基于EMP与混合核SVM的高光谱遥感影像分类

传统的SVM模型采用同一映射形式的单核模式对叠加的空间特征和光谱特征进行处理,往往无法得到理想的结果,为了解决该问题,提出了一种基于扩展的形态学剖面(EMP)与混合核SVM的高光谱遥感影像分类方法.该方法首先通过EMP有效提取空间信息,再采用不同的核函数处理空间信息与光谱信息,最终完成混合核SVM的高光谱影像分类.对多种组合形式的单核以及多核SVM模型进行了对比分析,结果表明,该方法具有较高的适应性,对于高光谱遥感影像的分类精度较高.     

无人机影像与高分卫星影像融合方法研究

针对目前卫星影像数据有丰富的光谱信息但是空间信息不足,而无人机影像空间分辨率高但是光谱信息缺乏的问题,本文将高分二号卫星多光谱影像数据与无人机正射影像数据融合,得到高空间分辨率和光谱信息丰富的融合影像。通过实际数据分别利用PCA、HIS、高通滤波3种常用的图像融合方法进行高分二号卫星多光谱影像与无人机正射影像的融合实验,并通过定性和定量分析的方法从光谱信息保留的完好性和空间信息表达的分辨率2个方面对比分析了3种融合方法的融合效果。     

联合空间信息的高光谱遥感协同表示动态集成分类算法

近年来,集成学习成为高光谱遥感影像分类的研究热点,尤其是动态集成算法根据测试样本的特征自适应地选择最佳分类器,其分类性能显著提升。然而现有的动态集成方法仅考虑测试样本与验证样本的光谱信息,忽略了高度规则化的高光谱遥感影像包含的丰富空间信息。为进一步提升高光谱遥感影像动态集成算法分类的准确性和可靠性,提出了联合空间信息的可变K邻域动态集成算法VKS(Variable K-neighborhood and Spatial Information)和联合自适应邻域空间信息的可变K邻域动态集成算法VKSA(Variable K-neighborhood with Shape-Adaptive)。两种算法第一阶段综合考虑分类器精度与相似度自适应地改变测试样本的K邻域,第二阶段分别设计固定窗口和自适应窗口的嵌入方式增加地物的局部空间近邻关系,充分利用高光谱遥感影像地物复杂的空间形态结构信息。实验部分采用3组通用的高光谱遥感影像数据对所提出算法的性能进行综合评价。结果表明相比于传统的动态集成算法,本文提出的联合空间信息的动态集成模型能显著提升分类精度,其中基于自适应窗口方式的VKSA算法明显优于基于...     

加权空-谱联合保持嵌入的高光谱遥感影像降维方法

高光谱遥感影像数据量大、波段数多，容易导致"维数灾难"。传统流形学习方法一般仅考虑其光谱特征，忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入（WSCPE）的维数约简算法。首先采用加权均值滤波（WMF）方法对高光谱影像进行滤波，以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性，通过采用加权空-谱联合距离（WSCD）来融合像素点的光谱信息和空间信息，有效选取各像素点的空-谱近邻，并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构，提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明，总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时，有效融合了影像的空间-光谱信息，故能提高影像特征的鉴别性，并提升分类性能。     

结合空间—光谱信息的快速自训练高光谱遥感影像分类

自训练方法被广泛应用于高光谱影像分类任务中以解决标记样本获取困难的问题。传统的自训练方法不仅忽略了高光谱影像所能提供的空间信息,导致最终分类精度受到影响;同时在每次迭代过程中都需要完成一次对未标记数据的分类任务,导致需要大量的时间成本。因此,针对上述问题,本文提出了一种基于空间—光谱信息的快速自训练方法用于高光谱影像分类。与传统的自训练方法不同,该方法在迭代过程中使用空间—光谱信息对未标记数据进行筛选完成标记样本的扩充,而不是使用分类器对未标记样本进行分类。首先针对初始标记样本使用空间邻域块选择空间近邻点,然后使用自适应阈值对空间近邻点进行二次筛选得到空谱近邻点赋予标记,最后根据扩充后的标记样本对分类器进行训练完成分类任务。结果表明,在Washington DC Mall Subimage高光谱数据集中每类分别选择2个和10个训练样本时,整体分类精度分别达到了93.17%和95.43%;而在Indian Pines数据集中整体分类精度分别达到了59.75%和86.13%。我们提出的结合空间—光谱信息的快速自训练方法和对比方法相比,我们的方法有明显的提升。     

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。     

珠海一号高光谱场景分类数据集

高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势,传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类,并逐步建立完善高光谱遥感场景分类数据集。然而,目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法,主要采用遥感影像的空间信息进行场景类别解译,忽视了高光谱场景的光谱信息。因此,为构建高光谱影像的遥感场景分类数据集,本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据,使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本,结合Google Earth高分影像进行目视筛选,构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验,通过视觉词袋、卷积神经网络等方法的基准测试结果,对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。     

基于非线性判别分析的高光谱影像特征提取

高光谱遥感影像丰富的光谱信息有利于深入挖掘目标的理化特性,精细识别不同目标间的细微差异。为了提高影像分类识别的精度与速度需要对光谱信息进行特征提取。基于核函数的判别分析能够在数据中提取非线性特征,本文将其应用到高光谱影像分类的特征提取中,并进行了最小距离分类实验取得理想结果。     

应用型高光谱影像卷积神经网络分类方法

针对生产任务中常用的卫星高光谱数据空间分辨率不高、地物复杂的特点,提出一种实用性和灵活性较强、效率较高、不依赖空间信息的分类方法.对高光谱遥感影像数据进行分析,依据其光谱信息丰富,但在复杂地物中空间特征不足的实际情况,采用离散采样的方法,充分利用质量较好的样本点进行特征提取.对传统卷积神经网络进行改进,通过卷积层与池化层的重组等措施,使其更充分地利用地物的光谱特性.该方法在珠海一号高光谱影像上实现了对地物的有效分类.     

成像光谱数据在城市遥感中的应用研究

采用高空间分辨率的航片与高光谱数据对城市进行遥感研究。利用高空间分辨率数据丰富的空间信息,以及高光谱分辨率数据丰富的光谱信息,提出了基于图像边缘检测和光谱分析的新型高光谱遥感图像分类方法,对城市地物覆盖以图斑为单位进行分类。从而证明对复杂的城市环境进行遥感研究,这种方法是有效的。