空间加权的孤立森林高光谱影像异常目标检测

针对孤立森林算法在高光谱影像异常目标检测中易产生大量虚警的问题,该文将异常目标在空间分布的稀缺性与 目标光谱的差异性两个先验结合,提出了一种空间加权的孤立森林异常目标检测方法.首先利用孤立森林算法计算目标的光谱异常度,得到初步的检测结果;然后分析初步结果中目标区域的连通面积,以连通域面积为变量,基于高斯核计算目标的空间稀缺性,得到目标的空间权重属性;最后将表达空间稀缺性的属性与光谱异常度加权相乘,实现了对异常目标的准确检测.在五组高光谱数据集上的实验结果表明,该方法具有较好的检测性能.     

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...