目前,高光譜植被精細(xì)分類存在三個(gè)問題:單純利用光譜信息得到的分類精度較低;光譜數(shù)據(jù)存在噪聲影響了最終的分類結(jié)果;缺少針對具體應(yīng)用場景而設(shè)計(jì)的分類方法。為此,提出了一種基于高光譜影像多維特征的植被精細(xì)分類方法,通過光譜數(shù)據(jù)降維、紋理特征提取以及植被指數(shù)選擇三個(gè)方面對高光譜影像數(shù)據(jù)進(jìn)行分析與利用,依靠前期現(xiàn)場調(diào)查得到的地面植被分布情況,選擇訓(xùn)練樣本并進(jìn)行支持向量機(jī)（Support vector machine,SVM）監(jiān)督分類,完成地面植被的精細(xì)分類,對分類結(jié)果進(jìn)行驗(yàn)證,總體精度可達(dá)99.6%。結(jié)果表明,基于高光譜影像多維特征的植被分類方法能夠有效地減小數(shù)據(jù)噪聲、提高信息利用率,為植被生態(tài)監(jiān)測提供更為準(zhǔn)確的數(shù)據(jù)支撐。 

【文章來源】：大氣與環(huán)境光學(xué)學(xué)報(bào). 2020,15(02)CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖１?ＭＮＦ變換特征直方圖??Ｆｉｇ．ｌ?ＭＮＦ?ｔｒａｎｓｆｏｒｍ?ｆｅａｔｕｒｅ?ｈｉｓｔｏｇｒａｍ??

?１２１??光譜分辨率為２．８?ｎｍ，空間分辨率為１３?ｃｍ，最終得到具有２２６個(gè)光譜波段的高光譜影像數(shù)據(jù)。通過前期預(yù)??處理，將采集影像中沒有實(shí)際物理意義的像素量化值（ＤＮ值）轉(zhuǎn)化為具有一定物理意義的光譜反射率值，??再進(jìn)行后續(xù)的處理與應(yīng)用。??于同一時(shí)期開展了現(xiàn)場調(diào)查工作，通過樣方布設(shè)方式獲取了區(qū)域內(nèi)地物種類與覆蓋情況，利用ＧＰＳ??儀獲得各類植被的分布位置信息．相關(guān)現(xiàn)場調(diào)査結(jié)果用于數(shù)據(jù)處理時(shí)訓(xùn)練樣本的選擇以及數(shù)據(jù)處理后植被??分類的結(jié)果驗(yàn)證－??（ｄ）??Ｓｈａｄｏｗ??圖４區(qū)域一分類結(jié)果比較。⑷原始偽彩色圖；（ｂ）全波段＋ＳＡＭ；?（ｃ）多維特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多維??特征＋ＳＶＭ??Ｆｉｇ．４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?１．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??Ｔｒｅｅ?Ｉ??鑑戀?Ｉ?＇ｒｃｃ?２??（ｉｒａｓｓ?Ｉ??ｌｉｉｉｌｉ?（ｉｒａｓｓ?２??Ｓｈａｄｏｗ??（ｄ）?（ｅ）??圖５區(qū)域二分類結(jié)果比較。（ａ）原始偽彩色圖５?（ｂ）全波段＋ＳＡＭ；?（ｃ）多維特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多維??特征＋ＳＶＭ??Ｆｉｇ．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?２．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ

征＋ＳＶＭ??Ｆｉｇ．４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?１．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??Ｔｒｅｅ?Ｉ??鑑戀?Ｉ?＇ｒｃｃ?２??（ｉｒａｓｓ?Ｉ??ｌｉｉｉｌｉ?（ｉｒａｓｓ?２??Ｓｈａｄｏｗ??（ｄ）?（ｅ）??圖５區(qū)域二分類結(jié)果比較。（ａ）原始偽彩色圖５?（ｂ）全波段＋ＳＡＭ；?（ｃ）多維特征＋ＳＡＭ；⑷全波段＋ＳＶＭ；⑷多維??特征＋ＳＶＭ??Ｆｉｇ．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｎ?ｒｅｇｉｏｎ?２．?（ａ）?Ｏｒｉｇｉｎａｌ?ｐｓｅｕｄｏ－ｃｏｌｏｒ?ｉｍａｇｅ，?（ｂ）?ｆｕｌｌ－ｂａｎｄ?ＳＡＭ，?（ｃ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ??ＳＡＭ，?（ｄ）?ｆｕｌｌ－ｂａｎｄ?ＳＶＭ，?（ｅ）?ｍｕｌｔｉ－ｆｅａｔｕｒｅ?ＳＶＭ??

【參考文獻(xiàn)】：
期刊論文
[1]高光譜遙感城市植被識別方法研究[J]. 梁志林,張立燕,曾現(xiàn)靈,扶丹丹,楊麗新.  地理空間信息. 2017(02)
[2]一種新的空譜聯(lián)合探測高光譜影像目標(biāo)探測算法[J]. 王彩玲,王洪偉,胡炳樑,溫佳,徐君,李湘眷.  光譜學(xué)與光譜分析. 2016(04)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的鹽湖礦物離子含量高光譜反演[J]. 周亞敏,張榮群,馬鴻元,張健,張小栓.  國土資源遙感. 2016(02)

碩士論文
[1]基于高光譜圖象的植被理化參數(shù)反演及精細(xì)分類[D]. 劉艷玲.哈爾濱工業(yè)大學(xué) 2018
[2]基于光譜匹配技術(shù)的青藏高原典型植被識別與提取[D]. 明群杰.中國地質(zhì)大學(xué)(北京) 2017
[3]祁連山中段典型植被的光譜特征研究與應(yīng)用[D]. 喬雨.蘭州大學(xué) 2017
[4]基于HJ-1A星HSI高光譜數(shù)據(jù)的植被分類研究[D]. 陳丹.南京農(nóng)業(yè)大學(xué) 2012



本文編號：3628670