基于光谱和空间特性的高光谱解混方法

为表征高光谱数据的光谱和空间特性,引入光谱的平滑性和地物空间分布的稀疏性约束,提出非负矩阵分解的改进算法,将其应用于高光谱解混.尺度可变的梯度下降算法保证了改进算法的收敛性.实验结果表明,改进后的非负矩阵分解算法能给出地物光谱,并精确估计其分布.     

高光谱遥感数据光谱特征的提取与应用

基于特征属性与算法原理，提出高光谱遥感光谱特征体系包括光谱曲线特征、光谱变换特征和光谱度量特征三个层次．光谱曲线特征包括直接光谱编码、光谱反射与吸收特征，光谱变换特征包括植被指数、导数光谱、光谱运算特征，光谱度量特征则包括光谱角、光谱信息散度(SID)、相关系数和距离．系统比较分析了不同特征的算法原理、特点、适用情况和应用中的一些问题．     

基于双向信号子空间投影的高光谱图像虚拟维数估计

提出一种基于双向信号子空间投影的高光谱图像虚拟维数估计算法.该算法分别在高光谱图像的像元方向和波段图像方向进行信号子空间估计,虽然这两个方向上信号子空间的分布不同,但其维数均等于图像的虚拟维数.该方法不需要对信号子空间和噪声子空间进行区分,仅通过对不同方向上的信号子空间投影进行比较,获取图像的虚拟维数.仿真像元实验和实际高光谱图像实验均证明该算法改善了传统的基于单向投影的虚拟维数估计算法的性能,其性能优于常用的虚拟维数估计算法:Neyamn-Pearson检测算法和信号子空间估计算法.     

高光谱遥感数据用于水稻精细分类研究

根据水稻生长期的高光谱数据的光谱特征，设计了一个混合决策树分类算法。该算法的特征波段根据波段间的可分离性决定，算法的选择根据实际分类效果决定，波段间的可分离性根据各波段均值的归一化距离决定。最后用江苏常州市金坛良种场的高光谱图象数据做了分类实验，取得了测试样本总体分类精度94．9％的好结果。     

PHI-3高光谱数据预处理

主要介绍PHI-3高光谱遥感数据从原始数据到产品这一阶段的预处理情况.针对该数据的特点,对原始数据进行了完整性处理、格式转换、辐射校正、暗电流处理、几何校正等预处理,获得了较好的图像,为数据的进一步处理和应用奠定了基础.     

利用独立性约束非负矩阵分解的高光谱解混算法

为了克服经典非负矩阵分解目标函数的非凸性引起的局部极小值的影响,获得高光谱混合像元分解的最优解,引入端元光谱数学期望的四阶累积量和负熵的约束,提出一种端元独立性约束条件下的非负矩阵分解的高光谱混合像元分解算法(I-NMF)。非负矩阵分解采用投影梯度迭代方法。I-NMF算法既利用了非负矩阵分解的优点,又考虑了端元光谱的独立性,并且适用于无纯像元的混合像元分解。模拟和实际数据实验表明,I-NMF算法能够精确地进行混合像元分解,且抗噪声能力较好。     

高光谱图像亚像元级地物端元提取方法

针对高光谱图像中以亚像元形式存在的地物的端元光谱提取问题,提出凸面几何理论和部分非负矩阵分解相结合的端元提取方法.通过去噪的正交基子空间投影方法和相似度比较获得原始图像中的纯像元端元,利用纯像元端元光谱对图像逐点求取丰度和重构误差,对误差大于设定阈值的像素集合进行部分非负矩阵分解,求得亚像元级地物的端元光谱.实验结果表明,该端元提取方法能够弥补传统方法的不足,从而实现对亚像元级地物端元光谱的有效提取.     

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.     

体积约束的稀疏NMF高光谱解混

为了解决单纯非负矩阵分解计算繁复,收敛速度慢的问题,本文提出了一种基于自然梯度下降的体积最小及丰度稀疏约束的非负矩阵分解方法。该方法在目标函数中加入体积最小和丰度稀疏约束,可以对混合图像进行较好地分解;采用自然梯度下降的方法进行迭代,加快了算法收敛速度。实验结果表明:该方法能有效克服最小体积约束非负矩阵分解法速度慢且不稀疏的缺陷,相对于解混效果(SAD)相近的方法提速100倍,相对于解混时间相近的算法,此方法的解混精度提高0. 02°;此方法尤其适用于像元较多的高光谱图像。     

基于高光谱遥感技术的积水沉陷区水深反演模型的研究

高光谱遥感是当前内陆水监测的一个重要发展趋势,是有效地捕捉这些水体光谱信息的必要手段.在遥感空间信息技术支持下对内陆积水沉陷区的水体特征进行分析,研究叶绿素a及总悬浮物浓度随着水体深度变化的特征,分析不同叶绿素a浓度、悬浮物浓度以及悬浮物粒径对水体光谱特性的影响特点;同时还对底质对水深信息遥感提取的影响特点进行分析.在...     

基于提升格式的高光谱遥感图像压缩算法

高光谱遥感的特点是谱分辨力的提高,但其高数据维给图像进一步处理带来了困难,因此有必要对其进行有效压缩处理.该文以提升格式为基础对高光谱图像压缩算法进行了研究,充分考虑了高光谱图像的空间相关性和谱间相关性,采用自适应波段选择的谱间压缩方法,通过自适应选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量,然后采用梅花形网格分解方法构造出第二代小波变换,从而对二维图像进行空间压缩,可实现提升格式的分解和完全重构.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低,以提升格式为基础的第二代小波变换比第一代小波变换取得更好的空间压缩效果.     

超谱遥感图像的模糊最大似然分类研究

分类识别是超谱遥感图像的重要研究领域.由于超谱图像空间分辨率低,像元混合的概率大,因此采用单纯的聚类或者监督分类都不能取得好的效果.为了提高超谱图像分类的精度,提出了模糊最大似然分类算法.先用模糊C-均值法对图像进行聚类,再在聚类结果的基础上,参考真实地物图,选择训练样本,用最大似然法进行最终的分类.实验结果表明,提出的算法由于在聚类的基础上选择监督分类的样本,因而获得了关于图像的更准确的信息,最终分类结果比模糊C均值聚类高出34.38%,比最大似然分类高出10.46%.     

一种基于矢量量化的高光谱遥感图像压缩算法

压缩是高光谱遥感(hyperspectral remote sensing)图像的一个重要研究领域.文中充分考虑了高光谱遥感图像的谱间相关性较强而空间相关性相对较弱的特点,采用了自适应波段选择降维方法与基于神经网络的矢量量化方法相结合的方法对高光谱遥感图像进行压缩.首先采用自适应波段选择(Adaptive band selection)的谱间压缩方法,通过自适应地选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量.然后对降维后图像在空间进行小波变换并进行矢量量化,最后对量化后数据进行自适应算术编码.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低;基于神经网络的SOFM算法及其改进算法取得较好的空间压缩效果,实现了对高光谱遥感图像的有效压缩.     

一种高重构质量低复杂度的高光谱图像压缩感知

针对高光谱图像谱间相关性较强的特点,提出了一种基于谱间预测的压缩感知算法.编码端通过线性预测算法,估计出相邻波段的预测系数作为辅助信息传送到解码端,再对图像进行独立地随机观测和量化.解码端根据预测系数和已重构相邻波段,估计出当前波段的预测波段,用来修正重构算法的初始值和收敛准则.最后用改进的重构算法解码当前波段.实验结果表明,在相同观测值数目下,该算法的PSNR提高了大约1.2 dB,解码复杂度明显降低,而且编码复杂度低、易于硬件实现.     

基于异构模式的高光谱数据加速处理方法研究

随着遥感卫星更高时空分辨率的大气探测需求,大气遥感高光谱数据量骤增,传统高光谱数据的处理效率较低,无法满足高性能处理高光谱数据的需求.首先介绍了国内外研究者利用图形处理器(GPU)加速处理遥感高光谱数据的应用实例,然后对基于CPU-GPU异构模式的大气遥感高光谱数据傅里叶分析的并行化计算进行了研究,并进行算法实现,最后同传统基于CPU计算做了实验比较.实验结果表明,使用基于CPU-GPU异构模式的方法处理高光谱数据时,在保证数据准确性的同时速度提升80多倍,验证了将GPU加速用于处理大气遥感高光谱数据的有效性,可以更好地满足气象卫星更高时空分辨率的大气探测需求.     

基于改进2DCNN的高光谱遥感图像处理研究

针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96％,达到3DCNN的同等水平(99.36％),较改进前(97.28％)提高2.68个百分点;处理速度(5 s／epoch)和1DCNN位于同一量级,快于3DCNN(96 s／epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.     

Feature extraction for target identification and image classification of OMIS hyperspectral image

In order to combine feature extraction operations with specific hyperspectrai remote sensing information processing objectives, two aspects of feature extraction were explored. Based on clustering and decision tree algorithm, spectral absorption index (SAI), continuum-removal and derivative spectral analysis were employed to discover characterized spectral features of dif-ferent targets, and decision trees for identifying a specific class and discriminating different classes were generated. By combining support vector machine (SVM) classifier with different feature extraction strategies including principal component analysis (PCA), minimum noise fraction (MNF), grouping PCA, and derivate spectral analysis, the performance of feature extraction approaches in classification was evaluated. The results show that feature extraction by PCA and derivate spectral analysis are effective to OMIS (operational modular imaging spectrometer) image classification using SVM, and SVM outperforms traditional SAM and MLC classifiers for OMIS data.     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

Classification of hyperspectral remote sensing images based on simulated annealing genetic algorithm and multiple instance learning简

A hybrid feature selection and classification strategy was proposed based on the simulated annealing genetic algonthrn and multiple instance learning （MIL）. The band selection method was proposed from subspace decomposition, which combines the simulated annealing algorithm with the genetic algorithm in choosing different cross-over and mutation probabilities, as well as mutation individuals. Then MIL was combined with image segmentation, clustering and support vector machine algorithms to classify hyperspectral image. The experimental results show that this proposed method can get high classification accuracy of 93.13% at small training samples and the weaknesses of the conventional methods are overcome.