使用量子优化算法进行高光谱遥感影像处理综述

高光谱遥感技术从20世纪80年代出现以来,已迅速成为对地观测的重要组成部分,其影像信息提取是地物信息提取的主要数据来源。高光谱遥感影像除提供地物的空间信息之外,其成百上千个波段携带的光谱信息所提供的光谱诊断能力可以对地物目标进行精细化解译,大大增强了对地物信息的提取能力。充分利用高光谱遥感影像丰富的光谱信息对地物目标进行精细化解译成为近年来遥感领域的研究热点。对基于量子优化算法的高光谱遥感影像处理方法进行阐述,介绍了量子优化算法的发展与技术,并概括了其在高光谱遥感影像中的应用,并对量子优化算法在高光谱遥感影像处理中的应用发展提出建议和展望。     

基于深度学习的高光谱遥感图像混合像元分解研究综述

高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术,它能够同步记录成像区域内地物的空间信息和光谱信号,故而也称为“成像光谱遥感”。高光谱遥感所获取的数据称为“高光谱遥感图像”,相较于传统的遥感数据,高光谱遥感图像具有光谱分辨率高和“图谱合一”的特点,目前已成为遥感工程应用中的重要支撑数据之一。然而,受空间分辨率限制,混合像元（即某一像元内包含多种类型的地物）问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用。混合像元分解（“解混”）是现阶段处理混合像元问题最有效的分析方法,旨在从亚像元角度出发,获取像元中纯净的光谱信号（“端元”）,并分析出各类端元在像元内所占的比例（“丰度”）。在遥感领域,为实现地物信息精细化解译,目前已发展出不同类型的解混方法,在一定程度上解决了混合像元问题对遥感定量化分析的制约。如今,随着深度学习的发展,越来越多的先进理论和工具被用于处理混合像元问题,发展出了一类基于深度学习的新型解混方法。这些新方法以光谱混合模型为桥梁,用深度学习方式来解译光谱混合现象。相比于传统的解混方法,基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势,对先验知识依赖程...     

基于背景建模与异常判别的高光谱目标探测研究

高光谱遥感图像在采集过程中既获得了场景空间分布信息,又以近似连续的方式记录地物的光谱信息.高光谱目标探测研究正是利用了数据光谱分辨率高、细微特征表达精确的优势,根据不同地物间的诊断性信息进行探测.近些年,机器学习与优化分析理论的发展为高光谱图像处理增添新的活力.本文从高光谱遥感图像目标探测基本理论及发展难点切入,针对光...     

高光谱遥感图像亚像元信息提取方法综述

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。     

高光谱遥感图像本征信息分解前沿与挑战EI北大核心CSCD

高光谱作为一种图谱合一的成像技术,在对地观测、航空航天领域具有十分重要的应用。然而,作为光学遥感的分支,高光谱成像易受到大气、光照等因素的影响。高光谱图像本征信息分解旨在抑制复杂环境因素对地物光谱与空间特征的影响,准确提取并表征观测场景最本征的光谱与空间信息,提升高光谱图像识别与解译性能。本文主要对代表性的高光谱图像本征信息分解的模型和方法进行综述,系统地分析了各种典型方法的原理及优缺点,进一步阐述了实际遥感应用中现有本征信息分解面临的挑战性难题,并结合遥感实际应用,对高光谱图像本征信息分解技术的发展趋势进行了展望。     

高光谱图像处理与信息提取前沿

高光谱遥感是对地观测的重要手段,高光谱图像处理与信息提取技术则是高光谱遥感领域的核心研究内容之一。本文简要介绍了高光谱遥感的主要特点,系统梳理了高光谱图像处理与信息提取面临的关键问题和主要研究方向,在此基础上,从噪声评估与数据降维方法、混合像元分解方法、图像分类方法、目标探测与异常探测方法等4个方面对高光谱图像处理与信息提取的理论发展过程和最新前沿进展进行了综述。另外,还对高光谱图像处理与信息提取中的高性能处理技术进行了总结和分析。未来,伴随着智能化信息分析和高性能硬件处理技术发展,高光谱遥感卫星系统也将步入智能化时代。针对这一趋势,本文指出高光谱图像处理与信息提取方法要注重多学科交叉,充分利用机器学习、人工智能等领域的新成果;要重视软硬件结合,发展高光谱图像高性能实时处理技术;要紧密结合应用需求,发挥高光谱遥感的优势和特点,发展新理论和新方法。     

高光谱成像遥感载荷技术的现状与发展

高光谱成像技术可同时获取地物的几何、辐射和光谱信息,集相机、辐射计和光谱仪能力于一体,相比光学空间二维成像,可对地物进行空间和光谱三维成像,在一定的空间分辨率下,获取宽谱段范围内地物独特的连续特征光谱,对地物的精细分类和识别具有突出的优势,目前已成为对地遥感的重要前沿技术手段,在自然资源调查、生态环境监测、农林牧渔、海洋与海岸带监测等领域发挥着越来越重要的作用。随着高光谱遥感应用的深入研究,对高光谱成像遥感仪器的光谱范围、幅宽、光谱分辨率、空间分辨率、时间分辨率与定标精度等指标提出了新的要求。同时满足这些相互制约的参数指标,是国内外高光谱载荷研制中一直难以突破的技术难点。本文主要对国内外的高光谱成像遥感载荷技术进行了综述,介绍了国内外典型的机载、星载高光谱成像遥感仪器,以及近年来发射、正在研制和计划发展的星载高光谱成像载荷,并分析了这些载荷的技术方案、性能指标和应用效果;介绍了声光调谐（AOTF）、液晶调谐（LCTF）、法布里—珀罗调谐（FPTF）,渐变式（LVF）和阶跃式（ISF）光楔滤光片,压缩感知光谱成像等新型分光技术,并分析了它们各自的技术优缺点以及应用于高光谱成像的可行性和现状;最后展望了高光谱成像载荷技术的发展趋势。     

光学遥感影像道路提取的方法综述

道路信息在多个应用领域中发挥着基础性的作用。光学遥感影像能够以较高的空间分辨率对目标地物进行精细化解译，可大幅增强地物目标的提取能力。充分利用光学遥感影像丰富的几何纹理信息，进行道路的精确提取，已成为当前遥感学界研究的热点与前沿问题。鉴于此，本文依据近年来大量相关文献，对现有的理论与方法进行了归类与总结，通过分析不同方法采用的道路特征组合，将道路提取方法划分为模板匹配、知识驱动、面向对象和深度学习4类方法，简要介绍了道路提取普适性的评价指标并对部分方法进行了分析与评价；最后对现有光学遥感影像道路提取的发展提出了建议和展望。     

多源遥感图像融合发展现状与未来展望

近年来,随着遥感技术的发展,高光谱、红外、雷达等多源遥感成像手段在精准农业、资源调查、环境监测、军事国防等重要领域发挥着越来越重要的作用。同一场景多源遥感图像观测的地物对象相同,但观测的维度不同,图像的空间、光谱与时间分辨率存在差异,提供的信息既具有冗余性,又具有互补性和合作性。多源遥感图像融合能够综合利用不同来源获取的遥感图像信息,实现更精准、更全面的对地观测,是遥感对地观测领域的核心关键技术。本文从多源遥感图像的数据来源出发,综述了多源遥感图像融合的研究现状与未来发展趋势:首先介绍了国内外现有多源遥感图像的主要来源、图像特性与典型应用;然后,对不同类型多源遥感图像融合的研究现状和挑战性难题进行了归纳和总结;最后,对多源遥感图像融合的未来发展趋势进行了展望。     

成像光谱遥感技术及其图像光谱信息提取的分析研究

成像光谱技术是80年代发展起来的最新遥感方法。本文对其原理、理论基础及图像光谱信息提取的方法进行了探讨,并在红外细分光谱(FIMS)金矿蚀变带信息提取分析研究的基础上,通过对可见光细分19波段AMSS、澳大利亚的24波段GEOSCAN、MKII AMSS及美国GER64通道成像光谱数据的初步处理,发展和形成了一些针对超多波段成像光谱数据的图像处理和分析及光谱信息提取的方法。 成像光谱信息提取的方法,主要包括图像光谱反射率转换技术、图像光谱曲线显示、光谱特征参数测度(光谱吸收特征的波长位置、宽度、深度)、图像地物光谱曲线与地物光谱数据库的信息匹配以及地物光谱识别专家系统。本文以红外细分光谱图像在金矿蚀变带信息提取分析中的应用为例,讨论了成像光谱图像的一种处理分析技术及其发展前景。     

Detail focused fusion of hyperspectral and multispectral imagesEI北大核心CSCD

Hyperspectral image (HSI) and multispectral image (MSI) are two types of images widely used in the field of remote sensing. These images are useful in certain applications, such as environmental monitoring, target detection, and mineral exploration. HSI contains a large amount of spectral information. Photons are typically collected in a larger spatial area on the sensor to ensure a sufficiently high signal-to-noise ratio (SNR). Accordingly, the HSI spatial resolution is much lower compared with MSI. This low spatial resolution greatly affects the practicality of HSI. Accordingly, fusing a low-spatial resolution HSI (LR-HSI) with a high-spatial resolution MSI (HR-MSI) in the same scene to obtain a high-resolution HSI (HR-HSI) is a method for solving such problems, which resolves the contradiction that the spatial resolution and the spectral resolution cannot simultaneously maintain a high level. From the analysis of fusion effect, the spatial and spectral reconstruction errors of the existing algorithms are mainly reflected in the edge and detail areas. The method proposed in this work was a fusion algorithm for dictionary construction and image reconstruction based on detail attention. In terms of maintaining spectral characteristics, the spectral distribution in the detail area is complex and diverse because of the proximity effect of the image. This work proposes to perform dictionary learning on the image and detail layers. The detail perception error terms and a constraint of edge adaptive directional total variation are proposed for spatial characteristic enhancement, which is combined with a local low rank constraint in the same fusion framework to estimate the sparse coefficient. Experiments were conducted on two datasets, namely, Pavia University and Indian Pine, to verify the effectiveness of the proposed method. The quantitative evaluation metrics contain peak SNR, relative dimensionless global error in synthesis, spectral angle map, and universal image quality index. Based on the experimental comparison, the fusion result of the algorithm proposed in this work is significantly improved compared with those of the other algorithms in terms of spatial and spectral characteristics. This work uses dictionary learning to propose a fusion algorithm for dictionary construction and image reconstruction with attention to details through the analysis of the existing hyperspectral and multispectral image fusion algorithms. A hierarchical dictionary learning algorithm is proposed to address the problem of large reconstruction error in the detail part of the existing algorithms. The detail perception error term and the direction adaptive full variational regularization term are used to improve the spectral dictionary solution and coefficient estimation, respectively. The result of the fusion is the error in the spectral characteristics and spatial texture of the detail, which achieves an accurate representation of the edge detail. © 2022 National Remote Sensing Bulletin. All rights reserved.     

高光谱数据截断加权核范数稀疏解混

受仪器和观测条件限制,高光谱数据易受噪声污染,给数据解译带来挑战。针对传统稀疏解混模型抗噪性能差的问题,本文提出一种截断加权核范数稀疏解混方法,利用高光谱图像像元之间的相关性减轻噪声对丰度估计的干扰。该方法借助低秩表示在挖掘数据内在低维结构方面的优势,在稀疏解混中加入基于截断加权核范数的低秩约束,并结合加权稀疏技术,在稀疏正则项中引入空间邻域权重。截断加权核范数对丰度矩阵的奇异值向量分段处理,可以更好地实现丰度矩阵的低秩逼近,使丰度图像保持空间一致性并保留更多细节信息,空间加权策略则增强了丰度图像的空间连续性。模拟高光谱数据、Cuprite矿区真实数据和红树林高光谱数据实验表明,与其他先进的稀疏解混方法相比,所提方法具有更好的抗噪性,能够提高解混精度。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

稀疏差异先验信息支持的高光谱图像稀疏解混算法

基于光谱库的高光谱稀疏解混技术近年来得到了人们的关注,该技术利用光谱库中光谱样本作为端元,将解混问题转化为稀疏表示问题。然而,由于测量环境的差异,待解混图像的实际端元往往与光谱库中相应光谱信号存在差异。本文提出了一种光谱差异稀疏约束的联合稀疏回归解混算法。首先,假设光谱差异具有稀疏特性,建立了光谱库校正模型,使得在解混过程中可对光谱库进行自适应地调整;然后,将光谱库校正模型与联合稀疏回归解混模型结合,建立了考虑光谱差异的稀疏解混模型;最后,基于交替方向乘子法得到了迭代优化解决方案。分别利用仿真和真实高光谱数据进行了试验验证,结果表明,在光谱库不匹配的情形下,本文方法能够有效提高稀疏解混算法的解混性能。     

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.     

利用在线字典学习实现图像超分辨率重建的算法

图像超分辨率重建是通过对单张或多张具有互补信息的低分辨率图像进行处理,重建一张高分辨率图像的技术。在单张图像的超分辨率重建中,基于稀疏表示的方法取得了很好的效果,得到了广泛的应用。一张图像中不同区域的图像块的内容一般会有显著变化。而基于稀疏表示的超分辨率重建算法多采用固定的字典,无法适应每一个图像块的重建需求。提出了一种结合外部数据和输入图像自身信息进行超分辨率重建的方法,通过搜索待处理图像块的非局部自相似块,结合在线字典学习方法对字典进行更新,从而保证更新后的字典能够匹配待处理的图像块。采用包括遥感图像在内的5张图像进行实验,并与4种经典的超分辨率重建算法进行比较,实验结果表明,此算法在主观评价和客观评价方面都有更好的表现。     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

基于稀疏表示和字典学习的全色与多光谱影像融合

Pansharpening方法通过融合多光谱影像的光谱信息和全色影像的空间细节信息来得到高分辨多光谱影像。然而传统的Pansharpening方法易导致产生光谱扭曲和空间信息丢失现象。受到影像稀疏表示超分重建理论启发,本文提出了一种新的基于稀疏表示和字典学习的Pansharpening方法。该方法以影像的高频特征作为训练样本,通过字典学习的方法来获取高低分辨率影像字典,使用正交匹配追踪算法求解出影像的稀疏表示系数,最终通过高分辨影像字典与稀疏系数相乘得到融合影像。实验结果表明:本文提出的方法能很好地保持遥感影像的光谱信息和空间细节信息。     

顾及局部与结构特征的稀疏多项式逻辑回归高光谱图像分类方法

稀疏多项式逻辑回归在分类中仅利用图像光谱信息，导致分类效果不太理想。本文提出了一种顾及局部与结构特征的稀疏多项式逻辑回归高光谱图像分类方法。首先利用加权均值滤波与拓展形态学多属性剖面对原始高光谱图像进行局部与结构特征提取；然后对二者进行加权平均特征级融合以获取更具唯一性的像元特征；最后由稀疏多项式逻辑回归分类器对融合结果进行分类。结果表明，本文方法能有效地提高分类精度，而且具有较强的稳健性。