在分析绿色健康植被光谱特性及5种典型地物在高分六号影像中可见光波段光谱特征的基础上, 提出一种基于红、 绿、 蓝波段的可见光植被指数——高区分型红绿蓝植被指数(HDRGBVI), 利用该指数与其他8种常见可见光植被指数提取研究区绿色植被覆盖效果进行对比研究, 并采用基于SVM的监督分类方法进行对不同种可见光植被指数所提取的研究区绿色植被进行精度量化评价并将精度进行对比。 结果表明： 由HDRGBVI计算的植被指数灰度影像能够有效提取试验区植被, 对大面积水体、 狭长水体、 细小水体具有抑制作用; 相比其他8种常见可见光植被指数在应用于卫星影像时出现的植被与其他地类区分度低的问题, HDRGBVI增强了植被与其他地类的区分度, 使得可见光植被指数应用于卫星影像时也拥有较好的提取效果; 利用HDRGBVI与其他8种常见可见光植被指数分别对长桥海试验区植被覆盖区域进行提取, HDRGBVI总体精度为90.23%, Kappa系数为0.804 5, 精度高于其余8种常见可见光植被指数, 能够准确对长桥海试验区的植被覆盖区域进行提取; 为验证HDRGBVI是否具有良好的可适用性及可靠性, 分别从3景高分六号影像中选择3个研究区进行验证, 分别计算三个研究区的HDRGBVI, 并利用对应试验区的基于SVM的监督分类结果进行精度验证, 结果表明： 三个研究区的绿色植被提取精度均维持在90%左右, 均可对植被覆盖区域进行有效提取提取精度受不同地类分布差异影响的波动性较小, 且能够较好的削弱影像中阴影等因素的影响。 综上, 所提出的高区分型红绿蓝植被指数——HDRGBVI能够有效、 快速、 高精度、 大范围提取高分六号可见光波段影像中绿色植被信息, 且具有较好的适用性, 为可见光植被指数与卫星影像的结合应用提供了一种可行性方法。

针对利用现有深度学习方法进行植被提取时出现的相邻地物处于同一窗口、分类结果出现一些无用破碎图斑和“椒盐现象”等问题,提出最优分割尺度与深度置信网络相结合的方法进行植被提取研究,并利用光谱-纹理特征等信息进行对比实验。实验结果表明,与现有的深度学习方法相比,本文方法分类结果的总体精度达到91.92%,Kappa系数为0.8677,能够有效提高实验的分类精度,而且分类结果显示本文方法能有效减轻“椒盐现象”,并能很好地表达影像上各类地物清晰的边界。