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。     

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。     

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。     

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。     

高光谱遥感光谱相似性度量算法与若干新方法研究

提出了一种新的光谱相似性度量算法分类体系。在归纳算法的基础上，根据不同的度量原理与实现簋略，结合应用需求，提出了基于光谱多边形的测度、四值编码、十进制编码、树状变换测度及基于小波变换的测度等新方法，这些方法能够应用于分类、检索等的相似性度量中。     

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。     

基于独立分量分析的遥感影像非监督分类方法

利用独立分量分析的方法，从图像信号分离的角度出发，将每个波段像元的光谱特征看成是由相互独立的不同地物类型光谱信号混合而成。通过ETM^-遥感影像数据的分类试验，验证了该方法应用于多光谱遥感影像非监督分类的有效性。     

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.     

一种动态调整权值的交叉相关光谱匹配算法

针对传统算法对于光谱距离特征缺乏描述,并且无法动态调整光谱之间的相似程度这一问题,加入2个光谱特征的评价指标因子:均方根误差与欧氏距离,将二者的权重进行动态调整,得到实验精度在权重系数最优情况下,比基于欧氏距离的匹配方法精度提高了20%以上,且比传统交叉相关光谱匹配方法更加稳定。实验证明,该方法能够较好地改善交叉光谱匹配算法,利用动态的权重系数调整比传统方法更合适于用于高光谱影像的光谱匹配和信息提取。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题，提出了一种显著性特征提取方法。首先，利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后，基于分割得到的小区域计算反映不同区域的显著性特征。最后，沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合，并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明，与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比，提取的显著性特征能够获得更高的高光谱影像分类精度，且结合光谱特征能够进一步提高分类精度。     

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。     

鲁棒多特征谱聚类的高光谱影像波段选择

传统谱聚类的高光谱影像波段选择模型中,采用的波段相似矩阵受到噪声或异常值的影响且仅能表征波段的单一相似特征,导致波段子集的选取结果受到限制.本文从波段选择的目的 出发,提出鲁棒多特征谱聚类方法,整合多个特征的波段相似矩阵来形成综合相似矩阵以解决上述问题.该方法假设4种相似性度量包括光谱信息散度、光谱角度距离、波段相关性...     

面向土壤分类的高光谱反射特征参数模型

提出了一种无损、快速、成本低的土壤分类方法,选取松嫩平原4种典型土壤(黑土、黑钙土、风砂土和草甸土)耕层(0—20 cm)土样的实验室反射光谱数据作为研究对象,采用重采样、包络线消除法处理光谱数据,提取反映反射光谱特征的光谱特征参数,利用K均值聚类(K-means clustering)和决策树(decision tree)分别进行聚类分析和分类模型构建,实现土壤的快速分类。结果表明,利用表层土壤反射光谱特征参数构建的决策树分类模型可以对研究区土壤进行分类。研究成果有望加快土壤制图,为土壤理化性质的时空变化研究提供技术支持。     

Age-based classification of arecanut crops: a case study of Channagiri,Karnataka, India

Arecanut is one of the predominant plantation crop grown in India. Yield of this crop depends upon age of the crop and there is no information on the spectral behaviour of arecanut crops across its ages. In this study popular supervised classification algorithms were utilized for age discrimination of arecanut crops using Hyperion imagery. Arecanut plantations selected for the study are located in Channagiri Taluk, Davanagere district of Karnataka state, India. Ground truth information collected involves: (i) GPS coordinates of selected plots, (ii) spectral reflectance of arecanut crops with age ranging from 1 to 50 years, using handheld spectroradiometer with 1 nm spectral resolution. These spectral measurements were made close in time to the acquisition of Hyperion imagery to build age-based spectral library. It is observed from the analysis that crops of ages below 3, 3–7, 8–15 and above 15 years were showing distinct spectral behaviour. Accordingly, crops age ranging from 1 to 50 were grouped into four classes. Classification of arecanut crops based on age groups was performed using methods like spectral angle mapper, support vector machine and minimum distance classifier, and were compared to find the most suitable method. Among the classification methods adopted, support vector machine with linear kernel function resulted in most accurate classification method with overall accuracy of 72% for within class seperability. Individual age group classification producer’s accuracy varied minimum of 12.5% for 3–7 years age group and maximum of 86.25% for above 15 years age group. It may be concluded that, not only age- based arecanut crop classification is possible, but also it is possible to develop age-based spectral library for plantation crop like arecanut.     

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。     

Dimensionality reduction of hyperspectral data using spectral fractal feature

A new approach for dimensionality reduction of hyperspectral data has been proposed in this article. The method is based on extraction of fractal-based features from the hyperspectral data. The features have been generated using spectral fractal dimension of the spectral response curves (SRCs) after smoothing, interpolating and segmenting the curves. The new features so generated have then been used to classify hyperspectral data. Comparing the post classification accuracies with some other conventional dimensionality reduction methods, it has been found that the proposed method, with less computational complexity than the conventional methods, is able to provide classification accuracy statistically equivalent to those from conventional methods.     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。