基于边缘剔除的陆基高光谱图像噪声评估方法

为了准确地对陆基成像条件下高光谱图像的噪声水平进行评估, 提出了一种基于边缘剔除后残差调整的局部标准差法。首先将获取的高光谱图像分成若干个大小合适的子块, 而后利用Canny边缘检测算子检测出图像的边缘信息, 判断并剔除其中含有边缘的子块, 将剔除边缘子块后的均匀子块采用多元线性回归后求取残差的方法进行噪声估计。结果表明, 对同一幅陆基高光谱图像的不同子区域进行4×4像元与8×8像元分块, 得到的噪声总误差值分别为1.985×103与2.197×103。该噪声估计方法对陆基成像条件下高光谱图像的噪声评估具有较强的鲁棒性, 可为后续陆基高光谱图像处理与应用提供参考。     

基于小波核主成分分析的相关向量机高光谱图像分类

相关向量机(RVM)高光谱图像分类是一种较新的高光谱图像分类方法,然而算法本身存在对于高维大样本数据训练时间过长、分类精度不高的问题。针对这些问题,该文提出一种基于新型核主成分分析的RVM分类方法。该方法首先将核函数引入到主成分分析中,然后应用小波核函数代替传统核函数,利用小波核函数的多分辨率分析特点,进一步提高核主成分分析(KPCA)非线性映射能力,最终将新型核主成分分析算法与相关向量机相结合,对高光谱图像进行分类。仿真实验结果表明,将所提出的方法应用于AVIRIS美国印第安纳州实验田高光谱数据预处理后,类内类间距离比降低20%,方差整体增幅较大,最终将处理后的数据应用于相关向量机的高光谱图像分类中,分类精度提升3%~5%。     

基于图像欧氏距离的高光谱图像流形降维算法

提出两种基于图像欧氏距离的非线性降维方法.该方法利用高光谱图像物理特性, 将图像欧氏距离引入到传统的流形降维算法中.与其它应用于高光谱图像的降维算法相比, 该算法具有诸多优点.图像欧氏距离的引入, 在考虑高光谱图像本身的空间关系的同时, 很好地保持了数据点之间的局部特性, 可以实现有效地去除原始数据集光谱维和空间维的冗余信息.实际高光谱数据的实验结果表明, 该算法应用于高光谱图像分类时, 与其它常见的方法相比具有更高的分类精度.     

基于流形学习的新高光谱图像降维算法

提出了一种新的基于图像块距离的邻域选择方法,并将其应用于流形学习中,得到一类新的高光谱图像非线性降维算法。该类算法利用高光谱图像物理特性,结合图像的光谱信息和空间信息,在最大限度减小图像信息冗余的基础之上,很好地保持了原始数据集的特性。与其它高光谱图像的降维算法相比,改进的流形学习算法不仅考虑到高光谱图像本身的空间关系,而且利用图像块距离更好地保持了数据点之间的局部特性,从而有效地去除原始数据集光谱维和空间维的冗余信息。实际高光谱数据的实验结果表明,所提出的算法在应用于高光谱图像分类时,与其它方法相比具有更高的分类精度。     

基于改进最小噪声分离变换的异常检测算法

为了降低噪声对高光谱异常检测结果的影响以及提高异常检测率,提出了一种基于改进最小噪声分离(MNF)变换的新型高光谱异常检测算法。首先对传统的MNF变换进行改进,采用加权邻域均值法对噪声矩阵进行估计,对邻域内每一个像元给予一个特定的权值,提高背景像元在邻域矩阵中的比例,进而抑制噪声像元的比例,通过差值计算提取噪声信息,然后应用改进的MNF变换对高光谱图像进行降维去噪处理,最后,将获取的低维去噪图像利用异常检测算法进行检测,并用真实的AVIRIS数据进行了测试。结果表明,该算法有更好的降维去噪效果,提高了异常检测率。     

基于独立分量分析和相关向量机的高光谱数据分类

提出一种独立分量分析（ICA）和相关向量机（RVM）相结合的高光谱数据分类方法,首先采用虚拟维数方法对高光谱数据维数进行估计,在此基础上,采用独立分量分析对数据进行降维,然后采用相关向量机对降维后的数据分类。计算机仿真实验结果表明,该方法在获得较高分类精度的同时大大节省了分类时间。     

基于贝叶斯模型和数字图像相关的视觉测量

为了能够快速准确地实现3维测量,提出了一种基于贝叶斯模型和数字图像相关的视觉测量方法。该方法采用数字图像相关法对校正后的图像进行立体匹配,克服了传统立体匹配方法精度不高的问题;采用贝叶斯模型估计图像视差,并将其作为数字图像相关法非线性迭代优化的视差初值,克服粗搜索方法寻找视差初值计算量大、精度低的缺点;基于校正后图像与原图像之间的投影关系,由最小二乘法计算出匹配点的3维坐标。结果表明,基于贝叶斯模型和数字图像相关的视觉测量算法,能够快速准确地实现3维视觉测量。     

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪; 然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度; 最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。     

基于图像欧式距离和拉普拉斯特征映射的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高。针对高光谱图像的非线性结构,提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法。该方法结合高光谱数据的物理特性,将图像欧氏距离引入拉普拉斯特征映射进行非线性降维以更好地去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元。真实高光谱数据实验表明,提出的方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成份分析算法和原始的拉普拉斯特征映射算法。     

基于波段选择估计PSF的高光谱图像运动模糊盲校正方法

结合双三次插值处理和基于方向滤波的图像维去模糊算法,提出了基于波段选择估计图像点扩散函数的高光谱图像盲校正方法,以降低光谱维冗余信息对复原精度的影响.校正实验结果表明,提出的方法能够对不同卫星振动模式引入的运动模糊进行有效校正,能够同时提高高光谱图像空间维质量、减小光谱维失真.     

Application of the stochastic mixing model to hyperspectral resolution enhancement

A maximum a posteriori (MAP) estimation method is described for enhancing the spatial resolution of a hyperspectral image using a higher resolution coincident panchromatic image. The approach makes use of a stochastic mixing model (SMM) of the underlying spectral scene content to develop a cost function that simultaneously optimizes the estimated hyperspectral scene relative to the observed hyperspectral and panchromatic imagery, as well as the local statistics of the spectral mixing model. The incorporation of the stochastic mixing model is found to be the key ingredient for reconstructing subpixel spectral information in that it provides the necessary constraints that lead to a well-conditioned linear system of equations for the high-resolution hyperspectral image estimate. Here, the mathematical formulation of the proposed MAP method is described. Also, enhancement results using various hyperspectral image datasets are provided. In general, it is found that the MAP/SMM method is able to reconstruct subpixel information in several principal components of the high-resolution hyperspectral image estimate, while the enhancement for conventional methods, like those based on least squares estimation, is limited primarily to the first principal component (i.e., the intensity component).     

基于低秩张量分析的高光谱图像降维与分类

提出一种用于高光谱图像降维和分类的分块低秩张量分析方法。该算法以提高分类精度为目标,对图像张量分块进行降维和分类。将高光谱图像分成若干子张量,不仅保存了高光谱图像的三维数据结构,利用了空间与光谱维度的关联性,还充分挖掘了图像局部的空间相关性。与现有的张量分析法相比,这种分块处理方法克服了图像的整体空间相关性较弱以及子空间维度的设定对降维效果的负面影响。只要子空间维度小于子张量维度,所提议的分块算法就能取得较好的降维效果,其分类精度远远高于不分块的算法,从而无需借助原本就不可靠的子空间维度估计法。仿真和真实数据的实验结果表明,所提议分块低秩张量分析算法明显地表现出较好的降维效果,具有较高的分类精度。     

基于光谱空间信息的高光谱遥感图像混合噪声评估

综合利用高光谱图像的光谱信息和空间信息,提出了一种新的混合噪声评估方法.首先通过滤波算法进行图像中均匀图像块的自动选取;然后利用多元线性回归模型,将均匀图像块内像素点的信号值和噪声值进行分离,并实现了图像中加性、乘性噪声的粗评估;最后根据噪声模型构建似然函数,利用最大似然估计法求解噪声模型参数.通过仿真图像和真实高光谱图像进行实验,验证了该方法的准确性和鲁棒性.     

Comparative study of semi-implicit schemes for nonlinear diffusion in hyperspectral imagery.

Nonlinear diffusion has been successfully employed over the past two decades to enhance images by reducing undesirable intensity variability within the objects in the image, while enhancing the contrast of the boundaries (edges) in scalar and, more recently, in vector-valued images, such as color, multispectral, and hyperspectral imagery. In this paper, we show that nonlinear diffusion can improve the classification accuracy of hyperspectral imagery by reducing the spatial and spectral variability of the image, while preserving the boundaries of the objects. We also show that semi-implicit schemes can speedup significantly the evolution of the nonlinear diffusion equation with respect to traditional explicit schemes.     

CFFT最优信噪比的星载高光谱影像噪声抑制方法

高光谱遥感影像独特的"图谱"特征为定量遥感等遥感监测提供了重要的技术支撑,但由于大气、地形材料等因素影响和限制,易受到各种噪声污染。基于光谱学领域的光谱统处理理论,结合信息时域分析领域的快速傅里叶变换,实现频域内噪声与光谱有效信息的分离,同时在最优信噪比约束条件下选择最优滤波阈值,设计噪声滤波器,实现了卫星高光谱遥感影像的噪声滤除。以中国北京城区和中国新疆谢米斯台上戈壁区的两景Hyperion高光谱遥感影像为例,进行了该滤波算法的定性和定量评价。结果表明:文中提出的高光谱遥感影像噪声滤波算法,有效地滤除了高光谱影像数据光谱维高斯白噪声和空间维的条带噪声、波段差噪声,提高了影像的清晰度,影像的信噪比提高5 dB以上,为后续定量分析等遥感监测研究提供了较高质量的数据保障。     

健康管理对老年冠心病危险因素治疗及控制率影响

捷联惯导系统(SINS)静基座初始对准中,过高的陀螺噪声不但导致系统状态方程非线性,也会使对失准角的估计不能收敛到真值.因此,提出了一种磁强计辅助对准方法,对系统观测方程的分析证明了该方法不仅可提高滤波精度,同时还可对磁场强度和磁倾角进行估计.非线性滤波采用平方根无迹卡尔曼滤波(SRUKF),SRUKF与无迹卡尔曼滤波(UKF)滤波精度相当,优于扩展卡尔曼滤波(EKF).相比UKF,SRUKF具有更高的计算效率和稳定性.仿真结果表明,该算法在陀螺噪声较高的情况下仍能满足SINS初始对准要求.     

基于等距映射和空间信息的光谱解混算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合。传统的光谱解混算法是以线性光谱混合模型为基础,因此解混精度不高。本文在光谱非线性混合模型的基础上,提出一种将等距映射与空间信息结合的非线性光谱解混算法。该算法通过等距映射算法将原始高光谱数据非线性降维到低维空间,并结合空间信息实现端元提取。得到的端元采用全约束的最小二乘法计算相应丰度。真实高光谱遥感数据实验结果表明,采用该算法得到的结果优于N-FINDR算法和基于测地线距离的最大单形体体积(GSVM)算法。