高光谱遥感的物质组分和物质成分反演的应用分析

高光谱遥感的最大特点是可以提取和重建像元光谱,从而依据光谱特征直接识别地物类型、地物组成,乃至地物的成分,反演地物的物理、化学参量。本文阐述了高光谱的光谱识别方法所能探测的岩石、土壤、植被和人工建筑物的物质组分或成分;另外,与多光谱相比较的角度,讨论了高光谱图像地物特征识别和物质成分反演等技术方法的应用。     

基于同质区和迁移学习的高光谱图像半监督分类

针对高光谱遥感图像分类中标记样本难获取的问题,提出了一种基于同质区和迁移学习的新型半监督分类方法。首先对高光谱图像进行分割得到高纯度的同质分割斑块,获取大量扩展训练样本。并在此基础上引入迁移学习,将扩展训练样本作为源域,剩余未标记样本作为目标域,实现多次迁移,从而减少同一幅图像上各地物的分布差异,并保留其各自的内部属性。实验结果表明,该方法是一种有效的高光谱图像半监督分类方法。     

土地利用动态监测的LFF图像融合改进应用

遥感是快速获取土地利用/土地覆盖现势信息的重要手段之一。由于不同类型的卫星传感器获取同一地区的遥感数据日益增多,对不同平台、不同光谱响应范围的遥感数据源,用常规的遥感图像融合方法如HSI变换法、Brovey变换法和PCA变换法进行融合时,存在不同程度的光谱扭曲现象,即融合后图像的色彩与多光谱图像存在较大差异,从而影响了地物的识别。针对不同平台、不同光谱响应范围的遥感数据,本文在HSI变换的基础上,提出了一种改进的方法,即,首先对高几何分辨率的全色波段进行LoG滤波,然后将LoG滤波后的全色波段与多光谱经HSI正变换后的强度分量,进行灰度直方图匹配,并替换之,经HSI逆变换便得到融合图像。分析结果表明：LFF融合法的光谱保持性能优于HSI变换法,LFF融合后图像的分类精度高于HSI融合后的图像,LFF融合法是一种能较好保持光谱特性的融合方法。     

一种面向对象的像元级遥感图像分类方法

本文提出一种面向对象的像元级分类方法(混合模型),并将其与单纯的以像元和面向对象的两种方法同时应用于分辨率分别为30m和0.5m的环境星CCD数据和航空影像进行对比分析。分类结果中不同地物类别之间光谱可分性的大小,很大程度上可反映分类结果的可靠性。若地物类型之间的光谱差异大,说明分类方法能将光谱差异大的地物很好地划分,显示出较可靠的分类结果;相反,如果分类结果中地物类型光谱差异小,则反映分类方法不够可靠。鉴此,本文通过计算分类结果中不同类别所对应的原始遥感影像像元之间的J-M(Jeffries-Matusita Distance)距离来度量分类结果中地物之间的光谱可分性,并用J-M距离比较分析了3种图像分类方法对2种不同分辨率影像的分类结果中各个类别之间的光谱可分性的变化。分析结果表明,混合模型不但能够得到较连续的分类结果,同时能够保持分类结果中类别之间的可分性。本文对分类结果进行了精度验证,结果发现混合模型的分类精度较其他2种方法要高。2种不同分辨率的遥感影像分析结果得到相同的结论,表明该模型适用于中分辨率和高分辨率影像。     

高(多)光谱数据的背景-异常子空间模型研究

本文引用独立成分分析与盲信号分离的理论,从遥感高(多)光谱数据的基本统计特征出发,对其概率密度分布作出了分类与解释,并同图像数据的背景与异常建立了联系。在此基础上,对高(多)光谱数据点阵分布的空间几何结构进行了深入的研究分析,推断出遥感高(多)光谱数据集合的高维空间属于低维几何结构-"超平面"形态,而包含蚀变信息在内的异常点群通常会游离在"超平面"之外。然后,对主成分分析(PCA)的信号-噪声模型加以引申,提出了遥感图像多元数据集合高维空间的背景-异常信号子空间可划分的概念,并给出了子空间划分的阈值估计方法。同时,探讨了遥感图像的端元数目、多波段数据集合的本征维数、主要背景地物数目三者之间的关系;通过西藏驱龙地区两种类型遥感数据的实例分析,说明了本文所讨论的光谱数据空间的低维结构以及背景-异常子空间模型在遥感高(多)光谱数据分析应用中的正确性与实用性。研究结果表明:尽管不同自然景观区的遥感图像的光谱变化复杂,而它们的光谱数据空间属于低维几何结构,以及背景-异常(含噪声)子空间的可分性是其具有共性的本质特征。在统计意义上蚀变异常在遥感高(多)光谱数据集合中是可识别的。     

光谱与空间维双重稀疏表达的高光谱影像分类

高光谱遥感影像的稀疏分类是当前遥感信息处理的研究热点。本文提出一种光谱与空间双重稀疏表达的高光谱遥感影像分类方法（WSSRC）。首先利用小波字典对光谱维进行稀疏表示,将光谱维稀疏分类转化到小波域稀疏分类;其次,考虑空间邻域地物光谱的统一性和差异性,对邻域内像元分别进行稀疏编码,并对编码进行累加聚合;然后,利用聚合后的稀疏编码构造线性分类器对高光谱影像进行分类;最后,通过2幅标准的高光谱影像数据验证了本文所提出的方法。实验结果表明,该方法能有效地提高影像的分类精度。     

面向对象图像识别的地学理解方法的优化与应用

近年来,面向对象技术的应用愈加广泛,以适应不同应用目的下不同地物复杂度的图像处理与信息提取要求。本文详细分析了面向对象信息提取方法中存在的问题,提出将传统像元级光谱分类与面向对象信息提取技术相结合,通过最大似然光谱分类和地学统计分析获取图像区域的先验知识,包括不同类型地物光谱混淆情况和图像复杂程度的定性描述等,以反映图像处理与信息提取的难度大小及技术要求,利用预分析获得的知识优化面向对象信息提取技术流程中图像分割参数设置及分类器的构造等,用于克服面向对象方法参数选取的盲目性和结果的多样性。并以SPOT5高分辨率遥感图像为例,通过常规方法和改进方法的对比,证明本试验方法有利于真实地分割地物基元,提高分类精度、效率和训练器性能。     

高光谱影像的M-ICA地物识别算法与应用

高光谱遥感能以纳米量级宽度的窄波段及多达数百个的波段,对目标进行连续的光谱成像,但其海量数据及相邻波段高度相关造成的数据冗余却制约着它的应用.因此,对高光谱遥感影像分类须进行有效的处理、寻找最优特征,以增强地物的最大可分性.本文首先针对EO-4 Hyperion高光谱影像波段维数高,相关性强和数据量大等特点,利用独立成...     

基于加权指数函数模型的高光谱图像分类方法

高光谱图像的众多波段为地物分类提供了充分的特征信息,同时也为如何有效利用这些特性带来难题。为了充分利用高光谱图像的光谱信息实现地物目标的精确分类,根据其像素光谱曲线所呈现出的多峰特性,提出一种基于加权指数函数模型（Weighted Exponential Function, WEF））的高光谱图像分类方法。首先,采用WEF建立像素光谱曲线的理想模型,其中WEF模型由多个具有不同权重的指数函数相加而成。由于该模型中参数较多,导致参数求解较为困难。因此,为简单起见固定所有像素WEF模型中的峰值位置,并将由所有峰值位置构建矢量集。然后,根据最小二乘原理求解WEF模型的参数,以拟合光谱曲线。利用求得的参数集代替光谱测度矢量作为像素特征。最后,采用模糊C均值（Fuzzy C-means, FCM）算法实现图像分类。为了验证提出方法的可行性和有效性,分别以提出的分类方法、基于主成分分析（Principal Component Analysis, PCA）的分类方法、基于最小噪声分离（Minimum Noise Fraction, MNF）的分类方法和以光谱测度矢量为分类特征的FCM方法对Salinas和PaviaU图像进行分类实验,并据此对实验结果进行定性和定量评价。在Salinas图像中提出的分类方法比其它方法的分类精度从51%提高到了60%,在PaviaU图像中分类精度从43%提高到了51%。此外,提出的分类方法在降低了高光谱图像数据量的同时,保留了高光谱图像丰富的光谱信息。     

多核学习算法及其在高光谱图像分类中的应用研究进展

多核学习算法在高光谱图像分类领域占据着十分重要的地位。与灰度图像、全色图像和多光谱图像等相比,高光谱图像因具有很强的分类识别能力等多方面优势而被广泛应用。为进一步提高高光谱图像的分类精度,促进多核学习算法在高光谱图像分类中的应用,本文对多核学习算法及其在高光谱图像分类中的应用进行了总结。首先在回顾核方法的基础上阐述了多核学习框架,其次对多核学习核函数组合方法进行综述,随后根据求解多核学习组合系数方法的不同将多核学习分为两类：固定规则的多核学习算法和基于优化的多核学习算法,并对两类多核学习算法在高光谱图像分类中的应用进行综述,总结各类算法在高光谱图像分类的应用进展。同时,为了便于研究者对多核学习算法及其在高光谱图像分类问题中的应用研究,本文对常用核函数和高光谱图像数据集进行了整理归纳。最后,讨论了多核学习算法在高光谱图像分类研究方面的不足,并对未来研究方向进行了展望,以期为该领域的研究和应用提供参考。     

面向对象高分遥感影像典型自然地物半自动提取

针对目前高空间分辨率遥感影像（简称高分遥感影像）地物全自动提取无法完全实现的现实,本文结合自然地物的光谱和纹理特征,提出一种面向对象的高分遥感影像典型自然地物半自动提取方法。首先构建最小生成树（Minimum Spanning Tree, MST）进行影像初始分割,根据影像灰度平均归一化值和标准差统计对象的光谱、纹理等特征。用户通过“种子点”交互选取提供前景样本,并基于区域邻接图（Region Adjacency Graph, RAG）寻找合并代价最小的区域扩充前景样本。在自动构建的环形缓冲区内选择背景样本,利用特征空间高斯滤波实现全连接条件随机场中均值场更新。依据全连接条件随机场描述全局信息,结合不同地物的提取准则最终得到自然地物的提取结果。以航空和高分二号(GF-2)遥感影像为实验数据,分别对林地、草地、耕地、裸地和水体等典型自然地物进行提取。结果显示,基于本文方法的航空影像典型自然地物提取总精度和Kappa值为0.959和0.948,相较于SVM方法分别提升了20.757%和0.268。高分二号(GF-2)遥感影像的提取总精度和Kappa值为0.959和0.941,相比SVM方法分别提高了1.698%和0.133。证明所给方法能够通过较少的用户交互,实现高分遥感影像典型自然地物高精度智能提取。     

基于光谱和形状的遥感图像分割质量评估方法

针对多尺度遥感图像的分割质量评估问题,提出了一种光谱和形状相结合的分割质量评估方法。首先,采用超像元方法对图像进行初始分割,将图像过分割为若干区域;其次,根据合并准则迭代合并相邻区域来生成各尺度图像,其中,使用尺度集结构来索引各尺度的区域,使用邻接图来记录各尺度下区域间关系;然后给出各尺度图像形状紧凑性和平滑性的计算公式,并结合各尺度图像光谱特征计算出各尺度图像的同质性和异质性;最后根据贝叶斯风险最小准则选择最优分割尺度。实验结果表明,该方法可以适应不同图像内对象特质,使得最优分割尺度的选择更合理,图像分割效果更佳。     

利用物候差异与面向对象决策树提取油菜种植面积

及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。     

基于对象BOW特征的高分辨率遥感影像变化检测方法

针对传统基于像素的变化检测方法的缺点,以及底层特征表现能力不足等问题,提出一种基于对象BOW特征的变化检测方法。首先,将经过预处理操作的两期影像进行波段组合得到组合后影像,再考虑地物光谱特征和几何空间信息对组合后影像进行多尺度分割,获得相对应的对象基元;同时,分别提取两幅影像的底层特征（包括影像各波段的均值和方差以及灰度图像的6种纹理特征）。其次,将对象视作文档,像素的特征向量视作单词,利用BOW模型构建影像对象的中层表达,即对象的BOW特征。最后,通过相似性度量算法比较相应对象的BOW特征,从而识别出影像上的变化区域。本文利用2组WorldView-2影像进行了检验,结果表明本文方法的变化检测结果较为完整,精度优于对比方法。本文方法基本能够满足变化检测的需求,为高分辨率遥感影像上的数据挖掘分析提供了有效的手段。     

综合多层优选尺度的高分辨率影像分割

采用面向对象方法处理高空间分辨率遥感影像时,影像分割质量对后续影像的信息提取结果影响很大。本文主要针对高分辨率影像分割中地物多尺度的问题,提出了一种基于多层优选尺度的高分辨率影像分割算法。该算法首先采用一系列规律变化的尺度对高分辨率影像进行多尺度分割,然后通过单分割层全局标准差的变化与尺度的关系确定一组最优分割尺度。在此基础上,通过各优选分割层之间的包含关系,局部建立多层次对象树,从整体上形成影像森林;通过局部同质性异质性综合评价指数的比较及父层光谱特征的限制来选取多层次对象树中的优势对象,从而获得最终的高分辨率影像分割结果。最后,本文分别采用了Geoeye和ZY3多光谱影像进行了2组分割实验,结果表明本文算法能有效地提高正常分割影像对象的比例。     

遥感影像像元级融合方法与试验评价分析

不同遥感影像有着各自的优点和局限,遥感影像融合就是为了充分利用它们的优点进行互补得到新的影像。采用PCA、Brovey和小波变换三种方法对SPOT多光谱影像和全色影像进行了像元级的影像融合,小波变换采用的Mallat算法和双正交小波函数,双正交小波函数的优点是小波逆变换时不会导致相位失真,论文对融合结果进行了光谱质量和空间质量两方面的定性和定量的评价。结果表明,小波变换融合影像是三种变换中最优的,同时在小波变换中采用不同的小波基函数的融合结果在光谱质量和空间质量方面也有很大的差异,可根据实际需要选用合适的小波基函数。     

遥感图像模拟技术方法与应用分析

近年来,遥感图像模拟的研究广泛地展开,利用图像模拟技术获取的大量仿真遥感图像,为其他遥感信息的论证与评价提供了有效的参考。本文介绍了图像模拟技术的发展现状,及SAR、光学遥感图像的模拟方法,分析了各种模拟方法的特点与差异,指出各种方法在生成模拟图像时的局限性,最后提出了基于宽光谱遥感数据的细分光谱遥感图像模拟的构想。