EO-1 Hyperion数据的预处理、特征提取和岩性填图研究

EO-1 Hyperion传感器是第一个可以获取可见光与近红外以及短波红外波长范围光谱信息的星载高光谱传感器。本文以美国最早的金矿采矿区之一,加利福尼亚州东南巧克力山的Rainbow金矿区作为研究案例,探讨了Hyperion数据的预处理方法,专题信息提取与填图,评估了Hyperion高光谱数据在识别与金矿有关的岩性类型的应用价值。结果表明,本文所提出的Hyperion数据预处理方法是有效的,MNF方法能有效用于Hyperion数据维数的降低和数据冗余的去除以及分类特征的提取。最大似然分类器能够有效地从Hyperion高光谱数据中提取与金矿相关的重要岩体信息,所得到的岩性单元与地质图上对应的岩性分布具有很好的一致性。岩体分类的总精度为86%。该研究表明,Hyperion高光谱数据能够很好识别有细微光谱差别的岩性,因而在地质学研究与找矿领域有着良好的应用前景。     

谐波分析光谱角制图高光谱影像分类

目的 针对光谱角制图(SAM)分类算法对高光谱像元光谱曲线的局部特征和其辐射强度不敏感,而且易受噪声和维数灾难影响,致使分类效率低和精度较差等缺陷,将谐波分析(HA)技术引入到SAM高光谱影像分类中,提出一种基于谐波分析的光谱角制图(HA-SAM)高光谱影像分类算法.方法 利用HA技术将高光谱影像从光谱维变换到能量谱特征维空间,并提取低次谐波分量及特征系数(谐波余项、相位和振幅),用特征系数组成的向量代替光谱向量,对高光谱影像进行SAM分类.结果 将SAM和HA-SAM同时应用于EO-1卫星的Hyperion高光谱影像分类,通过对比和分析,验证了HA-SAM的优越性,再选择AVIRIS(airborne visible infrared imaging spectrometer)高光谱影像对HA-SAM进行验证,结果表明该算法具有较强的普适性.结论 HA-SAM提高了传统SAM高光谱影像分类的效率和精度,而且适用性较强具有良好的应用前景.     

基于高光谱影像的三江源区不同退化程度高寒草甸分类研究

三江源地区是我国最重要的生态功能区之一。近年来,受全球气候变暖及日趋频繁的人类活动的影响,三江源地区高寒草甸生态系统退化现象明显。以三江源称多县清水河镇东北部地区为实验区,基于环境小卫星HJ\|1A HSI高光谱数据,结合不同退化程度高寒草甸地面光谱采集和样方调查,采用MLC和SAM方法对不同退化程度的高寒草甸开展了分类研究。结果表明:基于高光谱数据的不同退化程度高寒草甸采用SAM方法分类总体精度达到75%以上,证实了分类方法的可行性,基于高光谱数据分类能有效区分盖度相近、退化程度不同的草地类型,其中SAM分类结果更加精细准确,优于MLC方法,SAM方法对中度退化草甸区分能力最高,对其他退化程度草甸区分能力稍弱。     

基于光谱信息散度与光谱角匹配的高光谱解混算法

针对采用线性逆卷积(LD)算法进行端元初选过程中,端元子集中存在相似端元光谱,影响解混精度的问题,提出了一种基于光谱信息散度(SID)与光谱角匹配(SAM)算法的端元子集优选光谱解混算法。通过在端元进行二次选择时,采用以光谱信息散度和光谱角(SID-SA)混合法准则作为最相似端元选择的判据,去除相似端元,降低相似端元对解混精度的影响。实验结果表明,基于SID与SAM的高光谱解混算法将重构影像的均方根误差(RMSE)降低到0.0104,该方法比传统方法提高了端元的选择精度,减少了丰度估计误差,误差分布更加均匀。     

基于HJ-1A高光谱数据的藏北高原草地分类方法对比

环境减灾星星座A星（HJ 1A）携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少。本文基于HJ 1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA MLC和HSI SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ 1A高光谱数据的藏北高原草地分类方法中SPCA MLC法优于HSI SAM法。2种方法的分类精度皆大于80%,证明了HJ 1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力。     

基于HJ-1A高光谱数据的藏北高原草地分类方法对比

环境减灾星星座A星(HJ-1A)携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少.本文基于HJ-1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA-MLC和HSI-SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ-1A高光谱数据的藏北高原草地分类方法中SPCA-MLC法优于HSI-SAM法.2种方法的分类精度皆大于80％,证明了HJ-1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力.     

CHRIS 高光谱图像森林类型分类方法比较研究

以长白山为试验区,选择CHRIS/PROBA高光谱零度角遥感数据,在对其进行预处理的基础上,通过应用最大似然法(MLC)、最小距离法、支持向量机法(SVM)和光谱角填图法(SAM)等几种常用的高光谱遥感分类方法对影像进行森林类型分类。利用混淆矩阵对分类结果进行验证,结果显示:在高光谱遥感森林类型分类中,SVM总体分类精度最高,为84.60％;其次是MLC,为 83.53％,最小距离法73.81％,SAM 56.49％。Kappa系数从高到底为:SVM 0.78,MLC 0.77,最小距离法0.68,SAM 0.52。经过比较分析,得出SVM分类方法精度最高,这表明该方法用于高光谱遥感森林分类中的实用性和优越性。     

小波包信息熵特征矢量光谱角高光谱影像分类

目的 针对高光谱数据波段多、数据存在冗余的特点,将小波包信息熵特征引入到高光谱遥感分类中。方法 通过对光谱曲线进行小波包分解变换,定义了小波包信息熵特征矢量光谱角分类方法(WPE-SAM),基于USGS光谱库中4种矿物光谱数据的分析表明,WPE-SAM可增大类间地物的可区分性。在特征矢量空间对Salina高光谱影像进行分类计算,并讨论了小波包最佳分解层的确定,分析了WPE-SAM与光谱角制图(SAM)方法的分类精度。结果 Salina数据实例计算表明：小波包信息熵矢量能较好地描述原始光谱特征,WPE-SAM分类方法可行,总体分类精度(OA)由SAM的78.62%提高到WPE-SAM的78.66%,Kappa系数由0.769 0增加到0.769 5,平均分类精度(AA)由83.14%提高到84.18%。此外,通过Pavia数据验证了WPE-SAM分类方法具有较强的普适性。结论 小波包信息熵特征可较好地表示原始光谱波峰、波谷等特征信息,定义的小波包信息熵特征矢量光谱角分类方法(WPE-SAM)可增大类间地物可区分性,有利于分类。实验结果表明,WPE-SAM分类方法技术可行,总体精度及Kappa系数较SAM有一定的提高,且有较强的普适性。但WPE-SAM方法精度与效率有待进一步提高。     

基于分形信号的高光谱影像增强方法

目前常用的高光谱影像增强方法大多继承了多光谱影像的增强处理方法,这类方法没有充分利用光谱信息,而基于混合像元分解的图像增强方法存在端元的选取问题。基于影像的自相似特征,探索运用分形信号进行遥感影像增强的可能性。以3景Hyperion高光谱影像数据为基础,把基于地毯的方法进行修正后用于计算高光谱影像中每一像元的分形信号。结果表明,与原始高光谱影像相比,分形信号影像可以更好地突出地物特征,从而达到影像增强的目的,原始曲线形态特征、初始尺度的选择以及采样点数目对分形信号和分形特征尺度均有影响。     

基于分块 PCA 与端元提取的壁画线条增强研究

线状特征是壁画中的重要元素。然而受到自然及人为因素的影响,壁画的部分线条常常变得模糊,人眼难以辨别。因此,提出一种利用高光谱影像分块主成分分析(PCA)与端元提取相结合的线状特征增强方法。首先,利用支持向量机(SVM)对壁画的合成真彩色影像进行分类,根据分类结果得到壁画标签数据,实现高光谱影像同质区域的分块数据。其次,对各分块影像进行顶点成分分析(VCA)得到候选端元集,通过构造投影矩阵合并相似端元确定最终端元集。然后,利用非负最小二乘算法解混得到线条丰度图。最后,将分块 PCA 的第一主成分影像归一化后与线条丰度图进行波段加权平均获取线状特征增强影像,将其与合成真彩色影像进行 HSV 图像融合得到线状特征融合影像。以瞿昙寺壁画局部高光谱影像为例进行了验证,结果表明,该算法能增强壁画中的线状特征,且较 PCA 增强法效果更好。