本文選題：高光譜遙感 + 線性混合光譜分解��； 參考：《成都理工大學》2017年碩士論文

【摘要】：混合像元分解一直是遙感學科研究熱點問題之一,線性混合光譜模型是解決混合像元分解的有效方法,根據(jù)分解算法限制條件不同可以分為無約束條件的混合光譜分解、部分約束條件的混合光譜分解以及完全約束條件的混合光譜分解�；旌舷裨纸庠谕恋乩梅诸�、農(nóng)作物面積提取和植被覆蓋度提取研究較多,但在巖性提取方面研究較少,大部分巖性提取都是傳統(tǒng)基于逐個像元進行,因此本文利用Hyperion高光譜數(shù)據(jù),以西藏境內(nèi)達孜縣與墨竹工卡縣之間的交界處作為研究區(qū)域,開展基于線性混合光譜分解的巖性提取。取得的主要研究成果如下:(1)對EO-1衛(wèi)星Hyperion高光譜數(shù)據(jù)開展數(shù)據(jù)預(yù)處理。通過波段去除、條紋及壞線修復、大氣校正、影像裁剪等數(shù)據(jù)預(yù)處理過程獲得研究區(qū)真實反射率圖像。(2)巖石波譜數(shù)據(jù)獲取與分析。通過設(shè)計野外巖石采集路線,利用ASD光譜儀在室內(nèi)獲得巖石波譜數(shù)據(jù),開展波譜數(shù)據(jù)處理,建立研究區(qū)巖性波譜庫。在此基礎(chǔ)上進行巖性波譜分析,查明了同一巖性的風化面反射率值與新鮮面反射率值大小差異但兩者波譜特征曲線卻基本一致的規(guī)律。(3)通過分析多種端元提取算法,優(yōu)選適于巖性分類的端元提取算法。PPI、SMACC、N-FINDR三種端元提取算法應(yīng)用廣泛且易于實現(xiàn),利用三種算法對研究區(qū)進行端元提取,并采用傳統(tǒng)SAM方法開展巖性分類,分析比較三種方法提取的端元光譜及巖性分類效果。研究表明:N-FINDR端元提取法要優(yōu)于PPI法和SMACC法,PPI法受人為因素的限制提取的端元信息不夠完整,SMACC法提取的端元精度偏低較為不穩(wěn)定。(4)分析線性混合光譜模型下的三種豐度反演算法,選出最優(yōu)算法進行巖性提取。通過探討三種豐度反演算法:無約束條件的最小二乘法(UCLS)、部分約束條件的最小二乘法(SCLS)、完全約束條件的最小二乘法(FCLS),利用三種算法對研究區(qū)進行豐度反演,得到三種反演結(jié)果的RMSE值分別為0.0435、0.0378、0.0223,并通過分析評價得到線性混合光譜分解算法的巖性提取精度,總體精度為87.71%,Kappa為79.82%。研究表明:完全約束的最小二乘法的精度最高,且與傳統(tǒng)SAM巖性提取相比,基于完全約束條件的線性混合光譜分解能進一步提高巖性提取精度。
[Abstract]:Mixed pixel decomposition has always been one of the hot issues in remote sensing. Linear mixed spectral model is an effective method to solve mixed pixel decomposition. The mixed spectral decomposition of partial constraint condition and the mixed spectral decomposition of complete constraint condition. Mixed pixel decomposition is widely studied in land use classification, crop area extraction and vegetation coverage extraction, but less in lithology extraction. Therefore, using Hyperion hyperspectral data and the boundary between Dazi County and work card County in Tibet as the study area, the lithology extraction based on linear mixed spectral decomposition is carried out. The main research results are as follows: (1) preprocessing the Hyperion hyperspectral data of EO-1 satellite. The true reflectivity images of the study area are obtained by the data preprocessing processes such as band removal, fringe and bad line restoration, atmospheric correction and image clipping. (2) Rock spectral data acquisition and analysis. The rock spectrum data were obtained by ASD spectrometer and the lithology spectrum database was established by designing the rock collection route in the field and using the ASD spectrometer to obtain the rock spectrum data in the laboratory. On the basis of the analysis of lithology spectrum, the difference of reflectivity between weathered surface and fresh surface of the same lithology is found out, but the characteristic curve of wave spectrum is basically the same. (3) by analyzing various endmember extraction algorithms, The three End-element extraction algorithms, PPISMACCN-FINDR, which are suitable for lithology classification, are widely used and easy to realize. The three algorithms are used to extract endcomponents from the study area, and the traditional SAM method is used to carry out lithology classification. End-component spectra and lithologic classification results obtained by the three methods were analyzed and compared. The results show that the ratio N-FINDR endcomponent extraction method is better than PPI method and SMACC method. The end component information extracted by SMACC method is not complete enough. (4) three abundance inversion algorithms based on linear mixed spectral model are analyzed. An optimal algorithm is selected for lithology extraction. Through discussing three abundance inversion algorithms: unconstrained least squares (UCLS), partial constrained least squares (SCLS), complete constrained least squares (FCLS), the abundance inversion of the study area is carried out by using three algorithms. The RMSE values of the three inversion results are 0.0435 / 0.0378/ 0.0223.The lithology extraction accuracy of the linear mixed spectral decomposition algorithm is obtained by analysis and evaluation. The overall accuracy is 87.71 and Kappa is 79.82. The results show that the precision of the fully constrained least square method is the highest, and compared with the traditional SAM lithology extraction, the linear mixed spectral decomposition based on the complete constraint condition can further improve the accuracy of lithology extraction.
【學位授予單位】：成都理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：P627

【參考文獻】

相關(guān)期刊論文 前10條

1 陳晉;馬磊;陳學泓;饒玉晗;;混合像元分解技術(shù)及其進展[J];遙感學報;2016年05期

2 林娜;楊武年;王斌;;利用核方法進行高光譜遙感圖像線性解混[J];武漢大學學報(信息科學版);2017年03期

3 楊可明;劉二雄;張婉婉;汪國平;夏天;;基于SURF和顧及維數(shù)的高光譜影像端元提取新算法[J];科學技術(shù)與工程;2016年18期

4 田珊珊;楊敏華;;遙感影像混合像元分解算法對比分析[J];現(xiàn)代測繪;2016年01期

5 王茂芝;徐文皙;王璐;郭科;;高光譜遙感影像端元提取算法研究進展及分類[J];遙感技術(shù)與應(yīng)用;2015年04期

6 崔賓閣;莊仲杰;任廣波;吳培強;張杰;;典型高光譜圖像端元提取算法在黃河口濕地應(yīng)用評價研究[J];海洋科學;2015年02期

7 崔賓閣;張杰;馬毅;任廣波;;高分辨率圖像輔助提取高光譜圖像端元[J];遙感學報;2014年01期

8 韋晶;朱金山;孫林;郭亞敏;;光譜增強技術(shù)在高光譜數(shù)據(jù)巖性識別中的應(yīng)用[J];資源開發(fā)與市場;2013年11期

9 崔建濤;王晶;厲小潤;趙遼英;;基于空間像素純度指數(shù)的端元提取算法[J];浙江大學學報(工學版);2013年09期

10 張達;鄭玉權(quán);;高光譜遙感的發(fā)展與應(yīng)用[J];光學與光電技術(shù);2013年03期

相關(guān)會議論文 前1條

1 楊旭;劉德長;張杰林;;新疆烏恰-庫車地區(qū)鈾成礦要素遙感信息提取[A];中國核科學技術(shù)進展報告——中國核學會2009年學術(shù)年會論文集（第一卷·第1冊）[C];2009年

相關(guān)博士學位論文 前9條

1 陳磊;高光譜遙感混合光譜模擬與分解方法研究[D];吉林大學;2016年

2 韓宇韜;數(shù)字正射影像鑲嵌中色彩一致性處理的若干問題研究[D];武漢大學;2014年

3 夏威;高光譜遙感圖像的解混和波段選擇方法研究[D];復旦大學;2013年

4 孔祥兵;基于同質(zhì)區(qū)分析的高光譜影像混合像元分解[D];武漢大學;2012年

5 齊濱;高光譜圖像分類及端元提取方法研究[D];哈爾濱工程大學;2012年

6 高恒振;高光譜遙感圖像分類技術(shù)研究[D];國防科學技術(shù)大學;2011年

7 黃遠程;高光譜影像混合像元分解的若干關(guān)鍵技術(shù)研究[D];武漢大學;2010年

8 陳進;高光譜圖像分類方法研究[D];國防科學技術(shù)大學;2010年

9 劉漢湖;巖礦波譜數(shù)據(jù)分析與信息提取方法研究[D];成都理工大學;2008年

相關(guān)碩士學位論文 前10條

1 聶明鈺;高光譜圖像線性解混算法研究[D];山東大學;2016年

2 張麗云;基于高光譜遙感數(shù)據(jù)的森林樹種分類[D];北京林業(yè)大學;2016年

3 曾森;川藏鐵路沿線高光譜數(shù)據(jù)處理與巖性識別研究[D];成都理工大學;2016年

4 馮淑娜;基于多端元混合像元分解的喀斯特石漠化表征因子提取研究[D];中國礦業(yè)大學;2015年

5 周昕;高光譜遙感圖像混合像元分解算法研究[D];浙江大學;2015年

6 牛貝貝;高光譜遙感影像端元提取算法研究及應(yīng)用[D];中南大學;2014年

7 劉娟娟;基于線性模型的高光譜圖像解混及應(yīng)用[D];成都理工大學;2014年

8 劉益世;高光譜遙感混合像元端元提取研究及應(yīng)用[D];中南大學;2013年

9 宋慧;基于混合像元分解的土地利用分類[D];濟南大學;2013年

10 陶偉;基于Hyperion高光譜數(shù)據(jù)的城市地物識別與分類研究[D];浙江大學;2013年

，

本文編號：2061032