基于小波变换的多波段遥感图像条带噪声的去除

介绍了几种在TM，MSS，SPOT等多传感器遥感图像中条带噪声去除方法的特点，提出了一种基于小波变换的条带噪声去除方法，并以几何纠正前的非均匀地物分布的CMODIS图像为实验数据，对这些方法的去条带噪声效果作了比较。结果表明，本提出的方法要优于以前的几种常用方法，具有很好的去条带效果，同时较好地保持了原图像的特征。这种方法在其它多传感器遥感图像的条带噪声去除中也有很强的适用性。     

一种改进的矩匹配方法在CMODIS数据条带去除中的应用

由于传感器之间对接受的地物辐射信号的响应特性不同,导致CMODIS数据中的许多波段含有大量的条带。这些噪声严重影响了CMODIS数据的解译和信息提取。介绍了几种常用在TM、MSS、SPOT等多传感器光谱仪中条带去除方法,提出了一种改进矩匹配方法用于CMODIS数据中的条带去除,并比较了这种方法和其它几种常用方法对几何纠正前非均匀地物分布的CMODIS数据的去条带噪声结果。结果表明这种新方法要优于以上提到的几种常用方法,具有很好的去条带噪声效果,同时保持图像原有的的信息。这种方法在其它多传感器遥感图像的条带噪声去除中也有很强的适用性。     

一种高光谱图像条带噪声去除改进算法

传统的矩匹配方法改变了图像在成像行或列方向的均值分布,使原始图像信息发生了较大改变。在分析HJ-1-A星超光谱图像条带噪声的基础上,提出了一种改进的矩匹配方法,将传统矩匹配算法中参考图像的平均值和标准差分别用平滑滤波处理后的列均值和方差来代替。实验结果表明,与传统矩匹配方法相比,该方法能减少图像信息的丢失,并能在保持原始图像特征的前提下有效地去除条带噪声。这种方法在其它多传感器遥感图像的条带噪声去除中也有很强的适用性。     

GA-BP网络在去除MODIS遥感影像条带噪声中的应用

由于卫星传感器光、电器件在反复扫描地物的成像过程中受扫描探测单元正反扫描响应差异、传感器机械运动和温度变化等因素的影响,使MODIS(moderate-resolution imaging spectroradiometer)遥感影像产生一定的条带噪声。影像条带噪声的去除在改善MODIS数据的质量和提高其利用率上具有重要的意义。在BP神经网络去除MODIS遥感影像条带噪声方法的基础上,运用遗传算法GA优化BP神经网络,有效地提高了神经网络的学习、训练速度和精准度,去除了影像的条带噪声,取得良好的实验结果。     

基于小波变换的图像条带噪声去除方法

条带噪声的存在不但妨碍高光谱图像的目视判读,而且制约高光谱遥感的定量应用。针对小波变换法条带噪声去除过程中遇到的条带噪声和图像有用信息难以有效分离的问题,根据小波变换的方向性和数学显微镜特性,提出了一种新的基于小波变换的条带噪声去除方法。这种方法首先对含有条带噪声的图像进行一定层数的小波分解;然后对每一层分解得到的与条带噪声分布方向相同的子图像再进行一定层数的小波分解,从而实现条带噪声和图像有用信息的有效分离,将含有条带噪声的子图像置零;最后利用小波反变换得到去除条带噪声的图像。以欧洲空间局PROBA卫星上搭载的CHRIS高光谱数据为例,采用相关系数(R)、结构相似度(SSIM)和峰值信噪比(PSNR)3个定量指标,对比分析了新方法与矩匹配法、傅立叶滤波法和小波阈值法的条带噪声去除效果。结果表明新方法去噪后的图像具有最高的R、SSIM和PSNR,新方法能够有效地去除高光谱图像中的条带噪声,同时较好地保留了原始图像的有用信息。
     

基于灰度与纹理信息融合的影像分割方法

文章提出了一种融合遥感影像像元各波段灰度信息与影像纹理信息的图像分割方法, 设计并实现了一种基于四分树的区域分开-合并算法。该方法有效地利用了遥感影像像元各波段灰度信息以及影像纹理信息, 用SPOT 5 卫星数据的实验结果表明, 该方法对影像分类以及制图工作有一定的促进作用。     

MODIS影像条带噪声行的判断及去除研究

为了提高MODIS_L1B含有条带噪声的波段5和波段27的影像质量,基于MODIS的扫描特性提出了一种通过扫描带行均最大值判断条带噪声行的方法。去除影像的噪声行时,在波段5的单行邻域插值法基础上,针对波段27提出了一种相邻多行插值方法。最后,通过对比原始数据和去条带噪声后数据的差值图、行均值图和数值分析来证实条带噪声处理效果。结果表明:该方法可以精确判断这两个波段影像的所有条带噪声行,且对条带噪声去除效果较好,去除条带过程简单且适用于复杂场景的光谱图像。     

基于噪声检测的遥感图像模糊滤波

提出了一种基于噪声检测的遥感图像模糊滤波方法。该方法首先用一个噪声检测标准将输入图像的像元分为为噪声像元和信号像元,然后,利用模糊数学的相关理论对噪声像元进行处理,并把处理结果赋给输出图像的对应像元;而对于信号像元,则不进行处理,直接把它的值赋给输出图像的对立像元。另外,在图像处理过程中,把输入图像的噪声像元用其处理结果代替,以更好地改善图像滤波处理结果。实验结果表明本文的方法能有效地去除图像中的椒盐噪声。     

光谱与形状特征相结合的道路提取方法研究

针对从遥感影像上提取道路,目前已经有很多研究,但尚有许多问题有待解决。如果仅从光谱特征分类入手提取道路,会存在“异物同谱”问题。为解决这个问题,提出了用光谱特征与形状特征相结合的方法提取道路。提出了3个形状指数描述道路的形状特征。以SPOT卫星影像为例,将高空间分辨率的全色图像与多光谱图像融合,首先基于道路光谱特征进行图像分类,然后再应用道路的形状特征去除分类图像中的“异物”目标。研究结果表明该方法能有效地从遥感影像中提取主干道路。     

一种改进的CHRIS/PROBA垂直条带去除方法

多角度高光谱高空间分辨率的CHRIS数据是新一代小卫星PROBA平台上的CHRIS传感器获取的又一卓越的遥感数据源,虽然其数据有诸多优势,但也有一个缺陷:在图像上垂直条带噪声污染严重。本文在San-dra Mannheim提出的去除此类噪声的方法基础上,对该方法进行了另一种途径的探索,基于图像分割的原理,将图像分成灰度相近的几个片段,逐片断应用最小二乘法的多项式拟合,然后将去过条带的片段整合成一幅完整的图像。通过试验证明,用该途径实现的这种方法在地物复杂图像灰度变化剧烈的影像上取得了优越于其他方法的效果,并且证实,对于具有同类条带噪声的OMIS(Airborne Operational Modular Imaging Spectrometer),该方法也取得了比较好的效果,因而值得推广。     

基于对象的QuickBird遥感图像多层次森林分类

随着高空间分辨率、相对低光谱分辨率的新型遥感图像的出现和普及,基于像元、依赖于光谱信息特征的传统遥感分类方法已不能很好地适应新型数据的分类工作。通过应用面向对象的多层次分割分类方法对广东省黑石顶自然保护区的QuickBird遥感图像进行了分类尝试。分类结果显示相对于传统的基于像元的分类方法,基于对象的多层次方法具有更准确的分类结果、更明确的分类边界和更均一的内部同质性。     

MESMA与面向对象组合的土地利用分类方法

混合像元是制约传统组合分类方法精度提高的主要因素之一.为此,文章提出一种基于多端元混合像元分解(multiple endmember spectral mixture analysis,MESMA)与面向对象分类组合的分类方法,利用混合像元分解提高分类精度,借助组合方法降低"椒盐"现象影响.首先,使用M ESM A技术...     

基于高分辨率遥感影像的土地利用变化监测

利用遥感影像进行土地利用变化监测,在国内已经有众多相关应用的尝试。但是受到遥感影像分辨率的影响,能满足1∶1万土地利用变化的应用还较少。以浙江省湖州市东林镇域内一块试验区为例,阐述了利用SPOT5高分辨率遥感影像进行1∶1万土地利用变化的方法、过程,同时给出了实验结果,进行了该应用的可行性讨论。     

多光谱遥感图像去云方法

云覆盖是遥感图像解译过程中常遇到的问题。本文在介绍了几种常用于多传感器遥感图像去云方法的基础上,探讨了基于精度融合的频率域高通滤波去云方法,并对ETM图像进行去云处理,结果表明这种方法具有很好的去云效果,同时计算简便,此外这种方法还具有很强的普适性。     

独龙江流域TM图像的分区分类方法探讨

高山峡谷地区山高坡陡、地形破碎,大量的阴影及混合像元的存在,给遥感分类带来了困难。为了减少和消除这些因素的影响,采用分区分类方法,从NDVI中选择恰当的阈值,利用该值从原始图像上划分出植被区和非植被区并分别进行分类,试验结果表明,其分类精度(74.63%)较传统的直接分类精度(61.59%)有较大提高,是山区遥感图像分类行之有效的方法之一。     

利用面向对象的分类方法提取水稻种植面积

结合广西水稻面积的遥感解译工作,应用SPOT4遥感数据和遥感处理软件ENVI,利用面向对象的遥感分类的方法提取早稻种植面积。分类结果表明,利用面向对象的分类方法有效解决逐像素分类结果的"椒盐"效应,获得比传统的像素级分类方法更高的分类精度,为广西水稻种植面积的自动提取提供了广阔的前景。     

遥感影像的分类自校正方法研究

遥感图像分类是遥感图像研究的主要内容之一,分类精度高低直接关系到遥感数据的可靠性和实用性。多分类器系统可以提高单分类器分类的精度,但往往要求组成的子分类器分类误差相互独立,子分类器选择困难。支持向量机是新发展起来的一种非参数分类器,其分类原理和传统的基于统计的分类方法不同,表现出一定的独立性。为此本文尝试基于支持向量机和目前使用最广泛的最大似然法,构建一个性能高效且组合方式简单的复合分类器(称为遥感影像分类自校正方法)。同时,为了验证该分类器的性能,在北京市2006年4月27日的SPOT2图像上选择了一个研究区,分别利用最大似然法、支持向量机法和分类自校正方法进行分类对比试验。结果显示分类自校正方法的总体分类精度最高,比最大似然法和支持向量机法分别提高了4.35%和6.6%,而且各种地物类型的分类精度相对最大似然和支持向量机法都有提高。本文提出的分类自校正方法是一种性能高效且操作简单的分类方法。     

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。