结合张量空间与倒易晶胞的高光谱影像去噪去混叠

传统去噪去混叠算法大多针对单波段图像,针对于高光谱影像的特点以及噪声、混叠对于图像的影响,提出了一种结合张量与倒易晶胞的多维滤波算法,并将其应用在高光谱影像的去噪和去混叠中。该方法引入张量,将高光谱影像数据视为三阶的张量表达,以倒易晶胞获取影像混叠和噪声较小的频谱覆盖,从最小均方误差的角度交替迭代求解三个方向的滤波器,最终完成影像滤波,在保证影像空间和光谱信息一致性的前提下,有效地减少影像混叠和噪声,提高图像的质量。通过与二维维纳滤波算法、张量多维去噪算法的多组高光谱数据对比实验,证明了文中算法的有效性。     

非线性变换和信息相邻相关的高光谱自适应波段选择

通过非线性函数变换改进后的谱间Pearson相关分析可同时获取高光谱影像光谱间的综合相关系数（rcl）、相关类型和统计显著性水平;研究发现,非线性是高光谱影像的谱间相关性的主要类型。基于相关系数的波段相邻相关系数（rac）在自适应波段选择算法（ABS）中是为了表达波段的独立性,然而发现ABS算法中rac并不能有效表达波段独立性。鉴于此,提出了一种信息相邻相关系数（riac）和基于此指数改进的自适应波段选择算法（MABS）。使用公共数据和实验室采集数据,对ABS、基于线性相关系数（rl）的MABS（rl）和基于rcl的MABS（rcl）等三种算法进行实验。结果表明:在波谱范围和算法有效性及精度方面,MABS均优于ABS;MABS较好地兼顾了大信息量和强独立性原则,其波段选择结果的光谱范围明显大于ABS;MABS（rcl）的光谱范围略大于MABS（rl）;三种算法的总体分类精度（OA）和Kappa系数的大小顺序均为:MABS（rcl） MABS（rl） ABS。     

p值统计量建模独立性的高光谱波段选择方法

近年来，p值统计量的使用规范引起了统计学界的极大关注和集中讨论，广泛认为，p值统计量可表达观测数据与备择假设之间的不相容程度。为探究高光谱图像波段的相关分析p值与其样本独立性的联系，进行了演绎推理和实例验证，研究表明，与相关系数r统计量相比，相关分析p统计量可直接表达波段样本的独立性，且p值矩阵具有高水平的自稀疏性，便于建模和计算。进而，对相关性p值矩阵进行直方图频数统计，提出一种基于p值的高光谱自适应波段选择方法pSMBS。选取典型数据进行了监督分类实验，结果表明，在Kappa系数、总体精度（OA）和平均精度（AA）上，pSMBS均优于同类方法ABS、InfFS和LSFS。说明pSMBS在高光谱波段选择方面具有突出的有效性，这也佐证了相关性p值对波段独立性的强表征能力。     

基于香农熵的地表水体空间分布指数及其适用性分析

结合MSHDAI(空间分布面积指数)和地表水呈网状分布的特征,提出了MSHDLI(空间分布长度指数)的概念和模型,并选取河南省中部沙颍河流域部分地区,分析了其地表水空间分布状况,及其空间分布指数MSHDAI和MSHDLI分别与PLAND(面积比例)和RD(水网密度)的相关性随网格粒度变化的情况。研究表明:MSHDLI与RD具有显著的相关关系(r珋0.9,p珋0.01),而MSHDAI与PLAND的内在联系则较为复杂;MSHDLI在描述区域地表水空间分布多样性和广度特征方面,较之MSHDAI有更高的表征性和稳定性;两者均随网格粒度的增加而增大,MSHDAI的适宜粒度域为(100m,200m),而MSHDLI适用于各种网格粒度;MSHDAI对于含有大型水库(湖泊)的区域缺乏表征性,而MSHDLI则能适应含多种水域的地区。     

基于XGBoost的机载激光雷达与高光谱影像结合的特征选择算法

为了解决地物分类的机载激光雷达(LiDAR)与高光谱特征构造中存在的特征维数过高的问题,提出了一种基于XGBoost与皮尔逊相关系数相结合的特征选择算法——XGB-PCCS,同时设计了XGBoost与序列后向选择相结合的特征选择算法——XGB-SBS与之对比。采用真实数据验证所设计的两种算法,结果表明:两种算法均可在保证分类结果准确率的基础上有效地减小特征集维数;XGB-SBS算法保留的特征维度为33,得到的总体分类精度为95.63%,Kappa系数为0.943;XGB-PCCS算法保留的特征维度为25,总体分类精度为95.55%,Kappa系数为0.942。XGB-PCCS算法的人为干预程度较低,运行时间较短,保留的特征集更精简。此外,对比了两种算法得到的特征子集,并总结了LiDAR点云与高光谱影像多模态特征构造中重要程度较高的24种特征。