基于混合像元分解的喀斯特石漠化地物丰度估测

我国西南喀斯特地区长期存在以石漠化为特征的土地退化问题,是我国三大生态问题之一。喀斯特地区地表复杂度高,具有高度时空异质性,像元混合现象严重,植被、裸岩和裸土为喀斯特地区典型地物,使得评价喀斯特石漠化的关键指标(如裸岩率、植被覆盖度)获取比较困难,高光谱遥感在混合像元分解方面有独特优势,可以获取地物端元的丰度。通过地面试验表明光谱指数能够表征地物覆盖度,进而以Hyperion高光谱影像为数据源,利用连续最大角凸锥方法从影像中提取这3类地物的端元,运用半约束和全约束线性光谱分解方法估算其丰度。研究表明:半约束线性分解得到的丰度优于全约束分解结果,其反演的植被、裸土和裸岩的丰度与相应的光谱指数间具有显著线性相关性,确定系数R²分别为0.92、0.66与0.84,表明地物丰度能够表征其覆盖度。因此,通过混合像元分解算法反演地物丰度来提取喀斯特石漠化因子具有一定的可行性,这为高光谱遥感在喀斯特石漠化中的评价和监测奠定了理论和算法基础。     

结合地物光谱库的高光谱端元识别及解混

针对目前基于地物光谱库的高光谱影像稀疏解混方法得到的端元丰度与真实端元丰度仍有较大差距,解混结果中出现很多具有小丰度值的多选端元(伪端元),提出一种基于光谱库的高光谱遥感影像端元识别和稀疏解混方法。首先对影像进行初步稀疏解混,将得到的解混丰度进行显著性分析,自适应地选择显著性丰度阈值,将低于该阈值丰度的端元从混合像元中剔除,得到更为稀疏和准确的表示端元子集。模拟数据的实验表明,该方法能极大提高解混丰度的稀疏性,提高端元识别的准确率,并在一定程度上提高解混的整体精度。真实数据实验结果也验证了该方法在真实影像复杂场景下的有效性。     

应用光谱混合分析法从SPOT影像提取槟榔树专题信息

台湾地区槟榔树分布面积较大,但是种植密度不高,用通常的遥感影像分类和专题信息提取方法不能有效地提取槟榔树的分布范围。光谱混合分析是将一个像元看成多种地物的组合,分别求出各种地物所占的比例。运用线性光谱混合分析的方法,对台湾的SPOT卫星影像进行像元分解,提出了如何利用低光谱分辨率影像分解像元的方法。通过与最大似然分类和阈值法提取结果的比较,表明光谱混合分析法不仅有效地提取了槟榔树分布的范围,还计算出槟榔树分布的密度,是一种较好的方法。     

高光谱遥感城市植被胁迫监测研究

开发有效的城市植被胁迫监测方法对于林业资源管理和营造良好的城市生态环境具有重要意义。采用EO-1卫星过境广州市东边建成区所采集的Hyperion高光谱影像,通过选取合适的植被指数进行分类,以及混合像元分解获得植被丰度这两种方法进行植被胁迫的识别,对比两者实验结果表明:在植被信息提取中植被丰度的方法要比指数法可靠且精度高;通过地面光谱测量,说明基于植被光谱理论的丰度分析能更好地表示植被胁迫的特征,为城市林业管理提供定性和定量的研究应用。     

一种自动获取端元的RMS误差迭代改进算法

端元提取是混合像元分解算法中的关键技术之一,端元的质量直接影响分解结果的精度。本文对基于均方根(RMS)误差分析迭代提取端元的算法进行了改进,提出在端元选择时,增加像元纯净指数(PPI)、光谱矢量距离以及RMS误差值作为约束条件。利用南京地区2002年TM遥感影像作为试验数据,用本文提出的方法提取各组分丰度图,结合V-I-S模型以及研究区的实际情况,分析所提取的各组分丰度空间分布合理性,参考同期IKONOS影像解译结果,对改进前后的分解算法进行精度比较。试验结果表明:基于改进法得到的各组分结果精度较好,其与实测值的回归曲线在相关系数、斜率以及截距方面均得到了较明显的改善,但对于光谱非线性混合现象较严重的地物仍存在一定局限性。     

基于自组织映射和模糊隶属度的混合像元分解

遥感图像中普遍存在着混合像元,将混合像元分解为端元和它们之间混合的丰度,对于高精度的地物识别和定量遥感具有重要意义.结合自组织映射神经网络和模糊理论中的模糊隶属度,提出一种新的多光谱和高光谱遥感图像混合像元分解的方法.首先对自组织映射神经网络进行有监督的训练,然后基于模糊模型对混合像元进行分解.其分解结果自动满足混合像元分解问题所要求的2个约束:丰度值非负约束及丰度值和为1约束.实验结果表明,该方法不仅适用于线性光谱混合的情况,也适用于非线性光谱混合的情况,能够获得较好的混合像元分解结果,同时具有较强的抗噪声能力.     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。     

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。     

基于异常探测的高光谱端元提取方法研究

端元提取是高光谱影像分析重要且具有挑战性的任务,是解决高光谱图像混合像元分解关键的步骤。现行的高光谱端元提取算法在端元提取过程中,异常像元同时加入到端元数组中,如何有效区分异常与端元,成为高光谱遥感端元提取的瓶颈,也是提高高光谱图像混合像元分解精度的关键因素。提出一种基于异常探测的高光谱端元提取方法,首先利用RX算法对原始影像进行异常探测,根据异常探测的结果剔除一定数量的像元,将剔除的像元用原始图像均值向量替代,再对影像进行正交子空间投影(OSP)提取端元。实验表明,该方法能够有效区分异常与端元,抑制异常像元参与端元提取,同时处理后的图像端元提取的结果受异常处理的影响很小,证明了去除异常信息后提取端元的可行性。     

Normalized Cut与分水岭变换在高光谱影像混合像元端元提取中的应用

现有的遥感影像端元提取方法主要是从光谱特征角度提出,而结合空间信息的端元提取方法是近些年遥感影像混合像元分解的研究热点,为此使用图论的图像分割Normalized Cut与分水岭变换方法提出了一种改进的空间预处理模型用于高光谱遥感影像混合像元的端元提取。该方法在混合像元端元提取过程中不仅利用遥感影像的光谱信息而且引入了像元的空间位置信息,实验结果表明本文提出的端元提取方法与现有的方法相比提高了遥感影像的混合像元分解精度。     

利用夏玉米端元丰度估算夏玉米种植面积的研究

以河南省鹤壁市为研究区,以FY3/MERSI数据为主要遥感信息源,采用基于光谱匹配的自适应最佳端元组合混合像元分解方法提取夏玉米端元丰度值,构建像元中夏玉米端元丰度值和夏玉米种植面积百分比值之间多种方程形式的回归模型,综合模型建立时的相关系数、显著性水平和验证样点的均方根误差情况,选择立方模型对研究区夏玉米种植面积进行估算。经验证,遥感估算的夏玉米种植面积精度为97.1%,位置精度为82.5%。研究结果可为采用中低空间分辨率遥感数据在种植结构复杂地区准确估算大范围作物的种植面积提供科学基础。     

基于GF-1遥感数据决策树与混合像元分解模型的冬小麦种植面积早期估算

我国西北地区耕地细碎,冬小麦种植面积提取时混合像元较多,所以将决策树和混合像元分解相结合可大大提高解译精度。以高时间分辨率及较高空间分辨率的GF-1卫星遥感数据为研究数据源。根据冬小麦和其他各类地物在不同时相数据上NDVI值的变化特性及特征值差异,建立决策树模型,快速高效地提取冬小麦像元。运用线性光谱混合模型,降低混合像元的影响,进一步精确提取冬小麦的种植面积。最后与实测样方的冬小麦种植面积数据进行比较,验证提取精度。结果表明:研究区内冬小麦种植面积提取精度达90%以上,Kappa系数接近0.8,可较为准确地反映出区域内冬小麦的分布情况。利用较高分辨率的遥感影像并结合决策树分类和混合像元分解可以较准确地提取耕地破碎地区作物种植面积,对开展早期农作物面积遥感监测有较大帮助。     

Landsat-8与ZY-3卫星影像降尺度地表温度反演及分析

地表温度(land surface temperature,LST)在表征地表能量转换和气候方面具有很重要的作用。目前获取的高空间分辨率遥感影像,通常没有热红外波段,而能获取的热红外影像,空间分辨率往往不够。针对时间分辨率和空间分辨率的矛盾问题,提出了一种利用降尺度进行地表温度反演的方法。该方法利用Landsat-8卫星影像的热红外波段进行地表温度LSTOLI,30m反演;根据不同地物的光谱特性,选取代表城市热特性的地物端元,对ZY-3多光谱影像大气校正后,进行混合像元分解,获取每个像元内不同端元的丰度,利用端元的平均温度建模,估算地表温度,得到高空间分辨率的地表温度LSTZY-3,5.8m。为了验证估算结果的准确性,将LSTZY-3,5.8m升尺度为30mLSTZY-3,30m,与LSTOLI,30m进行对比。结果表明,LSTZY-3,30m和LSTOLI,30m具有很高的一致性,精度较高。这种方法可以作为一种实用的估算地表温度的方法。     

非负矩阵分解融合高光谱和多光谱数据

由于光谱分辨率和空间分辨率的制约以及物理条件的限制,高光谱数据具有很高的光谱分辨率而其空间分辨率却很低。因此,一般高光谱数据的空间分辨率往往低于仅有几个波段的多光谱数据的空间分辨率。高光谱数据和多光谱数据的融合可以得到同时具有高空间分辨率和高光谱分辨率的数据,进而应用于更高空间分辨率下地物的识别和分类。非负矩阵分解(Nonnegative Matrix Factorization)算法用于实现低空间分辨率高光谱数据和高空间分辨率多光谱数据的融合。首先利用顶点成分分析法VCA(Vertex Component Analysis)分解高光谱数据,得到初始的端元波谱矩阵和端元丰度矩阵;然后用非负矩阵分解算法交替地对高光谱数据和多光谱数据进行分解,得到高光谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。在每一步非负矩阵分解过程中,数据之间的传感器观测模型用于分解矩阵的初始化。AVIRIS和HJ-1A数据实验结果分析表明:非负矩阵分解算法有效提高了高光谱数据的所有波长范围内波段数据的空间分辨率,而高精度的融合结果可用于地物的目标识别和分类。     

利用稳健非负矩阵分解实现无监督高光谱解混

目的 基于非负矩阵分解的高光谱图像无监督解混算法普遍存在着目标函数对噪声敏感、在低信噪比条件下端元提取和丰度估计性能不佳的缺点。因此,提出一种基于稳健非负矩阵分解的高光谱图像混合像元分解算法。方法 首先在传统基于非负矩阵分解的解混算法基础上,对目标函数加以改进,用更加稳健的L₁范数作为重建误差项,提高算法对噪声的适应能力,得到新的无监督解混目标函数。针对新目标函数的非凸特性,利用梯度下降法对端元矩阵和丰度矩阵交替迭代求解,进而完成优化求解,得到端元和丰度估计值。结果 分别利用模拟和真实高光谱数据,对算法性能进行定性和定量分析。在模拟数据集中,将本文算法与具有代表性的5种无监督解混算法进行比较,相比于对比算法中最优者,本文算法在典型信噪比20 dB下,光谱角距离（spectral angle distance,SAD）增大了10.5%,信号重构误差（signal to reconstruction error,SRE）减小了9.3%;在真实数据集中,利用光谱库中的地物光谱特征验证本文算法端元提取质量,并利用真实地物分布定性分析丰度估计结果。结论 提出的基于稳健非负矩阵分解的高光谱无监督解混算法,在低信噪比条件下,能够获得较好的端元提取和丰度估计精度,解混效果更好。     

基于形态学和支持向量的遥感图像混合像元分解

为了更好地解决混合像元问题,将自动形态学端元提取方法与支持向量机算法相结合进行混合像元自动分解。首先利用自动形态学端元提取方法寻找影像的纯净端元,此方法基于形态学理论,结合像素的光谱信息和空间信息,可以更精确地提取纯净端元。然后通过支持向量算法得到像元组分,支持向量机后验概率作为地物的组分信息。实验结果证明,这种方法具有很高的混合像元分解精度。     

端元约束下的高光谱混合像元非负矩阵分解

提出一种端元约束条件下的非负矩阵分解方法来自动反演混合像元组分。以端元光谱之间的差距为约束条件,使得目标函数综合了影像的分解误差和端元光谱的影响,并以最大后验概率方法导出了限制性非负矩阵分解的迭代算法。成像光谱数据实验结果表明该方法能够自动提取影像的端元光谱矩阵与组分信息,且分解精度比IEA方法高。     

基于独立分量分析的高光谱遥感影像决策树分类

为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难”间的矛盾并提高分类精度,针对传统特征选择方法信息损失大的缺陷,基于EO-1 Hyperion高光谱遥感影像,采用独立分量分析(ICA)和决策树分类(DTC)方法联合运作流程,开展影像的地物分类实验研究,提出了ICA-DTC模型。首先运用ICA方法对影像进行特征提取,并以所提取的独立分量特征及其他地理辅助要素组成分类指标集;继而选择适当的指标组合和阈值设定判别规则,建立DTC模型进行影像的地物分类;最后将分类结果与传统最大似然分类法进行比对。结果显示：从分类的总体精度看,前者可达89.34%,高出后者18.8%;从单一地物的分类精度看,前者仅水体的精度略低于后者,而其他11种地物的精度都高于后者。理论分析与实验结果均表明,ICA-DTC模型可有效提高复杂地形条件下的地物分类精度。     

采用分段主成分和PPI的高光谱影像分类

高光谱遥感影像波段多且存在混合像元,特征提取以及端元提取都是高光谱影像分类必不可少的工作,分类方法的选择也是因地适宜。以福建省泉州市德化县下属某一地区的CASI影像为实验数据,基于分段主成分(segmental principal component analysis,SPCA)和纯净像元指数法(pure pixel index,PPI),提出了最小距离(minimum distance classification,MDC)和二进制编码(binary encoding,BE)的高光谱影像分类方法。实验结果表明,MDC的总体精度为69.71%,BE的总体精度为70.88%。对单一地物精度而言2种方法各有其长,MDC对道路的分类精度更高,为98.08%;而植被、耕地和水体采用BE方法的分类精度更高,分别为94.12%、98.08%、98.11%。本文提出的方法应用于CASI高光谱影像,对该研究区的地物分类研究有一定的实用性和参考价值。     

由粗到细的高光谱图像多端元光谱混合分析

光谱可变性是影响高光谱图像光谱混合分析精度的重要因素,多端元光谱混合分析是解决该问题的有效手段。为了降低光谱混合分析时间复杂度的同时提高其精度,提出了一种由粗到细的多端元光谱混合分析算法,该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析,确定含所有地物的初始端元集,在此基础上进一步进行精细光谱混合分析,迭代光谱混合分析构建端元子集,最终根据重构误差变化量确定各个像元的最优端元集。实验结果表明:相比迭代光谱混合分析法和分层多端元光谱混合分析法,所提出的由粗到细的高光谱图像多端元光谱混合分析能有效降低算法反演丰度误差并改善计算效率。