结合空间光谱预处理和约束非负矩阵分解的高光谱图像混合像元分解

目的 混合像元问题在高光谱遥感图像处理分析中普遍存在,非负矩阵分解的方法被引入到高光谱图像解混中。本文提出结合空间光谱预处理和约束非负矩阵分解的混合像元分解流程。方法 结合空间光谱预处理的约束非负矩阵分解,如最小体积约束、流行约束等,通过加入邻域的空间和光谱信息进行预处理获得更优的预选端元,从而对非负矩阵分解的解混结果进行优化。结果 在5组不同信噪比的模拟数据实验中,空间预处理（SPP）和空间光谱预处理（SSPP）均能够有效提高约束非负矩阵分解（最小体积约束的非负矩阵分解和图正则非负矩阵分解）的解混结果,其中SPP在不同信噪比的情况下都能优化约束非负矩阵分解的结果,而SSPP在低信噪比的情况下,预处理效果更佳。利用美国内华达州Cuprite矿区数据进行真实数据实验,SPP提高了约束非负矩阵分解的解混精度,而SSPP在复杂场景下,解混精度更佳。模拟数据和真实数据的实验均表明,空间光谱预处理能够有效地提高约束非负矩阵分解的解混精度,特别是对于信噪比较低的情况下,融合空间和光谱信息对噪声有很好的鲁棒性。结论 本文对约束非负矩阵分解的解混算法添加空间光谱预处理,利用高光谱遥感数据的空间和光谱信息,优化预选端元,加入空间光谱预处理的非负矩阵解混实验流程,在复杂场景情况下,对噪声具有较好的鲁棒性。     

近红外高光谱图像数据预测技术

目的 受到传感器光谱响应范围的影响,可见光区域和近红外区域（400~2 500 nm）的高光谱数据通常使用不同的感光芯片进行成像,现有这一光谱区域典型的高光谱成像系统,如AVIRIS （airborne visible infrared imaging spectrometer）成像光谱仪,通常由多组感光芯片组成,整个成像系统成本和体积通常比较大,严重限制了该谱段高光谱探测技术的发展。为了能够扩展单感光芯片成像系统获得的高光谱图像的光谱范围,本文探索基于卷积神经网络的近红外光谱数据预测技术。方法 结合AVIRIS成像光谱仪的光谱配置,设计了基于残差学习的红外谱段图像预测网络,利用计算成像的方式从可见光范围的高光谱图像预测出近红外波段的光谱图像,并在典型的卫星高光谱遥感数据上进行红外光谱预测重构和基于重构的数据分类实验,以验证论文提出的红外光谱数据预测技术的可行性以及有效性。结果 本文设计的预测网络在Cuprite数据集上得到的预测近红外图像峰值信噪比为40.145 dB,结构相似度为0.996,光谱角为0.777 rad;在Salinas数据集上得到的预测近红外图像峰值信噪比为39.55 dB,结构相似性为0.997,光谱角为1.78 rad。在分类实验中,相比于只使用可见光图像,利用预测的近红外图像使得支持向量机（support vector machine,SVM）的准确率提升了0.6%,LeNet的准确率提升了1.1%。结论 基于AVIRIS传感器获取的两组典型卫星高光谱数据实验表明,本文提出的红外光谱数据预测技术不仅可基于计算成像的方式扩展可见光光谱成像系统的光谱成像范围,对于减小成像系统体积和质量具有重要意义,而且可有效提高可见光区域光谱图像数据在典型应用中的处理性能,对于提高高光谱数据处理精度提供新的技术支撑。     

EO-1 Hyperion高光谱数据的预处理

针对EO-1 Hyperion高光谱遥感数据的特点，在图像质量检查的基础上，对Hyperion图像进行了未定标和受水汽影响波段的去除、坏线修复、条纹去除、Smile效应降低、大气纠正等预处理，获得了较好质量的图像，为图像的进一步分析和实际应用提供了保障。结果表明图像大气纠正后光谱优化处理能进一步提高图像的质量。     

跨数据集评估的高光谱图像分类

目的 随着高光谱成像技术的飞速发展,高光谱数据的应用越来越广泛,各场景高光谱图像的应用对高精度详细标注的需求也越来越旺盛。现有高光谱分类模型的发展大多集中于有监督学习,大多数方法都在单个高光谱数据立方中进行训练和评估。由于不同高光谱数据采集场景不同且地物类别不一致,已训练好的模型并不能直接迁移至新的数据集得到可靠标注,这也限制了高光谱图像分类模型的进一步发展。本文提出跨数据集对高光谱分类模型进行训练和评估的模式。方法 受零样本学习的启发,本文引入高光谱类别标签的语义信息,拟通过将不同数据集的原始数据及标签信息分别映射至同一特征空间以建立已知类别和未知类别的关联,再通过将训练数据集的两部分特征映射至统一的嵌入空间学习高光谱图像视觉特征和类别标签语义特征的对应关系,即可将该对应关系应用于测试数据集进行标签推理。结果 实验在一对同传感器采集的数据集上完成,比较分析了语义—视觉特征映射和视觉—语义特征映射方向,对比了5种基于零样本学习的特征映射方法,在高光谱图像分类任务中实现了对分类模型在不同数据集上的训练和评估。结论 实验结果表明,本文提出的基于零样本学习的高光谱分类模型可以实现跨数据集对分类模型进行训练和评估,在高光谱图像分类任务中具有一定的发展潜力。     

基于地面实测高光谱数据的三江源中东部草地植被光谱特征研究

草地不仅是畜牧业的生产基地,而且是生态安全屏障保护和牧民生活与草原文化传承的基础,具有生态、生产和生活功能。然而,草地日益退化导致的生态经济问题越来越突出。因此,实时、准确地监测草地的退化具有重要意义。根据所测定的各种地面植被的光谱数据,分析了三江源中东部典型草原区常见草种的光谱特性;利用一阶微分法、连续统去除法和归一化微分比的方法对草地植被光谱反射曲线进行了处理,提取了典型草地植被的光谱特征;通过光谱分析法能准确识别藏嵩草和小嵩草优势种,取得了较好的精度。为高光谱遥感草地监测提供了有力依据。     

基于经验模分解高光谱图像数据尺度变换的光谱保真性分析

经验模分解是具有自适应性特点的尺度变换方法。高光谱图像数据近乎连续的光谱是开展信息提取的重要信息来源,然而尺度变换会使光谱发生变化。因此,分析EMD尺度变换后高光谱图像数据的光谱保真性具有重要意义。应用CHRIS高光谱图像数据,使用光谱相关系数、光谱偏差、光谱相对偏差和光谱角等评价指标,开展EMD升尺度图像及其典型地物的光谱保真性实验,并将EMD与Mallat小波变换光谱保真性比较。实验结果得出:11~10级EMD尺度变换后图像整体光谱保真性都较好,相关系数均在0.979以上,偏差小于55,相对偏差小于0.036,光谱角在0.041以内;2图像光谱保真性随EMD尺度变换次数增加而略有降低,且前4级变换光谱失真相对明显,后续降幅微弱;31~10级尺度变换后7种湿地典型地物的光谱保真性都较好,其中芦苇和河流的光谱保真程度较突出,养殖水面的相对不理想;4EMD与小波变换光谱保真性比较,随着变换次数的增加EMD表现出相对稳定且较小的光谱失真。     

融合雷达数据的高光谱图像分类

高光谱图像分类是高光谱遥感的一项重要内容。然而,由于高光谱数据光谱波段信息丰富,且仅对材质信息敏感等特性,导致高光谱分类中易出现“维度灾难”、对高度信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。为解决上述问题,论文设计了一种双路DenseNet网络（Double-Branch DenseNet,DBD）。该网络其中一路对高光谱数据进行特征处理,压缩光谱维度,降低“维度灾难”的影响,并同步提取高光谱数据的光谱特征和空间特征;另一路通过密集连接提取雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。通过实验证明,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类。     

HJ-1A高光谱数据预处理方法研究

高光谱遥感数据处理与应用已成为目前遥感应用研究领域的热点和难点之一。介绍了环境与减灾监测预报小卫星中高光谱遥感数据产品命名规则和内容,以及产品数据的主要特点,通过对HSI数据辐射定标、Flaash大气校正和几何精校正等数据预处理方法,得出Flaash大气校正后的HSI数据,提高了高光谱数据的质量,地物光谱曲线更加符合实际情况,为下一步定量遥感研究奠定了基础。     

基于方向图的指纹图像处理算法

一引言从指纹图像的局部放大图(图1(a))中,可以看到指纹图像具有以下特点:(1)在局部范围内,指纹纹线具有一致的方向性;(2)在局部范围内,指纹纹线的宽度基本相同;(3)在局部范围内,指纹纹线间的距离基本相同。根据这些特点,我们可以建立一个指纹局部的     

基于CPU/GPU异构模式的高光谱遥感影像数据处理研究与实现

近年来,基于GPU的新型异构高性能计算模式的蓬勃发展为众多领域应用提供了良好的发展机遇,国内外遥感专家开始引入高性能异构计算来解决高光谱遥感影像高维空间特点所带来的数据计算量大、实时处理难等问题。在此简要介绍了高光谱遥感和CPU/GPU异构计算模式,总结了近几年国内外基于CPU/GPU异构模式的高光谱遥感数据处理研究现状和问题;并面向共享存储型小型桌面超级计算机,基于CPU/GPU异构模式实现了高光谱遥感影像MNF降维的并行化,通过与串行程序和共享存储的OpenMP同构模式对比,验证了异构模式在高光谱遥感处理领域的发展潜力。     

利用航空成像光谱数据进行冬小麦产量预测

以国产成像光谱仪PHI(Pushbroom Hyperspectral Imaget)所获遥感影像数据为基础，根据田间冬小麦单产遥感研究试验数据建立了研究区不同时相冬小麦单产预测模型，实现了利用航空高光谱遥感数据对研究区小麦产量的整体预测；对试验区土壤氮素水平与不同时相冬小麦预测产量以及试验区实测产量进行了初步分析，分析结果显示：土壤氮素分布的差异性对小麦的产量有明显影响。     

资源一号02D可见近红外和高光谱影像辐射质量评价

资源一号02D(ZY1-02D)卫星搭载了我国自主研制的可见近红外相机（VNIC）和高光谱相机（AHSI）,是我国首颗民用高光谱业务卫星,具有广泛的应用前景。通过整体辐射精度、信噪比、清晰度以及信息熵4个评价指标,对ZY1-02D VNIC和AHSI数据进行辐射质量评价,并分别采用Sentinel-2 MSI和GF-5 AHSI数据进行对比。结果表明：ZY1-02D VNIC数据在可见光波段具有亮度高、信噪比高等优势;在红边近红外等波段,影像具有灰度范围大、信息量大的特点。ZY-1-02D VNIC数据在影像亮度、灰度范围、清晰度和信息量方面均优于Sentinel-2,二者信噪比近似。ZY-1-02D AHSI数据在395—1 341 nm范围内辐射质量良好;在1 929—2 501 nm范围,存在噪声严重的波段,影像质量较差。与GF-5 AHSI数据对比,ZY-1-02D AHSI数据的影像亮度和信噪比相当,但ZY-1-02D AHSI数据在灰度范围方面优势明显,且短波红外谱段的清晰度和信息量优于GF-5 AHSI数据。     

日志挖掘中的数据预处理

日志信息的预处理是日志挖掘任务中的重要阶段,是当前研究的重点,同时也是整个日志挖掘过程的基础和实施有效挖掘算法的前提,在日志挖掘中起着重要的作用。目前主要的日志挖掘主要采用国外的几种软件,而日志挖掘中重要的数据预处理软件国内暂无。文中主要介绍了数据挖掘中的日志挖掘,分析了数据预处理的过程,以及如何实现日志挖掘中的数据预处理,并在Delphi开发工具中成功完成了IIS文本日志文件到Xls格式及XML格式文件的转换,实现了日志挖掘中的数据预处理。     

图样扫描输入图象的自动预处理

提出了图象相异系数的概念 ,并且在此基础上提出图象拼接、校斜和回位提取的算法 ,这些算法的应用使计算机可以完成原本由操作员手工完成的工作 ,极大地减轻操作员的劳动强度 ,提高生产率。     

日志挖掘中的数据预处理

日志信息的预处理是日志挖掘任务中的重要阶段,是当前研究的重点,同时也是整个日志挖掘过程的基础和实施有效挖掘算法的前提,在日志挖掘中起着重要的作用.目前主要的日志挖掘主要采用国外的几种软件,而日志挖掘中重要的数据预处理软件国内暂无.文中主要介绍了数据挖掘中的日志挖掘,分析了数据预处理的过程,以及如何实现日志挖掘中的数据预处理,并在Delphi开发工具中成功完成了IIS文本日志文件到Xls格式及XNIL格式文件的转换,实现了日志挖掘中的数据预处理.     

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。     

遥感超谱（Hyperspectral）图象处理技术

由于遥感超谱图象谱分辨高的提高,如今已可以获得比多光谱图象更丰富的信息,并使得许多原先用多光谱信息不能解决的问题现在可以得到解决,它的问世是遥感技术应用的一个重大飞跃。另外,分类和压缩是目前国际上对超谱图象研究非常活跃的两个相对彼此独立、又相互联系的专题,因为压缩可以看作是给不同的子块分配不同的码字而实现的一种分类;反过来,分类也可以看作是一种提取感兴趣的地物信息的压缩。两者的差别主要在于评价最后处理结果的出发点不同,压缩一般侧重于恢复图象的平均误差,而分类则侧重于分类结果的错分概率。由于两者具有内在的相互联系,因此在实现算法上有许多相似之处,为了使人们对其发展的现状有所了解,因此对目前超谱图象分类和压缩广泛应用的方法进行了全面的综述,并对二者在应用中的相同之处和不同点作了比较分析,在此基础上,结合具体实例分别介绍了进行超谱图象分类和压缩的过程,并进行了计算机模拟仿真,最后给出了相应的结论和进一步研究的建议。     

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。