一种基于核偏最小二乘法的高光谱影像最佳波段选择方法

最佳波段选择是高光谱影像降维的常用手段,将本征维数估计与核偏最小二乘法,相结合,提出一种基于核偏最小二乘法的最佳波段选择方法。首先利用自适应最大似然法估计高光谱数据的本征维数;然后将核方法引入到偏最小二乘法中,利用核偏最小二乘法对高光谱影像进行最佳波段选择,所需选择的波段数即为本征维数。实验分析表明,与其他最佳波段选择方法比较,本文方法输出的最佳波段用于地物分类,取得了较高的分类精度。     

基于最佳波段组合的高光谱遥感影像分类

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点,在综合各种数据降维方法的基础上,提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的AVIRIS数据为例,分析各波段信息量和相邻波段的相关性,利用子空间划分、分段波段指数选择法,进行特征波段的选择;并针对难区分地物类别,应用J-M距离模型对其可分性进行判别,获得最佳波段组合。最后采用支持向量机分类器进行分类。实验结果表明,采用最佳波段组合方法,可以有效地提高高光谱的分类精度。     

基于波段选择的高光谱遥感影像分类

针对高光谱数据波段众多、数据量较大的特点,提出了一种基于波段选择的高光谱遥感影像分类方法,以北京昌平小汤山地区高光谱遥感数据为例,分析了各波段的信息含量和相邻波段的相关性,采用子空间划分、自适应波段选择的方法,实现了特征波段的选择。针对农村道路和空地、柏油路和居民地间的同谱异物现象,利用J-M距离模型判别其类间的可分性,获得了最佳波段组合,最后采用支持向量机分类器进行分类。结果表明,采用波段选择的方法能有效地提高高光谱数据的分类精度。     

面向土地利用分类的HJ-1 CCD影像最佳分形波段选择

环境一号卫星（HJ-1）CCD影像光谱波段较少,地物之间的准确分类识别有一定困难。采用分形纹理辅助地物分类识别是一种有效方法,而波段选择是提高分类识别精度的关键。本文以江西赣州定南县土地利用分类为例,采用双毯覆盖模型对HJ卫星CCD影像6类典型地物的波谱分形特征进行了分析,利用不同地物在不同波段上的分形区分度差异构建了最佳分形波段选择模型,并利用该模型挑选出最佳分形波段来辅助土地利用分类,最后对分类结果进行检验。结果表明：最佳分形波段选择模型能够综合权衡不同地物在不同波段上的分形区分度差异,利用挑选出来的最佳分形波段来辅助分类,其分类总体精度相对于原始影像分类提高了11.77%,相对于第1主成分分形辅助下的分类提高了1.56%。     

基于波段组合的高光谱数据湿地分类研究

对高光谱数据进行波段组合,可以减少信息量的冗余,提高数据的处理速度。对黄河口入海口湿地进行分类,对合理利用、开发保护该地区湿地资源具有重要意义。本文首先分析了“珠海一号”高光谱数据各个波段的信息量及波段之间的相关系数,然后利用最佳波段指数(OIF)方法选出波段组合B7-B8-B32,进一步在OIF基础上设置信息量与相关系数阈值,选出波段组合B7-B18-B32,实验结果证明分类精度提高了5.4%。最后,根据地物的光谱特征分析,选择光谱差异较大的波段进行组合B6-B13-B18,分类后精度比OIF筛选出的波段组合精度高12.6694%。经实验验证,结合地物光谱特征的波段组合可以大大提高分类精度。     

青海柴达木盆地地物波谱特征和遥感最佳波段选择

本文叙述了在航空多光谱扫描成像前, 首先要在工作区进行地物波谱测试, 为多光谱扫描成像取得理想效果、选择最佳波段提供依据。1986年在青海柴达木盆地测得了190多个水、土、植被、岩石与盐类沉积物等地物的波谱数据, 经综合整理, 按DS-1260②的可见光到近红外10个波段, 用数理统计的T检验和秩和检验进行青海柴达木盆地找钾盐航空多光谱遥感最佳波段选择的方法探索。     

基于高光谱影像的渤海海冰遥感监测研究

监督分类方法是海冰遥感监测中常用的有效方法,但不同的监督分类方法以及波段选择,在海冰识别中的精度有较大差异。为提高海冰监测的精度,本文使用高光谱传感器提供的可见光、近红外波段的连续成像光谱信息,对比了不同的波段组合在多种分类方法中海冰提取的精度,分析了不同波段组合、不同分类方法在海冰监测上的优缺点,最终得出海冰监测中最佳的波段组合以及最适宜的监督分类方法。     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

基于无人机高光谱影像波段选择的薇甘菊分类

薇甘菊是危害最严重的外来入侵物种之一，其生长与传播极其迅速，对我国森林生态系统造成了严重破坏，相关管理部门需要一个有效的薇甘菊监测手段。传统人工调查方式需要投入大量的人力物力，成本高昂、效率低下；近年来快速发展的高光谱遥感技术为薇甘菊的监测提供了新思路。本文以无人机搭载的Nano-Hyperspec高光谱仪获取的广东省增城林场遥感影像数据为基础，对高光谱数据进行几何校正、影像降噪处理、辐射定标及坏带波段剔除等影像预处理；运用最佳指数因子法（OIF）、自适应波段法（ABS）、自动子空间划分（ASP）与自适应波段相结合的波段选择法（ASP+ABS）3种方法进行波段选择，获取信息量较大且波段间相关性较低的特征波段组成薇甘菊分类最佳波段组合，生成3幅遥感影像；最后采用支持向量机方法（SVM）对生成的3幅不同遥感影像进行分类，以分类结果的精度评价3种波段组合对薇甘菊高光谱特征的响应程度，选出更能反映薇甘菊的光谱特征的波段组合。试验结果表明，针对Nano-Hyperspec遥感影像数据，使用OIF波段选择法，研究区内薇甘菊的制图精度和用户精度分别为74.62%、66.52%；使用ABS波段选择法，研究区内薇甘菊的制图精度和用户精度分别为74.37%、67.43%；使用ASP+ABS波段选择法，研究区内薇甘菊的制图精度和用户精度分别达到95.98%、92.98%，分类精度最佳，相较OIF法中薇甘菊的制图精度和用户精度分别提高了21.35%、26.46%，相较ABS法中薇甘菊的制图精度和用户精度分别提高了17.15%、19.3%。可见，本文使用的子空间划分与自适应波段相结合的波段选择方法相较其他两种波段选择方法能更好地反映薇甘菊的光谱特征，可为薇甘菊监测提供有效的技术手段。     

基于高分二号卫星数据的农作物分类方法研究

针对目前高分二号卫星数据(GF-2)有较高的空间分辨率而在农业领域应用较少和农作物分类普遍存在"同谱异物"和"同物异谱"的现象,以辽宁省沈阳市苏家屯区以西的新开河村周边为试验基地,利用最佳波段组合指数法(OIF)对所选取的高分二号(GF-2)卫星数据的纹理特征和植被指数以及波段信息进行筛选,选取最佳的波段组合,以增加分类信息、减少数据冗余。最后,针对筛选后的数据,使用最大似然法进行分类,得到农作物的分类结果。结果表明,利用该方法对农作物进行分类,分类精度得到了一定程度的提高,为目前大规模农作物种植面积的精确、迅速统计提供了一套可行的方案。     

联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取

湿地是地球上最重要的生态系统之一,在维持全球生态环境安全等方面发挥着举足轻重的作用.由于湿地独特的水文特征,传统的湿地监测需要耗费大量的人力和财力,对于大尺度的湿地信息提取更是困难重重.随着大数据和云计算的兴起,为大尺度和长时间序列的空间数据处理提供了契机.本文基于Google Earth Engine(GEE)云平台...     

国内外有关成像光谱数据影像分析方法研究

本文介绍了近年来国内外有关成像光谱数据分析方法的研究进展,着重介绍了除光谱匹配方法以外的一些方法,包括主成分分析,最佳波段组合、改进型最大似然法、基于决策边界特征矩阵的变换和正交子空间投影等方法,并介绍了这些方法的应用效果。     

融合空谱特征和集成超限学习机的高光谱图像分类

为提高高光谱图像的分类精度,提出了一种融合空谱特征和集成超限学习机的高光谱图像分类方法。首先结合每个像素邻域的光谱信息提取空谱特征向量;考虑到高光谱相邻波段信息具有一定的相关性,先对提取的特征向量进行平均分组,然后从每个区间随机选择若干个波段进行组合,采用具有快速学习能力的超限学习机训练分类器。为提高分类模型的泛化能力,基于集成学习思想,对提取的空谱特征进行多次抽样,训练得到多个弱分类器,最后采用投票表决法得到用于高光谱图像分类的强分类器。采用3个典型高光谱数据进行了分类试验,试验结果表明,提出的算法总体分类精度较优,尤其当训练样本数较少时能取得较高的分类精度。提出的算法具有可调参数少、训练速度快、分类精度高等优点,具有广阔的应用前景。     

Wheat crop inventory using high spectral resolution irs-p3 mos-b spectrometer data

Modular Optoelectronic Scanner (MOS-B) spectrometer data over parts of Northern India was evaluated for wheat crop monitoring involving (a) sub pixel wheat fractional area estimation using spectral unmixing approach and (b) growth assessment by red edge shift at different phenological stages. Red shift of 10 nm was observed between crown root initiation stage to flowering stage. Wheat fraction estimates using linear spectral unmixing on Feb. 13, 1999 acquisition of MOS-B data had high correlation (0.82) with estimates from Wide Field Sensor (WiFS) data acquired on same date by IRS-P3 platform. It was observed that five bands (4,5,8,12,13 MOS-B bands) are sufficient for signature separability of major land cover classes viz. wheat, urban, wasteland, and water based on purely spectral separability criterion using Transformed Divergence (T.D.) approach. Higher number of bands saturated the T.D. values. In contrast, performance of sub pixel fractional area estimation using unmixing decreased drastically for eight bands (4,5,6,7,8,9,12,13 MOS-B bands) chosen from optimal band selection criteria in comparison to full set of 13 bands. The relative deviation between area estimated from Wifs and MOS-B increased from 1.72 percent when all thirteen bands were used in unmixing to 26.10 percent for the above eight bands.     

Margin-based feature selection for hyperspectral data

A margin-based feature selection approach is explored for hyperspectral data. This approach is based on measuring the confidence of a classifier when making predictions on a test data. Greedy feature flip and iterative search algorithms, which attempts to maximise the margin-based evaluation functions, were used in the present study. Evaluation functions use linear, zero–one and sigmoid utility functions where a utility function controls the contribution of each margin term to the overall score. The results obtained by margin-based feature selection technique were compared to a support vector machine-based recurring feature elimination approach. Two different hyperspectral data sets, one consisting of 65 bands (DAIS data) and other with 185 bands (AVIRIS data) were used. With digital airborne imaging spectrometer (DAIS) data, the classification accuracy by greedy feature flip algorithm and sigmoid utility function was 93.02% using a total of 24 selected features in comparison to an accuracy of 91.76% with full set of 65 features. The results suggest a significant increase in classification accuracy with 24 selected features. The classification accuracy (93.4%) achieved by the iterative search margin-based algorithm with 20 selected features using sigmoid utility function is also significantly more accurate than that achieved with 65 features. To judge the usefulness of margin-based feature selection approaches, another hyperspectral data set consisting of 185 features was used. A total of 65 selected features were used to evaluate the performance of margin-based feature selection approach. The results suggest a significantly improved performance by greedy feature flip-based feature selection technique with this data set also. This study also suggest that margin-based feature selection algorithms provide a comparable performance to support vector machine-based recurring feature elimination approach.     

高光谱图像子空间的波段选择

为降低高光谱遥感数据光谱空间的冗余度,提出一种快速的波段选择方法。该方法在波段子空间下进行,依次选择各子空间中方差最大的波段作为初始波段,设定目标函数,然后逐子空间替换波段使得目标性能更加优化,直至没有替换可以使得目标更优为止。在两个公开高光谱影像数据集上对比3种常用波段选择方法(ABC、AP、ABS)来验证提出方法的有效性,实验结果表明:(1)在印第安纳数据上,本文方法与ABC、AP、ABS所选波段子集相比平均相关性分别降低22.04%、52.61%、55.71%,最佳指数分别提高0.58%、51.73%、0.95%,总体分类精度分别提高0.16%、1.39%、23.07%,在搜索效率上与同类型的ABC方法相比提高6.61%—69.02%;(2)在帕维亚大学数据上,本文方法与ABC、AP、ABS所选波段子集相比平均相关性分别降低2.38%、0.51%、32.83%,最佳指数分别提高1.34%、17.97%、12.92%,总体分类精度分别提高0.31%、0.69%、8.53%,在搜索效率上与同类型的ABC方法相比提高19.13%—86.34%。本文提出的波段选择方法能够选择合适的波段子集满足不同的应用需要,是一种有效的波段选择方法。     

Dimensionality Reduction and Classification of Hyperspectral Images Using Object-Based Image Analysis

Object-based image analysis (OBIA) has attained great importance for the delineation of landscape features, particularly with the accessibility to satellite images with high spatial resolution acquired by recent sensors. Statistical parametric classifiers have become ineffective mainly due to their assumption of normal distribution, vast increase in the dimensions of the data and availability of limited ground sample data. Despite pixel-based approaches, OBIA takes semantic information of extracted image objects into consideration, and thus provides more comprehensive image analysis. In this study, Indian Pines hyperspectral data set, which was recorded by the AVIRIS hyperspectral sensor, was used to analyse the effects of high dimensional data with limited ground reference data. To avoid the dimensionality curse, principal component analysis (PCA) and feature selection based on Jeffries–Matusita (JM) distance were utilized. First 19 principal components representing 98.5% of the image were selected using the PCA technique whilst 30 spectral bands of the image were determined using JM distance. Nearest neighbour (NN) and random forest (RF) classifiers were employed to test the performances of pixel- and object-based classification using conventional accuracy metrics. It was found that object-based approach outperformed the traditional pixel-based approach for all cases (up to 18% improvement). Also, the RF classifier produced significantly more accurate results (up to 10%) than the NN classifier.     

TM图像的光谱信息特征与最佳波段组合

本文分析了北自黑龙江省寒温带缓岗平原、南至广东省南亚热带丘陵等9个不同景观类型样区的TM图像数据,查明TM图像的光谱信息具3—4维结构,其物理含义相当于“亮度”、“绿度”和“热度”、“湿度”。在TM7个光谱图像中,一般以第5波段包含的地物信息最丰富。3个可见光波段(即第1,2,3波段)之间,两个中红外波段(即第5,7波段)之间相关性很高,表明这些波段的信息中有相当大的“重复性”或“冗余性”。第4,6波段则颇特殊,尤其是第4波段与各波段的相关性都很低,表明这个波段的信息有很大的独立性。计算20种组合的熵值的结果表明,由一个可见光波段、一个中红外波段及第4波段组合而成的彩色合成图像,一般具有最丰富的地物信息,其中又常以4,5,3或4,5,1波段的组合为最佳。     

基于小波与遗传算法的特征提取与特征选择

高维遥感数据的分类与识别与传统的多光谱遥感分类技术具有明显的区别。本文提出了一种基于遗传算法和小波／小波包分析相结合的特征提取方法用于高维遥感数据降维与分类。该方法综合了遗传算法的全局优化和小波／小波包分析的多尺度、多分辨率的特点。首先,通过离散的小波变换(DWT)或小波包变换(WP)将高光谱信号变换到特征域进行光谱分解。由于DWT变换是一种线性变换,不同尺度的DWT系数可作为线性光谱特征。然后,对这些线性光谱特征利用遗传算法结合训练样本计算类内／类间距离搜索最优分类子集,其具体染色体编码取可能的特征号,适应度函数基于样本平均Jeffries-Matusita距离计算。所用的分类器采用最大似然分类器。试验结果表明该方法与常规特征提取算法如主成分变换(PCA)、判别分析特征提取(DAFE)、决策边界特征提取(DBFE)相比,能提高分类精度约1.1％-6.5％。     

An Improved Band Selection Technique for Hyperspectral Data Using Factor Analysis

This paper discusses a statistical and band transformation based approach to select bands for hyperspectral image analysis. Hyperspectral images contain large number of spectral bands with redundant information about the spectral classes in the image scene. It is necessary to reduce the high dimensionality of the data for the processing of hyperspectral data. We report a feature selection technique that removes correlated spectral bands using band decorrelation technique and obtains maximum variance image bands based on factor analysis. Factor analysis method of band selection technique is also validated against existing methods of band selection. The study is carried out for the agriculturally rich area of Musiri region of South India that has varied landcover types. Evaluation of the band selection procedure is done using signature separability measures such as Euclidean distance, Divergence, Transformed divergence and Jeffries Matusita distance. Results indicated that selected bands exhibited maximum separability and also occurred predominantly at wavelength 700 nm, 850, 1000 nm, 1200 nm, 1648 nm and 2200 nm.