论文部分内容阅读
本文目的是探究基于时空特征融合的水稻信息提取策略,具体地,将在当前低空间分辨率时序影像分类中引入“超像元”,基于超像素分割方法,对高空间分辨率影像进行分割,得到具有高度内部匀质性的超像素图像,进而获取高精度的地物纹理信息;随后以超像素为基本单元,基于加权平均方法获取各个超像素平均时序曲线;最后,利用曲线相似性度量方法,计算各个超像素与目标地物标准时序曲线相似性,通过合理的阈值划分,获取最终分类结果。大体上,将其分为三个部分的内容:(1)基于GF-1可见光波段的云处理方法研究虽然高分1号重访周期可以达到4天,但由于其PMS传感器成像宽幅较小(60km),因此若要获取覆盖较大区域的GF-1 PMS影像,需要从一个较大的时间范围内去选择质量好的影像,特别是低云影像。为了尽大可能利用现有GF-1影像,本文对GF-1影像云处理算法进行了探究,提出了一种基于面向对象的可见光波段的云检测算法(Object-oriented Cloud Extraction with Space and Spectrum Information,OCESS),以获取研究区云区分布情况,在有效性验证中,该方法制图精度为93.68%,用户精度为99.40%,表现较好。(2)遥感数据预处理及超像素分割优化高分影像的预处理主要是是进行辐射校正,以获取地物真实反射率数据。之后,由于本文选择使用简单迭代线性聚类算法(Simple Liner Iteration Cluster,SLIC)进行超像素分割操作,因此,为了满足该算法的数据要求,基于Pansharping方法对GF-1 PMS影像全色和多光谱波段进行全色融合处理,该融合方法生成的影像没有色彩失真、影像质量降低等问题。对于MODIS NDVI时序影像,为了最大可能的提高MODIS NDVI时序数据的质量,需对其进行平滑去噪处理。本文对比分析了三类时序曲线平滑方式,将基于方差分析、相关性分析等方法,判断各滤波方式的平滑效果,最终选择EMD算法作为最佳的滤波算法。对于预处理完毕的GF-1全色影像,为了保证超像素分割质量,本文基于OSTU算法原理,提出了一种超像素尺度优化算法,在确定合适尺度基础上,再基于SLIC算法进行超像素分割。(3)基于形态相似性距离的水稻信息提取本文基于欧氏距离,考虑曲线的形态分布特征,提出了一种根据对应元素特征距离大小,对特征间距离进行差异性放大的算法(Morphological Similarity Measurement Algorithm,MSMA),以此对水稻信息进行提取,并验证算法的有效性,为了验证该算法的可靠性,本文将同时对比与两种不同算法(DTW方法和KMeans方法)在水稻信息提取上的表现。结果显示,单纯的MSMA方法总体制图精度为93.29%,总体面积精度为80.57%,基于超像素的MSMA方法的总体制图精度为90.70%,总体面积精度为89.48%,总体而言,后者效果较好。同时比较发现,对于基于超像素的DTW方法,其结果制图精度波动幅度过大,单季稻时空结构无规律性,提取面积与实际偏离较大,这表明两点,第一,DTW算法的特点——时间轴扭曲方式并不利于单季稻的提取;第二,水稻物候特征在不同年份相同时间段的光谱响应波动幅度较小,可以忽略该因素的影响。因此,基于超像素的DTW方式提取单季稻信息的效果是逊于基于超像素的MSMA方式的。而对于基于超像素的KMeans方法,分析发现,虽然其在提取单季稻信息中的表现优于基于超像素的DTW方法,但其提取结果的单季稻空间分布存在集中特性,仍然无法避免KMeans的缺点之一—容易陷入局部最优的问题。综上所述,相较于基于超像素的DTW方法和基于超像素的KMeans方法,基于超像素的MSMA方法在提取单季稻信息上,效果更加优秀。