基于光谱曲线整体相似性测度的匹配分类

高光谱影像具有丰富的空间、辐射和光谱信息,每一个像元都可以提取出连续的光谱曲线.因此,可以通过高光谱数据与已知的参考光谱曲线波形或特征相似性对比分析的方法识别地物类型.在整体相似性测度约束下,综合考虑数值指数和形状指数,利用光谱特征向量间的差异和曲线信息熵提出了一种新的匹配分类的方法.实验结果表明,该方法具有分类精度高、适应性强的特点.     

一种多特征转换的高光谱影像自适应分类方法

:光谱相似性测度用来衡量像元光谱的相似程度,是高光谱影像光谱匹配分类的重要工具之一,一般通过设置阈值判断像元光谱和参考光谱是否相似来进行分类。在此基础上,本文提出了一种多特征转换的高光谱影像自适应分类方法,实现了各种光谱相似性特征和分类器相结合的一种自适应分类。实验结果表明,本文提出的方法相比于传统的SVM方法,分类的总体精度更高,还可以避免部分传统光谱匹配分类方法中需要专家经验确定分类阈值的复杂过程。     

结合空间信息的EDCC测度光谱匹配分类方法

光谱匹配分类方法以光谱相似性测度为分类准则,一种相似性测度只对应于光谱曲线的一种特征,用于光谱匹配分类效果并不好;组合不同类型的相似性测度能够有效改善分类效果,但光谱匹配分类往往忽略了相邻像元间的相关性。为了更好地利用空间信息,提高光谱匹配分类精度,首先组合欧氏距离测度和相关系数测度,得到欧氏距离-相关系数测度;其次通过加入空间乘子,得到结合空间信息的欧氏距离-相关系数测度,从而在光谱匹配分类中增加了空间信息约束。采用两组高光谱影像进行实验验证,结果表明,相比于单一相似性测度及组合相似性测度,结合空间信息的欧氏距离-相关系数测度用于光谱匹配分类能够有效改善分类精度。     

一种基于变权重组合的光谱相似性测度

光谱相似性测度是高光谱遥感影像信息提取的关键。在欧氏距离和光谱角余弦的基础之上提出一种变权重组合的光谱相似性测度,即光谱变化权重相似性测度。这种光谱相似性测度可根据不同地物类别自动对欧氏距离和光谱角余弦测度指标配比权重。选用标准光谱库和机载OMIS高光谱影像对SCWM进行测试,并引入误分率和混淆矩阵对分类结果进行评价。结果表明,相对于仅采用一种或两种光谱相似性测度的分类方法,光谱变化权重相似性测度具有更精细的光谱识别能力。     

改进相似性测度的高光谱影像FCM聚类分析

高光谱遥感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,能够实现地面目标的精细分类识别。FCM是一种有效的聚类算法,但存在相似性测度模型单一、分类精度的提高受到限制等问题。文中结合高光谱影像的技术特点,综合考虑光谱曲线的形状、地物辐射亮度及其权重,提出可以更好描述光谱向量之间的相似性的距离测度,并将其引入到FCM聚类模型中。聚类分析试验结果表明：通过改进和优化相似性测度的FCM,可以显著提高高光谱影像聚类精度。     

结合邻域SAC-NED测度的高光谱图像分类方法

提出了一种光谱相似性测度用于高光谱图像分类方法。通过将光谱向量进行归一化处理,将计算得到的欧氏距离与光谱角余弦的值域归化到相同区间,得到光谱角余弦与欧氏距离联合测度值(SAC-NED)。在对图像像元进行分类时,以距离加权的方式将邻域像元参与中心像元SAC-NED值的计算,将像元分到SAC-NED值最大的类别。通过与其他5种常用相似性测度方法的实验结果对比表明:该算法能够提升高光谱图像分类的准确性和稳定性。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

从高光谱遥感影像提取植被信息

遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM方法对植被信息进行了提取,参考光谱使用ASD光谱辐射仪采集的植被光谱曲线。文中对高光谱遥感影像的辐射定标和大气校正进行了研究,针对影响光谱辐射仪采集的主要因素采取了相应的措施,并对光谱曲线分类及参考光谱曲线的选取进行了研究。将选取出的参考光谱曲线与大气校正后的遥感影像进行SAM匹配提取出植被信息,经过与实地调查资料比较并计算总体精度和kappa系数,计算结果达到预期精度。最后将分类结果转换为矢量图,经过投影转换为大地坐标后制作出北衙植被分布图。     

基于光谱特征参量化的高光谱影像精细分类

从高光谱影像能够提供地物连续光谱曲线的优势出发,提出了提取地物诊断性光谱吸收峰的特征参数进行地物精细分类的方法。用OMIS高光谱数据进行实验,首先对光谱曲线进行包络线去除处理,然后在归一化的曲线上提取光谱吸收峰的形态特征参数,根据不同种地物的光谱差异与分类需求进行特征参数选择,用于地物分层精细分类,在每一类别的地物之中实现不同子类的区分。分类总体精度达到81.022 6%,Kappa系数为0.748 9,尤其在植被和水体的子类区分上取得了较好的效果,证实了该方法的有效性。     

动态调整权重的光谱匹配测度法分类的研究

提出了动态调整权重的光谱匹配测度的分类方法，它可以根据不同影像、不同分类目的等自适应调整光谱距离和光谱形状测度在分类中的权重，从而达到正确分类的目的。通过对高光谱影像分类的试验，验证了该方法的正确性。     

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Gram-Schmidt变换的高光谱影像谐波分析融合算法

针对高光谱影像谐波分析融合(HAF)算法在影像融合时不顾及地物光谱曲线整体反射率这一缺陷,提出了结合Gram-Schmidt变换的高光谱影像谐波分析融合(GSHAF)改进算法。GSHAF算法可在完全保留融合前后像元光谱曲线波形形态的基础上,将高光谱影像融合简化为各像元光谱曲线的谐波余相组成的二维影像与高空间分辨率影像之间的融合。它是在原始高光谱影像光谱曲线被谐波分解为谐波余项、振幅和相位后,首先将其谐波余项与高空间分辨率影像进行GS变换融合,这样便可有效地修正融合后像元光谱曲线的反射率特征,随后再利用该融合影像与谐波振幅、相位进行谐波逆变换,完成高光谱影像谐波融合。本文最后利用Hyperion高光谱遥感影像与ALI高空间分辨率影像对GSHAF算法进行可行性分析,再以HJ-1A等卫星数据对其进行普适性验证,试验结果表明,GSHAF算法不仅可以完全地保留光谱曲线波形形态,而且融合后影像的地物光谱曲线反射率更接近真实地物。     

基于新型相似性测度的高光谱影像地物检测

提出了一种新型光谱相似性测度及其参数的自适应选择方法,并且将其应用到了高光谱影像地物检测中。由于这种相似性测度基于光谱角度余弦(SAC),因此在理论上对因光照强度变化、阴影和遮挡等引起的同种地物光谱变化的适应性较强。最后利用两幅高光谱影像进行了实验分析,实验结果证明提出的方法不仅能扩大阈值取值区间,而且可提高检测的精度。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题，集成Lanczos算法与谱聚类算法，探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性，提出了一种面向高光谱遥感图像的快速谱聚类算法；通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果，发现面向高光谱遥感图像的谱聚类算法易于识别线性地物，且分类的速度能得到较大提升。     

The Extraction of Urban Surface Water from Hyperspectral Data Based on Spectral Indices

To prevent confusion between water and buildings in the extraction of urban surface water from hyperspectral data, we analyzed the spectra of shadows and water in hyperspectral images, and proposed an anti-shadow water extraction method. This method first uses the normalized difference vegetation index (NDVI) for initial water extraction, then uses the height of the reflectance peak at 588 nm to eliminate the shadow of buildings. The method was validated by two hyperspectral datacubes, which were obtained for Jiaxing City and Zhoushan City in Zhejiang Province, China. Compared to the common spectral indices used to extract a water body, such as the NDVI, normalized difference water index, hyperspectral difference water index, and index of water index, the proposed method could effectively eliminate the shadow of buildings. The commission error reduced from more than 40% to about 15%, and the Kappa coefficient was increased from 60 and 70% to over 80% for the two datacubes. This indicated that the proposed method can inhibit the shadow of buildings and does not have a regional dependence.     

不同降维策略下的高光谱影像多特征分类

由于物体表面的空间分布通常是富有规律且局部连续的,在高光谱影像分类中应充分利用其光谱和空间信息。本文在对高光谱影像立方体进行降维处理的基础上,提出了一种联合空域和谱域信息的高光谱影像高效分类方法。首先,分别选用主成分分析(Principal Component Analysis,PCA)和正交投影波段选择(Orthogonal Projection Band Selection,OPBS)两种方法对原始高光谱数据进行预处理,获取降维后的影像数据。然后在其基础上提取扩展形态学特征(Extended Morphology Profiles,EMP)和地物表面纹理特征,组成联合光谱和纹理、形状结构特征。最后,采用支持向量机(Support Vector Machine,SVM)分类器对联合特征进行分类。针对不同真实高光谱数据集的实验结果表明,本文提出的方法运算效率高且具有令人满意的分类性能。     

基于高光谱曲线峰度、偏度的植被叶绿素含量反演模型研究

本文分析了高光谱反射率及红边位置与叶片绿度的相关性,建立了基于敏感波段和红边位置的叶绿素估算模型。通过对不同叶绿素含量高光谱曲线特征的分析,提出了基于高光谱曲线峰度和偏度的叶绿素估算新思路,并分别建立基于原始光谱560-760nm波段和一阶导数光谱660-760nm波段对应峰度、偏度的叶绿素反演模型。结果表明,法国梧桐、无花果和白毛杨基于敏感波段的叶绿素含量反演模型的拟合度,与传统估算模型相比,本文提出的新估算模型可以明显提高高光谱反演叶绿素含量的能力。     

采用非正定OCSVM 的高光谱影像地物检测

高斯径向基核函数是基于光谱向量间欧氏距离的度量,对于因光照强度变化而引起的地物光谱变异敏感,当同类地物光谱发生变异时,基于高斯径向基核的高光谱影像地物检测算法的性能下降.为了解决该问题,基于光谱曲线形状相似性描述提出了光谱角度余弦核测度这一非正定核函数,并应用于一种非正定OCSVM 方法的高光谱影像地物检测.最后利用两幅高光谱影像进行了实验分析,实验结果证明了本文算法的有效性.     

Hyperion 影像分形信号特征研究

高光谱影像具有“谱像合一”的特征, 因而可以从谱和像两个角度对高光谱影像进行分形分析。本文把计 算表面分形维的双层地毯法用于计算Hyperion 高光谱曲线的分形维, 根据每一像元的高光谱曲线计算出每一尺度 的上分形信号和下分形信号, 并对分形信号值及分形特征尺度进行分析。结果表明对于不同地物其分形信号在某些 特定尺度(分形特征尺度)有较大的差异, 而且对于Hyperion 高光谱影像, 下分形信号可更有效地突出地物特征。文 章最后简要讨论了上分形和下分形、起始计算尺度以及原始采样点数目对分形特征尺度的影