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。     

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。     

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。     

高光谱技术在血迹分类识别中的应用

利用高光谱技术对血迹种类进行无损识别研究。采用小波变换技术对400~950 nm之间的原始光谱进行去噪处理,并对处理后的光谱进行特征波段选择,建立全波段和特征波长下的血迹种类识别模型。结果表明,利用特征波长与支持向量机(SVM)结合建立的血迹种类识别模型的识别准确率及识别时间分别为98%和0.2 s,优于全波段建立的模型。研究表明,采用高光谱技术对血迹种类识别是可行的。     

高光谱遥感分类与信息提取综述

本文从高光谱遥感图像的特点与性质人手,介绍了高光谱遥感的应用情况;并对目前所采用的高光谱遥感图像分类与信息提取的算法,以及这些算法的优劣进行综述;接着,论述了投影寻踪在高光谱遥感图像分类中的可行性。     

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。     

高光谱遥感图像分类算法的研究

现如今高光谱图像分类广泛应用于遥感图像的分析。高光谱图像像素级分类是利用高光谱图像的主要特点——丰富的光谱信息,对地面物体进行逐像素的高精度类别划分。通过对高光谱遥感图像独特的高光谱信息分析,从算法研究方面,对目前高光谱图像的像素级分类的研究进展和对今后的研究方主要从辅助方法、机器学习方法、深度学习方法三个方面总结高光谱图像分类领域的研究现状。未来高光谱分类算法的发展方向将更好的结合高光谱图像的特性,形成完整的深度学习系统。     

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。     

基于地标空间信息的高光谱遥感图像分类

高光谱遥感图像同时具有光谱与空间特征信息,充分利用空间特征能够有效提高分类结果.高光谱图像上同类像素点的邻域空间信息差异较大会影响分类效果,针对这个问题提出了一种新的空间信息利用方法,记作地标空间信息.将光谱信息与地标空间信息结合使用,通过深度信念网络提取特征.实验表明地标空间信息能够有效提高深度信念网络以及对比方法的分类结果.     

基于支持向量机的高光谱遥感图像分类

多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题.本文从支持向量机基本理论出发建立了一个基于支持向量机的高光谱分类器,并用国产OMIS传感器获得的北京中关村地区高光谱遥感数据进行试验,分析比较了各种SVM核函数进行高光谱分类的精度,以及网格搜寻的方法来确定C和愕闹?结果表明SVM进行高光谱分类时候径向基核函数的分类精度最高,是分类的首选.并且与神经网络径向基分类算法以及常用的最小距离分类算法进行比较,分类的精度远远高于SVM分类算法进行分类的结果.SVM方法在高光谱遥感分类领域能得到广泛的应用.     

基于光谱复原的高光谱高空间遥感数据融合研究

文章提出了基于图像光谱复原的空间域遥感数据融合模型(SFSR),不仅大大提高了融合后各波段图像空间分辨率,而且保持融合后多光谱或成像光谱图像数据光谱特性不变.这对融合后遥感数据多光谱特性分析和基于光谱波形特征的计算机自动分类都是至关重要的.     

投影追踪方法在高光谱图像异常点检测中的应用

该文提出了一种基于投影追踪的高光谱图像异常点检测方法。它通过广义似然比检验(GLRT)模型构建二元检测算子,并利用观测数据估计出算子中代表背景的未知参数,而算子的关键参数-目标参数是通过投影追踪算法搜索异常点得到的。此算法消除了传统的基于多元统计模型的目标检测方法对先验信息的依赖,增强了算法的实用性。同时,投影追踪方法能有效的提取目标参数,进一步提高了异常点检测的效果。     

一种基于主成分分析的高光谱图像波段选择算法

提出了一种基于主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标，因此，可以保证选择的波段包含原始图像绝大部分信息，而且指标的计算只需要得到原始数据的协方差阵，而不必对原始数据进行真正的主成分变换，极大的降低了计算量。贝叶斯和K-均值分类实验表明．该算法是有效可行的。     

基于分类别PCA散度的高光谱图像分类波段选择

波段选择是去除高光谱图象段间冗余,实现降维的有效方法。该文提出了一种新的基于分类别主成分分析(PCA)散度的波段选择方法。即首先对训练集各类样本分别进行PCA变换去相关并计算散度,接着分析相应PCA变换系数获得对各类样本分类都重要的原始波段,在综合考虑波段的相关度,散度和子集规模的基础上获得最终选择波段。复杂度分析表明该方法较局部寻优的前向搜索计算量大为降低,提高了效率,并用高光谱遥感图象的分类实验进行了验证。     

Hyperspectral image classification using an extended Auto-Encoder method

This article proposes a spectral–spatial method for classification of hyperspectral images (HSIs) by modifying traditional Auto-Encoder based on Majorization Minimization (MM) technique. The proposed method consists of suggesting three main modifications. First, to construct weights of Auto-Encoder, similarity angle map(SAM) criterion is used as regularization term. It is useful to extract spectral similarity of initial features. Second, to enhance the classification accuracy, fuzzy mode is used to estimate parameters. These modifications lead to create an extended Auto-Encoder based on MM (EAEMM). Third, to improve the performance of Auto-Encoder, multi-scale features (MSF) are extracted. In comparison with some of the state-of-the-art methods, the experimental results obtained using the proposed method (MSF-EAEMM) show that it significantly improves the classification accuracy of HSI classification.     

基于改进预测树的超光谱遥感图像无损压缩方法

该文在传统预测树方法的基础上提出一种改进方法,该方法定义一个幅度拉伸因子来表达相邻波段的局部灰度变化,通过比较局部上下文梯度来估算该幅度因子,并用它对当前的预测值进行修正。此外,还结合AVIRIS超光谱遥感图像的相关性特性提出一种谱间预测和空间预测相结合的综合预测无损压缩方案,在不同波段范围内采用可选的预测方式进行预测。在AVIRIS遥感图像数据集上的实验结果表明,该方案在计算复杂度较低的情况下,能够更好地消除冗余信息,具有良好的压缩性能。     

基于低秩结构提取的高光谱图像压缩表示

为实现高效、精准的高光谱图像分类,该文利用低秩矩阵恢复从原始数据中提取低维特征,实现高光谱图像的压缩表示。针对高光谱应用的特殊性,该文算法基于结构相似性度量(Structural Similarity Index Measurement, SSIM)对矩阵恢复过程提出了信噪分离约束,有助于选择更优的模型参数,增强表示的准确性。实验证明,相比现有相关方法,该文算法能够有效去除高光谱图像中的噪声,表示结果更为鲁棒;在仅使用低维特征时,仍能达到较高的分类精度。     

MATLAB中频谱分析单元的建模与应用

在许多应用场合中，常常需要对采集到的波形进行频谱分析，本文首先对MATLAB中的频谱分析模块进行了研究与分析，然后利用该软件构造了一种使用方便、功能较强具方便二次开发的频谱分忻模块。通过对两个例了进行的频谱分析，验证了该频谱分析模块是有效的。     

基于多波段谱间预测的高光谱图像无损压缩算法

该文提出一种基于多波段谱间预测的高光谱图像无损压缩方案。首先,充分考虑到随着高光谱图像谱间分辨率的提高,其谱间相关性也越来越强烈,推导出由多个波段对当前波段做线性预测的预测器系数,然后给出快速计算求解预测器系数的算法。对AVIRIS图像进行压缩,实验结果表明,该算法压缩比高,运算速度快,具有极高的实用价值。     

Application of the maximum entropy spectrum analysis technique to signals with spectral peaks of finite width

The Maximum Entropy Spectral Analysis technique is applied to signals with spectral peaks of finite width. The Burg and Least Squares algorithms are used and in each case the performance is compared to that of a conventional Fourier method.