题目：高光谱遥感混合像元分解及分类研究

摘   要
随着传感器从单波段到多波段、超波段的不断发展，遥感数据的光谱分辨率得到了很大提高。高光谱技术是当前遥感的前沿技术，高光谱成像在获取地表空间图像的同时，为每个像元提供数十个到数百个窄波段的光谱信息，能产生完整而连续的光谱曲线，得到地物连续丰富的光谱信息。
近年来，高光谱遥感的应用领域不断拓展，应用技术也在不断提高，尤其在军事上具有很高的应用价值。可以预见，在未来的数年内，将有一系列高光谱遥感卫星系统投入运行，大量数据提供应用已为期不远，航天高光谱即将普及，为此我们必须做好技术准备。
高光谱图像数据量大、数据维也高，如果利用高光谱的所有波段的数据进行分析处理，会导致灾难维数问题，为此必须对高光谱数据进行降维处理。由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在于遥感影像中，混合像元的问题若得到很好解决，将会给大大提高后续应用研究的精度。在高光谱遥感中，完全有可能通过分析光谱曲线的组成，来确定像元的地物组成类别和比例。最小噪声分离是一种特征提取和去除噪声的有效方法，支持向量机在解决小样本、非线性及高维特征空间问题中具有特有的优势，光谱角度匹配分类技术是一种有效的高光谱遥感影像分类方法，已经有效应用于诸多方面。由此本文进行了基于最小噪声分离变换的特征提取、对高光谱图像进行端元提取并进行混合像元分解，并基于支持向量机和光谱角度匹配进行高光谱遥感影像分类研究，并对实际应用中光谱角度匹配分类的不确定性进行了研究，取得了以下主要研究成果：
（1）研究分析了高光谱数据降维方法，总结了特征选择与特征提取的优缺点。对研究区高光谱数据进行质量评价，分析数据的标准差及相关系数矩阵图及相邻波段的灰度直方图，得到高光谱图像的统计特征。通过对高光谱图像进行PCA变换和MNF变换并对变换后结果比较分析，得到适合本研究的特征提取方法。
（2）端元组分的选取直接影响混合像元分解的结果，研究高光谱数据中端元选择的理论和方法，讨论了多种混合光谱分解模型的优缺点。利用PPI变换筛选出纯度较高的像元，缩小了端元的选择范围，利用N维可视化分类器进行端元提取，并利用线性模型对混合像元进行线性无约束分解，得到了较好的分类效果。
（3）基于支持向量机对延河流域枣园地区植被信息进行分类，并将该方法与传统的最大似然分类提取方法进行对比分析。结果表明：基于支持向量机方法的提取精度高达90.50%，Kappa系数也超过了0.87，比单纯的最大似然分类方法提取精度高得多，而且该方法操作性和实用性也很强。
（4）结合AVIRIS高光谱影像实例，介绍了光谱角度制图法的原理及应用步骤，并对基于影像和波谱库采集端元的两种方法产生的分类结果图像进行差异探测，生成分类掩模图像。分析了SAM波谱角填图分类中不确定性产生的原因，对提高SAM分类精度提出了建议。
本文具有以下创新点：
（1）在以往的端元提取过程中，通常采取“类坍塌”的方法进行N维可视化分析，提取的端元数目过多，不易区分所选地区类型。本文采取了利用PPI结果结合实地调绘图在N维可视化器中进行分析，提取端元的效果比较理想，适合在今后的研究中应用。
（2）本文实现了基于MNF变换和支持向量机的高光谱遥感图像分类，对延河流域枣园地区植被信息进行提取,并将该方法与传统的最大似然分类提取方法进行对比分析，为后续分类研究做了很好的铺垫。
（3）利用不同端元采集的方法在同一地区进行光谱角制图分类实验并进行了分类结果比较，并分析SAM分类结果不确定性产生的原因，对高光谱遥感图像分类效果的影响因素提出了新的研究角度。