遥感光谱和高程数据的融合分析及其在地物识别中应用文献综述

文 献 综 述

1.1选题背景

遥感技术随着数字地球的提出和计算机技术的迅猛发展，遥感技术在军事、医疗、农业等领域都充当着极为重要的角色，尤其是光谱数据可以反应出丰富的光谱信息，在遥感地物分类中有着巨大的作用。地物分类是诸多遥感技术里最基本的技术，也是应用最为广泛的技术之一，人们通过地物分类可以清晰地获取地物之间的信息以及拓扑关系，并以此进一步发挥商业作用。伴随着近年来深度学习技术的迅速发展，深度学习技术在图像处理等领域展现出了非常强大的潜力，它在图像处理上具有较强的特征提取能力，在高光谱和激光雷达数据融合分类的领域也涌现了不少优秀的相关工作。

1.2研究意义

光谱数据的作用日益增大，可用于地物分类的光谱数据类型也是多种多样，其中，多光谱和高光谱数据在实际应用中表现优异，是地物分类任务中应用最多的一类数据。虽然两种光谱数据在图像处理领域都有着巨大的作用和潜力，但是很多时候这两种光谱数据也存在某些局限性，例如，两种光谱数据对对同谱异物的目标区分能力有限，但是可以将两种光谱与其它遥感数据进行融合，得到升级的数据后，便可处理一系列问题。可用于与两种光谱与高程数据进行融合的数据有很多，高程数据、坐标数据、温度数据等等，这些与光谱数据融合后产生的新数据在某一领域内都发挥了巨大的作用。在本次实验中，高程数据是重点研究对象。高程数据既可由传感器获取的原始数据中获得，也包含在数字表面模型、数字地形模型等衍生数据中，随着遥感平台及数据处理技术的发展，地表目标高程信息的获取方式越来越多，数据的精确度也越来越高。高程数据的特点使其在区分高度不同的目标上有极大的优势，在建筑物分类、树木种类检测等许多城市规划及自然环境监测任务中有着广泛的应用。

1.3研究现状

光谱数据包含丰富的光谱信息，高程数据能提供精确的高度信息，二者的互补为进一步提高地物分类精度带来了新的可能性，近年来这一方向的研究十分活跃。激光雷达（Light Detection And Ranging，Li DAR）是目前获取高程数据的主要途径之一，许多研究者就两种光谱与 Li DAR 数据的联合分类展开了研究。高程数据的另一重要来源是数字表面模型（Digital Surface Model, DSM）等反映地表高度信息的数字模型。这些数字模型既可以由 Li DAR 点云数据生成，也可以由航空摄影图像等途径获得，它们包含着着目标区域的高度、地形地貌等空间信息。近年来，这类数字模型，特别是 DSM 数据，在分类、目标识别等任务中得到了广泛的应用，在许多联合分类的研究中，都是将 DSM 作为提供高程信息的数据，与光谱数据进行联合利用。深度学习的概念由Hinton等人于2006年提出,其前身为神经网络,在2016年Deep Mind公司所开发的Apha Go击败围棋世界冠军李世石之后,深度学习这一概念才渐渐的被人所认可。随着深度学习的发展,人们通过使用深度学习方法,能够更有效地处理机器翻译、语音识别、图像分类以及自然语言处理等机器学习类问题。在国外深度学习(deep learning)也被译为深层学习，是美国学者Ference Marton和Roger Saljo基于学生阅读的实验，针对孤立记忆和非批判性接受知识的浅层学习(surface learning)，于1976年首次提出的关于学习层次的一个概念。此后，许多研究者开始关注深度学习，Biggs和Collis(1982)、Ramsden(1988)、Entwistle(1997，2001)等学者都从不同角度发展了深度学习的相关理论。

1.4遥感数据特征提取　　光谱特征是图像中目标物的颜色及灰度或者波段间的亮度比等，它通过原始波段的点运算获得。光谱特征的特点是，它对应于每个像素，但与像素的排列等空间结构无关网。光谱特征是一种地物区别于另一种地物的本质特征，是组成地物成分、结构等属性的反映，正常情况下不同地物具有不同的光谱特征（在一些特殊情况下会出现同物异谱、同谱异物现象），因此根据地物光谱特征可以对遥感图像进行特征提取。　　在遥感图像的所有信息中最直接应用的是地物的光谱信息，地物光谱特性可通过光谱特征曲线来表达。遥感图像中每个像素的亮度值代表的是该像素中地物的平均辐射值，它随地物的成分、纹理、状态、表面特征及所使用电磁波波段的不同而变化。常用的光谱特征提取主要有以下几种方法：　　 （一）主成分分析方法　　主成分分析也称为K-L变换，是在统计特征基础上的多维（如多波段）正交线性变换，也是遥感数字图像处理中最常用的一种变换算法。线性变换方法进行特征提取的目的是，从高维数据空间中，产生出一个合适的低维子空间，使数据在这个空间中的分布可以在某种最优意义上描述原来的数据。主成分分析就是用得最多的一种线性变换方法，它产生一个新的图像序列，使图像按信息含量（或方差）由高到低排列，图像之间的相关性基本消除。用前几个主成分就可以表述原始数据中绝大多数信息含量，这是信息含量在最小均方差意义上的最优解。　　 （二）基于遗传算法的特征提取　　基于遗传算法的特征提取是一种结合了遗传算法子空间搜索功能的低阶特征提取算法，它不但包括了光谱特征提取功能，还结合了空间滤波和增强，可以对其他特征进行提取。通过评估适应度函数，并对染色体应用选择、杂交与变异等遗传操作算子，产生理论上比上一代更可行的解。重复种群的遗传操作过程，直到找到符合条件的最优或者次优解。由于特征空间的复杂性，有时候此方法并不一定有效。此外，以一种类似于多项式拟合的技术也有一定的局限性，无法有效地表达特征空间中隐藏的频率信息。

1.5地物分类

监督分类是遥感图像分类的主要方法，监督分类是自顶向下的知识驱动法先进行训练再进行分类即先学习再分类法。最大似然估计分类法是一种基于概率判别函数和贝叶斯判别规则。在这种方法中首先要正确地选择训练样区，当建立好训练样区后，通过对训练样本进行统计，得到各个类别样本的统计参数。有了这些参数，也就是确定了各个类别的概率密度函数，然后根据先验知识和实地或历史统计资料确定各个类别的先验概率，最后就可以按照贝叶斯判别准则进行分类。在用最大似然分类方法分类的过程中由于统计参数是由训练样本得来的，因此训练样区的选择好坏极大地影响了分类的精确度。

参考文献

[1]陶旭. 潮滩滩面高程的高光谱遥感反演研究[D].南京师范大学,2013.

[2]冯凯. 基于多核学习的多/高光谱图像与激光雷达数据联合分类研究[D].哈尔滨工业大学,2013.

[3]满其霞. 激光雷达和高光谱数据融合的城市土地利用分类方法研究[D].华东师范大学,2015.

[4]陶旭,张东. 潮滩滩面高程的高光谱遥感反演研究[J]. 海洋科学进展,2013,31(04):498-507.

[5]易佳思. 基于多源遥感数据的不透水面提取[D].武汉大学,2017.

[6]魏峰. 高光谱遥感数据特征提取与特征选择方法研究[D].西北工业大学,2015.

[7]苏红军,杜培军,盛业华. 高光谱遥感数据光谱特征提取算法与分类研究[J]. 计算机应用研究,2008(02):390-394.

[8]刘正军. 高维遥感数据土地覆盖特征提取与分类研究[D].中国科学院研究生院（遥感应用研究所）,2003.

[9]杜培军,陈云浩,方涛,陈雍业. 高光谱遥感数据光谱特征的提取与应用[J]. 中国矿业大学学报,2003(05):34-38

[10]李伟涛. 高分辨率遥感森林植被分类提取研究[D].北京林业大学,2016.

[11]马少平. 人工神经网络在遥感图像分类中的应用研究与开发[D].中国地质大学（北京）,2006.

[12]于海涛. 基于超像素区域融合的遥感图像地物分类算法研究[D].东北大学,2014.

[13]代林沅. 关于深度学习和遥感地物分类的研究[J]. 电脑知识与技术,2018,14(04):206-207 224.

[14]李秦,高锡章,张涛,刘锟,龚剑明. 最优分割尺度下的多层次遥感地物分类实验分析[J]. 地球信息科学学报,2011,13(03):409-417.

[15]满其霞. 激光雷达和高光谱数据融合的城市土地利用分类方法研究[D].华东师范大学,2015.

[16]李春阳. 基于深度神经网络的多/高光谱与高程数据联合分类研究[D].哈尔滨工业大学,2017.

[17]杜星乾,侯艳杰,唐轶. 高光谱遥感影像与高程数据融合方法综述[J/OL]. 云南民族大学学报(自然科学版),2020(01):47-58[2020-03-07].

２．本课题要研究或解决的问题和拟采用的研究手段（途径）：

本毕业设计拟将进行研究和分析。

具体研究途径：

1）了解多/高光谱数据类型以及处理方法。

2）探究多/高光谱和数字表面模型数据的深度特征提取方法。

3）学习光谱数据与高程数据的融合。

4）利用融合后的数据对地物进行识别。

5）识别过后对各种地物类型进行分类。