高光谱影像的谐波分析融合算法研究

提出了一种适用于高光谱影像的谐波分析融合(HAF)新算法,依据谐波的最佳分析次数提取高光谱影像的谐波余项、振幅和相位等能量谱特征成分,根据谐波余项对光谱曲线波形无贡献的特性,应用高空间分辨率的波段替换该谐波余项,再通过谐波分析逆变换,实现高光谱影像所有波段的融合处理,获取具有较高空间分辨率和光谱信息保持性的高光谱融合影像.在以EO-1卫星的Hyperion高光谱影像与其ALI高空间分辨率影像为例实现HAF算法的基础上,选择HJ-1A卫星等多种遥感数据进行了验证,结果表明该方法具有较强的普适性.     

基于高光谱数据的城市不透水层提取与分析

针对多光谱卫星遥感数据监测城市生态环境的限制和高光谱遥感数据的优越性,以徐州市城区为例,选择2004和2006年地球观测卫星一1（EO一1）Hyperion高光谱遥感数据,在波段选择、大气校正等预处理的基础上,利用线性光谱混合模型,通过混合像元分解在亚像元尺度上提取两个时相徐州市中心城区的不透水层比例．以高分辨率遥感影像分类结果作为参考,通过与LandsatTM多光谱数据提取结果的比较,表明了高光谱遥感影像提取不透水层的优势．利用两个时相高光谱遥感影像提取的不透水层信息进行变化分析,结果表明：徐州市不透水层比例在持续增加,尤其在城市边缘区更是显著增加,其主要驱动因素是城市扩展和土地利用变化．     

高光谱遥感数据光谱特征的提取与应用

基于特征属性与算法原理，提出高光谱遥感光谱特征体系包括光谱曲线特征、光谱变换特征和光谱度量特征三个层次．光谱曲线特征包括直接光谱编码、光谱反射与吸收特征，光谱变换特征包括植被指数、导数光谱、光谱运算特征，光谱度量特征则包括光谱角、光谱信息散度(SID)、相关系数和距离．系统比较分析了不同特征的算法原理、特点、适用情况和应用中的一些问题．     

基于条件随机场的光谱相似性匹配高光谱遥感影像聚类方法

高空间分辨率的高光谱遥感数据不仅能够获取地物近似连续的光谱曲线,还具有丰富的空间信息.传统的基于单像元的光谱匹配方法无法将这两种特征很好地结合.针对该问题,提出将条件随机场(CRF)模型引入光谱匹配方法.CRF模型通过构造像元邻域描述空间信息,解决了基于单像元光谱匹配方法仅考虑光谱信息的不足,实现了聚类过程中光谱和空间信息的融合;然而,传统CRF模型基于欧氏距离和马氏距离等相似性测度,无法适应于高光谱遥感影像的数据特征,因此利用光谱相似性测度改进传统CRF模型的相似性测度准则.实验证明,所提出方法能够有效解决传统光谱匹配方法结果的噪声问题,较好地保留了地物的形状特征,分类精度得到提高.     

融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

稀疏表达模型在高光谱遥感影像目标探测中的应用

为了更好地利用高光谱影像的空间和光谱信息,提出了一种基于稀疏表达模型的高光谱遥感影像目标探测方法.首先通过对影像训练样本进行训练提取过完备字典,利用稀疏表达模型对遥感影像稀疏表达既达到降维的目的,又可以表示出遥感影像的主要信息;然后利用传统的目标探测器结合目标已知光谱信息对高光谱遥感影像进行目标探测,即基于稀疏表达模型的高光谱遥感影像目标探测(SRM-TD).3种影像数据的实验结果表明:在确定的迭代次数下,通过设置稀疏度L可以得到最优的探测结果.提出的探测方法在参数设置、选择和运行结果上优于传统的高光谱遥感影像目标探测方法.     

基于异构模式的高光谱数据加速处理方法研究

随着遥感卫星更高时空分辨率的大气探测需求,大气遥感高光谱数据量骤增,传统高光谱数据的处理效率较低,无法满足高性能处理高光谱数据的需求.首先介绍了国内外研究者利用图形处理器(GPU)加速处理遥感高光谱数据的应用实例,然后对基于CPU?GPU异构模式的大气遥感高光谱数据傅里叶分析的并行化计算进行了研究,并进行算法实现,最后...     

基于内容的遥感影像检索若干问题的研究

为了从海量遥感影像库中提取需要的图象，必须应用影像本身具有的特征实施基于内容的遥感影像检索．在分析基于内容的遥感影像检索系统的框架体系、处理流程的基础上，探讨了遥感影像检索中可使用的影像特征，除与常规图象类似的颜色、形状、纹理等特征外，更应该强调体现遥感影像特点的光谱特征、空间特征、影像元数据和规则与知识等．探讨了光谱特征和光谱相似性度量、空间关系和空间谓词、元数据的应用．最后给出了一个原型系统的实例．     

基于三维融合策略的高光谱遥感影像全变分去噪

高光谱遥感影像可以提供更细致的地物光谱,但受物理条件限制,也更易受到噪声干扰.基于高光谱遥感影像去噪的重要性,探讨了利用融合策略提升高光谱影像去噪效果的可行性.根据高光谱影像数据三维空间特点,提出了利用Q指标加权平均方法,将已有的全变分高光谱影像去噪方法在3个不同视角条件下的结果进行融合,从而弱化单一视角下去噪方法对原始信息的破坏程度,加大了高质量的影像在融合过程中所占的比重,提高了每个融合波段的质量,有效融合互补信息,实现对原始无噪声影像更好的恢复.结果表明:在各种图像和噪声类型情况下,提出的方法相较于单一视角的高光谱遥感影像全变分去噪方法有明显提高,采用的三维融合策略简单有效,具有很高的鲁棒性.     

一种基于超限稀疏多项逻辑回归和奇异谱分析的高光谱遥感影像分类方法

由于高光谱图像存在大量噪声,超限稀疏多项逻辑回归无法分析高光谱图像的内在结构,其适用性有待进一步提高,为解决超限稀疏多项逻辑回归不能有效应对噪声的问题,提出了一种基于超限稀疏多项逻辑回归和奇异谱分析的高光谱遥感影像分类方法：首先对高光谱遥感影像数据集进行归一化处理以消除数据量纲的影响,随后利用奇异谱分析对影像进行有效信息提取及噪声剔除,最后通过超限稀疏多项式逻辑回归对处理过的数据实现分类。采用多种不同数量的训练样本进行实验,并与 ３种常用分类算法进行对比分析,评价了本文方法的有效性和鲁棒性。结果显示,本文方法在各类训练样本情况下相比于其他分类方法,其总体分类精度皆有一定程度的提升。     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

A hyperspectral image compression algorithm based on wavelet transformation and fractal composition (AWFC)

Starting with a fractal-based image-compression algorithm based on wavelet transformation for hyperspectral images, the authors were able to obtain more spectral bands with the help of of hyperspectral remote sensing. Because large amounts of data and limited bandwidth complicate the storage and transmission of data measured by TB-level bits, it is important to compress image data acquired by hyperspectral sensors such as MODIS, PHI, and OMIS; otherwise, conventional lossless compression algorithms cannot reach adequate compression ratios. Other loss-compression methods can reach high compression ratios but lack good image fidelity, especially for hyperspectral image data. Among the third generation of image compression algorithms, fractal image compression based on wavelet transformation is superior to traditional compression methods, because it has high compression ratios and good image fidelity, and requires less computing time. To keep the spectral dimension invariable, the authors compared the results of two compression algorithms based on the storage-file structures of BSQ and of BIP, and improved the HV and Quadtree partitioning and domain-range matching algorithms in order to accelerate their encode/decode efficiency. The authors' Hyperspectral Image Process and Analysis System (HIPAS) software used a VC 6.0 integrated development environment (IDE), with which good experimental results were obtained. Possible modifications of the algorithm and limitations of the method are also discussed.     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

一种轻量级的高光谱遥感图像分类方法

智慧农业已成为当今世界现代农业发展的大趋势, 其中低空无人机遥感图像分析是现代精准农业的重点研究方向, 它通过对无人机拍摄的高光谱遥感图像进行学习, 来指导无人机进行精准作业。然而, 中小型农场在发展智慧农场的过程中存在设备资源不足的弊端, 因此本文提出了一种基于卷积神经网络的轻量级高光谱遥感图像分类方法, 旨在保证较高分类精度的同时降低模型训练成本, 从而帮助中小型农场避免更换昂贵的高性能设备, 降低运营成本。本文方法使用主成分分析、数据扩增等数据预处理方法对高光谱遥感图像进行降维以及样本扩充, 引入空谱联合特征提高分类精度, 并对卷积神经网络结构进行优化加速了网络的训练过程。最后, 通过在3个中小规模的基准数据集上进行实验, 并与一些经典的传统分类方法以及深度学习方法进行对比, 结果表明本方法能够保证较好的分类效果, 同时减少网络训练的成本。     

SAM权重法在端元提取中的应用

高光谱遥感的出现使得在宽波段遥感中不可探测的物质能被探测。获得的高光谱数据大都具有数据冗余度高、信噪比低等特点。文章通过idl编程实现高光谱数据的特征提取并利用其做了端元提取流程与光谱解混,及权重法SAM端元提取、混合光谱分解模型及实现。利用SAM权重法能够完成端元提取并最终得到的解混结果。     

形态梯度重构的标记分水岭高光谱影像分割

传统分水岭算法通常对梯度图像做无标记分割,其结果是容易造成过度分割。为了克服过分剖的缺陷,进而应用于复杂的高光谱遥感图像分割,结合形态学预处理方法,在对图像实施平滑处理的同时,利用形态学开闭重构技术对梯度图像进行重建,在此基础上对高光谱遥感梯度重建图像进行标记分水岭分割。实验证明,这种处理技术对高光谱遥感图像的分割效果良好,能够满足高光谱遥感图像分类与信息提取的需要。