高光谱遥感分类方法研究

高光谱遥感是近二十年发展起来的遥感前沿技术。本文探讨了高光谱遥感分类方法，比较分析各种方法与传统方法的优缺点。     

高光谱遥感技术的铅污染监测应用研究

从高光谱技术的发展及其在植被遥感领域的应用出发，探讨了植被高光谱特征研究及其常用分析方法，对在营养胁迫情况下植物的叶绿素等变化对高光谱遥感响应的特征进行分析；归纳了获得优势应用的植被指数和导数光谱，植被光谱信息提取方法；总结了土壤遭受重金属铅污染及其对植物的影响的机理；针对遭受污染胁迫的植物的地面高光谱特征提出了利用地面高光谱遥感技术作为土壤及植物重金属污染的遥感监测手段；在探讨其应用现状的同时展望了高光谱遥感数据支撑与校验的应用前景。     

遥感影像数据挖掘研究进展

遥感影像数据挖掘是一个有着广阔应用前景的研究领域。由于遥感影像数据库的海量特征，遥感影像数据挖掘已成为空间数据挖掘的主流。依据遥感影像数据挖掘的方法和目的，从图像索引和检索、图像分类、图像聚类、空间关联规则挖掘、影像变化检测以及高光谱数据挖掘六个方面对遥感影像数据挖掘的国内外研究现状进行了综述。并指出了遥感影像数据挖掘和知识发现中应该着力解决和注意的几个问题。     

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。     

利用深度特征融合进行高光谱遥感影像分类

针对卷积神经网络(convolution neural network,CNN)未能充分挖掘和利用遥感影像不同层次空-谱特征信息的问题,提出了一种多输入中高层特征信息融合方法对高光谱遥感影像进行分类。文章利用三维卷积神经网络(three dimensional convolution neural network,3D-CNN)的"立体"感受野,深入挖掘高光谱影像的空-谱联合特征信息,分析深度网络各层特征信息对图像分类的影响,提出优化的特征融合策略,并利用"珠海一号"卫星拍摄的高光谱影像对3个地区进行地物分类实验。实验结果表明,由于充分利用了高光谱影像的空-谱联合特征,通过特征融合集成了不同网络层的特征优势,相对于其他高光谱分类方法,该方法具有更好的分类效果。     

以地物识别和分类为目标的高光谱数据挖掘

高光谱信息挖掘技术是高光谱数据应用延拓与深入的重要环节,其核心在于光谱信息的挖掘,基于高光谱遥感信息的特点,探讨分析以地物识别与分类目标的高光谱数据挖掘技术,包括基于模式识别的高光说诺于光谱波形特征的挖掘技术,以及亚象元光谱挖掘。     

面向对象的高光谱遥感影像分类方法研究

在基于像素的高光谱影像分类方法的基础上,结合面向对象图像分析理论与方法,提出面向对象的高光谱遥感影像分类方法,并具体分析探讨了面向对象高光谱遥感影像分类的关键技术,包括多尺度分割、最优波段选择、人机交互和知识库的建立等。试验表明,面向对象的分类方法应用于高光谱影像较传统分类方法有较高的精度,有很大的应用潜力。     

地面、图像光谱数据的预处理

在高光谱遥感研究中，需要地面光谱和图像光谱的结合分析处理。地面光谱的正确采集，两种光谱数据的预处理，由于与分析过程的直接联系不大，往往被忽视。其实地面和遥感所采集的原始数据并不能直接用于分析，对其的预处理涉及到格式转换、数据消噪等问题，这些都是高光谱科学分析研究的前提，关系到结果的正确性。虽然目前介绍光谱分析研究的文章和书籍很多，但是完整介绍光谱采集和预处理，并可用于实践的甚少。对于刚刚涉入高光谱领域的同学和老师，对此类问题经常感到迷茫。作者在近些年内参加了多次地面光谱采集和遥感飞行试验，对大量的地面光谱和图像光谱进行预处理。主要讲述作者通过实践过程中摸索比较，总结出的简单易行、能获得较好效果的光谱预处理方法 ,同时介绍光谱采集的正确方法。地面光谱数据为ASD-FR2500采集数据(该种野外光谱仪在国内外比较普遍)，图像数据为OMIS图像。其它光谱仪或者遥感成像仪器的数据可以类似处理。     

高光谱遥感在植被监测中的研究综述

高光谱遥感数据已成为地表植被地学过程中对地观测的强有力的工具。综述了利用高光谱遥感数据进行植被监测的研究进展,主要包括以下三个部分:(1)高光谱遥感信息的处理方法;(2)高光谱遥感数据用于植被参数估算与分析;(3)高光谱遥感数据在植被生长监测中的作用。     

基于改进萤火虫算法的高光谱遥感多特征优化方法

目前,高光谱遥感影像分类时光谱信息使用较多,难以充分挖掘空间信息。针对该问题,提出一种基于改进萤火虫算法(Firefly Algorithm,FA)的高光谱遥感多特征优化方法。首先提取高光谱遥感影像的4种空间特征:局部统计特征、灰度共生矩阵特征、Gabor特征和形态学特征,并与波段选择的部分光谱波段组合,构建多特征集合;然后利用萤火虫算法对提取的多特征集合进行优化和特征选择,针对萤火虫算法收敛速度较慢问题,借鉴粒子群优化算法,引入随机惯性权重改进了萤火虫算法的位置更新公式;目标函数采用JM距离(Jeffreys-Matusita Distance)和Fisher Ratio。利用两组城市高光谱遥感数据进行了土地覆被分类研究,并将仅利用原始光谱信息进行波段选择的分类结果与利用多特征信息的分类结果进行了对比分析。实验表明:随机惯性权重可以提高FA特征选择的速度,且优化后的光谱与空间信息特征有助于提高城市土地覆被分类的精度,两组实验数据的特征优选结果统计均表明空间特征中的形态学特征被选择次数最多,局部统计特征和形态学特征相对于GLCM特征和Gabor特征更有助于高光谱遥感图像的分类。     

GIS支持下遥感图象中采矿塌陷地提取方法研究

采矿塌陷地动态监测是工矿区资源管理与环境保护的重要方面 ,遥感技术可在其中发挥重要作用 ,从遥感图象中提取采矿塌陷地是遥感应用于矿山资源环境监测的重要研究课题 .传统的提取方法主要基于光谱特征 ,精度与效率都难以满足应用要求 ,为了以较高的精度 ,从遥感图象中提取塌陷地 ,必须建立新的方法与模型 .将遥感技术与 GIS相结合进行专题信息提取是有效的途径之一 .本文根据研究区的特点 ,以具体应用为指导 ,遥感技术与 GIS相结合 ,提出了 GIS支持下的分层分类、基于 GIS变化区域识别的分类、基于 GIS和领域知识对遥感分类图象进行后处理、GIS支持下采矿塌陷地的直接提取等方法与模型 ,充分应用光谱特征、地学特征与信息、领域和专家知识及其他统计数据辅助进行遥感图象处理与专题信息提取 .这些方法在精度、效率等方面均较传统方法有较大提高 ,最大提取精度可达到 89% ,能够有效地对工矿区土地塌陷态势进行动态监测     

Feature extraction method based on spectral dimensional edge preservation filtering for hyperspectral image classification

ABSTRACT

A large amount of spectral and spatial information contained in hyperspectral imagery has provided a great opportunity to effectively characterize and identify the surface materials of interest. Feature extraction plays a very important role for hyperspectral data classification, which can reduce noise from the original data and improve the separability of land classes. A novel feature extraction technique based on spectral dimensional edge preserving filter is proposed in this paper. A series of Gaussian filters are applied in the spatial domain of the hyperspectral image to produce the guidance image, then, the edge preserving filter which is guided by the guidance image is adopted and applied in the spectral domain of the hyperspectral data to get the feature. For the feature is produced by filtering in the spectral domain, the spectral curves of the feature are more continues, which avoids the spectral discontinuity problems result from the traditional two-dimensional spatial filter. The guidance image is obtained by filtering the original image in the spatial domain, so, the spatial and the spectral information are integrated together in the following spectral edge preserving filtering process. We carefully adjusted the parameters of the filter and applied it to different real hyperspectral remote sensing images, with the support vector machine, multinomial logistic regression, and random forest serving as the classifier, by comparing with other feature extraction methods presented in recent literature, the results indicate that the proposed methodology always has a great performance in different kinds of cases.     

双卷积池化结构的3D-CNN高光谱遥感影像分类方法

目的 高光谱遥感影像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的同物异谱及同谱异物现象,导致高光谱数据结构呈高度非线性。3D-CNN（3D convolutional neural network）能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征。为此,提出了基于双卷积池化结构的3D-CNN高光谱遥感影像分类方法。方法 双卷积池化结构包括两个卷积层、两个BN（batch normalization）层和一个池化层,既考虑到高光谱遥感影像标签数据缺乏的问题,也考虑到高光谱影像高维特性和模型深度之间的平衡问题,模型充分利用空谱联合提供的语义信息,有利于提取小样本和高维特性的高光谱影像特征。基于双卷积池化结构的3D-CNN网络将没有经过特征处理的3D遥感影像作为输入数据,产生的深度学习分类器模型以端到端的方式训练,不需要做复杂的预处理,此外模型使用了BN和Dropout等正则化策略以避免过拟合现象。结果 实验对比了SVM（support vector machine）、SAE（stack autoencoder）以及目前主流的CNN方法,该模型在Indian Pines和Pavia University数据集上最高分别取得了99.65%和99.82%的总体分类精度,有效提高了高光谱遥感影像地物分类精度。结论 讨论了双卷积池化结构的数目、正则化策略、高光谱首层卷积的光谱采样步长、卷积核大小、相邻像素块大小和学习率等6个因素对实验结果的影响,本文提出的双卷积池化结构可以根据数据集特点进行组合复用,与其他深度学习模型相比,需要更少的参数,计算效率更高。     

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。     

高光谱激光雷达谱位合一的角度效应分析

高光谱激光雷达以其谱位合一的技术优势为实现超三维精准遥感观测提供了可行途径,因此成为当前激光雷达与高光谱遥感领域共同大力推进的前沿发展方向。目前已有多型原型系统研发出来并得到了原理性验证,然而针对其数据处理核心环节问题的基础技术仍较为欠缺。典型问题之一是不同波段回波信号受激光入射角度的影响,该角度效应限制了高光谱激光雷达实现高性能遥感。以芬兰空间信息研究所高光谱激光雷达原型系统扫描桦树树干为例探讨了该角度效应,发现了不同激光波段对不同入射角度的回波强度响应模式,推导出了角度效应的基本规律及其精细尺度的统计规律,为后续该方向的系统研发、数据处理及信息提取等提供了可借鉴的底层机理与技术基础。     

基于EXCEL的高光谱影像光谱响应分析

高光谱遥感侧重于从光谱维角度对影像信息进行分析与处理。由于目前高光谱数据的处理技术跟不上数据获取技术,而已有的成熟的多光谱影像处理技术并不适合于处理高光谱数据,因此利用EXCEL软件展开了高光谱影像的地物光谱重建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量和信息提取等研究,并基于PHI（Pushbroom Hyperspectral Imager）航空高光谱影像像元光谱维矢量进行了光谱响应分析,实现信息监测和识别。     

Spatial–spectral preprocessing for spectral unmixing

Most techniques available in the endmember extraction rely on exploiting the spectral information of the data alone. In this paper, we improve the utilization of data information by dividing a pixel into four subpixels which are redefined by the scalar factor related to the spatial–spectral similarity. The spatial information is integrated into the spectral information in a certain spatial neighbourhood domain, which can make extracted endmembers more precisely, because the effect of noise and outliers can be suppressed with preprocessing (PP). Meanwhile, the accuracy of spectral unmixing will be improved without modification to the conventional methods applied to spectral-based endmember extraction. Experimental results with both synthetic and real hyperspectral images demonstrate the unmixing accuracy is better than that without PP.     

A maximum noise fraction transform with improved noise estimation for hyperspectral images

Feature extraction is often performed to reduce spectral dimension of hyperspectral images before image classification. The maximum noise fraction(MNF) transform is one of the most commonly used spectral feature extraction methods. The spectral features in several bands of hyperspectral images are submerged by the noise. The MNF transform is advantageous over the principle component(PC) transform because it takes the noise information in the spatial domain into consideration. However,the experiments describ...     

高光谱图像空谱特征提取综述

由于高光谱图像包含了丰富的光谱、空间和辐射信息，且具有光谱接近连续、图谱合一的特性，可用于地质勘探、精细农业、生态环境、城市遥感以及军事目标检测等领域的目标精准分类与识别。对高光谱图像进行空谱特征提取是遥感领域的研究热点和前沿课题之一。传统空谱特征提取方法对高光谱图像分类的计算量和样本需求小、理论可解释性好、抗噪声能力强，但应用于分类的精度受限于特征来源；基于深度学习的高光谱图像空谱特征提取方法虽然计算量和样本需求大，但是由于深层空谱特征的表达能力更好，可以大幅度提高分类器的性能。为了便于对高光谱图像空谱特征提取领域进行更深入有效的探索，本文系统综述了相关研究进展。首先，概述了空间纹理与形态学特征提取、空间邻域信息获取及空间信息后处理等传统高光谱空谱特征提取方法的原理，对大量的已有工作进行了梳理、分析与总结。然后，从深度空谱特征提取角度出发，介绍了当前流行的卷积神经网络、图卷积神经网络及跨场景多源数据模型的结构特点及研究进展，分析、评价了基于深度学习的网络模型对高光谱图像空谱特征提取的优势及问题所在。最后，对该研究领域的未来相关发展提出建议并进行了展望。