论文部分内容阅读
机载高光谱遥感影像具有高空间分辨率和高光谱分辨率,通过这一技术可以快速、准确、非接触式的获取城市地物信息。研究基于高光谱遥感影像的城市地物目标识别算法,不仅可以改善传统城市人工调查方法效率低下、人工调查中人为主观因素导致的误差等一系列问题,还能为改善城市生态环境、规范城市管理、城市规划与建设等方面提供数据基础。对此,本文在调研高光谱遥感技术及城市应用现状的基础上,首先通过对选取数据进行归一化处理、PCA降维、训练数据集生成、图像切片等操作完成对高光谱遥感影像数据的预处理,为后续目标识别算法提供良好数据基础。本文分别从以下几方面对城市地物目标识别进行研究。首先,基于光谱特征的地物目标识别技术分别使用光谱角填图(Spectral Angle Mapping,SAM)、卷积神经网络(Convolutional Neural Networks,CNN)等算法,对地物目标光谱信息进行识别;其次,基于空间特征的地物目标识别技术使用加速稳健特征(Speeded Up Robust Features,SURF)算法对地物目标空间信息进行识别;最后,基于空谱联合特征的地物目标识别技术融合光谱和空间特征对地物目标进行识别。本文选择总体识别精度(overall accuracy,OA)和误判率(error rate,ER)对识别结果进行评价。以房屋识别为例,通过研究结果表明:1)在光谱特征识别研究中,尝试使用的CNN算法相比于传统的SAM算法具有更高的总体识别精度(OA)和较低的误判率(ER),这一结果将为后续基于机器学习的地物目标识别开启了一个良好的开端;2)在空间特征识别研究中,由于房屋等城市地物建筑的不规则性,仅利用高光谱遥感影像的空间特征进行目标识别时,会造成人工建筑目标识别结果的不完整性,即在进行房屋识别时,会将漏识别出与样本房屋外形相差较大的房屋。3)基于空谱联合的目标识别,通过将光谱特征的识别结果和空间特征的识别结果相融合,在保证总体识别精度(OA)的前提下剔除在光谱特征识别结果中得到的非房屋等信息,以降低误判率(ER),来提升地物目标识别的效果。