论文部分内容阅读
经过半个多世纪的发展,遥感技术体系已逐渐趋于成熟,为满足日益提升的生产或研究需求,衍生出了多种类型的传感器,其中通过光学传感器获取的遥感影像种类丰富且被普遍应用。因数据综合性强、能反复周期性观测等优势,遥感已成为一种更科学、有效的现代化采集地表覆盖信息的手段。目前,对于光学成像而言,由于传感器内部光学系统的约束,单一的原始数据还无法在具有高空间分辨率的同时兼顾较高的光谱分辨率,当仅使用单一数据源无法满足需求时,就可以考虑多源数据协同,其中利用图像融合技术来突破传感器对空间和光谱分辨率的限制是一种有效的多源数据协同方式。高分二号（Gaofen-2,GF-2）作为我国首颗民用亚米级分辨率的光学卫星,其全色与多光谱数据均具有较优的空间分辨率,对于高分二号多光谱数据（GF-2 MSS）光谱分辨率较低的不足,哨兵二号数据（Sentinel-2 MSI）能够弥补,Sentinel-2 MSI影像拥有较高的光谱分辨率,将两者进行像素级融合,从而实现优势信息的互补,对遥感影像像素级融合和土地覆盖分类两个领域的研究具有重要意义。本文针对GF-2 MSS和Sentinel-2 MSI这两种数据源,提出了一种波段回归映射建模（band regression mapping,BRM）与高通滤波（high-pass filter,HPF）相结合的融合方法,并用该方法去实现Sentinel-2 MSI影像超分辨率（super-resolution,SR）重建、GF-2 MSS与Sentinel-2 MSI影像融合。完成融合处理后,从融合后的影像中选取地类丰富、场景复杂的区域作为研究区进行土地覆盖分类。各部分研究内容的结论可概括为:（1）同种插值方法对不同波段、不同地表覆盖类型实验区的重采样效果基本上是一致的,不同插值方法的重采样性能主要受重采样类型（上采样或下采样）与影像分辨率比的作用。（2）通过对融合结果进行定性和定量评价,证实了将本文融合方法应用于Sentinel-2 MSI影像超分辨率重建、GF-2 MSS与Sentinel-2 MSI影像融合两个进程的可行性,其中利用四个高分波段训练全局回归模型后预测出的图像进行HPF融合得到的结果较优。（3）本文对比分析了融合影像、GF-2 MSS影像、Sentinel-2 MSI影像的分类性能以及最近邻（k-nearest neighbor,KNN）和随机森林（random forest,RF）分类器的分类性能,依据实验结果的精度评价得知,在使用相同训练样本和分类器的情况下,融合影像的分类精度最高,当利用最近邻分类器时,总体精度比GF-2 MSS影像高2.68%,比Sentinel-2 MSI影像高1.17%,Kappa系数比GF-2 MSS影像高0.06,比Sentinel-2 MSI影像高0.03;当利用随机森林分类器时,总体精度比GF-2 MSS影像高12.17%,比Sentinel-2 MSI影像高7.03%,Kappa系数比GF-2 MSS影像高0.11,比Sentinel-2 MSI影像高0.08。本文根据融合影像的光谱信息构建了植被指数（vegetation index,VI）,通过对比实验证明了该指数的性能。最后,选择性能较优的最近邻分类器结合多种特征对融合影像进行面向对象分类,总体精度达到93.16%,Kappa系数为0.85。