论文部分内容阅读
习总书记提出“绿水青山就是金山银山”。森林资源是绿水青山的重要组成部分,关系着人类生存环境的可持续发展,必须运用先进的手段对森林资源进行保护和管理。高光谱影像同时记录了目标场景的光谱特征信息和空间特征信息,是重要的遥感数据,为森林资源的保护和管理等提供了崭新有效的途径。高光谱遥感影像森林识别与分类是高光谱遥感影像数据分析中的最基本问题之一,利用人工智能与机器学习方法为高光谱遥感影像进行降维、特征提取与分类是遥感领域的研究热点,并已经取得了一些研究成果。然而受数据维度高、数据冗余大、空间分辨率不足和标记样本有限等因素的影响,实现系统的、精准的、可靠的森林识别与分类仍然是现阶段亟待解决的问题。本文选用 AVIRIS(Airborne Visible Infrared Imaging Spectrometer)拍摄的 Indian Pines、NASA(National Aeronautics and Space Administration)EO-1 拍摄的 Botswana 和黑龙江省伊春凉水林场三个林业相关的高光谱遥感影像场景数据,针对高光谱遥感影像森林识别与分类中存在的问题,开展了以下几方面的研究工作。(1)针对在实际应用中,当特征维数增加到某一个临界点时,继续增加特征维数反而会导致分类器的性能变差,即出现所谓的“休斯(Hughes)现象”的问题。提出了基于波段组合(2D)2PCA的高光谱遥感影像降维方法,达到了降低数据冗余,消除“休斯现象”的目的,为后续的特征提取和分类工作奠定了基础。(2)针对目前大多数的高光谱遥感影像森林识别与分类都是以光谱特征为基础开展研究,忽略了高光谱遥感影像中不同像素点之间的关系,分类效果不理想的问题。提出了基于双通道卷积神经网络的HSI空谱特征提取模型,该模型综合利用了高光谱遥感影像中所包含的光谱特征和空间特征,可有效的提高森林识别和分类的效率。(3)针对分类器的泛化能力较弱的问题,提出了基于双通道CNN-SVM相融合的HSI森林识别与分类模型,该模型充分利用了卷积神经网络强大的图像特征提取能力,同时将SVM的泛化能力最大化,最大限度的提高了模型的分类精度,并将该模型应用到高光谱遥感影像分类中。(4)针对现实应用中只是对高光谱遥感影像分析的某一个环节进行研究,缺乏完整的分类模型的问题。提出了基于BC2S-Net空谱特征提取的HSI森林识别与分类模型,该模型首先在保证分类正确率的前提下对原始高光谱遥感影像进行降维处理;然后应用基于双通道卷积神经网络的HSI空谱特征提取模型提取高光谱遥感影像的空谱特征;最后将该空谱特征输入到分类器中进行分类,得到对应像素点所属的类别。(5)针对为数据做标记,工作量大、受人为主观因素影响的问题。提出了基于Fine-Tuning非监督的森林识别与分类模型,该模型通过对未标记样本的聚类和选择可靠样本点两个步骤实现了对未标记样本的自动标记,同时通过不断重复迭代过程,使得聚类中心附近样本点的可靠性不断增强,并且BC2S-Net的参数得到不断优化,整个模型的性能越来越好。综上,本文通过对高光谱遥感影像的深入分析,以高光谱遥感影像森林识别与分类为研究目标,融合基于变换的降维算法和非变换的降维算法,综合利用卷积神经网络的信息提取与特征表达的优势和SVM算法在分类中的优势,构建了一个完整的高光谱遥感影像森林识别与分类模型,并将其推广到非监督应用领域。在高光谱遥感影像的降维方法、空谱特征提取方法、构建分类器和监督与非监督分类等方面取得了一些研究成果,并将本文所提出的方法在森林覆盖率调查、森林资源保护情况调查和森林类型识别与分类等林业信息相关应用上进行了应用探索,具有一定的理论意义与现实应用价值。