基于HJ-1A高光谱数据的藏北高原草地分类方法对比

环境减灾星星座A星（HJ 1A）携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少。本文基于HJ 1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA MLC和HSI SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ 1A高光谱数据的藏北高原草地分类方法中SPCA MLC法优于HSI SAM法。2种方法的分类精度皆大于80%,证明了HJ 1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力。     

基于HJ-1A高光谱数据的藏北高原草地分类方法对比

环境减灾星星座A星(HJ-1A)携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少.本文基于HJ-1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA-MLC和HSI-SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ-1A高光谱数据的藏北高原草地分类方法中SPCA-MLC法优于HSI-SAM法.2种方法的分类精度皆大于80％,证明了HJ-1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力.     

CHRIS 高光谱图像森林类型分类方法比较研究

以长白山为试验区,选择CHRIS/PROBA高光谱零度角遥感数据,在对其进行预处理的基础上,通过应用最大似然法(MLC)、最小距离法、支持向量机法(SVM)和光谱角填图法(SAM)等几种常用的高光谱遥感分类方法对影像进行森林类型分类。利用混淆矩阵对分类结果进行验证,结果显示:在高光谱遥感森林类型分类中,SVM总体分类精度最高,为84.60％;其次是MLC,为 83.53％,最小距离法73.81％,SAM 56.49％。Kappa系数从高到底为:SVM 0.78,MLC 0.77,最小距离法0.68,SAM 0.52。经过比较分析,得出SVM分类方法精度最高,这表明该方法用于高光谱遥感森林分类中的实用性和优越性。     

基于高光谱数据的河北滦平地区岩性信息提取方法试验研究

Hyperion高光谱数据在蚀变矿物填图方面已广泛应用,而在岩性信息提取方面应用较少.本文以河北滦平地区的Hyperion高光谱数据为数据源,通过对预处理后的Hyperion数据进行最小噪声分离变换(MNF),计算纯净像元指数(PPI),N维光谱空间特征端元采集,结合野外光谱采集进行光谱分析识别端元,最后用光谱角(SAM),光谱信息散度(SID)和二值编码(BE)3种方法进行岩性分类.与已知地质图叠加,通过分类图中不同岩石类型颜色边界与地质图岩性界线吻合程度以及与研究区地质解译分类图的对比来比较3种分类方法.结果表明,SAM方法的分类吻合程度高于其他两种方法,SAM方法是一种有效的高光谱遥感岩性分类方法.     

小波包信息熵特征矢量光谱角高光谱影像分类

目的 针对高光谱数据波段多、数据存在冗余的特点,将小波包信息熵特征引入到高光谱遥感分类中。方法 通过对光谱曲线进行小波包分解变换,定义了小波包信息熵特征矢量光谱角分类方法(WPE-SAM),基于USGS光谱库中4种矿物光谱数据的分析表明,WPE-SAM可增大类间地物的可区分性。在特征矢量空间对Salina高光谱影像进行分类计算,并讨论了小波包最佳分解层的确定,分析了WPE-SAM与光谱角制图(SAM)方法的分类精度。结果 Salina数据实例计算表明：小波包信息熵矢量能较好地描述原始光谱特征,WPE-SAM分类方法可行,总体分类精度(OA)由SAM的78.62%提高到WPE-SAM的78.66%,Kappa系数由0.769 0增加到0.769 5,平均分类精度(AA)由83.14%提高到84.18%。此外,通过Pavia数据验证了WPE-SAM分类方法具有较强的普适性。结论 小波包信息熵特征可较好地表示原始光谱波峰、波谷等特征信息,定义的小波包信息熵特征矢量光谱角分类方法(WPE-SAM)可增大类间地物可区分性,有利于分类。实验结果表明,WPE-SAM分类方法技术可行,总体精度及Kappa系数较SAM有一定的提高,且有较强的普适性。但WPE-SAM方法精度与效率有待进一步提高。     

多光谱遥感影像的SAM-SID混合分类技术研究

以SPOT 5多光谱影像为数据源,通过与SAM、SID以及常规的最大似然法(ML)和最小距离法(MD)的对比,研究了基于SAM-SID混合法的土地覆盖多光谱遥感分类技术。研究结果显示,相比于SAM和SID,SID(TAN)和SID(SIN)两个SAM-SID混合参量对多光谱影像上地物识别的能力更强,尤以SID(SIN)的识别能力最强;基于SID(SIN)的多光谱遥感分类验证精度达78.94%,不但明显高于SAM和SID法,而且也高于常规的MD和ML监督分类方法。这说明SAM-SID混合分类方法不但适用于高光谱遥感分类,同时在多光谱遥感分类中也有很强的适用性。     

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.     

基于无人机高光谱影像的三江源草种精细识别研究

草种精细识别对三江源区草地生态系统退化监测具有重要意义。基于无人机高光谱遥感系统,获取三江源草地退化典型区的高光谱影像。在对原始光谱特征利用XGBoost进行优化选择的基础上,结合扩展形态学属性剖面特征,利用稀疏多项式逻辑回归与自适应稀疏表示两种分类方法分别对影像上的不同可食与毒杂草种进行精细识别,在此基础上提出形状自适应的后处理方法对识别结果进行平滑处理。结果表明：①利用XGBoost方法选择出重要性高的光谱特征能提升高光谱数据的识别效果并节省运行时间;②利用空间—光谱特征的识别方法相较于仅利用光谱特征的方法可以有效改善草种识别效果,使总体精度提升4%~5%;③利用两种稀疏表示方法在小样本的情况下对草种精细识别的精度分别达到94.07%、93.15%,利用形状自适应后处理方法能有效提高多种毒杂草种的识别精度,使得总体精度分别提升约1.64%和1.12%。基于特征挖掘的稀疏表示分类方法能实现高精度的无人机高光谱影像草种精细识别,为更大范围的草原物种精细识别提供了技术支撑。     

非线性主折线分类器及其在高光谱遥感图象分类中的应用

高光谱遥感数据的分类在理论和实践方面都有许多值得研究的地方.尤其是随着光谱分辨率的提高,地物类别的可区分性程度也应有较大的提高.但传统的基于诸如主成分分析等的特征提取算法只能提取数据的线性结构,随着高光谱遥感光谱分辨率的提高,不同地物的高光谱遥感数据往往呈现复杂的非线性分布特性,从而使得某些地物在线性结构上无法区分.本文将构造一种非线性主折线分类算法,可以揭示数据的非线性分布结构,以便提高地物的分类精度.     

高光谱遥感数据光谱特征提取算法与分类研究

针对高光谱数据的特点,探讨了高光谱数据特征提取的若干算法,重点研究了导数光谱和光谱编码技术,并从地物光谱曲线中提取了其光谱吸收特征.对同类曲线特征求交得到识别地物的有效特征;对不同类曲线特征求交得到区分不同类地物的有效特征.最后基于提取的特征建立了地物识别决策树,从而达到快速识别分类地物的目的,能够实现依据地物光谱特征的地物识别与分类.     

Mapping an inland wetland complex using hyperspectral imagery

The goal is to determine the extent to which heterogeneous inland wetland vegetation communities and their dominant species, as well as adjacent upland vegetation types, can be mapped using 4‐m hyperspectral Compact Airborne Spectrographic Imager (CASI) data. Two classification algorithms, the maximum‐likelihood classifier (MLC) and the spectral angle mapper (SAM), are applied to CASI data acquired over an inland wetland complex located in southern Ontario, Canada. Application of the MLC algorithm to all bands of the CASI data produced better classification results than use of the SAM. Using the MLC, 10 classes were identified with an overall accuracy of 92%. This approach permitted differentiation between areas of shrub‐dominated vegetation communities, floating aquatic communities, emergent aquatics and shallow open water. In the SAM classification, 11 image‐derived spectral endmembers were generated. Wetland classes identified were shrub‐dominated wetlands, floating aquatic vegetation communities, shallow open water and moderately turbid shallow open water. Upland vegetation types were accurately mapped with both algorithms. Reasons why the SAM did not perform as well as the MLC in this complex environment are suggested. It is concluded that high‐resolution hyperspectral data can provide information needed by wetland managers about inland wetland plant communities and their dominant species.     

三江源区不同土壤类型有机质含量高光谱反演

近年来高光谱遥感技术被广泛运用于土壤有机质含量反演的研究中。基于三江源区玉树县和玛多县采集的146个土壤样品的室内ASD FieldSpec 4实测光谱数据及4种变换形式,利用偏最小二乘回归(PLSR)和人工神经网络(ANN)建立土壤有机质含量高光谱预测模型。结果表明:ANN模型反演土壤有机质含量的整体精度高于PLSR模型,总均方根误差均在17.51以下;但是,不同土壤类型的最佳反演模型及指标却有所差异:高山草甸土和沼泽土的最佳反演模型和指标均为ANN模型和BD指标,模型总均方根误差分别为10.29和3.29;高山草原土的最佳反演模型是PLSR模型,最佳指标是REF指标,模型总均方根误差为5.59;山地草甸土的最佳反演模型为〖JP2〗PLSR模型,最佳指标为BD指标,模型总均方根误差为4.68。研究发现,利用ANN模型和PLSR模型都能较好地预测三江源区4种土壤类型的有机质含量,而波段深度则是该区域的最佳反演指标。〖JP〗
     

基于包络线消除的高光谱图像分类方法研究

在高光谱遥感中,包络线消除法一般仅局限于对单个像元的光谱进行光谱分析,从中提取出有助于分类识别的特征波段。而该文则以包络线消除算法为基础,应用VC++语言编程实现了对整个高光谱图像文件去包络、归一化并且提取出分类的特征空间的功能,并且针对原图像文件和去包络线后的图像文件,比较了应用最大似然分类法和光谱角度匹配法进行分类的结果。     

Classification of complex environments using pixel level fusion of satellite data

The present study reports classification and analysis of composite land features using fusion images obtained by fusing two original hyperspectral and multispectral datasets. The high spatial-spectral resolution, multi-instrument and multi-period satellite images were used for fusion. Three pixel level fusion based techniques, Color Normalized Spectral Sharpening (CNSS), Principal Component Spectral Sharpening Transform (PCSST) and Gram-Schmidt Transform (GST), were implemented on the datasets. Performance evaluations of three fusion algorithms were done using classification results. The Support Vector Machine (SVM) and Gaussian Maximum Likelihood Classification (MLC) were used for classification using five types of images, viz. hyperspectral, multispectral and three fused images. Number of classes considered was eight. Sufficient number of ground field data for each class has also been acquired which was needed for supervise based classification. The accuracy was improved from 74.44 to 97.65% when the fused images were considered with SVM classifier. Similarly, the results were improved from 69.25 to 94.61% with original and fused data using MLC classifier. The fusion image technique was found to be superior to the single original image and the SVM is better than the MLC method.

     

基于经验模分解高光谱图像数据尺度变换的光谱保真性分析

经验模分解是具有自适应性特点的尺度变换方法。高光谱图像数据近乎连续的光谱是开展信息提取的重要信息来源,然而尺度变换会使光谱发生变化。因此,分析EMD尺度变换后高光谱图像数据的光谱保真性具有重要意义。应用CHRIS高光谱图像数据,使用光谱相关系数、光谱偏差、光谱相对偏差和光谱角等评价指标,开展EMD升尺度图像及其典型地物的光谱保真性实验,并将EMD与Mallat小波变换光谱保真性比较。实验结果得出:11~10级EMD尺度变换后图像整体光谱保真性都较好,相关系数均在0.979以上,偏差小于55,相对偏差小于0.036,光谱角在0.041以内;2图像光谱保真性随EMD尺度变换次数增加而略有降低,且前4级变换光谱失真相对明显,后续降幅微弱;31~10级尺度变换后7种湿地典型地物的光谱保真性都较好,其中芦苇和河流的光谱保真程度较突出,养殖水面的相对不理想;4EMD与小波变换光谱保真性比较,随着变换次数的增加EMD表现出相对稳定且较小的光谱失真。     

A hierarchical approach to Compact Airborne Spectrographic Imager (CASI) high-resolution image classification of Little Miami River Watershed for environmental modelling

Compact Airborne Spectrographic Imager (CASI) hyperspectral imagery was acquired over the Little Miami River Watershed in Ohio, USA, which was one of the largest hyperspectral image acquisitions. A hierarchical approach was employed using two different classification algorithms: ‘image object segmentation’ for level 1 and ‘spectral angle mapper’ (SAM) for level 2. This classification scheme was developed to overcome the spectral inseparability of urban and rural features and to deal with radiometric distortions due to cross-track illumination. The land‐use/land‐cover (LULC) classes were urban/built, corn, soya bean, wheat, forest, dry herbaceous, grass, lentic, lotic, urban barren, rural barren and unclassified. The final phase of processing was completed after an extensive quality assurance and quality control (QA/QC) phase with 902 points. The overall accuracy was 83.9%. The data set was made available for public research and application; certainly, this product represents an improvement over more commonly utilized, coarser spatial resolution data sets such as National Land Cover Data (NLCD).     

高光谱影像的BDT-SVM地物分类算法与应用

面对海量数据的特征空间高维性及训练样本的有限性,高光谱遥感影像若采用常规统计模式的分类方法难以获得较好的分类结果。因此探讨支持向量机(SVM)分类器的基本原理,针对EO-1Hyperion高光谱影像的分类特点及现有多类SVM算法所存在的训练时间长及分类精度低等问题,引入二叉决策树SVM(BDT-SVM)分类算法,并提出一种新的类间分离度定义方法及相应的客观确定二叉树结构的策略,由此生成改进的BDT-SVM算法。实验结果表明:与其他多类分类方法相比,基于改进的BDT-SVM算法的高光谱影像地物分类效果更好,总体精度达到90.96%,Kappa系数为0.89,该算法还解决了经典SVM多类分类可能存在的不可分区域问题。