空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系，忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法（SSRSHE）。该算法首先利用稀疏表示揭示像元之间的相关性，自适应选择近邻，并构建稀疏本征超图和惩罚超图，以有效表征像元间的复杂多元关系，并进行正则化处理。然后利用遥感图像空间一致性原则，计算局部空间邻域散度来保持样本局部邻域结构，并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中，尽可能使类内数据聚集、类间数据远离，提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明，本文算法总体分类精度分别达到86.7%和92.2%。相比传统光谱维数约简算法，该算法可有效改善高光谱图像地物分类性能。     

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。     

光学信号Token引导的异源遥感变化检测网络

基于遥感图像中的光学信号检测出一定时间内特定区域的变化状态的遥感图像变化检测方法,在国防安全、环境监测、城市建设等领域具有重要应用价值。由于多时相异源图像在成像机理、光谱范围、空间分辨率等方面存在差异,现阶段异源遥感图像变化检测仍存在精度不够高、漏检和误检等问题,本文提出一种基于Transformer网络的异源变化检测网络框架,该框架能够利用不同类别的异源遥感图像获得准确的变化检测结果。首先,所提出检测网络为多时相遥感图像自适应生成对应的光学信号Token （光信Token）;然后,以光信Token作为引导与对应图像块Token进行交互计算,从而对双时相序列特征进行变化分析,并且在交互学习过程中构建了差分放大模块以提高网络对特征间差分信息的提取精度;最后,利用多层感知机对输出的差分Token进行预测并分割出变化区域。采用Sardinia、Shuguang和Bastrop等3个不同类别的异源遥感图像数据集和Farmland同源高光谱图像数据集来验证本文提出的方法,结果证明在选取有限训练样本数据情况下,本文方法与现有主流变化检测方法相比,在多个客观指标以及主观视觉上都表现出先进性。     

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。     

融合光谱及纹理异质度的遥感影像变化检测

为解决矢量数据与遥感影像的变化检测难题,提出了一种融合光谱异质度与纹理异质度的变化检测方法。以矢量数据为约束,对遥感影像进行分割获取像斑;提取像斑的光谱直方图与局部二值模式(LBP)纹理直方图;采用G统计量度量直方图的距离,利用像斑与其他同类像斑特征距离的平均值分别构建像斑的光谱异质度与纹理异质度,加权组合光谱异质度与纹理异质度构建像斑异质度;利用大津法获取各地物类别的异质度阈值,比较像斑的异质度与对应类别的异质度阈值,对像斑进行变化/未变化判别。在IKONOS遥感影像上的试验验证了本文方法的有效性。     

一种综合光谱、纹理、结构特征的高分辨率遥感影像变化检测方法

为充分利用像斑的多特征以提高变化检测精度,提出了一种综合光谱、纹理、结构特征的高分辨率遥感影像变化检测方法。通过影像分割获取像斑,利用灰度直方图、局部二值模式/对比度(LBP/C)直方图、方向梯度直方图(HOG)分别表达像斑的光谱、纹理、结构特征;采用直方图相交距离度量像斑的特征距离,采用大津法获取变化阈值,分别获得光谱、纹理、结构特征下的变化检测结果;综合3种变化检测结果,将像斑划分为变化、不确定、未变化3类;以变化与未变化两类像斑作为训练样本像斑,利用支持向量机(SVM)算法对不确定类像斑进行变化/未变化划分。在QuickBird遥感影像上的试验结果验证了本文方法的有效性。     

结合纹理信息的高分辨率遥感图像变化检测方法

高分辨率遥感图像的纹理信息同光谱信息一样能有效地用于检测变化信息,而一些基于中低分辨率遥感图像的变化检测方法多以光谱信息为研究对象,忽略了图像中的纹理信息.针对这一问题,尝试将高分辨率图像的光谱信息与纹理信息一起用于“差值主成分变化检测”方法中,一方面借助高分辨率图像间纹理信息的差异获取变化区域内部的细节信息,以弥补高分辨率图像间光谱区分度相对不足的缺点;另一方面借助纹理信息在变化区域内部的连结作用,对变化检测结果进行狭窄缺口连结、内部孔洞填充等后续处理,从而使检测结果更加完整.实验结果表明,该方法对光谱反射信息相近、但纹理信息有较大差异的变化区域具有良好的检测效果.     

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。     

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。     

光谱角—欧氏距离的高光谱图像辐射归一化

辐射归一化旨在减小不同时相遥感影像间因获取条件不一致而导致的非地表辐射变化的差异,是土地覆盖变化监测的重要前提条件。本文根据高光谱图像上同类地物的谱形及数值的相似性,利用光谱角距离(SAD)和欧氏距离(ED)双重判定选取不变特征点,提出了一种基于光谱角—欧氏距离的辐射归一化方法。在评价指标中除了常用的均方根误差和相对偏差,更增加了高光谱特色的衡量光谱保真性指标:皮尔森系数、光谱扭曲程度。利用高光谱遥感CHRIS图像对本文提出方法进行验证,并与基于多元变化检测(MAD)的辐射归一化方法比较。结果表明,本文方法不仅在辐射特性上优于基于多元变化检测(MAD)的方法,而且具有保持光谱特性的优势,具有较好的应用前景。     

结合像元级和目标级的高分辨率遥感影像建筑物变化检测

快速、精准的建筑物变化检测对城市规划建设等业务管理具有重要意义。随着卫星遥感技术的快速发展,基于高分辨率遥感影像的建筑物变化检测得到了广泛关注。针对像元级建筑物变化检测方法往往精度不足而目标级建筑物变化检测方法过程烦琐等问题,本文提出结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法。首先综合高分辨率遥感影像的多维特征,利用随机森林分类器进行影像集分类,以获取像元级建筑物变化检测结果;然后对后时相遥感影像进行图像分割,获得影像对象;最后融合像元级建筑物变化检测结果和影像对象,识别变化的建筑物目标。利用双时相QuickBird高分辨率遥感影像进行建筑物变化检测试验,结果表明：本文提出的方法能够削弱光照、观测角度等环境差异对建筑物变化检测的影响,显著改善建筑物变化的检测精度。     

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。     

多光谱遥感图像土地利用分类区域多中心方法

针对遥感图像土地利用一种类别由多种地物组成,存在难以求取类别光谱特征多元分布模型的问题,分析了多光谱遥感图像土地利用的光谱特征和区域多中心特征,提出了一种光谱信息和区域信息基于规则的区域多中心分类方法,以类别的类内中心集合表征类别模式,以区域为分类单元,以区域单元含类别类内中心数和区域单元中属于某种类别的像元占单元总像元的百分比为分类准则;采用类内中心表征类别模式和基于规则的分类方法,较好地解决了土地利用类别由多种地物组成、类别模式不满足多元正态分布的问题,由于类别区域单元多中心特性差异大,分类规则的建立及训练样本的选择易于实现。实验表明:该方法能提高分类精度4%—6%。     

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。     

基于形态学的空间信息和光谱信息SVM影像分类

提出一种基于数学形态学的空间信息和光谱信息集成的影像分类方法,并分析该方法相对于单纯基于像元光谱特征的分类方法所具有的优势。对ROSIS高分辨率高光谱影像、北京中关村地区OMIS高光谱遥感影像两组数据进行SVM分类验证,试验表明,基于空间信息和光谱信息的分类技术能产生较好的分类结果。     

面向高光谱遥感影像的分类方法研究

20世纪80年代初期出现的高光谱遥感技术,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。高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好地进行地面目标的分类识别,然而其复杂的高维数据结构也对传统的遥感影像分类方法提出挑战。提出很多针对高光谱遥感影像的分类方法,对其进行研究。     

从光谱到时谱——遥感时间序列变化检测研究进展

地物的光谱信息是遥感数据的重要特征,对遥感光谱信息的利用经历了从黑白全色影像到多光谱、高光谱再到时间序列的发展历程。近年来,随着卫星遥感技术的发展和历史数据的积累,大量的重复观测数据被获取。长时序的遥感数据包含光谱维、时间维和空间维4个维度的信息,这在一定程度上能够避免同谱异物、同物异谱的现象。目前还没有统一的概念对长时序遥感数据进行描述,在光谱概念的基础上,提出时谱的概念,详细论述了时谱的理论方法和关键技术,首次尝试对时谱的理论体系进行构建。首先回顾了传统的遥感时间序列变化检测方法,分析传统变化检测方法的优点与不足;然后对时谱的理论方法进行阐述,介绍时谱在数据组织与存储、数据重构、特征深度挖掘和数据源4个方面的关键技术;并介绍基于时谱信息的典型农作物分类和变化检测方法,以期能够为时谱变化检测相关研究提供参考;最后对时谱变化检测研究进行了展望。     

高光谱图像波段选择的改进二进制布谷鸟算法

波段选择是高光谱遥感图像分类的重要前提，本文提出了一种用于高光谱遥感图像波段选择的改进二进制布谷鸟算法，通过使用混合二进制编码算法更新子代鸟巢和使用遗传算法交叉方式更新被发现鸟巢两个方面对二进制布谷鸟算法进行改进，找出在图像中起主要作用且相关性低的波段，实现对高光谱遥感图像降维。将本文算法运用于PaviaU数据集和AVIRIS数据集，并与二进制布谷鸟算法、二进制粒子群算法、最小冗余最大相关算法、Relief算法等进行对比分析。结果表明，改进二进制布谷鸟算法波段特征选择效率更高，且选取的波段更具代表性，能够较好地提高后续分类精度。     

基于类别光谱变化规律的土地利用变化检测

提出了一种基于类别光谱变化规律的高分辨率遥感图像土地利用变化检测方法。在基准期土地利用图的辅助下,以像斑为图像分析的基本单位,分别建立不同类别像斑特征在基准期和检测期图像上的分布曲线,通过三次多项式拟合参数表征上述2个时期特征值分布曲线的变化规律,在此基础上获取变化阈值,进行迭代计算,找出不符合类别光谱变化规律的像斑,确认为发生变化的像斑。以武汉市局部2002年、2005年QuickBird多光谱图像及相同区域2002年土地利用图为实验数据,以绿地和城区为例,对上述方法进行验证,证明上述方法有效。     

结合邻域信息和结构特征的遥感影像变化检测

为提高像元级变化检测方法的精度,提出一种结合邻域信息和结构特征的遥感影像变化检测方法.该方法涵盖邻域相关影像(neighborhood correlation image,NCI)、匹配误差和结构特征3种属性特征.首先,通过邻域相关分析技术获得表示上下文信息的邻域相关影像,利用邻域间像素的互相关性进行模板匹配获得匹配误差.然后,基于方向梯度信息提取能抵抗影像间光谱差异的结构特征.随后将邻域相关影像、匹配误差、结构特征作为决策树的分类属性,获取初始变化检测结果.最后,利用马尔可夫随机场(Markov random field,MRF)对其进行优化,获得最终的二值变化图.本文通过采用两组不同传感器的双时相遥感影像进行试验.结果表明,相较于采用变化向量分析法(change vector analysis,CVA)、单一邻域信息法及邻域信息和纹理特征相结合的方法,本文方法有效提高了变化检测的精度.