光谱遥感岩矿识别基础与技术研究进展

遥感技术的发展与地物光谱特征的研究密不可分。主要从光谱遥感发展与地质应用的趋势出发,从光谱遥感岩矿识别基础与识别技术方法两方面阐述了光谱遥感的研究进展。对于遥感岩矿的识别基础,主要阐述物谱关联和物理模型研究的技术方法与进展以及其对遥感地质应用的促进与深化。在技术方法方面,主要从多光谱与成像光谱两个层次上,分析利用光谱特征进行岩石矿物识别的研究进展及其潜力与可行性。强调了岩石矿物光谱特征在遥感岩矿识别与地质成因信息提取中的重要性。     

沉积岩石信息的热红外多光谱遥感探测及有效性评价

在对热红外多光谱（ＴＩＭＳ）遥感的探测机理及其图像专题信息提取方法的综合分析基础上，以不同沉积岩石的化学成分，矿物组成，结构，反射和发射光谱特征的实验室分析温度测试结果为依据，对不同沉积岩石的热红外多光谱遥感成像机制进行了探讨，并对比分析了不同沉积岩石ＴＩＭＳ图像和ＴＭ图像的识别效果。     

推广“高分谱分辨率遥感矿物岩石识别系统微机版本软件”

1991年6月,国家计委下达了题为“地质遥感信息系统(GRSDPS)”研建的任务,以满足遥感界图像处理、GIS 及对于利用高光谱分辨率遥感手段直接识别岩石、矿物技术的迫切需要。全国遥感地质工作协调小组经过一年多工作并吸收了美国、澳大利亚及国内兄弟单位的经验与技术,完成了 GRSDPS 系统中地     

成像光谱数据挖掘与矿物填图技术研究

评述了当前成像光谱测量技术的发展和应用现状。以地面高光谱测量、航空成像光谱测量、航天高光谱图像处理分析及室内数据模拟等多维立体研究方式,采用多源空间数据挖掘、弱信息提取、光谱建模及分类识别等关键技术,结合岩石矿物光谱吸收特征形成机理分析,开展成像光谱矿物填图技术的研究。根据实际的成像光谱数据特点与应用需求,提出成像光谱数据挖掘与矿物填图技术应用流程。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行训练,得到很好的效果。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。     

热红外与多光谱遥感图像的神经网络回归融合方法研究

为验证神经网络方法用于遥感图像融合的有效性,归纳了利用神经网络对遥感数据进行回归来实现融合的3种途径,并提出了一种结合图像数据回归和多光谱遥感图像锐化技术来实现热红外图像的全色锐化新方法。这种热红外图像的全色锐化方法,利用了极限学习机（ELM）这种新型神经网络算法,快速高效地由训练样本得到遥感图像数据间的回归关系;同时,方法注重图像数据本身的物理含义,以提高热红外图像数据的真实质量为目标,是一种定量化的图像融合方法。经这种方法融合得到的热红外数据也能很好地用于定量遥感的物理模型,为遥感的实际应用提供方便。该方法的有效性通过对ETM+图像进行实验得到了证明,而直接对热红外图像数据和全色图像数据进行回归的融合模式,在实验中则无法得到满意的结果。     

利用热红外多光谱遥感技术提取和识别岩石、矿物信息

利用热红外多光谱遥感技术提取和识别岩石、矿物信息，是近年来遥感地质研究中的热点之一。在介绍岩石、矿物的热红外发射特性的基础上，着重阐述了热红外多光谱遥感技术在提取和识别岩石、矿物信息方面的应用，并对这一研究领域今后的发展方向提出了展望。     

遥感高光谱图像赤潮识别

针对遥感拍摄的高光谱图像,研究自动读取高光谱数据,提取并绘制反射率曲线,生成伪彩色图像,此方法可用于溢油识别,同样也可适用于赤潮的识别.利用VC 读取高光谱图像数值并利用MATLAB绘制反射曲线,利用光谱分析进行高光谱赤潮识别.试验结果表明,该方法可以有效的划分赤潮水体和非赤潮、并可以区分出过渡水体,从而为赤潮预报提供了可能.     

信息融合在遥感图像识别中的应用

利用新发展起来的交叉科学－信息融合理论和方法改善多光谱遥感图象的处理和识别的精度是一个很好的途径。针对遥感识别的要求,提出了数据融合与图象分析结合的处理模式。并着重讨论了扩展统计融合法的理论和方法在遥感图像中目标识别中的应用,实验表明该方法是有效的,获得了较经典方法更好的结果。     

基于脉冲卷积神经网络稀疏表征的高分辨率遥感图像场景分类方法

遥感图像场景分类对土地资源管理具有重要意义,然而高分辨率遥感图像中地物分布复杂,图像中存在着与当前场景无关的冗余信息,会对场景的精确分类造成影响.对此,提出一种基于脉冲卷积神经网络(SCNN)稀疏表征的场景分类方法.从稀疏表征出发,利用脉冲神经元的稀疏脉冲输出特性,设计脉冲卷积神经网络,去除遥感图像中与场景无关的冗余信息,实现对图像的稀疏表征;提出基于脉冲输出交叉熵损失函数的反向传播算法,在该算法的基础上利用梯度下降训练脉冲卷积神经网络,优化网络参数,实现遥感图像场景分类;通过实验验证方法的有效性,将所提出方法应用于Google和UCM两个遥感图像数据集,并与传统的卷积神经网络(CNN)进行对比.实验结果表明,所提出方法可以对遥感图像进行稀疏表征,实现场景分类;相对于卷积神经网络,所提出方法在遥感图像场景分类任务上更具有优势.     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

基于自编码神经网络的航空物探遥感数据分类方法研究

航空物探遥感数据的采集过程中受到电磁波辐射等外界因素的影响,导致航空物探遥感数据分类准确率较低,为此提出基于自编码神经网络的航空物探遥感数据分类方法;根据航空物探对象的基本特征,设置遥感数据的分类标准;通过辐射校正、几何纠正、噪声消除等步骤,完成航空物探遥感数据的预处理;构建自编码神经网络,利用自编码神经网络算法,从光谱、形状、纹理等方面提取遥感数据特征,通过特征匹配确定航空物探遥感数据的所属类型;通过分类性能测试实验得出结论：所提方法的全局遥感数据分类成功率和错误率的平均值分别为99.8%和0.6%,局部遥感数据分类的成功率和错误率的平均值分别为99.8%和0.3%,即所提方法在分类性能方面具有明显优势。     

埃塞俄比亚西部岩浆熔离型铁矿遥感找矿模型

为解决在地质资料匮乏的情况下发挥多源遥感数据优势开展地质找矿研究这一科学问题,以非洲埃塞俄比亚西部研究区为例,选取ASTER及ALOS PALSAR单极化雷达数据为数据源,针对研究区重点类型铁矿--岩浆熔离型铁矿建立了其遥感找矿模型,提取与成矿作用相关的蚀变、构造、岩体信息。研究基于ASTER遥感数据,通过比值、主成分方法进行蚀变信息提取研究,并基于ASTER及ALOS PALSAR单极化雷达融合数据进行控矿构造及赋矿岩体信息提取研究。最终通过综合分析,基于ArcGIS平台圈定了3处遥感找矿靶区。研究结果与1∶25万地球化学数据对比,具有很高一致性,表明遥感找矿模型能够快速、准确地进行找矿靶区预测。     

重复传播网络的改进及其在遥感分类中的应用研究

对重复传播网络在权值初始化、网络学习进行修改,实现在一定警戒条件下竞争层节点的动
态分配,并在遥感分类上进行实验。重复传播网络中学习次数影响了竞争层节点数目和学习精度,
学习精度随学习次数的增加而有限度的增加;警戒参数决定了节点调整的搜索范围,随学习过程进
行,节点搜索范围变小,保证了分类精度和网络的稳定性;两层竞争层结构分类精度要优于单层,其
总精度和Kappa系数分别提高1.1%,0.02。实验结果表明该方法是一可行的遥感分类方法。     

基于TM影像的典型内陆淡水湿地水体提取研究

水是维系湿地生态系统稳定和健康的决定性因子,利用卫星遥感影像快速、准确地提取湿地水体信息已经成为湿地调查、研究与保护的重要手段。鉴于TM遥感影像具有较高的空间分辨率、波谱分辨率、极为丰富的信息量、较高的定位精度和相对较低的价格,其必然成为近一段时期湿地调查、研究与保护的重要数据源之一。研究基于TM遥感影像,运用多种方法针对典型内陆淡水湿地的水体信息进行了提取实验,通过对实验结果的分析得出：在面积的准确性、提取的准确度以及视觉效果3种指标下,光谱分类法较其它方法效果要好,其次为单波段阈值分析法与植被指数法,较差的是多波段谱间关系法与水体指数法;影响提取效果的主要原因是湿地水体提取不够完全,这是由影像的分辨率及湿地特殊的水文条件所造成的,采用像元分解及多源遥感数据融合技术将成为提高水体提取精度的重要手段。     

基于特征整合的卷积神经网络草地分类算法

为提高遥感影像草地分类的精度,分析了卷积神经网络中提取图像特征的特点,提出了一种基于特征整合深度神经网络的遥感影像特征提取算法。首先,将遥感影像数据进行PCA白化处理,降低数据之间的相关性,加快神经网络学习的速率;其次,将从卷积神经网络中提取到的浅层特征和深层特征进行双线性整合,使得整合后的新特征更加完善和优化;最后,对遥感数据进行训练,由于新特征中有效信息的增加,使得特征表达能力得到提高,达到提高草地分类准确率的目的。实验结果表明:该算法能够有效地提高草地分类的准确率,分类精度达到94.65%,相较于卷积神经网络、BP神经网络和基于SVM的分类算法分别提高了4.3%、10.39%和15.33%。     

人工神经网络遥感分类方法研究现状及发展趋势探析

从人工神经网络技术本身出发,概括了其在遥感分类中的研究现状,分析了人工神经网络遥感分类方法与其它分类方法相比具有的优势,介绍了人工神经网络遥感分类的一些主要应用,并进一步对人工神经网络遥感分类方法的发展趋势进行了展望。