基于ICA和自适应最小距离分类法的湿地信息提取研究

摘要

湿地是一种处于陆地与水体间的过渡生态系统，与森林、海洋生态系统有着同样重要的地位。湿地资源的可持续利用与保护是地球科学的重要内容，但是由于各种因素影响，湿地资源并没有得到有效保护。所以，对湿地开展探索性研究，显得尤为重要。随着遥感技术的飞速发展，利用遥感技术对湿地资源进行监测成为被广泛应用的技术手段，其中信息提取是湿地遥感研究的基础，具有举足轻重的地位。传统的湿地信息提取方法主要有人工目视解译、监督分类、非监督分类等，但传统方法有着速度慢、精度差、过程繁复等缺点。对传统信息提取方法进行改进与新方法的探索，成为近年湿地遥感研究的热点。 本研究以西洞庭湖区作为主要研究区，以Landsat-TM和SPOT-5中高分辨率遥感影像为数据源，对所采用的数据源影像进行预处理与最佳波段组合分析，找到适用于Landsat-TM与SPOT-5影像湿地分类的最佳波段组合;然后将ICA（独立分量分析）技术引入湿地信息提取，结合自适应最小距离分类法，对湿地进行分类，并评价分类效果。旨在完善湿地信息提取算法体系，为今后湿地遥感研究提供依据，为洞庭湖湿地研究提供科学、准确与合理的方法支持。主要研究结果如下: (1)最佳波段组合分析研究针对湿地信息精细提取要求，快速、准确识别不同典型湿地类型，往往需要对影像波段、影像特征、地物光谱特性等进行深入分析。研究将光谱特征分析与基于信息量的评价综合起来，旨在找到适用于湿地信息提取的Landsat-TM、SPOT-5影像的最佳波段组合。研究确定了Landsat-TM影像最佳波段组合为RGB=453，SPOT-5影像最佳波段组合为RGB=412。 (2)独立分量分析研究对Landsat-TM、SPOT-5影像进行PCA（主成分分析）与ICA处理，对得到的结果进行信息量评价，探讨PCA与ICA处理是否造成了图像损失;此外，对PCA与ICA处理结果进行最小距离分类，并作出精度评价。通过实验得出:PCA与ICA处理过程没有减少图像信息量，不会造成图像信息损失，不会影响典型湿地类型的目视判读;PCA与ICA处理，都可以增加洞庭湖典型湿地类型的可分性，且ICA效果明显优于PCA，充分验证了ICA基于高阶统计信息，不但能去除波段之间的相关性，而且可以得到分量之间相互独立的特性，增强不同地类的可分离性，能有效去除相关性对遥感图像分类的负面影响，提高湿地信息提取精度。 (3) FastICA算法的改进对Landsat-TM与SPOT-5影像进行FastICA与M-FastICA算法处理，统计两种算法的计算量，探索改进算法是否提高了ICA处理过程的效率;对经过两种算法处理后的结果影像，进行最小距离分类，并作出精度检验，探索改进算法是否影响了湿地信息提取精度。通过实验得出:应用M-FastICA算法后的湿地分类精度较原算法基本相同，满足实验要求，且其算法收敛性大为改善，速度提升显著。充分说明M-FastICA算法可以提高独立分量分析在湿地分类上的有效性。 (4)自适应最小距离分类研究对Landsat-TM与SPOT-5影像进行最小距离分类、最大似然分类与自使用最小距离分类，对结果进行精度评价，得出:Landsat-TM影像最大似然分类比最小距离分类总体精度降低0.87个百分点，kappa系数降低0.0097，自适应最小距离分类相比最小距离分类总体精度提高3.48％，kappa系数提高0.0410;SPOT-5影像最大似然分类比最小距离分类总体精度降低1.74％，kappa系数降低0.0200，自适应最小距离分类相比最小距离分类总体精度提高3.47个百分点，kappa系数提高0.0203。充分说明:在湿地分类上，最小距离分类要优于最大似然分类，但优势并不明显，自适应最小距离分类要优于其他两种分类方法，且分类精度提高明显。

目录

声明

摘要

1 绪论

1．1 研究背景

1．2 研究目的与意义

1．2．1 研究目的

1．2．2 研究意义

1．3 国内外研究现状

1．3．1 湿地资源遥感监测

1．3．2 ICA研究概况

1．4 课题来源

1．5 研究内容与技术路线

1．5．1 研究目标

1．5．2 研究拟解决的关键问题

1．5．3 主要研究内容

1．5．4 技术路线

1．6 论文结构

2 研究区概况与数据预处理

2．1 研究区概况

2．2 数据来源

2．2．1 遥感数据

2．2．2 辅助数据

2．3 数据预处理

2．3．1 几何校正

2．3．2 辐射定标

2．3．3 大气校正

2．3．4 图像增强

3 最佳波段组合分析

3．1 地物光谱特征分析

3．2 基于信息量的波段组合分析

3．2．1 标准差

3．2．2 信息熵

3．2．3 最佳指数(OIF)

3．2．4 清晰度

3．3 分析讨论

4 ICA基本理论

4．1 ICA概述

4．2 ICA相关概念

4．2．1 累积量

4．2．2 微分熵

4．2．3 交互信息

4．2．4 K-L散度

4．2．5 峰度

4．2．6 负熵

5 FastICA算法及其改进

5．1 FastICA算法原理

5．2 FastICA处理结果与分析

5．2．1 图像处理结果与评价

5．2．2 地物可分性分析

5．2．3 分类实验结果与精度评价

5．3 FastICA算法的改进

5．3．1 计算量评价

5．3．2 分类实验与精度比较

6 自适应最小距离分类

6．1 最小距离分类原理及缺陷

6．2 自适应最小距离分类

6．3 分类结果与精度评价

6．4 分析讨论

7 结论与讨论

7．1 主要研究结论

7．2 创新点

7．3 讨论

参考文献

附录 攻读学位期间的主要学术成果

致谢