论文部分内容阅读
土地资源是人类生存最基本的自然资源,为国家和社会经济发展提供了物质保障。我国土地资源丰富、类型多样,获取真实准确的地物信息是对其进行合理开发利用的关键,对于及时规划和管理国土资源具有重要的意义。随着航空技术的不断发展和进步,航空遥感影像被广泛地应用到地物分类中。但土地资源不断发展变化,地物类型越来越复杂,单一的遥感影像技术不能满足精确的地物信息提取,因此地物分类从单一的遥感数据源转移到多源数据的融合。高光谱影像分辨率高、波段多,包含着丰富的空间信息和光谱信息,近年来在土地地物分类中得到广泛的应用。而机载LiDAR点云包含独特的高精度三维空间信息,可以为地物分类提供高光谱影像不具备的高度特征。因此,将高光谱影像数据与机载LiDAR点云数据进行融合是地物分类的有效手段。本文以黑河中游核心观测区为研究区域,结合高光谱和机载LiDAR数据的特点,提取多源数据特征进行融合分类研究。论文首先采用主成分分析和最小噪声分离变换对高光谱影像进行降维,得到包含大部分光谱信息的有效影像波段,并利用SVM、卷积神经网络和残差网络算法对降维后的影像进行分类,对不同算法的分类结果比较分析。然后,通过计算高光谱影像的归一化植被指数和灰度共生矩阵,获取其空间光谱、几何纹理特征,与机载LiDAR的冠层高度特征组成多源特征库,比较不同特征组合对地物类型的判别效果。最后,针对高光谱和机载LiDAR的融合数据,设计了一种分层融合的残差网络分类算法,逐级提取样本特征,实现网络层间互补信息的融合。论文采用CASI航空遥感影像和机载LiDAR的冠层高度点云来验证特征提取和分类效果。实验结果表明:1)基于高光谱影像的地物分类方法研究证明,与SVM分类算法相比,深度学习能够自动提取地物特征,减少了人工设计造成的特征不完整问题,分类结果更精确;本文研究的深度学习算法中,DRN解决了 CNN网络层数增加带来的负担,学习到更有判别力的特征,具有更好的分类效果。2)融合CASI高光谱与机载LiDAR数据进行地物分类,与仅利用CASI高光谱数据分类相比,各地物的分类精度和总体的分类精度都有很大的提高;高光谱的空间光谱特征、纹理特征与机载LiDAR的冠层高度特征能够优势互补,为地物分类提供更丰富、精确的特征信息,解决了单一遥感数据特征不充分的问题。3)基于分层融合残差网络的融合数据总体分类精度与基于CNN相比大大提高,各种地物的分类精度也有所提高;该算法通过融合不同网络层级的输出向量,提取具有互补性的特征信息,提高了高光谱与机载LiDAR融合影像的分类精度,为地物分类算法研究提供了可行性方向。