端元约束下的高光谱混合像元非负矩阵分解

提出一种端元约束条件下的非负矩阵分解方法来自动反演混合像元组分。以端元光谱之间的差距为约束条件,使得目标函数综合了影像的分解误差和端元光谱的影响,并以最大后验概率方法导出了限制性非负矩阵分解的迭代算法。成像光谱数据实验结果表明该方法能够自动提取影像的端元光谱矩阵与组分信息,且分解精度比IEA方法高。     

一种高光谱遥感影像端元自动提取方法

针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解。利用北京昌平地区的OMIS高光谱遥感数据进行了验证,结果表明算法可行有效,自动化程度较高,作为训练样本进行分类能够获得较高精度,优于常规方法。     

一种自动获取端元的RMS误差迭代改进算法

端元提取是混合像元分解算法中的关键技术之一,端元的质量直接影响分解结果的精度。本文对基于均方根(RMS)误差分析迭代提取端元的算法进行了改进,提出在端元选择时,增加像元纯净指数(PPI)、光谱矢量距离以及RMS误差值作为约束条件。利用南京地区2002年TM遥感影像作为试验数据,用本文提出的方法提取各组分丰度图,结合V-I-S模型以及研究区的实际情况,分析所提取的各组分丰度空间分布合理性,参考同期IKONOS影像解译结果,对改进前后的分解算法进行精度比较。试验结果表明:基于改进法得到的各组分结果精度较好,其与实测值的回归曲线在相关系数、斜率以及截距方面均得到了较明显的改善,但对于光谱非线性混合现象较严重的地物仍存在一定局限性。     

基于异常探测的高光谱端元提取方法研究

端元提取是高光谱影像分析重要且具有挑战性的任务,是解决高光谱图像混合像元分解关键的步骤。现行的高光谱端元提取算法在端元提取过程中,异常像元同时加入到端元数组中,如何有效区分异常与端元,成为高光谱遥感端元提取的瓶颈,也是提高高光谱图像混合像元分解精度的关键因素。提出一种基于异常探测的高光谱端元提取方法,首先利用RX算法对原始影像进行异常探测,根据异常探测的结果剔除一定数量的像元,将剔除的像元用原始图像均值向量替代,再对影像进行正交子空间投影(OSP)提取端元。实验表明,该方法能够有效区分异常与端元,抑制异常像元参与端元提取,同时处理后的图像端元提取的结果受异常处理的影响很小,证明了去除异常信息后提取端元的可行性。     

基于元胞自动机模型的遥感图像亚像元定位

由于遥感图像中普遍存在混合像元,因此传统分类方法得到的结果通常会存在较大误差,应用混合像元分解技术,虽然可以得到混合像元中各端元组分的丰度,但是却不能得到各端元组分的空间分布状态,而亚像元定位则是在混合像元分解的基础上,将混合像元剖分为亚像元,再利用端元组分的丰度及像元空间分布的特点,将亚像元赋予不同端元组分来得到各端元组分的空间分布情况,以提高遥感图像分类的精度。为了更好地解决亚像元定位问题,结合亚像元定位的理论模型,提出了一种新的元胞自动机模型,并通过模拟数据和实际数据对该模型进行了检验,结果表明,该模型是一种简单有效的解决亚像元定位问题的方法。     

基于修正MCMC的端元可变的混合像元分解算法

传统的混合像元分解一般是基于固定端元的,然而实际上影像中像元并非都由完全相同的端元组成。基于波谱库,将端元选取和丰度反演合为一个步骤,抽象成一个估计参数的随机过程,在端元数目可变的前提下,基于可逆的跳跃式MCMC方法估计参数,从波谱库中选取端元并对混合像元进行线性解混。在状态转移过程中,加入端元的累积知识,以提高算法效率。这种算法不需要人工干预,能够实现自动化像元分解,并且具有较高的精度。实验表明,基于修正MCMC的端元可变的自动化解混算法在分解精度和稳定性方面均优于基于固定端元的混合像元分解方法。     

针对ETM基于BP网络像元分解模型分类研究

限制遥感图像分类精度的一个主要原因是混合像元问题。因此像元分解也一直是遥感研究的一个热点问题。本针对传统像元分解方法的缺点，首先对影像进行纯净像元提取，再对混合像元进行分解。在提取纯净像元时，利用ETM影像的全色波段和单波段不同的分辨率选取训练样本，从而克服了传统像元分解中需要两种影像或地面实测资料的缺点。然后用BP神经网络对混合像元进行分解。同时用民乐县的ETM影像作了试验。又利用对应的土地利用图作了验证。取得了比较好的效果。     

端元光谱变化与混合像元分解精度的关系研究

从误差传播理论的角度,分析了多选端元光谱、漏选端元光谱以及端元内部光谱变化等情况与混合像元分解精度之间的关系。然后用数值模拟的方式进一步研究了端元内部光谱与限定性混合像元分解精度的关系。研究结果表明:(1)端元光谱间差距越大,端元光谱内差距越小,则混合像元分解精度越高;(2)如果漏选了端元光谱会造成很大的模型误差,然而多选端元光谱却仍然是端元组分的无偏估计。数值模拟结果表明混合像元分解精度与端元类内变化的方差存在负相关的特点。最后就理论推导的结论,讨论了提高混合像元分解精度的可能方法。     

利用混合像元分解结合SVM提取城市绿地

从遥感图像提取城市绿地是准确获取城市绿地空间分布的基础。然而由于混合像元的存在,导致城市遥感分类精度不高。因此,利用混合像元分解结合SVM（支持向量机）法提取北京市TM图像城市绿地,并与决策树法比较,研究提高遥感提取城市绿地精度的方法。结果表明,该方法较适合复杂高维空间,对样本选取的准确性没有那么苛刻,可有效地处理城市遥感图像存在的混合像元问题,可较准确地提取城市绿地信息,其精度在92%以上,优于决策树法。     

基于一种改进的多端元混合像元分解方法的三江源中东部地区植被盖度信息的提取

三江源地处青海省南部,近年来生态环境不断恶化、草地退化严重。植被盖度是研究草地退化的重要指标之一,如何快速、准确、大面积地获取植被信息对三江源的生态环境变化监测尤为重要。传统的固定端元混合像元分解(TSMA)不适用于地域辽阔、地物类型复杂多样的三江源区,而多端元混合像元分解(MESMA)允许端元的类型和数量随像元的不同而变化,更符合三江源的实际情况。基于已有相关研究提出一种改进的多端元混合像元分解(IMESMA),即加入端元组分合理性最优端元模型判断规则,分两步对影像进行分解并获得像元的植被盖度信息。第一步利用多端元模型探测出含有植被信息和完全不含植被信息的像元,并对非植被像元进行掩膜,以提高分解精度;第二步仅对含有植被信息的像元进行分解,获得最终的三江源中东部植被盖度信息。通过多端元分布图、混淆矩阵和与实测数据的均方根误差(RMSE)对比表明,相比TSMA,IMESMA考虑了同物异谱现象,并且其分解精度高、分解结果可信,更适合三江源区的植被信息提取。本方法也可用于其他复杂环境地表组分信息的提取。     

基于线性光谱混合模型(LSMM)的两种不同端元值选取方法应用与评价——以广州市为例

通过分别采用纯像元指数(PPI)和手动选取端元这两种不同的方法获得了2003年广州市区的植被、水体和不透水层3种端元,然后利用线性波谱分离法得到各个端元的丰度图像和均方根误差图像,从而获得广州市老八区不透水层的分量图。另外,还对比分析了基于线性光谱混合模型（LSMM）两种终端单元的选取方法的优缺点,并从定性的角度对所得结果进行精度评价。结果显示:基于线性光谱混合模型（LSMM）的方法获得广州市老八区不透水层的分量图是可行而有效的;手动选取端元的方法比纯像元指数（PPI）能够得到更高精度的分量图。     

表面肌电信号的降噪处理

表面肌电信号是一种易受多种噪声影响的生物电信号,其中以工频干扰、基线漂移、白噪声等干扰尤为严重.通过分析噪声干扰的特点,结合表面肌电信号特征,选取频谱插值法在频域内消除了工频干扰;利用形态学滤波的开闭运算得到基线漂移特征,从而滤除了基线漂移;基于经验模态分解(EMD)得到的本质模态函数分析消除了白噪声.实验结果表明:上述滤波方法在不损坏有用信号的前提下,可以实现较为满意的滤波效果.     

航空遥感技术系统某些灾害监测中的应用

以地震，洪水和森林火灾等突发性自然灾害的遥感监测为研究目标，简要论述了航空遥感技术系统的一些应用示例。航空遥感技术系统具有机动灵活和快速反应能力，在灾害的实时动态监测中的发挥重要作用，根据不灾种选择相应的传感器配套系统，快速地到达灾区获取灾情图像；通过机－地传输系统将图像快速传输到地面接收站，地面快速图像处理系统实施快视，图像预处理和人－机交互解译，确定受灾程度及空间分布，供当地政论在实施救援活动     

消除局部极值的多尺度形态学肝脏肿瘤CT图像分割方法

针对肝脏CT图像中因灰度不均、边缘模糊等造成肿瘤难以准确分割的问题,提出了一种消除局部极值的多尺度形态学分割方法。首先利用面积算子对图像进行预处理,在平滑图像的同时,保持目标区域的边缘信息;其次融合梯度图像中不同极值的邻域统计信息和形态属性(深度和尺度)区分极值,通过设定不同大小的结构元素,对不同极值采用多尺度结构元素进行闭运算,在消除伪局部极值的同时实现图像的自适应修正;最后利用分水岭变换分割肝脏肿瘤。实验结果表明,该方法能够在保持图像边缘的同时,有效减轻过分割现象,实现肝脏肿瘤的准确分割。     

新疆干旱区绿洲土壤盐渍化信息提取对比研究

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。以渭干河-库车河三角洲绿洲为例,利用ETM+数据,探讨了该绿洲盐渍化土地覆盖信息的提取方法。提出了基于SVM的光谱和纹理两种信息复合的分类方法,通过此方法对该绿洲进行分类研究,并将分类结果与最小距离法、最大似然法(MLC)、神经网络法(Neural net)和单源数据(光谱)SVM分类结果进行定性和定量比较分析。研究结果表明：该方法能够有效地解决单数据源分类效果破碎、分类精度不高等问题,并对高维输入向量具有较高的推广能力。总精度达到93.179 5%,比单源信息的SVM分类法提高了3.161 8%,比最大似然法提高了4.825 2%,比神经网络法提高了7.475 6%,而与最小距离法相比,总精度甚至提高了11.102 9%,取得了良好的效果。与传统的分类方法的比较表明,文中所提出的分类方法具有明显的优越性和良好的前景,因此该方法更适合于遥感图像分类和盐渍化信息提取,是地物遥感信息提取的有效途径。     

基于形态学属性剖面的高光谱影像集成分类

传统高光谱遥感影像逐像素分类方法未考虑像元之间的空间关联性且泛化性能较低。形态学属性剖面是表征影像空间结构的有效方法,同时集成学习可显著提升分类算法的泛化能力。为了在高光谱影像分类中充分利用影像的空间信息并提高分类的稳定性,提出一种基于形态学属性剖面高光谱遥感影像集成学习分类方法。首先,用主成分分析和最小噪声变换进行特征提取,并借助形态学属性剖面获取影像的多重空间特征;然后用极限学习和支持向量机的方法进行分类;最后将多个分类结果以多数投票的方式集成。区别于已有集成学习方法,综合考虑了不同特征提取和不同分类方法的联合集成,并将形态学属性剖面引入其中以充分利用影像的空间信息。采用AVIRIS和ROSIS两组高光谱数据检验该方法的分类性能,实验结果表明该方法可获得高精度和高稳定性的分类结果,总体精度分别达到83.41%和95.14%。     

针对医学重构模型的3D分割及压缩算法

提供便捷的交互手段,从3D重构模型中精确分割感兴趣区域,为医生术前手术规划提供更为直观和准确的诊断信息。利用VTK（Visualization ToolKit）开发包构架系统平台,采用3D区域生长法分割感兴趣部位,结合数学形态法消除数据的病态关联,实现精确分割,进一步修改数据掩模完成分割后数据的压缩存储。实验证明了上述算法的有效性,可得到良好的3D分割效果。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

基于多尺度2D Gabor小波的视网膜血管自动分割

眼底视网膜血管分割对临床视网膜疾病诊断具有重要意义. 由于视网膜血管结构微小, 血管轮廓边界模糊, 加上图像采集时噪声的影响, 视网膜血管分割非常困难. 本文提出一种视网膜血管自动分割新方法. 首先, 应用对比度受限的自适应直方图均衡法增强视网膜图像;然后, 采用不同尺度的2D Gabor小波对视网膜图像进行变换, 并分别应用形态学重构 (Morphological reconstruction, MR)和区域生长法 (Region growing, RG)对变换后的图像进行分割; 最后, 对以上两种方法分割的视网膜血管和背景像素点重新标记识别, 得到视网膜血管最终分割结果. 通过对DRIVE和STARE数据库视网膜图像的分割实验, 证明了该算法的有效性.     

基于ICA和NFL与NN联合分类器的人脸识别

提出了一种基于最近邻特征线(NFL)与最近邻(NN)联合分类器进行人脸识别的方法。首先对人脸图像用主成分分析(PCA)降维,然后用快速独立变量分析(FastICA)提取独立基,分类时采用最近邻特征线和最近邻分类器的联合分类器进行分类。该方法综合了NFL和NN的优势,充分利用了同类之间相似,距离最短的性质。实验表明此方法提高了人脸识别率,是一种可行的人脸识别方法。