一种基于变权重组合的光谱相似性测度

光谱相似性测度是高光谱遥感影像信息提取的关键。在欧氏距离和光谱角余弦的基础之上提出一种变权重组合的光谱相似性测度,即光谱变化权重相似性测度。这种光谱相似性测度可根据不同地物类别自动对欧氏距离和光谱角余弦测度指标配比权重。选用标准光谱库和机载OMIS高光谱影像对SCWM进行测试,并引入误分率和混淆矩阵对分类结果进行评价。结果表明,相对于仅采用一种或两种光谱相似性测度的分类方法,光谱变化权重相似性测度具有更精细的光谱识别能力。     

结合空间信息的EDCC测度光谱匹配分类方法

光谱匹配分类方法以光谱相似性测度为分类准则,一种相似性测度只对应于光谱曲线的一种特征,用于光谱匹配分类效果并不好;组合不同类型的相似性测度能够有效改善分类效果,但光谱匹配分类往往忽略了相邻像元间的相关性。为了更好地利用空间信息,提高光谱匹配分类精度,首先组合欧氏距离测度和相关系数测度,得到欧氏距离-相关系数测度;其次通过加入空间乘子,得到结合空间信息的欧氏距离-相关系数测度,从而在光谱匹配分类中增加了空间信息约束。采用两组高光谱影像进行实验验证,结果表明,相比于单一相似性测度及组合相似性测度,结合空间信息的欧氏距离-相关系数测度用于光谱匹配分类能够有效改善分类精度。     

改进相似性测度的高光谱影像FCM聚类分析

高光谱遥感将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,能够实现地面目标的精细分类识别。FCM是一种有效的聚类算法,但存在相似性测度模型单一、分类精度的提高受到限制等问题。文中结合高光谱影像的技术特点,综合考虑光谱曲线的形状、地物辐射亮度及其权重,提出可以更好描述光谱向量之间的相似性的距离测度,并将其引入到FCM聚类模型中。聚类分析试验结果表明：通过改进和优化相似性测度的FCM,可以显著提高高光谱影像聚类精度。     

结合目标分割的高光谱城市地物分类

结合高光谱影像地物光谱特征与高空间分辨率影像分割获得的目标对象进行地物分类。首先,对Hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正后,得到研究所用的155个波段;其次,利用地物光谱曲线的特征点确定适合地物识别的光谱分辨率,进行Hyperion影像降维,生成降维后所需的21个宽波段;然后,对IKONOS影像采用小波融合,利用多分辨率分割技术生成高空间分辨率影像目标对象;最后,基于层次分析法对分割后生成的目标对象进行分类,采用模糊隶属函数利用植被红边效应、水体在近红外波段吸收特征进行第1层次分类,再取距离值最大的前10个Hyperion影像波段作为标准最邻近分类的特征波段,完成第2层次分类。分类结果表明,研究区共分出9种地物类型,分类效果明显优于最大似然法分类与光谱角填图法。     

一种多特征转换的高光谱影像自适应分类方法

:光谱相似性测度用来衡量像元光谱的相似程度,是高光谱影像光谱匹配分类的重要工具之一,一般通过设置阈值判断像元光谱和参考光谱是否相似来进行分类。在此基础上,本文提出了一种多特征转换的高光谱影像自适应分类方法,实现了各种光谱相似性特征和分类器相结合的一种自适应分类。实验结果表明,本文提出的方法相比于传统的SVM方法,分类的总体精度更高,还可以避免部分传统光谱匹配分类方法中需要专家经验确定分类阈值的复杂过程。     

基于光谱曲线整体相似性测度的匹配分类

高光谱影像具有丰富的空间、辐射和光谱信息,每一个像元都可以提取出连续的光谱曲线.因此,可以通过高光谱数据与已知的参考光谱曲线波形或特征相似性对比分析的方法识别地物类型.在整体相似性测度约束下,综合考虑数值指数和形状指数,利用光谱特征向量间的差异和曲线信息熵提出了一种新的匹配分类的方法.实验结果表明,该方法具有分类精度高、适应性强的特点.     

基于光谱曲线整体相似性测度的匹配分类

高光谱影像具有丰富的空间、辐射和光谱信息,每一个像元都可以提取出连续的光谱曲线。因此,可以通过高光谱数据与已知的参考光谱曲线波形或特征相似性对比分析的方法识别地物类型。在整体相似性测度约束下,综合考虑数值指数和形状指数,利用光谱特征向量间的差异和曲线信息熵提出了一种新的匹配分类的方法。实验结果表明,该方法具有分类精度高、适应性强的特点。     

结合邻域SAC-NED测度的高光谱图像分类方法

提出了一种光谱相似性测度用于高光谱图像分类方法。通过将光谱向量进行归一化处理,将计算得到的欧氏距离与光谱角余弦的值域归化到相同区间,得到光谱角余弦与欧氏距离联合测度值(SAC-NED)。在对图像像元进行分类时,以距离加权的方式将邻域像元参与中心像元SAC-NED值的计算,将像元分到SAC-NED值最大的类别。通过与其他5种常用相似性测度方法的实验结果对比表明:该算法能够提升高光谱图像分类的准确性和稳定性。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

从支持向量机的基本理论出发,结合高光谱数据的分离性测度,提出了一种基于分离性测度的二叉树多类支持向量机分类器,并用OMIS传感器获得的高光谱遥感数据和Hyperion高光谱遥感数据进行实验,分析比较了各种多类SVM的分类精度,并和传统的光谱角制图和最小距离分类算法进行了比较。结果表明,SVM进行高光谱分类时,基于分离性测度的二叉树多支持向量机的分类精度最高。     

多/高光谱遥感图像的投影和小波融合算法

将高光谱图像与高空间分辨率图像融合后,由于融合图像空间分辨率提高,改变了混合像元内地物组分比例,像元光谱信息较原高光谱图像光谱信息会出现“失真”现象。针对这种情况,考虑混合像元内成分变化进行图像融合,首先利用投影方法模拟多光谱图像得到高光谱图像,并将模拟高光谱图像与原高光谱图像利用小波方法进行融合,融合图像不仅增强了空间信息,而且对光谱信息进行一定的修正,从而提高了环境异常探测等一系列应用的精度。利用Hyperion图像和SPOT-5图像进行融合实验,融合图像能够识别出87.2%目标区域。     

面向高光谱图像分类的半监督空谱判别分析

为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。     

高光谱遥感图像的空间邻域指数

通过高光谱遥感图像空间邻域内光谱特征的变化,研究了邻域光谱度量指数;根据邻域内端元光谱特征的变化,提出了邻域独立端元指数提取图像的空间维细节信息。通过真实高光谱遥感图像检验,两类邻域指数能够较好地提取高光谱遥感图像中的细节,为进一步结合空间维、光谱维特征的高精度目标探测与识别创造了有利条件。     

Exploiting IKONOS and Hyperion data fusion for automated road extraction

We present here the examples that show how fusing data from hyperspectral sensors with data from high spatial resolution sensors can enhance overall road detection accuracy. The fusion of hyperspectral and high spatial resolution data combines their superior respective spectral and spatial information. IKONOS (MSS) and Hyperion images were fused using the principal component analysis (PCA) method. The approach for road extraction integrates multiresolution segmentation and object oriented classification. Road extraction is done from an IKONOS (MSS) image and a Hyperion and IKONOS (MSS) merged image and comparisons are made depending on accuracy and quality measures such as completeness and correctness. This article also emphasises the types of roads which are giving better accuracy of extraction after fusion with hyperspectral image. This can vary because of types of material and condition of roads. The methodology was applied on roads of Dehradun, India.     

Automatic Pseudo-invariant Feature Extraction for the Relative Radiometric Normalization of Hyperion Hyperspectral Images

A new relative radiometric normalization approach is presented based on the spectral profile shape of hyperspectral data. We calculate the spectral similarity value of pixels at the same location using spectral angle mapping. The cumulative moving average and its differential values are used to determine the appropriate number of pseudo-invariant features automatically. Band-by-band linear regression of the pseudo-invariant features is used to refine the radiometric normalization results iteratively. We tested the algorithm using six Hyperion data subset images. The proposed method yielded stable results with similar or better performance than other methods for all test sites, when assessed by visual inspection and quantitative analysis.     

Objects Detection in Hyperspectral Images Using Spectral Derivative

In recent years hyperspectral imaging has proved its significance in the detection and mapping of various objects of interest in a scene. Various methods for object detection in hyperspectral images have been developed with their advantages and limitations. In the present study, a methodology comprising spectral derivative (first order) and spectral information divergence has been investigated for detection of objects in hyperspectral images. The efficacy of the detection scheme has been examined over two different hyperspectral data sets of Hyperion images. Tea plants (Camellia sinensis) and Sal trees (Shorea robusta) (pure pixels) have been detected as the objects of interest in the hyperspectral images independently with reduced false pixels. The proposed methodology may in future be applied for classification of mixed pixels.     

Unsupervised Segmentation of Hyperspectral Images Using Modified Phase Correlation

This letter presents hyperspectral image segmentation based on the phase-correlation measure of subsampled hyperspectral data, which is referred to as modified phase correlation. The hyperspectral spectrum of each pixel is initially subsampled to gain robustness against noise and spatial variability, and phase correlation is applied to determine spectral similarity. Similar and dissimilar pixels are decided according to the peak value of the phase correlation result to determine pixels that fall into the same segments. The approach can be regarded as a region-growing technique. The total number of segments is determined automatically according to the similarity threshold     

天宫一号高光谱成像仪系统光谱辐射校正

针对天宫一号高光谱成像仪工作原理与数据特点,提出了可见—近红外波段高光谱成像仪,短波红外波段高光谱成像仪的系统光谱辐射校正方法,给出1级标准产品数据生成流程.该过程包括:背景噪声扣除,相对与绝对辐射校正,坏列检测与修复,光谱smile校正.最后,面向光谱辐射校正后数据存储给出了数据放大系数.为天宫一号高光谱数据的标准化产品生产提供了技术支撑,为天宫一号高光谱成像仪的在轨运行、民用示范与定量化应用提供了重要基础.     

一种基于高斯马尔可夫随机场的异常目标探测方法

利用高斯马尔可夫随机场模型描述像元的邻域相关性信息,并将这种邻域信息引入到局域异常探测器中,提出了一种顾及邻域信息的高光谱遥感影像局域异常目标探测算法。实验证明,该方法克服了传统异常探测方法仅仅利用光谱信息的不足,比经典的RX算法的探测效果更好,并且可以更有效地探测出大于一个像元的异常目标。