高光谱场景辐亮度模型仿真研究

高光谱遥感的地面场景是高光谱遥感系统中影响因素最复杂多变的部分。首先基于星载高光谱遥感成像的辐射传输过程,对非均匀的朗伯表面的入瞳处大气辐亮度传输模型进行了研究,得到只需要考虑目标与邻近像元反射率,大气传输因子的辐亮度简化模型。之后介绍了大气中光子扩散原理,并采用蒙特卡洛方法对大气点扩散函数进行仿真;联合地表目标像元反射率数据计算得到基于非均匀朗伯面地表的邻近像元反射率;然后总结了大气传输模型软件MODTRAN计算入瞳处辐亮度数据的原理步骤,并利用其反演了朗伯表面的相关大气传输参数。最终利用基于传感器入瞳处的辐亮度数据表征了高光谱地面场景。     

高光谱影像光谱响应曲线分维计算

高光谱影像光谱响应曲线包含丰富的光谱特征,分形维值可以表征复杂光谱响应曲线特征,提出了步长测量法光谱响应曲线分形维值计算算法及高光谱分形特征影像的生成流程,对OMIS影像上不同类型地物样本的光谱曲线分维特征计算结果表明,分维是一种有效表达像元光谱信息的特征值。讨论了光谱响应曲线分维值对于高光谱数据处理的意义。     

基于光谱相似性的高光谱图像超分辨率算法

光谱相似性是指高光谱图像中的大量像元具有相似光谱的性质.提出了一种基于光谱相似性的高光谱遥感图像超分辨率算法,利用遥感图像中广泛存在的结构自相似性提升图像的空间分辨率,利用高光谱图像的低维子空间性通过主成分分析降低光谱维数提高运算效率,利用具有相似光谱的像元构建光谱约束项保证重建图像光谱的准确性.该算法在将单波段图像超分辨率方法推广到处理具有数百、乃至上千波段的高光谱图像过程中,既保证了重建图像光谱的准确性,又具有较高的运算效率.实验表明,与双三次插值和基于稀疏表示与光谱正则化约束的高光谱图像超分辨率算法相比,该算法具有更高的空间分辨率提升能力和更好的光谱保真能力.     

谐波分析光谱角制图高光谱影像分类

目的 针对光谱角制图(SAM)分类算法对高光谱像元光谱曲线的局部特征和其辐射强度不敏感,而且易受噪声和维数灾难影响,致使分类效率低和精度较差等缺陷,将谐波分析(HA)技术引入到SAM高光谱影像分类中,提出一种基于谐波分析的光谱角制图(HA-SAM)高光谱影像分类算法.方法 利用HA技术将高光谱影像从光谱维变换到能量谱特征维空间,并提取低次谐波分量及特征系数(谐波余项、相位和振幅),用特征系数组成的向量代替光谱向量,对高光谱影像进行SAM分类.结果 将SAM和HA-SAM同时应用于EO-1卫星的Hyperion高光谱影像分类,通过对比和分析,验证了HA-SAM的优越性,再选择AVIRIS(airborne visible infrared imaging spectrometer)高光谱影像对HA-SAM进行验证,结果表明该算法具有较强的普适性.结论 HA-SAM提高了传统SAM高光谱影像分类的效率和精度,而且适用性较强具有良好的应用前景.     

基于EXCEL的高光谱影像光谱响应分析

高光谱遥感侧重于从光谱维角度对影像信息进行分析与处理。由于目前高光谱数据的处理技术跟不上数据获取技术,而已有的成熟的多光谱影像处理技术并不适合于处理高光谱数据,因此利用EXCEL软件展开了高光谱影像的地物光谱重建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量和信息提取等研究,并基于PHI（Pushbroom Hyperspectral Imager）航空高光谱影像像元光谱维矢量进行了光谱响应分析,实现信息监测和识别。     

高光谱遥感影像纹理特征提取的对比分析

地物的"同物异谱"或"异物同谱"问题,使得仅仅依据高光谱影像的光谱信息较难得到理想的分类精度.纹理特征是地物空间分布的重要结构信息,能够一定程度上弥补光谱特征在高光谱遥感影像分类中的不足.纹理特征提取在高光谱遥感影像分类中得到了诸多发展,然而当前的纹理特征方法缺乏较为全面的对比分析.因此,选取旋转不变局部二值模式、简单...     

改进蚁群算法及其在高光谱影像分类中的研究

针对高光谱影像波段数目多,易造成维数灾难的问题,结合遗传算法提供的初始启发信息和蚁群算法寻优能力的优势,提出一种基于改进二进制蚁群算法的波段选择方法。该方法通过遗传算法寻优获取几组较优解,经过计算后作为二进制蚁群算法的初始启发式信息,利用二进制蚁群算法的全局搜索获取最优解;另一方面,为充分利用影像的光谱与空间信息,将波段组合的光谱特征与改进二进制蚁群算法选择的纹理特征融合进行分类,可以获得更高的分类精度。实验结果表明,改进二进制蚁群算法与遗传算法、蚁群算法、二进制蚁群算法相比全局搜索能力更强,且该方法分类精度达到95.63%。     

联合光谱角与组合特征参数的高光谱影像分类

光谱角匹配分类以光谱整体相似度作为分类准则,却无法充分考虑光谱的局部细节特征,导致高光谱遥感影像的分类结果存在着较大的误差.针对此问题,提出一种联合光谱角与组合特征参数(spectral angle mapping-combination characteristic parameter,SAM-CCP)的新型高光谱影...     

高光谱图像超分辨率重建技术研究进展

不同于传统图像（如灰度图像、RGB图像等）专注于保存目标场景的空间信息,高光谱图像蕴含丰富的空—谱信息,不仅可以保存目标的空间信息,还可以保存具有高可辨性的光谱信息。因此高光谱图像广泛应用于多种计算机视觉和遥感图像任务中,如目标检测、场景分类和目标追踪等。然而,在高光谱图像获取以及重建过程中仍然存在许多问题与瓶颈。如传统高光谱成像仪器在成像过程中通常会引入噪声,且获得的图像往往具有较低的空间分辨率,极大地影响了高光谱图像的质量,对后续数据分析任务造成了极大的困难。近年来,高光谱图像超分辨率重建技术研究得到了极大的发展,现有超分辨率重建方法可以大致分为两类,一类为空间超分辨率重建方法,可以通过直接提升高光谱图像的空间分辨率来获得高质量高光谱图像;另一类为光谱超分辨率重建方法,可以通过提升高空间分辨率图像的光谱分辨率来生成高质量高光谱图像。本文从高光谱图像超分辨率重建领域的新设计、新方法和应用场景出发,通过综合国内外前沿文献来梳理该领域的主要发展,重点论述高光谱图像超分辨率重建领域的发展现状、前沿动态、热点问题及趋势。     

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。     

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。     

高光谱影像波段选择算法研究

基于高光谱影像数据的特点,分析了高光谱数据的降维方法。着重探讨了波段选择的若干算法:熵及联合熵、最佳指数因子、自动子空间划分、自适应波段选择、波段指数和最优波段指数等算法。分析了各种算法的有效性、局限性和计算复杂度,并针对波段指数的不足,设计了最优波段指数(OBI)波段选择新算法。最后通过具体的试验,验证了各种算法的性能。     

基于新型光谱相似度量的高光谱影像谱聚类算法

高斯径向基函数是基于光谱向量间欧氏距离的度量,其对于同种地物光谱变化的适应性较弱,使得基于高斯径向基函数的高光谱影像谱聚类算法的性能下降。为了解决该问题,从光谱曲线形状描述出发,基于光谱角度余弦提出了一种新型光谱相似度量,并将其用于构建谱聚类算法的亲和度矩阵。最后利用多组高光谱数据进行了实验分析,结果证明了该算法的有效性。     

融合光谱-空间多特征的高光谱影像张量特征提取

针对当前基于张量结构的特征提取方法不能充分利用高光谱影像多种光谱-空间特征的问题,提出一种融合光谱-空间多特征的高光谱影像张量特征提取方法。利用3D Gabor滤波器提取不同频率和方向的纹理特征,采用形态学属性滤波器提取不同属性和尺度的形状特征,将高光谱影像光谱特征、纹理特征和形状特征结合为张量结构特征。在此基础上,利用局部张量判别分析方法增大同类特征张量之间的相似性以及异类张量间的差异性,得到融合多种空谱特征和判别信息的低维特征张量。使用Pavia University和Salinas影像数据集进行对比实验,结果表明,该方法能够有效保留影像空谱信息和类别间的判别信息,不仅可以提高分类精度,而且能够得到空间连续性更好的分类图。     

一种基于非线性增益小波滤波的高光谱影像去噪技术研究

提出了一种光谱域非线性增益的高光谱影像小波滤波去噪方法。首先对高光谱曲线进行小波变换,计算低频部分的方差并以此设定噪声和特征之间阈值,对属于噪声的高频系数置零,对属于细节特征的高频系数非线性增益,实现对高光谱曲线的滤波去噪。通过与高光谱影像均值滤波平滑法、最小二乘平滑法对比分析结果表明,该方法在噪声抑制和细节保持方面取得了较好的效果。     

利用信息熵的高光谱遥感影像降维方法

高光谱遥感影像以其众多的波段数目，为地表观测提供近乎连续的波谱数据；然而海量的高光谱遥感影像存在着大量的信息冗余，为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前，对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论，将高光谱遥感影像的各波段抽象为具有相关性的独立个体，设计了高光谱遥感影像的决策表矩阵，进而计算各波段的信息熵，量化各波段的信息量，从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求，按排序选择波段组合，从而达到降维目的。以遥感分类结果的精度评价为例，对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明，该方法相较其他特征选取降维方法，能获得更高的分类精度。     

基于新颖子波变换的高光谱遥感图像特征提取

提出了一种新颖的用于高光谱遥感图像特征提取的子波变换算法.与二进小波变换按恒Q准则划分频域不同的是,该算法通过改变相邻子波的带宽比,可以实现更为灵活的频域划分.采用子波能量的离散余弦变换作为特征矢量,然后进行无监督C均值聚类实验和有监督RBF(径向基函数)神经网络分类实验.实验结果表明,子波变换能量的离散余弦变换特征可以有效地描述光谱曲线特征,且正确分类率高于传统的小波变换.     

地面、图像光谱数据的预处理

在高光谱遥感研究中，需要地面光谱和图像光谱的结合分析处理。地面光谱的正确采集，两种光谱数据的预处理，由于与分析过程的直接联系不大，往往被忽视。其实地面和遥感所采集的原始数据并不能直接用于分析，对其的预处理涉及到格式转换、数据消噪等问题，这些都是高光谱科学分析研究的前提，关系到结果的正确性。虽然目前介绍光谱分析研究的文章和书籍很多，但是完整介绍光谱采集和预处理，并可用于实践的甚少。对于刚刚涉入高光谱领域的同学和老师，对此类问题经常感到迷茫。作者在近些年内参加了多次地面光谱采集和遥感飞行试验，对大量的地面光谱和图像光谱进行预处理。主要讲述作者通过实践过程中摸索比较，总结出的简单易行、能获得较好效果的光谱预处理方法 ,同时介绍光谱采集的正确方法。地面光谱数据为ASD-FR2500采集数据(该种野外光谱仪在国内外比较普遍)，图像数据为OMIS图像。其它光谱仪或者遥感成像仪器的数据可以类似处理。     

基于光谱曲线小波系数分维测度的高光谱影像高效分割方法

针对高光谱遥感影像处理效率的问题,提出了一种基于高光谱曲线小波分解低频系数分维特征影像和高频系数分维特征影像相结合的高光谱遥感影像分割方法。对高光谱响应曲线的分形测度进行了分析,提出基于光谱曲线小波分解高频系数的分维算法,得到多尺度高光谱分形特征影像。设计了低频系数分维特征影像和高频系数分维特征影像相结合的高光谱影像分割算法。高光谱曲线小波系数分维特征影像分割实验结果表明:该算法可取得与光谱曲线直接分形测度特征影像分割一致结果,但效率优于直接分维特征影像分割。     

基于Wasserstein距离与生成对抗网络的高光谱图像分类

近年来, 基于生成对抗网络的高光谱图像分类方法取得了很大进展. 它们虽可以缓解训练样本数量有限的问题, 但是容易受到训练数据不平衡的影响, 并且存在模式崩溃问题. 针对这些问题, 提出了一种用于高光谱图像分类的SPCA-AD-WGAN模型. 首先, 为了解决训练数据不平衡导致分类精度降低的问题, 添加了单独的分类器, 与判别器分开训练. 其次, 将Wasserstein距离引入网络, 以缓解GAN模型崩溃的问题; 在两个HSI数据集上的实验结果表明, SPCA-AD-WGAN具有更好的分类性能.