相遥感影像的自动分类方法,该方法的基本原理是使相同地区不同时相影像具有相同的辐射尺度,然后共用分类特征,实现多时相遥感影像的自动分类。具体步骤如下:首先选择同一区域多时相影像中的一景作为参考影像,对其进行土地覆盖监督分类,并根据分类结果提取分类特征;对于其它时相的影像,则以参考影像为标准,利用基于多元变化检测（Multivariate Alteration Detection,MAD）的相对辐射归一化方法,进行相对辐射校正,最后以参考影像的分类特征和最大似然分类器对辐射归一化影像进行自动分类。同时,论文分析了不同土地覆盖类别的归一化植被指数（Normalized Difference Vegetation Index,NDVI）特征,利用NDVI作为辅助分类信息,计算最大似然分类的先验概率,以提高最大似然分类的精度。论文以青藏高原黄河源地区2007-08-13的Landsat TM5为参考影像,1990-08-30的Landsat TM5为目标影像,对论文提出的自动分类方法进行试验,结果显示:1.经过相对辐射归一化处理后,因成像条件不同导致的辐射差异明显减小或消除,不同时相影像具有相同的辐射尺度;2.经过相对辐射归一化处理后,不同时相的影像可利用相同的分类规则进行分类;3.基于NDVI分布比例的浮动先验概率,可有效提高最大似然法的分类精度,总体精度为94.02%,比固定先验概率提高4.69%。本文的创新点归纳为以下两点:1.通过相对辐射归一化,消除不同时相影像的辐射差异,提出共用分类特征实现自动分类的方法。2.通过NDVI确定最大似然法的浮动先验概率,将先验概率从传统的整景影像,提高到像元尺度,有效提高了分类精度。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 土地覆盖遥感目前主要的问题
• 1.4 研究目的与内容
• 1.5 技术路线
• 2 相对辐射校正
• 2.1 相对辐射归一化
• 2.2 常用的相对辐射归一化
• 2.2.1 统计方法
• 2.2.2 线性回归法
• 2.2.3 传统相对辐射归一化的不足
• 2.3 基于多元变化检测的相对辐射归一化
• 2.3.1 变化检测
• 2.3.2 回归分析
• 3 遥感分类方法
• 3.1 遥感影像分类概述
• 3.1.1 遥感影像的解译
• 3.1.2 遥感影像的计算机分类
• 3.1.3 遥感影像分类的一般步骤
• 3.2 非监督分类（UNSUPERVISED）
• 3.2.1 K-mean
• 3.2.2 ISODATA
• 3.3 监督分类（SUPERVISED）
• 3.3.1 最小距离法
• 3.3.2 Mahalanobis 距离
• 3.3.3 最大似然法
• 3.4 分类新方法
• 3.4.1 SVM
• 3.4.2 面向对象分类
• 3.4.3 专家系统分类
• 4 浮动先验概率最大似然分类
• 4.1 最大似然判别
• 4.1.1 先验概率
• 4.1.2 条件概率
• 4.1.3 Bayes 判别
• 4.2 先验概率的改进
• 4.3 基于归一化植被指数的先验概率
• 5 试验数据与结果
• 5.1 试验区概况
• 5.2 数据及预处理
• 5.2.1 TM 数据
• 5.2.2 其他数据
• 5.2.3 数据预处理
• 5.3 相对辐射归一化处理
• 5.4 自动分类
• 5.4.1 参考影像分类及分类特征提取
• 5.4.2 目标影像自动分类
• 6 结论与展望
• 致谢
• 参考文献
• 附录