高光谱遥感在识别城市地物中的应用研究

论文摘要

城市下垫面尤其是大量不同年代、材料、成分的人工建筑物,其光谱多样性远超过自然环境。利用高光谱数据的丰富光谱信息佐以空间信息,可以弥补传统遥感数据源光谱分辨率方面的不足,并能充分考虑实际地物之间的空间相关性。全球第一颗星载高光谱卫星所获取的Hyperion数据,通过几何校正、辐射定标、波段选择以及FLAASH大气校正消除Smile效应等一系列预处理,可获得地表的真实物理模型参数—地物反射率。实测地物光谱与遥感数据所获取光谱之间的关系受区域地形、气候等众多地理要素影响,尤其是混合像元的必然存在导致实际地物光谱库的普适性大打折扣,无法直接用于分类,而影像端元则可以直接应用于高光谱数据的分类与识别。作为理解高光谱数据的前提,端元提取一直是热点问题,已有方法主要是针对无先验知识情况下,实现半自动化或自动提取。本研究尝试结合已有知识半自动提取终端像元,首先对水体与植被做分层掩膜,尽可能消除其在求取参考波谱与影像波谱角度过程中的影响;继而参考约翰-霍普金斯大学提供的标准光谱库内的人工建筑物波谱,对光谱角度制图方法所产生的规则影像进行密度分割,获取与参考光谱夹角最小的端元准确位置;同时,利用纯净像元指数（PPI）方法在数学层面上自动提取端元,再通过高空间分辨率影像QuickBird数据对其进行准实地验证,发现SAM和PPI两种方法的结合使用可以提高端元提取的精度,且端元更具实际意义。利用选中的三个端元,求其波谱均值尽可能提“纯”相应地物影像端元;最后,应用线性光谱分解模型提取出广州市区地表物质的丰度。应用城市地物存在一定规则性的特点,利用通过ASTER立体像对所提取的DEM作为空间辅助信息对混合像元在水平空间和垂直空间进行分析,并就它们对端元丰度所产生的影响,在IDL/ENVI中编程计算实现纠正。然后,经由丰度图设定阈值生成地物分类图。结果表明:星载高光谱数据可以较精确地识别出都市人工地物中的水泥混凝土、铺路混凝土、粘土瓦屋顶、较老建筑屋顶、裸土、高反射率未知物（玻璃、金属等）、低反射率未知物（阴影）、林地、草地与水体等,其总体精度为76.2099%,Kappa系数为0.7258。在空间信息辅助下,通过Gram-Schmidt正交化融合后的影像数据不仅在空间分辨率上有了较大提高,同时也保持了较好的光谱特征;而利用DEM对丰度图在空间关系上的分析和再计算,并根据阈值对丰度图进行硬分类,发现其总体精度提高到82.4268%,Kappa系数提高到0.7833。

论文目录

• 摘要
• Abstract
• 目录
• Contents
• 第一章 绪论
• 1.1 选题目的和意义
• 1.2 高光谱遥感研究现状与待解决问题
• 1.2.1 目标探测与分类技术研究现状
• 1.2.2 高光谱在城市遥感中应用现状
• 1.3 研究内容和技术路线
• 第二章 高光谱数据的定量化及预处理
• 2.1 数据源
• 2.1.1 Hyperion星载高光谱数据
• 2.1.2 ASTER遥感数据
• 2.2 数据预处理
• 2.2.1 未标定及水气影响波段的去除
• 2.2.2 遥感数据辐射定标
• 2.2.3 坏线的修复
• 2.2.4 FLAASH大气校正
• 2.2.5 几何校正
• 第三章 辅助高光谱遥感数据分析的空间信息提取
• 3.1 高光谱与高空间分辨率影像数据级融合
• 3.2 空间信息与高光谱影像分析
• 3.3 基于ASTER立体像对自动提取DEM
• 3.3.1 ASTER影像匹配及数据处理
• 3.3.2 信息提取流程
• 3.3.3 生成DEM
• 3.3.4 精度分析
• 3.3.5 小结
• 第四章 高光谱数据线性混合光谱分解
• 4.1 混合光谱分析的原理和方法评述
• 4.1.1 混合光谱机理
• 4.1.2 混合光谱分解算法
• 4.1.3 提取端元的常用方法
• 4.2 基于光谱特性提取城市人工地物端元
• 4.2.1 纯像元指数（PPI）计算
• 4.2.2 基于光谱特性提取端元
• 4.3 最小二乘法分解混合像元
• 4.3.1 研究方法与算法
• 4.3.2 基于约束条件的线性混合像元分解
• 4.3.3 结果验证
• 4.4 DEM辅助下混合光谱分析
• 4.5 小结
• 第五章 结论与展望
• 5.1 研究结论
• 5.2 研究展望
• 参考文献
• 攻读学位期间承担的科研任务与主要成果
• 致谢
• 附录Ⅰ
• 通过互相关（cross correlation）计算DEM的IDL程序
• 附录Ⅱ
• 基于空间信息辅助求解混合像元丰度的IDL程序