基于SVM和PWC的遥感影像混合像元分解

支持向量机与两两配对方法结合可分解遥感影像混合像元.首先支持向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,最终像元所属类别的后验概率作为地物的组分信息.利用多波段遥感数据验证了此方法的可行性,并将结果与线性分解模型进行比较.结果表明,SVM与PWC结合进行混合像元分解在准确性方面优于一般线性模型的精度,并且此方法可用于图像分类中.     

基于支撑向量机概率输出的高光谱影像混合像元分解

提出利用支撑向量机（SVM）后验概率来分解高光谱影像的混合像元，通过支撑向量机的输出值转化为两两配对的后验概率，再由两两配对的概率值求得多类后验概率，并以像元所属类别的后验概率作为地物的组分信息。实验结果表明，该方法能较好地估计出混合像元的组分比。     

基于软硬属性转换的遥感图像亚像元定位算法

正混合像元普通存在于遥感图像之中,给遥感数据的解译带来了较大挑战。近些年发展起来的混合像元分解技术能估计混合像元内各类地物的混合比例,却不能估计各类地物的具体分布。亚像元定位(sub-pixel mapping,SPM)正是在此问题基础上发展起来的一种新型技术。SPM将原始混合像元分割成多个亚像元并估计各亚像元的地物类别,其本质上是一种更高空间分辨率下的硬分类技术。本文从现有的SPM算法中提出软硬属性转换亚像元定位(soft-then-hard SPM,STHSPM)的     

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。     

基于PCM改进算法的遥感混合像元模拟分析

混合像元的存在是影响遥感图像分类精度的主要原因,模糊分类是进行混合像元分解的重要方法,其效果的好坏取决于各像元分类后对各类别的隶属度值能否准确地反映像元的类别组成。当非监督分类中的聚类数目与实际类别数目不符,或者监督分类中训练样本存在未训练类别时,常用的模糊c-均值(FCM)方法的效果将大大降低,而可能性c-均值(PCM)方法则可以解决这个问题。该文提出了基于PCM算法的遥感图像混合像元分解方法,并用监督分类方法实例说明PCM方法的优越性。     

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...     

融合时间特征的高分辨率遥感影像分类

为了充分利用历史矢量数据,并考虑地物类别的时间关联,提出了一种融合时间特征的高分辨率遥感影像分类方法。将历史时期矢量数据与新时期遥感影像相结合,利用二次分割获取像斑,通过支持向量机(support vector machine,SVM)算法获取像斑类别及像斑的单时期后验概率;依据历史时期及新时期像斑类别属性的关联,获取定量表达时间特征的地物类别转移概率;加权组合像斑的单时期后验概率与转移概率,采用迭代方法获取影像最终分类结果。在Quick Bird影像上的实验表明,该方法能够有效引入时间特征及先验知识,提高影像分类的精度。     

顾及混合像元分解的遥感图像光谱模拟

基于尺度下降理论,利用高时间分辨率的MODIS遥感影像数据,结合同时间段高空间分辨率的ETM+遥感影像及其分类数据,应用混合像元分解技术,获得了不同时间段的MODIS子像元类别反射率数据。通过类别反射率与像元反射率间的关系模型,以原有的ETM+影像的像元反射率和时间序列的类别反射率,模拟出具有高时间分辨率与高空间分辨率特征不同时间段的模拟影像,实现了遥感影像地物类别反射率在时间上和空间上的细化。通过计算模拟影像与真实影像的相关系数,以及比较模拟影像与真实影像生成的NDVI影像,验证了该方法的有效性。     

融合空间关系的遥感图像分类

针对光谱纹理特征分类方法的不足,提出了一种融合空间关系的遥感图像分类方法。利用直方图提取像斑特征,采用G统计量构建单像斑概率,通过迭代统计方法计算地物类别邻接概率,利用地物类别邻接概率表达像斑邻域概率,加权组合单像斑概率与像斑邻域概率构建像斑联合概率,依据最大后验概率准则获取图像分类结果。在QucikBird图像上的试验结果表明:与传统的光谱纹理分类方法相比,该方法能够提高图像分类的精度;整体分类精度与Kappa系数分别提高了1.5%和2.1%。     

子像元NDVI时间序列曲线生成研究

获取具有时态特性的NDVI曲线是进行土地利用与植被覆盖变化分析的必要步骤,为有效地利用多源遥感影像数据,本文基于尺度下降理论,利用具有不同时间分辨率的高、低空间分辨率遥感影像,采用线性光谱混合模型反向分解低空间分辨率混合像元,计算其子像元级地物反射率,生成具有高时态特性的子像元级NDVI时间序列曲线,使利用有限的遥感数据资源进行较精细的动态植被生物量变化分析成为可能。通过真实影像数据实验分析,其结果验证了该方法的有效性。