遥感中的高光谱技术及应用

简要介绍了高光谱的概念、高光谱成像光谱技术及其相关的定标技术,并介绍了有关领域中高光谱的应用,据此反映高光谱技术在遥感中的重要作用。     

高光谱遥感考古探索研究

高光谱遥感与以往遥感技术相比,具有图谱合一的特征和从可见光到热红外的一系列波段,是一种综合性的遥感技术手段.文物遗存在地面的信息一般比较微弱,高光谱遥感具有识别微弱信息和定量探测的优势,但高光谱遥感目前在考古中却未得到有效的应用.本文以秦始皇陵区为研究区,较系统地阐述了高光谱遥感在考古中的创新应用研究,以及所取得的考古成果.表明高光谱遥感技术在考古中的应用有广阔的前景.     

高光谱遥感分类与提取技术

本文介绍了高光谱遥感的特点,主要对现有的分类与提取技术进行了综述,并归纳出了其最新研究方向。主要的分类方法有最小距离法、最大似然法、人式神经网络和模糊模式等,提取技术包括光谱吸收指数、光谱角度匹配,光谱相似度等。     

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。     

航天高光谱遥感应用研究进展(特邀)

近年来随着高光谱成像技术的快速发展,航天高光谱遥感数据在各领域应用研究中取得了良好的发展与突破。文中回顾了国内外航天高光谱成像技术的发展历程,介绍了有代表性的航天高光谱成像仪的主要应用技术指标,较为系统地总结和分析了近五年来航天高光谱遥感数据在国土资源、农林遥感、海洋湖泊遥感、城市环境、灾害监测及其他方面等各领域的最新应用研究进展。对基于AI技术的高光谱信息提取与应用、基于高光谱遥感的多源数据融合与应用以及面向深空探测领域的高光谱数据分析与应用等发展趋势做了展望,未来航天高光谱成像仪技术的进一步突破和应用研究需求的牵引将会推动高光谱应用领域更大范围的创新与发展。     

高光谱遥感大气辐射校正技术的研究

为满足高光谱遥感图像定量化解译的需求,针对现有大气校正方法面临的大气参数不同步问题,对基于大气参数空间同步获取的大气辐射校正技术进行了研究。首先总结了利用卫星搭载专用大气辐射校正载荷,同步提供大气校正参数与地表反射特性的方法,从根本上解决辐射传输模型中的大气参数难以同步获取的问题。其次结合国外在轨运行的高光谱遥感卫星的调研结果,在大气校正载荷的设计—尤其是谱段选择和优化方面对载荷系统的方案特点和技术指标进行了归纳。并选取EO-1 Hyperion高光谱遥感图像进行了大气校正,从校正前后图像的视觉效果、光谱特性、典型地物的分类识别效果三方面分析了大气校正对高光谱遥感定量化应用性能的提升。最后对大气辐射校正技术的发展前景进行展望。     

地物反射波谱特征及高光谱成像遥感

依据地表物体表面外形特性,物体反射分为镜面反射、漫反射和方向反射.探讨了3类反射的特性曲线,介绍了几种典型的地物类型反射波谱特征,并对影响地物光谱反射特性变化的因素进行了概略描述,以加强对地物电磁波谱特征的认知,及开展与高光谱成像领域相关的遥感图像分析、反演和应用等方面的工作.     

高空间分辨率和高光谱分辨率遥感图像的融合

1 引言 在遥感成像系统的设计中,空间分辨率和光谱分辨率常常不可兼得,因为高光谱成像系统的光谱带宽很窄,必须用较大的瞬时视场(IFOR)才能收集足够多的光量子以维持可接受的信噪     

高光谱遥感在植被精细分类中的应用

文章论述了高光谱技术在植被遥感应用领域的若干问题，如植被“红边”定量分析及其应用、植被生物化学成分反演、植被研究中导数光谱的意义等；还利用高光谱遥感技术进行了植被生物量制图和植物精细分类试验．验证了高光谱遥感技术在植被研究中的巨大作用。     

卫星遥感技术在环境保护中的应用研究

现阶段,卫星遥感技术已经在水土大气、生态环境、废旧物品监测等领域被广泛应用,文中从卫星遥感技术在环境保护中的应用历史出发,探讨了环境保护中应用卫星遥感技术的必要性和卫星遥感技术在环境保护中的实践应用,最后提出了卫星遥感技术在环境保护中的发展对策,并对其发展前景进行了展望。     

基于谱间预测的高光谱遥感影像压缩感知重构算法

高光谱遥感影像通常包含几十或上百个光谱波段,其海量的数据给影像的存储、传输以及后续处理带来了挑战.针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合双参考波段线性预测的基于压缩感知的高光谱遥感影像重构方法.首先,将高光谱遥感影像的波段进行分组,每组确定两个参考波段,使用正交匹配追踪(OMP)算法重构每组的两个参考波段.其次,根据重构恢复的组内的两个参考波段,建立了一个基于双参考波段的线性预测模型,用来计算该组内非参考波段的预测值;然后,使用OMP算法重构实际测量值与预测测量值的差值,得到差值向量;最后,利用得到的差值向量迭代修正预测测量值,直到恢复该波段原始图像.仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果.     

超谱遥感图像的波段选择新方法

针对超谱遥感图像的高数据维给图像进一步处理带来的困难,本文构造了波段选择方法的数学模型,该方 法基于统计学原理,通过选择信息量大并且与其它波段相关性小的波段来降低超谱数据维数。本文将降低后的超谱数据进 行小波融合与K．均值非监督分类。分类结果表明,该波段选择的方法能够将保留信息丰富的波段,分类效果与使用原始 波段相比有所提高,计算复杂度大大降低。     

基于高光谱遥感技术的伪装材料的光谱特性分析

通过采集9种常见伪装材料及背景的光谱,进行基于反射率光谱的伪装材料的光谱分析和提取工作,然后对原始反射率光谱曲线和经包络线去除法变换后的曲线进行分析,并利用多种光谱差异算法对光谱数据进行计算,进而对伪装效果进行评估.通过实验得到了在可见光图像上难以区分的几组伪装目标的光谱特征差异,对伪装检测的波段选取及伪装材料的选择提供了参考依据.     

基于PROSAIL模型的高光谱遥感图像模拟研究

针对高光谱图像数据难以获取的情况,提出了一种基于PROSAIL辐射 传输模型的高光谱图像模拟方法。首先,对PROSAIL模型的输入参数进行了敏感性分析。以 此为基础,针对5个典型生化参数(叶片结构参数N、叶绿素含量Cab、叶片干物质含量Cm、类 胡萝卜素含量Car和叶面积指数LAI),基于支持向量机构建了一种基于多光谱数据的参数计算模型。其 次,根据得到的典型生化参数图,通过利用PROSAIL模型逐像元计算获得了高光谱模拟图像。 对HJ1A环境卫星的CCD1多光谱图像数据进行了实验,实现了高光谱图像数据模拟。在将等效计算后的模拟结果 与HJ1A CCD1多光谱图像数据进行对比后发现,两幅图像对应波段的 平均结构相似度都超过了95%;除了蓝光波段之外,全图的相对误差均小于10%。结果表明,本文方 法可以很好地实现基于多光谱数据的高光谱图像模拟。     

基于SSMFA与kNNS算法的高光谱遥感影像分类

 为了研究高光谱影像数据的维数约简和分类问题,提出了一种基于半监督边际费希尔分析(SSMFA)和kNNS的高光谱遥感影像数据分类算法.该方法利用有标记数据和无标记数据的信息获得数据的内在流形结构,通过SSMFA将高光谱数据从高维观测空间投影到低维流形空间,然后利用邻域内多个近邻点的信息通过kNNS分类器对低维空间中的数据进行分类.在Urban、Washington和Indian Pine数据集上的分类识别实验表明,该方法能够较为有效地发现高维空间中数据的内蕴结构,在每类随机选取4,6,8个有类别标记的样本10个无类别标记的样本的情况下,该方法的总体分类精度能够比MFA+kNNS提高0.8%~2.5%,比MFA+kNN提高2.8%~4.5%,比其他算法提高4.0%~7.0%,分类精度有了明显的提高.     

基于DE-GEP的高光谱遥感图像分类

高光谱遥感数据具有波段数目多、数据量庞大等特点.针对传统方法应用于高光谱图像分类中存在波段选择时计算量大、运行时间长,以及图像分类精度不高等问题,首先利用差分演化算法进行波段选择,有效地降低了信息的冗余和数据的维度,然后对波段选择后的结果成图,并对要识别地物的典型区域进行取样,最后采用基因表达式编程算法构建分类器进行图像分类.在波段选择中,与完全搜索的结果相比,差分演化算法可以在很快的时间里取得了较好的搜索结果,基因表达式编程在遥感图像分类中,分类结果优于传统的KNN算法.     

面向高光谱遥感影像分类的监督多流形鉴别嵌入方法

流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia （PaviaU）和Kennedy Space Center （KSC）高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.