本文關鍵詞：基于HJ1A高光譜數據和CCD數據的植被信息提取方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,高光譜遙感技術得到不斷發(fā)展,其數據能夠為森林樹種識別提供更為精細的光譜分辨率,但是數據量大、冗余信息多的特點成為高光譜數據處理的難點。因而,高光譜數據降維稱為高光譜數據信息提取的核心問題之一。本文基于環(huán)境一號A星高光譜遙感數據(HJ1A-HSI)和CCD數據(HJ1A-CCD),以福建省漳州市云霄縣為研究區(qū)域,以高光譜數據植被信息提取方法為研究目的,結合分段主成分分析波段選擇方法和最佳指數波段選擇方法,提出了三種改進的高光譜波段選擇方法——基于特征值、基于累積貢獻率以及貢獻率二次加權的改進SPCA和OIF波段選擇方法,并對研究區(qū)進行了分類實驗。論文主要內容如下：(1)對HJ1A的HSI數據和CCD數據進行預處理。論文主要對HSI數據進行條帶噪聲去除、FLAASH大氣校正、幾何精校正等處理,而CCD數據預處理流程主要包括傳感器定標、FLAASH大氣校正、幾何精校正、影像鑲嵌以及影像裁剪等。通過計算CCD影像NDVI閾值來確定研究區(qū)的植被區(qū)域,從而實現研究區(qū)HJ1A-HSI數據植被區(qū)域的提取。(2)在分段主成分分析(SPCA)和最佳指數(OIF)波段選擇方法的基礎上,提出了三種改進的高光譜數據降維方法——基于特征值的改進SPCA和OIF波段選擇方法、基于累積貢獻率的改進SPCA和OIF波段選擇方法以及基于貢獻率二次加權的改進SPCA和OIF波段選擇方法：根據原始圖像波段間的相關性將原始波段劃分為若干子空間,分別對子空間圖像進行PCA變換,確定包含原始圖像絕大部分信息的前m個PCA波段,計算各子空間波段對其前m個PCA波段的貢獻率,而后分別根據子空間中所有波段對特征值最大的第一主成分波段的貢獻率、前m個主成分波段的累積貢獻率以及前m個主成分波段對于原始圖像的貢獻率與原始波段對其累積貢獻率的加權結果進行降序排列,并根據降序波段集合的波段間相關系數篩選出包含有最大信息量而相關性最低的子空間波段子集,最后根據所有子空間波段子集的最佳指數篩選出能夠代表原始圖像的波段集合,實現高光譜圖像的有效降維。(3)分別運用最大似然法、支持向量機和神經網絡三種分類方法對基于SPCA波段選擇、OIF波段選擇以及本文提出的三種改進的SPCA和OIF波段選擇方法進行植被信息提取實驗,并進行分類精度評價。通過對研究區(qū)HJ1A-HSI數據的植被區(qū)域進行桉樹、經濟林、闊葉樹、杉木以及馬尾松5種森林植被類型的信息提取實驗對比,結果表明：本文提出的基于累積貢獻率的改進SPCA和OIF波段選擇方法的最大似然分類效果最好,總體精度為72.13%,Kappa系數為0.6452,而基于貢獻率二次加權的改進SPCA和OIF波段選擇方法次之；支持向量機分類方法的整體分類精度較低,其中基于特征值的改進SPCA和OIF波段選擇方法的分類精度最高,總體精度為56.62%,Kappa系數為0.4224。結果可得：本文提出的三種改進波段選擇方法的整體分類精度高于SPCA方法和OIF方法,而HJ1A-HSI信息提取的最優(yōu)方法為基于累積貢獻率的改進SPCA和OIF波段指數方法和最大似然分類方法的組合。
【關鍵詞】：高光譜數據 波段選擇 信息提取 分段主成分 最佳指數
【學位授予單位】：福建農林大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：S771.8
【目錄】：

• 摘要7-9
• Abstract9-11
• 第一章 緒論11-25
• 1.1 研究背景和研究意義11-12
• 1.2 國內外研究現狀12-22
• 1.2.1 成像光譜技術發(fā)展12-17
• 1.2.2 高光譜影像降維方法研究進展17-19
• 1.2.3 高光譜影像分類方法研究進展19-22
• 1.3 研究內容與技術路線22-23
• 1.3.1 研究內容22
• 1.3.2 研究方法22-23
• 1.4 技術路線23-25
• 第二章 研究區(qū)概況及相關理論基礎25-40
• 2.1 研究區(qū)概況與研究數據25-26
• 2.1.1 研究區(qū)概況25-26
• 2.1.2 研究數據26
• 2.2 環(huán)境一號衛(wèi)星數據介紹26-27
• 2.3 FLAASH大氣校正理論27-28
• 2.4 基于移動窗口加權濾波的改進矩匹配方法理論28-29
• 2.5 高光譜遙感影像降維方法理論29-36
• 2.5.1 基于分段主成分分析(SPCA)的波段選擇方法29-31
• 2.5.2 基于最佳指數(OIF)的波段選擇方法31-32
• 2.5.3 基于特征值的改進SPCA和OIF波段選擇方法32
• 2.5.4 基于累積貢獻率的改進SPCA和OIF波段選擇方法32-33
• 2.5.5 基于貢獻率二次加權的改進SPCA和OIF波段選擇方法33-36
• 2.6 高光譜遙感影像分類理論36-40
• 2.6.1 最大似然分類方法36-37
• 2.6.2 支持向量機分類方法37-38
• 2.6.3 神經網絡分類方法38-40
• 第三章 影像預處理40-50
• 3.1 HSI數據預處理40-45
• 3.1.1 數據格式轉換40
• 3.1.2 絕對輻亮度值轉換40
• 3.1.3 條帶去除40-43
• 3.1.4 FLAASH精確大氣校正43-44
• 3.1.5 幾何精校正44-45
• 3.2 CCD數據預處理45-47
• 3.2.1 FLAASH精確大氣校正45-46
• 3.2.2 幾何精校正46-47
• 3.2.3 影像鑲嵌和裁剪47
• 3.3 研究區(qū)植被區(qū)域提取47-50
• 第四章 高光譜數據降維50-58
• 4.1 分段主成分分析波段選擇50-54
• 4.1.1 子空間劃分50
• 4.1.2 PCA變換50-51
• 4.1.3 累積貢獻率計算51-53
• 4.1.4 波段選擇53-54
• 4.2 OIF最佳指數波段選擇波段選擇54-55
• 4.3 改進的SPCA和OIF波段選擇55-58
• 4.3.1 基于特征值的改進SPCA和OIF波段選擇55-56
• 4.3.2 基于累積貢獻率的改進SPCA和OIF波段選擇56
• 4.3.3 基于貢獻率二次加權的改進SPCA和OIF波段選擇56-58
• 第五章 高光譜影像分類實驗58-77
• 5.1 最大似然分類實驗58-63
• 5.1.1 最大似然分類58-59
• 5.1.2 最大似然分類后處理59-61
• 5.1.3 最大似然分類后處理精度驗證61-63
• 5.2 支持向量機分類63-68
• 5.2.1 支持向量機分類實驗63-64
• 5.2.2 支持向量機分類后處理64-66
• 5.2.3 支持向量機分類后處理精度驗證66-68
• 5.3 神經網絡分類實驗68-73
• 5.3.1 神經網絡分類68-69
• 5.3.2 神經網絡分類后處理69-71
• 5.3.3 神經網絡分類后處理精度驗證71-73
• 5.4 精度分析與評價73-77
• 5.4.1 總體分類精度分析與評價73-75
• 5.4.2 樹種分類精度分析與評價75-77
• 第六章 總結與展望77-80
• 6.1 總結77-78
• 6.2 展望78-80
• 參考文獻80-84
• 致謝84-85
• 附件85-88
• 附件1 SPCA波段選擇方法的已選擇波段子集Xs實現代碼85-86
• 附件2 最佳指數波段選擇方法代碼86-87
• 附件3 基于指定波段最佳指數計算的前m個波段組合結果實現代碼87-88

【參考文獻】

中國期刊全文數據庫 前10條

1 陳小平;焦奕雯;裴婷婷;周志翔;;園林植物吸附細顆粒物(PM_(2.5))效應研究進展[J];生態(tài)學雜志;2014年09期

2 梁丹;王彬;王云琦;張會蘭;楊松楠;李昂;;北京市典型綠化灌木阻滯吸附PM_(2.5)能力研究[J];環(huán)境科學;2014年09期

3 劉玉安;唐志勇;程濤;易成功;鍛煉;;基于HJ-1B數據的武漢市LST反演及熱環(huán)境分析[J];長江流域資源與環(huán)境;2014年04期

4 單小軍;唐娉;胡昌苗;唐亮;鄭柯;;圖像分層匹配的HJ-1A/B CCD影像自動幾何精校正技術與系統(tǒng)實現[J];遙感學報;2014年02期

5 馬樣;裴亮;顧行發(fā);余濤;高海亮;謝勇;;利用特征地物計算HJ-1衛(wèi)星CCD波段間配準精度[J];地球信息科學學報;2014年02期

6 張玉環(huán);李正強;侯偉真;許華;;利用HJ-1 CCD高分辨率傳感器反演灰霾氣溶膠光學厚度[J];遙感學報;2013年04期

7 高廣磊;信忠保;丁國棟;李叢叢;張佳音;梁文俊;安云;賀宇;肖萌;李文葉;;基于遙感技術的森林健康研究綜述[J];生態(tài)學報;2013年06期

8 張虎;焦子銻;李小文;黃興英;董亞冬;;先驗知識估算HJ-1 CCD數據地表反照率[J];遙感學報;2013年02期

9 郭宇龍;李云梅;朱利;徐德強;李淵;檀靜;周莉;劉閣;;基于HJ1A-CCD數據的高光譜影像重構研究[J];環(huán)境科學;2013年01期

10 廖春華;張顯峰;劉羽;;基于多端元光譜分解的干旱區(qū)植被覆蓋度遙感反演[J];應用生態(tài)學報;2012年12期

中國博士學位論文全文數據庫 前2條

1 高陽;高光譜數據降維算法研究[D];中國礦業(yè)大學;2013年

2 范昕煒;支持向量機算法的研究及其應用[D];浙江大學;2003年

  本文關鍵詞：基于HJ1A高光譜數據和CCD數據的植被信息提取方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：333642