基于特征端元提取的像元分解方法

通过对端元概念的引申,提出了更具一般性的特征端元的概念,从而将端元方法的适用范围从高光谱数据拓展到了多光谱数据和全色遥感数据.同时改进了端元提取算法,并提出了基于特征端元提取的像元分解方法.实验结果表明,基于特征端元提取的混合像元分解方法可以得到较好的像元分解结果,并且该方法与传统的端元概念及混合像元分解结果具有良好的可比性.     

Target spectra guided spectral unmixing for hyperspectral images

针对现在高光谱图像混合像元分解方法需要对所提取的端元的物理含义进行诠释的问题,提出了一种目标光谱指导下的混合像元分解方法,并给出了其具体算法实现.该方法首先针对若干给定的、具有明确物理含义的目标光谱,将光谱识别步骤引入混合像元分解过程,建立端元光谱与目标光谱间的对应关系,其次在最小距离限制的非负矩阵分解(MDC-NMF)方法基础上,引入光谱特征距离(SFD)作为正则项,以度量和保持存在对应关系的端元光谱与目标光谱间的相似性,并给出求解相应优化问题的优化算法.分别用模拟数据和真实数据对该方法的可行性和实际混合像元分解效果进行了验证,并将其与非监督情况下混合像元分解结果进行了比较分析.实验结果表明,该方法能够在目标光谱指导下较好诠释端元的物理含义,同时解决端元提取中的病态性问题.     

实测端元光谱和多光谱图像之间的模拟与细分

地物光谱特性是遥感应用的基础。本文以渭干河-库车河三角洲绿洲为研究区,首先选取裸土、植被两类地物作为研究对象,通过TM传感器的光谱响应函数,实现了将野外实测端元光谱拟合为多光谱离散光谱。其次在对TM图像的光谱波段进行细分的基础上,利用光谱知识库的数据支持来模拟获取具有更高光谱分辨率的细分光谱光学遥感图像,深入开展两种尺度相互转换的研究。结果表明:一、拟和的多光谱与TM像元光谱具有很好的相关性,在此基础上,采用线性算法建立端元光谱与遥感图像像元光谱的转换模型,实现了从实测端元光谱尺度向遥感多光谱像元尺度的定量光谱转换,为遥感定量分析奠定了一定基础。二、细分光谱模拟图像的方法能够较为可靠的模拟出真实高光谱分辨率图像的信息,模拟方法可信,达到了推广和验证的效果。     

基于CEM的高光谱图像小目标检测算法

针对高光谱图像中小目标检测问题,提出了一种基于约束能量最小化(Constrained Energy Minimization,CEM)的目标检测算法.该算法首先对原始图像进行背景信息抑制从而抑制背景地物、突出低概率的小目标,用迭代误差分析的自动端元提取算法找出目标的端元光谱,然后把目标端元光谱代入CEM滤波器得到该目标的检测结果图.用高光谱数据进行了实验研究,并与CEM滤波器进行了比较.结果表明,其检测性能与直接采用CEM方法的检测性能相当,但是相对于CEM方法,该算法不需要目标的先验光谱信息,更具有实用性.     

基于光谱角匹配和加权自相关约束能量最小化 算法的水面目标探测方法

为实现对高光谱图像海面舰艇目标进行有效探测,通过对传统的目标探测算法进行改进,解决了加权自相关约束能量最小化算法(Constrained Energy Minimization, CEM)对于大目标地物提取效果不佳的问题.对高光谱图像做降维和端元提取处理,并利用提取的端元进行光谱角匹配(Spectral Angle Mapping, SAM)分类来确定两个重要的分类:舰船类和海水类;从所有像元中减去舰船类像元作为背景像元,通过基于纯背景像元加权自相关矩阵的SAM-CEM算法计算探测结果;通过分类图像来获得只包含海水和舰船的灰度图像,并进行二值化和数学形态学处理,寻找范围最大的白色区域为海水区域;通过对目标探测图像进行二值化,利用舰船目标在海水中的特点,去除不在海水区域内的虚警目标,从而确定最终的舰船目标.实验结果表明:该算法能够更好地增强目标信号而抑制背景信号,从而避免了加权自相关CEM算法中目标信号作为背景信号参与运算而对探测结果的影响,在对海面舰艇的目标探测中取得了令人满意的结果.     

基于核主元分析的头部姿势估计

现有头部姿势估计方法主要是基于几何分析和基于外现线性变换的方法,计算复杂、通用性不强.提出一种新的利用非线性的核变换算法进行姿势估计的方法,根据流形学习理论,不同姿势的高维人脸图像存在一低维流形结构,提取该流形结构可估计头部姿势.核主元分析是一种非线性降维算法,能够把这种流形结构嵌入到低维空间.利用核主元分析训练姿势估计曲线,然后把新图像投影到姿势曲线上,利用插值方法估计新投影点对应得姿势角度.核主元分析的方法克服了传统线性估计方法的缺点,实验证明该方法估计效果良好,并给出进一步提高估计效果的途径.     

一种目标提取新方法-光谱排序编码法

为了进一步提高光学遥感目标提取精度,拓展目标提取方法的适用范围,推进遥感智能化信息提取方法的发展,本文从谱带强度与波形特征有机结合的角度出发提出了光谱排序编码法.首先介绍了该方法的基本原理:对端元光谱与图像光谱按谱带强度大小各自进行排序的基础上,通过比较同一顺序上的波段位置的异同来计算两条光谱曲线的相似度;然后开展了与约束能量最小法(CEM)、光谱二阶导数法(SSD)的目标提取精度对比实验,结果表明该方法的目标提取精度为95%,比CEM提高了41.9%,比SSD提高了46.9%;最后利用SPOT多光谱和AVIRIS高光谱数据检验了该方法在目标提取适用范围上的能力,结果表明该方法既适用于多光谱遥感,又适用于高光谱遥感.总之,算法具有速度快、精度高、适用范围广的特点.     

基于光谱特征和纹理特征协同学习的高光谱图像数据分类

高光谱遥感图像中包含有大量的高维数据,传统的有监督学习算法在对这些数据进行分类时要求获取足够多的有标记样本用于分类器的训练.然而,对高光谱图像中大量的复杂地物像元所属类别进行准确标注通常需要耗费极大的人力.在本文中,我们提出了一种基于半监督学习的光谱和纹理特征协同学习(STF-CT)--法,利用协同学习机制将高光谱图像光谱特征和空间纹理特征这两种不同的特征结合起来,用于小训练样本集下的高光谱图像数据分类问题.STF-CT算法充分利用了高光谱图像的光谱和纹理特征这两个独立视图,构建起一种有效的半监督分类方法,用于提升分类器在小训练样本集情况下的分类精度.实验结果表明该算法在小训练样本集下的高光谱地物分类问题上具有很好的效果.     

基于光谱解混的选择性波段子集高光谱异常检测

由于高光谱图像具有高阶性和背景分布特性复杂的特点,这使得现有的算法在解决异常检测问题时存在一些不足。通过分析高光谱图像的光谱特性和空间特性,基于统计学习理论,利用光谱解混技术和子空间划分方法,提出了基于光谱解混的选择性波段子集高光谱图像异常检测算法。该算法首先利用光谱解混技术提取出对背景分布特性有严重影响的端元光谱,由此降低背景干扰突出异常目标信息;在此基础上,利用子空间划分方法将整个波段空间划分为大小不等的多个子空间,并在每个子空间内利用非高斯程度度量准则提取出富含异常目标信息的特征波段;最后,采用KRX算法作为异常检测算子完成异常目标检测。利用真实的高光谱图像对提出的算法进行实验验证,结果表明该算法是有效和合理的,具有良好的异常检测性能。     

小波域高斯混合模型方差估计近红外降噪方法

针对抑制近红外光谱噪声与保留光谱信号细节的矛盾,提出一种基于噪声方差估计的小波域降噪方法.该法对光谱信号小波域高频系数建立了两状态高斯混合模型,用EM算法估计模型系数,推证模型对噪声方差准确估计特性,将估计得到的噪声方差建立了阈值降噪模型.实验建立黄酒近红外光谱快速预测酒精度偏最小二乘模型,对比分析Penalty阈值、...