论文部分内容阅读
与多光谱相比,高光谱遥感影像具有较高的光谱分辨率和丰富的光谱信息,已被广泛用于监测森林资源,适宜对森林进行精细识别和分类。在实际研究与应用中,学者需要从众多的波段中进行选择,但数据量较大,运算时间长,效率较低;另一方面,波段选择完成后,缺少成像后遥感影像质量情况及应用效果的分析。本文以广西壮族自治区高峰林场为研究区,采用AISAEagleII高光谱遥感数据,结合遥感图像质量评价指标,建立了适合森林资源监测的高光谱数据波段选择的图像质量综合评价模型。研究分别利用综合评价模型、自适应波段选择法、波段指数法对高光谱数据单波段进行选择,并将K-Means聚类法、最佳指数法(Optimun Index Factor,OIF)与以上三种方法结合,进行最佳波段组合的研究,比较各个方法的优劣。主要研究结论如下:(1)信息熵、信噪比、变异系数、基于灰度共生矩阵的对比度和模糊度对遥感图像质量有显著影响。研究选取了 6个基于光谱信息的评价指标和7个基于灰度共生矩阵(纹理)的评价指标。通过比较两个指标间的相关性,信息熵、信噪比、变异系数、基于灰度共生矩阵的对比度和模糊度5个参数的相关性最小,参与构建综合评价模型,用于全面描述图像清晰度、受噪声影响程度、信息量等。(2)研究得到的适用于评价高光谱影像的综合评价模型,模型的决定系数(R2)为0.707、均方根差(Root Mean Square Error,RMSE)为0.029、估测精度(Estimation Accuracy,EA)为99.94%和相对误差(Relative Error,RE)为0.42%,说明模型拟合效果非常好。将综合评价模型选出的前10个波段与波段指数法选出的前10个波段、自适应波段选择法选出的前10个波段进行比较可知,综合评价方法选出的波段数据整体分类精度高,在森林资源监测中整体效果更好。(3)利用K-Means聚类法解决了综合评价模型没有考虑的波段间相关性的问题。当波段组合中波段数量为3时,基于K-Means聚类和综合评价模型选出了该方法下的最佳波段组合为17-55-84,利用最佳指数法分别选出了基于波段指数法和自适应波段选择法的最佳波段组合分别为:41-62-11,58-99-110。通过波段间的平均相关系数、OIF值、分类精度3个指标比较了三种方法选出的最佳波段组合,整体来看,K-Means聚类和综合评价模型选出最佳波段组合最好。(4)从整体来看,当波段组合中波段数目为3~10时,随着波段组合中波段数目的增加,K-Means+CEM、波段指数+OIF、ABS+OIF三种方法得到的最佳波段组合的分类精度提高,组合中波段间的相关性也升高。其中,K-Means+ CEM方法的分类精度最高,组合中波段间的相关性最低。