基于自组织映射和模糊隶属度的混合像元分解

遥感图像中普遍存在着混合像元,将混合像元分解为端元和它们之间混合的丰度,对于高精度的地物识别和定量遥感具有重要意义.结合自组织映射神经网络和模糊理论中的模糊隶属度,提出一种新的多光谱和高光谱遥感图像混合像元分解的方法.首先对自组织映射神经网络进行有监督的训练,然后基于模糊模型对混合像元进行分解.其分解结果自动满足混合像元分解问题所要求的2个约束:丰度值非负约束及丰度值和为1约束.实验结果表明,该方法不仅适用于线性光谱混合的情况,也适用于非线性光谱混合的情况,能够获得较好的混合像元分解结果,同时具有较强的抗噪声能力.     

遥感图像端元光谱变异性的模糊描述

在遥感图像中,利用模糊扩展的概率测度描述混合像元各端元的丰度含量,是模糊集合理论进行混合像元分解的主要手段。然而由于非线性因素的影响以及自然地物的复杂性,往往导致了端元光谱的变异性,这是造成混合像元分解误差的主要原因之一。从模糊集合的另一种测度——可能性测度出发,讨论了对端元光谱的变异性的描述：在遥感图像多维正态分布假设的前提下,利用1维连续的卡方分布,提出了面向遥感图像可能性分布的模糊描述,并进一步提出了可能性分布的模糊划分算法,对整个图像进行端元的模糊划分,从而描述端元光谱的变异性。通过对真实的高光谱遥感图像进行检验,结果表明,该方法能充分地表达端元光谱的变异性,可为今后进一步提高遥感图像混合像元分解精度提供重要的参考。     

基于改进SAM的高光谱影像混合像元分解算法研究

将传统遥感图像分类方法中的光谱角度制图法(Spectral Angle Mapping-SAM)加以变换,改进为一种符合全约束条件下的高光谱遥感图像的混合像元分解模型.新算法在端元丰度比例满足全约束的条件下,通过逼近的方法寻找一种端元丰度的比例组合,使测试光谱与目标光谱的广义夹角最小,从而认为该比例组合就是混合像元分解...     

基于有监督模糊C-均值算法的混合像元分解

遥感影像中普遍存在混合像元,混合像元的分解是遥感图像处理的一大难点,同时也是人们研究的热点。使用有监督的模糊C-均值算法对遥感影像的混合像元进行分解。在传统的模糊C-均值算法的基础上结合先验知识引入优化初始聚类中心的方法,结合通过降采样产生的模拟数据、ETM遥感影像和MODIS遥感影像对算法性能进行了实验。结果表明,算法适用于多光谱遥感图像的混合像元分解,是一种简易可行的方法。     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。     

非监督正交子空间投影的高光谱混合像元自动分解

利用混合像元线性分解技术处理高光谱影像，以获取研究区域中同一像元的不同组份是遥感应用的主要目的之一。近年来，研究者们发展了一种正交子空间投影技术(0SP)，用来探测感兴趣目标，进一步可以用来分解混合像元，然而应用这种方法分解混合像元的缺陷是需要有研究区域的先验信息，这就制约了它在这方面的应用。为此针对这种不足，提出一种非监督的正交子空间投影(UOSP)技术，用来自动获取影像端元光谱，同时进行混合像元分解。并用成像光谱数据(PHI)实例测试了这个方法，结果表明该方法自动获取的端元比较合理，且分解混合像元精度较高。     

针对ETM基于BP网络像元分解模型分类研究

限制遥感图像分类精度的一个主要原因是混合像元问题。因此像元分解也一直是遥感研究的一个热点问题。本针对传统像元分解方法的缺点，首先对影像进行纯净像元提取，再对混合像元进行分解。在提取纯净像元时，利用ETM影像的全色波段和单波段不同的分辨率选取训练样本，从而克服了传统像元分解中需要两种影像或地面实测资料的缺点。然后用BP神经网络对混合像元进行分解。同时用民乐县的ETM影像作了试验。又利用对应的土地利用图作了验证。取得了比较好的效果。     

应用光谱混合分析法从SPOT影像提取槟榔树专题信息

台湾地区槟榔树分布面积较大,但是种植密度不高,用通常的遥感影像分类和专题信息提取方法不能有效地提取槟榔树的分布范围。光谱混合分析是将一个像元看成多种地物的组合,分别求出各种地物所占的比例。运用线性光谱混合分析的方法,对台湾的SPOT卫星影像进行像元分解,提出了如何利用低光谱分辨率影像分解像元的方法。通过与最大似然分类和阈值法提取结果的比较,表明光谱混合分析法不仅有效地提取了槟榔树分布的范围,还计算出槟榔树分布的密度,是一种较好的方法。     

遥感影像亚像元制图方法研究进展综述

遥感影像混合像元的普遍存在给遥感影像解译造成困扰。有效处理混合像元问题,细化分类结果,获得更为精细的地物细节信息就需要进行亚像元绘图。目前亚像元制图方法主要包括3个步骤:① 混合像元分解;② 提取软信息;③ 亚像元制图。总结归纳了近年来遥感影像亚像元绘图领域的研究进展和成果,详细阐述了亚像元制图的步骤及涉及的研究方法。依据辅助信息的类型将亚像元绘图方法大致划分为:基于空间相关性、基于空间结构信息、基于神经网络、基于像元交换途径的4类亚像元分类方法,并分别对各种方法的优缺点进行了分析对比。最后,评述了亚像元制图的发展趋势。     

城市混合像元分解中土壤与不透水面纯像元选取方法的对比研究——以厦门为例

近年来混合像元分解在城市地表组分监测与分析中的应用逐渐成为城市遥感的一个热点。纯像元的选取是混合像元分解过程中的重点和关键所在。以沿海城市厦门为研究对象,根据不同的土壤和不透水面纯像元选取规则,使用2组12种不同的纯像元选取方法对2007年1月8日TM影像进行混合像元分解,对分解结果的模型适宜度进行了比较,并使用2006年12月25日SPOT5高分辨率影像对分解结果的精度进行了比较和评估。结果表明:混合像元分解在纯像元选取时,S端元选取兼顾低反射率裸土和高反射率裸露基岩的纯像元可以整体提高分解的模型适宜度和分解精度;适度提高I分量纯像元中高反射率纯像元的比例有助于改善整体尤其是S、W分量的分解效果。     

混合像元分解的理论与方法-以神木县为例

识别分类是遥感技术应用中的重要一环,而混合像元是影响识别分类精度的主要因素之一。为了提高识别分类精度,本文提出了四种混合像元分解方法,它们是匹配像元分解、折半像元分解、双邻像元分解、相关像元分解。混合像元分解前,计算机分类识别精度仅为63.65％,混合像元分解后,其识别分类精度达88.67％,可见混合像元分解的效果是很显著的。     

结合空间光谱预处理和约束非负矩阵分解的高光谱图像混合像元分解

目的 混合像元问题在高光谱遥感图像处理分析中普遍存在,非负矩阵分解的方法被引入到高光谱图像解混中。本文提出结合空间光谱预处理和约束非负矩阵分解的混合像元分解流程。方法 结合空间光谱预处理的约束非负矩阵分解,如最小体积约束、流行约束等,通过加入邻域的空间和光谱信息进行预处理获得更优的预选端元,从而对非负矩阵分解的解混结果进行优化。结果 在5组不同信噪比的模拟数据实验中,空间预处理（SPP）和空间光谱预处理（SSPP）均能够有效提高约束非负矩阵分解（最小体积约束的非负矩阵分解和图正则非负矩阵分解）的解混结果,其中SPP在不同信噪比的情况下都能优化约束非负矩阵分解的结果,而SSPP在低信噪比的情况下,预处理效果更佳。利用美国内华达州Cuprite矿区数据进行真实数据实验,SPP提高了约束非负矩阵分解的解混精度,而SSPP在复杂场景下,解混精度更佳。模拟数据和真实数据的实验均表明,空间光谱预处理能够有效地提高约束非负矩阵分解的解混精度,特别是对于信噪比较低的情况下,融合空间和光谱信息对噪声有很好的鲁棒性。结论 本文对约束非负矩阵分解的解混算法添加空间光谱预处理,利用高光谱遥感数据的空间和光谱信息,优化预选端元,加入空间光谱预处理的非负矩阵解混实验流程,在复杂场景情况下,对噪声具有较好的鲁棒性。     

支持向量机理论及其在遥感图像处理中的应用

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的学习算法,经过多年的研究,它的理论基础日渐成熟,它的应用领域逐步扩大.SVM在遥感图像处理领域内的研究也逐渐增多.介绍了支持向量机的理论以及近年来它在遥感图像分类、检索、特征提取、图像压缩、混合像元分解等方面的应用.随着支持向量机研究热的兴起,它必将在遥感图像处理方面发挥更大的作用.     

高光谱遥感图像的单形体分析方法

将n个波段的高光谱图像像元与n维空间里的散点联系起来，结合凸体几何中单形体概念研究高光谱遥感图像纯净像元提取方法，实现图像的地物精确分类识别及像元波谱分解。寻找高光谱遥感图像n维空间里的单形体并认知分析单形体是该研究方法的重要环节。通过MNF(minimum noise fraction)变换和PPI(pixel purity index)计算技术寻找到单形体，基于单形体进行像元分解分析单形体，并结合应用实例和SAM(spectral angle mapper)分类技术完成高光谱图像地物精确分类制图，验证了该研究方法的可操作性。该研究方法的优点在于不需要用户提供地物波谱信息，用于制图和波谱分解的终端单元可由图像本身得到，并由用户控制分类制图和波谱分解的详细程度。     

利用信息熵的高光谱遥感影像降维方法

高光谱遥感影像以其众多的波段数目，为地表观测提供近乎连续的波谱数据；然而海量的高光谱遥感影像存在着大量的信息冗余，为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前，对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论，将高光谱遥感影像的各波段抽象为具有相关性的独立个体，设计了高光谱遥感影像的决策表矩阵，进而计算各波段的信息熵，量化各波段的信息量，从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求，按排序选择波段组合，从而达到降维目的。以遥感分类结果的精度评价为例，对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明，该方法相较其他特征选取降维方法，能获得更高的分类精度。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

Citrus Recognition Methods of Hyperspectral Remote Sensing Image based on Spectral Unmixing Model

In order to monitor the citrus planting information timely and accurately,We take Huichang County of Jiangxi Province as the research area,using EO\|1 Hypersion hyperspectral remote sensing (HRS)image as a datasource to build a citrus recognition methods of hyperspectral remote sensing image based on spectral unmixing.First of all,the EO\|1 Hyperion hyperspectral remote sensing image has 242 bands,and it has a wide spectrum rang.It can extract the spectral curve of typical objects in the study area,which is based on the image pre\|processing including the band selection,the atmospheric correction and so on.Then,we use the fully constrained linear spectral mixture model of spectral unmixing to decompose the mixed pixels of the image,and then extract the abundance value of citrus.Finally,we construct the relationship between citrus abundance and the actual cultivation of citrus based on the high resolution remote sensing image.The results indicated that the unavoidable error in the extraction of the typical objects and the differences of the citrus canopy coverage can lead to the corresponding relationship between the citrus plant accurate identification and the citrus abundance threshold value.Under the condition of repeated experiments,the study area of citrus abundance thresholds in the range of 0.30~0.45,the overall accuracy can reach more than 90%,and it can meet the requirements of identification of citrus.