本文關(guān)鍵詞：基于HJ1A高光譜數(shù)據(jù)和CCD數(shù)據(jù)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(lái),高光譜遙感技術(shù)得到不斷發(fā)展,其數(shù)據(jù)能夠?yàn)樯謽?shù)種識(shí)別提供更為精細(xì)的光譜分辨率,但是數(shù)據(jù)量大、冗余信息多的特點(diǎn)成為高光譜數(shù)據(jù)處理的難點(diǎn)。因而,高光譜數(shù)據(jù)降維稱為高光譜數(shù)據(jù)信息提取的核心問(wèn)題之一。本文基于環(huán)境一號(hào)A星高光譜遙感數(shù)據(jù)(HJ1A-HSI)和CCD數(shù)據(jù)(HJ1A-CCD),以福建省漳州市云霄縣為研究區(qū)域,以高光譜數(shù)據(jù)植被信息提取方法為研究目的,結(jié)合分段主成分分析波段選擇方法和最佳指數(shù)波段選擇方法,提出了三種改進(jìn)的高光譜波段選擇方法——基于特征值、基于累積貢獻(xiàn)率以及貢獻(xiàn)率二次加權(quán)的改進(jìn)SPCA和OIF波段選擇方法,并對(duì)研究區(qū)進(jìn)行了分類實(shí)驗(yàn)。論文主要內(nèi)容如下：(1)對(duì)HJ1A的HSI數(shù)據(jù)和CCD數(shù)據(jù)進(jìn)行預(yù)處理。論文主要對(duì)HSI數(shù)據(jù)進(jìn)行條帶噪聲去除、FLAASH大氣校正、幾何精校正等處理,而CCD數(shù)據(jù)預(yù)處理流程主要包括傳感器定標(biāo)、FLAASH大氣校正、幾何精校正、影像鑲嵌以及影像裁剪等。通過(guò)計(jì)算CCD影像NDVI閾值來(lái)確定研究區(qū)的植被區(qū)域,從而實(shí)現(xiàn)研究區(qū)HJ1A-HSI數(shù)據(jù)植被區(qū)域的提取。(2)在分段主成分分析(SPCA)和最佳指數(shù)(OIF)波段選擇方法的基礎(chǔ)上,提出了三種改進(jìn)的高光譜數(shù)據(jù)降維方法——基于特征值的改進(jìn)SPCA和OIF波段選擇方法、基于累積貢獻(xiàn)率的改進(jìn)SPCA和OIF波段選擇方法以及基于貢獻(xiàn)率二次加權(quán)的改進(jìn)SPCA和OIF波段選擇方法：根據(jù)原始圖像波段間的相關(guān)性將原始波段劃分為若干子空間,分別對(duì)子空間圖像進(jìn)行PCA變換,確定包含原始圖像絕大部分信息的前m個(gè)PCA波段,計(jì)算各子空間波段對(duì)其前m個(gè)PCA波段的貢獻(xiàn)率,而后分別根據(jù)子空間中所有波段對(duì)特征值最大的第一主成分波段的貢獻(xiàn)率、前m個(gè)主成分波段的累積貢獻(xiàn)率以及前m個(gè)主成分波段對(duì)于原始圖像的貢獻(xiàn)率與原始波段對(duì)其累積貢獻(xiàn)率的加權(quán)結(jié)果進(jìn)行降序排列,并根據(jù)降序波段集合的波段間相關(guān)系數(shù)篩選出包含有最大信息量而相關(guān)性最低的子空間波段子集,最后根據(jù)所有子空間波段子集的最佳指數(shù)篩選出能夠代表原始圖像的波段集合,實(shí)現(xiàn)高光譜圖像的有效降維。(3)分別運(yùn)用最大似然法、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)三種分類方法對(duì)基于SPCA波段選擇、OIF波段選擇以及本文提出的三種改進(jìn)的SPCA和OIF波段選擇方法進(jìn)行植被信息提取實(shí)驗(yàn),并進(jìn)行分類精度評(píng)價(jià)。通過(guò)對(duì)研究區(qū)HJ1A-HSI數(shù)據(jù)的植被區(qū)域進(jìn)行桉樹(shù)、經(jīng)濟(jì)林、闊葉樹(shù)、杉木以及馬尾松5種森林植被類型的信息提取實(shí)驗(yàn)對(duì)比,結(jié)果表明：本文提出的基于累積貢獻(xiàn)率的改進(jìn)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(shù)為0.6452,而基于貢獻(xiàn)率二次加權(quán)的改進(jìn)SPCA和OIF波段選擇方法次之；支持向量機(jī)分類方法的整體分類精度較低,其中基于特征值的改進(jìn)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(shù)為0.4224。結(jié)果可得：本文提出的三種改進(jìn)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(xiàn)率的改進(jìn)SPCA和OIF波段指數(shù)方法和最大似然分類方法的組合。
【關(guān)鍵詞】：高光譜數(shù)據(jù) 波段選擇 信息提取 分段主成分 最佳指數(shù)
【學(xué)位授予單位】：福建農(nóng)林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：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(guó)內(nèi)外研究現(xiàn)狀12-22
• 1.2.1 成像光譜技術(shù)發(fā)展12-17
• 1.2.2 高光譜影像降維方法研究進(jìn)展17-19
• 1.2.3 高光譜影像分類方法研究進(jìn)展19-22
• 1.3 研究?jī)?nèi)容與技術(shù)路線22-23
• 1.3.1 研究?jī)?nèi)容22
• 1.3.2 研究方法22-23
• 1.4 技術(shù)路線23-25
• 第二章 研究區(qū)概況及相關(guān)理論基礎(chǔ)25-40
• 2.1 研究區(qū)概況與研究數(shù)據(jù)25-26
• 2.1.1 研究區(qū)概況25-26
• 2.1.2 研究數(shù)據(jù)26
• 2.2 環(huán)境一號(hào)衛(wèi)星數(shù)據(jù)介紹26-27
• 2.3 FLAASH大氣校正理論27-28
• 2.4 基于移動(dòng)窗口加權(quán)濾波的改進(jìn)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(shù)(OIF)的波段選擇方法31-32
• 2.5.3 基于特征值的改進(jìn)SPCA和OIF波段選擇方法32
• 2.5.4 基于累積貢獻(xiàn)率的改進(jìn)SPCA和OIF波段選擇方法32-33
• 2.5.5 基于貢獻(xiàn)率二次加權(quán)的改進(jìn)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(jī)分類方法37-38
• 2.6.3 神經(jīng)網(wǎng)絡(luò)分類方法38-40
• 第三章 影像預(yù)處理40-50
• 3.1 HSI數(shù)據(jù)預(yù)處理40-45
• 3.1.1 數(shù)據(jù)格式轉(zhuǎn)換40
• 3.1.2 絕對(duì)輻亮度值轉(zhuǎn)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(shù)據(jù)預(yù)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(shù)據(jù)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(xiàn)率計(jì)算51-53
• 4.1.4 波段選擇53-54
• 4.2 OIF最佳指數(shù)波段選擇波段選擇54-55
• 4.3 改進(jìn)的SPCA和OIF波段選擇55-58
• 4.3.1 基于特征值的改進(jìn)SPCA和OIF波段選擇55-56
• 4.3.2 基于累積貢獻(xiàn)率的改進(jìn)SPCA和OIF波段選擇56
• 4.3.3 基于貢獻(xiàn)率二次加權(quán)的改進(jìn)SPCA和OIF波段選擇56-58
• 第五章 高光譜影像分類實(shí)驗(yàn)58-77
• 5.1 最大似然分類實(shí)驗(yàn)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(yàn)證61-63
• 5.2 支持向量機(jī)分類63-68
• 5.2.1 支持向量機(jī)分類實(shí)驗(yàn)63-64
• 5.2.2 支持向量機(jī)分類后處理64-66
• 5.2.3 支持向量機(jī)分類后處理精度驗(yàn)證66-68
• 5.3 神經(jīng)網(wǎng)絡(luò)分類實(shí)驗(yàn)68-73
• 5.3.1 神經(jīng)網(wǎng)絡(luò)分類68-69
• 5.3.2 神經(jīng)網(wǎng)絡(luò)分類后處理69-71
• 5.3.3 神經(jīng)網(wǎng)絡(luò)分類后處理精度驗(yàn)證71-73
• 5.4 精度分析與評(píng)價(jià)73-77
• 5.4.1 總體分類精度分析與評(píng)價(jià)73-75
• 5.4.2 樹(shù)種分類精度分析與評(píng)價(jià)75-77
• 第六章 總結(jié)與展望77-80
• 6.1 總結(jié)77-78
• 6.2 展望78-80
• 參考文獻(xiàn)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(shí)現(xiàn)代碼85-86
• 附件2 最佳指數(shù)波段選擇方法代碼86-87
• 附件3 基于指定波段最佳指數(shù)計(jì)算的前m個(gè)波段組合結(jié)果實(shí)現(xiàn)代碼87-88

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 陳小平;焦奕雯;裴婷婷;周志翔;;園林植物吸附細(xì)顆粒物(PM_(2.5))效應(yīng)研究進(jìn)展[J];生態(tài)學(xué)雜志;2014年09期

2 梁丹;王彬;王云琦;張會(huì)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(xué);2014年09期

3 劉玉安;唐志勇;程濤;易成功;鍛煉;;基于HJ-1B數(shù)據(jù)的武漢市LST反演及熱環(huán)境分析[J];長(zhǎng)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(dòng)幾何精校正技術(shù)與系統(tǒng)實(shí)現(xiàn)[J];遙感學(xué)報(bào);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(jì)算HJ-1衛(wèi)星CCD波段間配準(zhǔn)精度[J];地球信息科學(xué)學(xué)報(bào);2014年02期

6 張玉環(huán);李正強(qiáng);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(xué)厚度[J];遙感學(xué)報(bào);2013年04期

7 高廣磊;信忠保;丁國(guó)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(shù)的森林健康研究綜述[J];生態(tài)學(xué)報(bào);2013年06期

8 張虎;焦子銻;李小文;黃興英;董亞冬;;先驗(yàn)知識(shí)估算HJ-1 CCD數(shù)據(jù)地表反照率[J];遙感學(xué)報(bào);2013年02期

9 郭宇龍;李云梅;朱利;徐德強(qiáng);李淵;檀靜;周莉;劉閣;;基于HJ1A-CCD數(shù)據(jù)的高光譜影像重構(gòu)研究[J];環(huán)境科學(xué);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(yīng)用生態(tài)學(xué)報(bào);2012年12期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 高陽(yáng);高光譜數(shù)據(jù)降維算法研究[D];中國(guó)礦業(yè)大學(xué);2013年

2 范昕煒;支持向量機(jī)算法的研究及其應(yīng)用[D];浙江大學(xué);2003年

  本文關(guān)鍵詞：基于HJ1A高光譜數(shù)據(jù)和CCD數(shù)據(jù)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(hào)：333642