扎龙湿地龙泡子水深的高光谱建模研究

以扎龙湿地龙泡子为研究区,用实测高光谱数据和同步测量的水深数据,建立湿地湖泊的水深反演模型。通过分析水体反射率的一阶微分与水深之间的相关性来选取水深反演因子,建立了水深反演单波段模型和多波段模型,以波长832.05、839.87、809.08和774.76 nm建立的多波段线性模型效果较好,相对误差为5.90%,均方根误差为10.869 cm。湿地内影响因素较复杂,要深入研究水中杂质和水体底质的光谱特征才能进一步提高反演模型精度。     

基于"网格搜索+XGBoost"算法的浅海遥感水深反演

传统船载水深测量受船只吃水影响,难以在浅水区域开展,遥感水深反演作为传统方法的有益补充,其重要性日益凸显.以GF-1多光谱影像为数据源,以船载声呐实测水深点作为训练样本和检测样本,以相关系数、均方根误差和平均绝对误差作为评价指标,首次将网格搜索+XGBoost模型应用于启东恒大威尼斯浅海区域水深反演.实验表明,网格搜索...     

基于密度的多波束水深数据异常检测方法仿真

针对传统的多波束水深数据异常检测方法无法满足大区域、高密度测水深的要求,提出了基于密度的多波束水深数据异常检测方法。分析多波束系统的原始数据格式,对原始多波束水深数据进行提取。在分析系统主要误差来源的基础上,对条带辅助参数进行预处理。利用中值滤波、局部方差以及小波分析相结合的方法来定位异常数据,实现多波束水深数据异常检测。为验证上述研究方法的有效性,进行一次实验。实验结果表明,与传统方法相比,所提方法能够高精度检测出水深探测中的异常数据,且在实际应用中具有更小的残差值。根据实验结果可以得出结论:上述研究所设计的多波束水深数据异常检测方法符合该领域应用要求。     

WorldView-2影像在南海岛礁浅海水深反演中的应用

针对南海岛礁浅海水域遥感探测研究较少且常用的中、低空间分辨率遥感影像难以满足该区域浅海水深高精度探测的问题,利用高空间分辨率WorldView-2多光谱影像和现场实测数据,对南海北岛岛礁浅海水域进行了水深反演研究。通过对WorldView-2和实测数据进行相关性分析,选择出相关性较高的数据构建了单因子、双因子、多因子线性回归模型和BP神经网络模型,利用实测数据对各个模型进行了测试与比较。结果显示,各个模型反演值与实测值的相关系数均在0.9以上,均方根误差约等于1.0,其中BP网络模型的相关系数最高,具有较高精度。研究表明,利用WorldView-2数据反演中国南海岛礁周边浅海水深的方法有效可行。     

底质分类视角下的浅海水深遥感反演北大核心CSCD

针对水深的卫星遥感反演模型多在底质均一假设下进行,较少考虑底质类型的问题,提出了一种底质分类视角下的反演模型。以南安达曼群岛、波照间岛和久米岛作为研究区域,结合实验室测量的典型底质反射率光谱,在Landsat 8 OLI上使用多种分类方法提取研究区域底质类型信息,发现支持向量机法得到的底质分类精度最佳。基于底质分类结果,利用多种模型构建不同底质类型的水深反演模型,并进一步对比未区分底质类型的水深反演模型。研究结果表明,基于底质分类的多元线性回归模型效果最佳,平均绝对误差为1.03 m,均方根误差为1.39 m,证明了区分底质类型建模可以提升水深反演精度。     

乌苏里江水深遥感反演

文中在分析卫星遥感测深机理的基础上,利用SVCHR-1024高光谱成像仪确定了可见光反演水深的最佳波段,通过对HJ星CCD数据各波段反射率、波段比值组合对水体、水深的敏感性分析,建立了适合于乌苏里江的单波段对数水深反演模型,从而快速获取乌苏里江河道地形信息,并探测了河道深泓线,整体精度达到80%以上.遥感反演水深可快速探测河道深泓线的方法,为乌苏里江河势演变研究提供了新的思路.     

多门限二进制编码方法在TM 图像处理中的应用

不同类型的地物具有不同的反射光谱, 在多维光谱空间中构成不同的特征向量, 这便是遥感多光谱图像分析与识别的物理依据。传统方法中有基于单个像元波段亮度的、空间纹理的、变换空间的多光谱图像特征提取与分析方法, 但这些方法并没有直接描述地物的最本质特征-反射光谱曲线。从20 世纪80 年代开始, 当二进制编码的方法提出并在多光谱匹配识别中获得成功应用后,多光谱图像分析处理便可以在这种特征提取的基础上, 研究新的方法。提出一种基于多门限二进制编码的光谱形状描述方法, 这种方法的核心就是将多光谱的亮度范围细分成若干个灰度区间, 也称为多门限, 分别将各波段光谱亮度与多门限进行比较, 从而建立一列能够较详细描述光谱形状的二进制编码, 我们将这种新的特征描述方法应用于多光谱图像的分类、信息提取和变化检测。遥感图像处理实验的结果表明, 这种方法是有效的。     

基于比值变换的全色与多光谱图像高保真融合方法

随着遥感技术的快速发展,越来越多的成像卫星可采集同时相的全色和多光谱图像。通常,多光谱图像的分辨率低于全色图像,但实际应用中人们更迫切需要提升多光谱图像的分辨率。当前,研究人员已提出了大量的图像融合方法来解决这个问题,但依然存在光谱失真、细节模糊等问题。此外,真实遥感图像的尺寸较大,现有融合方法难以满足实际应用的高时效要求。为此,提出了基于比值变换的全色与多光谱图像高保真融合方法。根据全色与多光谱图像分辨率之比,该方法对全色图像先下采样,再上采样,生成全色降质图像;同时,对多光谱图像进行上采样,得到多光谱降质图像;然后,计算全色与其降质图像的比值,将多光谱降质图像乘以该比值生成融合图像。实验表明,本方法的保真效果好,性能优于对比方法。     

一种构建多光谱全色波段与小波变换相结合的遥感影像融合方法

对于多光谱和全色波段遥感影像融合而言,影像问光谱响应范围的差异是造成融合结果光谱畸变的重要原因。方法通过对遥感影像成像过程中的参数进行合理地近似,将多光谱影像有机地结合为光谱响应范围与全色波段接近的、低分辨率的“多光谱全色波段”。利用特定的小波融合法则,将全色波段中适量的空间信息融入到“多光谱全色波段”中,并根据构建“多光谱全色波段”时各多光谱影像所占的权重,将融入的空间信息逐像元地分解到各个多光谱波段,从而较好地削弱了融合影像间光谱响应范围的差异所造成的光谱畸变。通过对IKONOS遥感影像进行融合实验,验证了本文方法较传统方法具有更高的性能。     

基于粒子群训练的人工神经网络应用于多光谱遥感影像分类研究

为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法。该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类。该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点。实验结果证明：基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度。     

基于PCA变换与小波变换的遥感图象融合

针对多光谱图象与全色图象的融合问题,提出了一种基于PCA变换和小波变换的遥感图象融合方法.新方法通过对多光谱图象作PCA变换,首先得到3个主分量;然后,利用小波变换融合方法融合多光谱图象的第1主分量与全色图象,并用融合后的图象替代多光谱图象的第1主分量;最后,作PCA反变换来得到新的多光谱图象.主观视觉效果分析和客观统计参数评价分析表明,新方法的性能优于PCA变换融合方法、IHS变换融合方法和小波变换融合方法,该方法不仅较大地增强了结果图象空间细节的表现能力,而且很好地保留了多光谱图象的光谱信息.     

一种基于小波包变换的遥感影像融合方法

针对多光谱遥感影像和全色遥感影像,提出了一种基于小波包变换的遥感影像融合方法。新方法首先对多光谱遥感影像进行PCA变换;其次对多光谱遥感影像的第一主分量和全色遥感影像进行小波包变换;然后保留多光谱影像第一主分量的低频近似分量,融合它们的高频细节分量;最后,做小波包反变换,得到新的多光谱遥感影像第一主分量,再做PCA反变换,得到新的多光谱遥感影像。与PCA变换融合方法、IHS变换融合方法和小波变换融合方法等方法在主观视觉效果分析和客观统计参数两方面做了比较,新方法是有效的,不仅较大地增强了结果影像的空间细节表现能力,而且很好地保留了多光谱影像的光谱信息。     

基于边缘分割的多光谱图像融合方法

对于高分辨率的全色图像与低分辨率的多光谱图像,通常采用传统的IHS方法进行融合。这种融合方法能很好地提高低分辨率图像的清晰度,但却容易扭曲原始的光谱特性,产生光谱退化现象。针对这一问题,本文采用高分辨率与多光谱图像的边缘分割信息对I分量进行调制,使新生成的I分量保持原始的光谱特性。通过融合实验结果表明,这种方法比传统的IHS方法有效地改善了融合图像光谱失真的现象。     

基于粒子群训练的人工神经网络应用于多光遥感影像分类研究

为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法.该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类.该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点.实验结果证明:基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度.     

基于a’trous小波与广义HIS变换的SAR与多光谱影像融合

为了提高SAR影像的解译水平,避免通常基于小波变换的融合方法造成的SAR影像信息损失,本文提出一种基于a’trous小波与广义HIS变换的SAR与多光谱影像融合方法,在将多光谱影像转换到HIS空间后,应用a’trous小波对I分量进行分解,通过加法的形式将多光谱影像的高频分量信息与SAR影像信息集成,并根据解译的需要,通过改变阈值来控制对多光谱影像信息的集成幅度。实验选取一组TM多光谱影像与ERS-2SAR影像进行融合研究,并将融合结果与另一小波融合方法融合结果进行视觉比较与统计分析。结果表明,另一小波融合方法的融合结果与本文方法融合结果阈值τ=1时的结果接近,而本文方法却可以根据不同的应用需要,在完整保留了SAR影像信息的基础上,通过调节多光谱影像信息的注入程度,为获取更能满足解译需要的SAR融合影像提供更多选择,拥有更好的鲁棒性。     

基于IHS变换与小波变换的遥感图像融合

针对多光谱图像与全色图像的融合，本文提出了一种基于IHS变换和小波变换的遥感图像融合方法。新方法首先对多光谱图像作IHS变换，得到亮度I，色度H，饱和度S三个分量；其次，利用小波变换融合方法融合多光谱图像的亮度分量与全色图像，并用融合后的图像替代多光谱图像的亮度分量；最后，作IHS反变换得到新的多光谱图像。主观视觉效果分析和客观统计参数评价分析表明，新方法的性能优于IHS变换融合方法、小波变换融合方法和PCA变换融合方法，不仅较大地增强了融合图像的空间细节表现能力，而且很好地保留了多光谱图像的光谱信息。     

基于主分量和独立成分分析的多光谱目标检测

不同材料的物体具有不同的光谱特性, 基于这一原理, 可以利用多光谱图像数据对不同的目标进行检测。对于具有相似或相同外形特征( 颜色和形状) 的物体, 利用全色图像一般达不到检测与识别的目的; 利用传统的多光谱目标检测方法, 则因计算量较大, 识别精度低等, 达不到满意的效果。提出了一种基于主分量与独立成分分析相结合的多光谱目标检测的新方法。通过对多光谱图像数据进行主分量分析, 可以降低多光谱的维数, 去掉冗余成份, 保留其主要信息; 对降维后的数据再进行独立成分分析, 提取各种目标的光谱特性, 实现目标的检测与识别。将这两种方法有机的结合起来, 发挥各自的优点, 实现对多光谱图像目标快速的检测与识别。以真假树叶( 真树叶和塑料树叶) 为例, 验证了该方法的有效性和正确性。     

基于AIHS的遥感影像融合方法及其应用研究

针对传统的AIHS变换融合算法频谱失真问题,提出了一种改进的AIHS变换方法。该方法用多光谱影像边缘加权矩阵代替原有全色影像边缘加权矩阵,将全色图像加权矩阵与多光谱图像加权矩阵进行线性组合得到新的加权矩阵,进而决定全色图像注入到多光谱图像每个频带的空间细节量,从而得到IAIHS变换的定义式,即全色图像第i个频带与空间细节量的线性组合。实验结果表明,与传统AIHS变换方法相比,IAIHS变换方法可以很好地保持光谱质量。     

遥感多光谱影像空间分解力增强的融合方法

探讨了采用HIS变换对遥感多光谱影像与航片数字化影像进行融合的方法。试验结果表明所提出的方法是确实可行的。融合后的影像不仅在很大程度上保留了原多光谱影像的光谱特征,而且将其空间分解力提高到原光谱影像的近3倍,因而增强了多光谱影像的判读和量测能力。     

TM多光谱与SPOT 全色遥感图像融合算法对比

融合技术是遥感数据处理中一种重要的方法。而TM多光谱与SPOT全色图像是遥感融合最为普遍的选择。为了对比分析不同方法在融合TM多光谱与SPOT全色图像上的效果,提出基于色彩空间的HSV变换、基于算数技术的Brovey变换和Gram—Schmidt波谱锐化3种融合方法相结合,实现了对同一传感器的全色和多光谱数据融合。试验表明:就空间信息量而言,经过HSV变换的图像具有最大的空间信息,但其光谱保真能力最差;Brovey变换最大限度保持了原始图像的光谱信息,而空间信息的详细程度较差;Gram-Schmidt波谱锐化后的影像不仅保持了多光谱影像的光谱信息,同时又保持了高光谱全色影像的空间细节信息,是一种较好的图像融合方法。