基于室内高光谱激光雷达的典型树种叶片光谱观测和分类

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650～1000 nm (71个通道)内观测的叶片高光谱和ASD光谱一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650～750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650～750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。     

基于高光谱分辨率激光雷达的气溶胶分类方法研究

气溶胶是影响气候变化和空气质量的重要因素,对气溶胶作用的量化分析依赖于气溶胶光学性质及其垂直剖面的精细探测。高光谱分辨率激光雷达利用窄带光学滤波器,可在光谱上实现对分子散射和气溶胶散射的分离,从而在不需假设气溶胶激光雷达比的情况下,独立获取气溶胶消光系数和后向散射系数。文中基于高光谱分辨率激光雷达技术,开展气溶胶分类方法研究。根据已有的气溶胶分类研究结果,给出基于气溶胶光学参数的分类方法,并建立气溶胶分类查找表。利用高光谱分辨率激光雷达于2015年春季在青岛地区测量的气溶胶消光系数、后向散射系数和退偏振比,参照建立的气溶胶分类查找表,实现了对气溶胶的分类识别,并用HYSPLIT轨迹模式、NAAPS气溶胶模式进行了印证。个例研究结果表明该方法能够实现对气溶胶类型的正确识别。     

一种适用于古建筑建模的全波形高光谱激光雷达设计与实现

为了获取古建筑完整的空间结构、历史演进及其健康状态等特征信息,研制了一种全波形的高光谱激光雷达系统(HSL)。该系统同时获得目标的空间三维信息和光谱信息,用于古建筑空间和状态特征的建模。利用超连续谱激光器和声光可调滤波器(AOTF)作为发射单元,实现550~1050 nm的连续光谱波长范围内101个光谱通道采样,并利用5 GHz/s高速采集卡完成主波和回波全波形数据采集。设计了静态单点测试和zigzag单点扫描相结合的双模式分步扫描方案,保证三维空间和光谱信息的准确获取。在实验室环境下,对HSL系统反射率稳定性、信噪比以及扫描精度进行了分析测试。利用三维空间和超连续的高光谱信息对古建筑构件样本建模进行验证,并采用随机森林(RF)多分类方法实现不同古建筑构件木种材料的分类。结果表明,HSL系统能够同时获得空间三维信息和连续光谱信息,满足古建筑空间和状态特征建模的信息采集的需求。     

机载激光雷达和高光谱技术的遥感监测数据分类

针对随机森林算法、支持向量机以及线性判别分析3种分类方法分类准确率较低、性能不佳的问题,基于机载激光雷达和高光谱技术提出一种新的遥感监测数据分类方法。分析机载激光雷达和高光谱遥感的工作原理,依据二者的工作原理提取遥感监测数据。为了提升数据分类的准确性,需要进行数据预处理,具体包括噪声点剔除和平滑校正处理,并进行数据配准。在此基础上,采用K最近邻搜索算法提取遥感监测数据特征,最终运用决策树算法中的C4.5算法构建分类器,实现遥感监测数据的分类。实验结果表明:通过混淆矩阵得到所设计方法的分类准确性达到了95以上,分类结果优于传统分类方法,能准确识别目标,证明了方法有效性和可行性。     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

基于高光谱激光雷达的滞尘叶片光谱特征分析

城市绿植为城市生态系统提供自净功能, 起到净化空气以及滞尘降尘等多种环境保护作用, 而滞尘等因素也 会对绿植产生影响。为了研究滞尘对城市绿植叶片光谱特征的影响, 采集了四种常绿绿植 (八角金盘、石楠、香樟和 玉兰) 叶片样本, 使用高光谱激光雷达系统获取高光谱点云数据, 分析了滞尘对叶片光谱特征的影响。分析结果表明: 对于不同种类叶片, 滞尘对可见光波段反射率均有较大影响; 对于同种类叶片, 滞尘对近红外波段的反射率差异影响 较大, 可见光波段的反射率差异为 1.21%∼3.41%, 近红外为 1.76%∼8.49%; 线性四点内插法计算和光谱导数分析表明 滞尘对四种叶片的红边位置无显著影响; 四种叶片的叶面水含量指数 (LWI) 对滞尘的响应程度最小 (均小于 3.7%), 而 比值植被指数 (RVI) 对滞尘的响应程度最大 (除香樟外, 均大于 20.0%), 红边指数 (SDr)、简单比值指数 (SR) 和叶面叶 绿素指数 (LCI) 的响应程度稳定性较差。进一步建立了滞尘植被指数和响应程度的线性相关性拟合模型并进行了检 验, 其中以 LCI 为自变量建立的模型为最稳定拟合模型, 可表示为 y = −1.527x + 0.6597, 决定系数约为 0.88。     

基于聚类和联合偏度与峰度指数的高光谱数据波段选择算法

高光谱数据的光谱分辨率高,数据量大,在提供丰富、详细的地物或目标信息的同时,不同光谱波段特别是相邻波段间有较强的相关性,导致光谱波段之间有大量冗余信息。针对这一问题,面向高光谱异常检测,提出了基于聚类和联合偏度与峰度指数的波段选择方法。首先利用虚拟维度进行估计,确定高光谱数据的本征维度,再结合最大-最小距离的思想进行聚类中心的更新,避免了随机选取的初始值可能导致距离太近的问题。然后,考虑到异常目标常常表现为不满足背景高斯分布的特点,使用联合偏度与峰度指数作为准则函数进行波段选择,有效选择出了重要波段。在三组代表性高光谱数据集上进行了实验,结果表明本文所提出的算法有效提升了高光谱异常检测的效果并降低了虚警率。     

基于分类的高光谱图像压缩算法

高光谱图像庞大的数据量给存储与传输带来巨大挑战,必须采用有效的压缩算法对其进行压缩。提出了一种基于分类的高光谱图像有损压缩算法。首先利用C均值算法对高光谱图像进行无监督光谱分类。根据分类图,针对每一类数据分别采用自适应KLT(Karhunen-Love transform)进行谱间去相关;然后对每个主成分分别进行二维小波变换。为了获得最佳的率失真性能,采用EBCOT(Embedded Block Coding with Optimized Truncation)算法对所有的主成分进行联合率失真编码。实验结果表明,所提出算法的有损压缩性能优于其它经典的压缩算法。     

利用高光谱激光雷达检测木材的霉变与含水量

为了快速无损地检测评估木材的霉变及含水量,利用高光谱激光雷达系统主动获取木材的高光谱数据,设计了一种分析霉变特征并建立含水量预测模型的方法。首先选取白松为样本,进行时长为4个月的间隔性测量,分析其霉变发生发展过程(正常、潮湿和霉变状态)的光谱特征变化;然后在分析样本不同含水量光谱特性的基础上,采用竞争性自适应重加权采样算法、连续投影算法及竞争性自适应重加权采样-连续投影组合算法提取特征波长;最后分别建立偏最小二乘回归预测模型。结果表明,正常状态的光谱反射率最高而霉变状态最低;当霉变状态稳定时,光谱反射率随时间变化缓慢并趋于稳定;基于竞争性自适应重加权采样-连续投影组合算法建立的模型预测性能最佳,预测集的相关系数和均方根误差分别为0.9073和0.7564。利用高光谱激光雷达主动获取的高光谱信息可以评估木材的霉变并实现含水量预测,为木质建筑的快速无损检测提供了新思路。     

基于瞬时幅度特征的连续相位调制信号识别

针对非合作通信系统中连续相位调制（CPM）信号识别难的问题,提出一种CPM信号识别新方法。算法以信号的瞬时幅度谱为特征,结合谱线检测,实现了CPM信号与幅移键控（ASK）、正交幅度调制（QAM）、相移键控（PSK）、频移键控（FsK）信号的区分。算法无需各种参数估计及同步等预处理过程,仿真实验结果表明,在信噪比不小于4dB时,CPM信号正确识别率达到95％以上。与已有算法相比,本文所提算法具有计算量小、实现简单和低信噪比下识别率高等优点。     

基于GNSS/INS与激光雷达的缓存池建图

为了解决智能车、无人机、自主机器人对外界环境感知的先验信息不足的问题。本文提出了一种使用惯性导航(INS)与卫星导航(GNSS)辅助多线激光雷达传感器对环境进行自主三维重建的算法。该算法首先采用一种基于GNSS\\INS的线性差值法与四元数插值法并行算法将激光雷达点云转换到唯一坐标系下,纠正点云随时间的漂移;通过基于缓存池的建图方法对周围环境进行点云分割与拼接,对得到的子地图进行体素滤波,最终得到丰富环境信息的三维重建地图。通过机器人操作系统(ROS)在移动平台上进行验证,实验结果表明:该方法成功的对外界环境进行自主三维建图,适用于智能化载体对未知环境下的感知。     

基于特征重要性的高光谱图像分类

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息,本文提出了一种基于特征重要性的卷积神经网络（convolutional neural networks,CNN）分类模型。首先,利用贝叶斯优化训练得到的随机森林模型（random forest,RF）对高光谱遥感图像进行特征重要性评估;其次,依据评估结果选择合适数目的高光谱图像波段,以作为新的训练样本;最后,利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据,实验结果均表明:相比原始光谱信息直接采用支持向量机（support vector machine,SVM）和卷积神经网络的分类效果,本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。     

Hyperspectral Image Classification Based on Capsule Network

The conventional convolutional neural network performs not well enough in the ground objects classification because of its insufficient ability in maintain-ing ...     

基于小波变换的高光谱激光雷达回波微弱信号处理技术

针对高光谱激光雷达回波信号能量弱导致的波形信息常常淹没在噪声中而难以提取的问题,基于高光谱激光雷达原理验证样机系统采集到的高光谱激光雷达回波信号数据,通过分析小波变换参数选取对信号处理的影响,寻找到一种基于小波变换的高光谱激光雷达回波微弱信号的处理方法,即在sym6小波3层分解下,运用软阈值函数和启发式阈值处理可有效处理高光谱激光雷达回波微弱信号,运用该方法在仅有少量回波样本信号数量情况下,达到高斯拟合在数倍回波样本信号数量情况下的处理效果,降低了提取出波形信息所需要的高光谱激光雷达回波信号探测时间。     

引入负相似的高光谱图像半监督分类

高光谱图像数据体现为波段多、地物标签获取困难大、谱信息抗干扰能力弱等特征,容易引起维数灾难、光谱空间变异性等问题,从而影响分类器的分类精度。针对这些问题,本文将负相似信息引入到拉普拉斯支持向量机（Laplacian Support Vector Machine, LapSVM）的流形正则化项中,提出了一种引入负相似的拉普拉斯支持向量机（Dissimilarity in Laplacian Support Vector Machine, Diss-LapSVM）分类算法,抑制光谱空间变异对分类结果的影响。同时,本文提出利用线性近邻传播（Linear Neighborhood Propagation, LNP）算法构造图的拉普拉斯矩阵,更有效地引入无标签样本的信息。实验结果表明,本文算法的分类精度得到了提高,特别是对光谱特征相似的地物。      

基于光谱加权直推式支持向量机的高光谱图像半监督分类

高光谱图像分类中的有标签的样本获取较为困难,而半监督分类可以利用到大量未标签样本所含信息,来提高分类准确率。其中直推式支持向量机是标准支持向量机在半监督学习问题上的一种扩展。本文中我们采用凹凸过程规划将直推式支持向量机的非凸目标函数分解为凸函数和凹函数的组合,从而将非凸问题转化为凸优化问题求解。并且针对高光谱图像不同波段鉴别地物类别的能力的差异,为了充分利用各个波段的分类能力,我们引入了光谱权值对支持向量机的核函数进行了改进,对不同的波段赋予不同的权值。实验表明,本文提出的方法在分类正确率以及使用的样本规模上,都表现出了一定的优越性,从而适用于较大规模的高光谱图像分类。      

基于多尺度样本扩增的高光谱影像半监督分类

大量的训练样本可有效缓解模型过拟合,从而提高分类效果。在初始标记样本较少的情况下,开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验,并利用初始标记样本和扩增样本训练支持向量机(Support Vector Machine, SVM)分类器,实现对高光谱数据的有效分类。该方法在Pavia University、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本,分类精度分别达到99%、99%和97%以上。实验结果表明,扩增的大量伪标签样本可以有效训练SVM分类器,提高分类效果。     

基于高光谱影像多维特征的植被精细分类

目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果; 缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱 数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面 植被分布情况,选择训练样本并进行支持向量机(Support vector machine, SVM)监督分类,完成地面植被的精细分类, 对分类结果进行验证,总体精度可达99.6\%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、 提高信息利用率,为植被生态监测提供更为准确的数据支撑。     

基于特征融合方法的高光谱图像分类综述

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要.然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度.受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战.随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的...