基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

面向土地覆盖分类的OMIS I数据特征选择与提取

高光谱遥感以其携带的数据量显著增加为代价换取了纳米级的光谱分辨率,使得基于特征光谱信息的目标地物识别成为可能。但如何从大量带有冗余的数据中提取有用信息,是高光谱研究的一个极富挑战性的课题和其实用化的基础之所在。本文以江苏宜兴地区OMIS I数据为例在全面计算影像的统计特征(相关系数、均方差、最佳波段指数、信噪比等)的基础上,结合目视效果对波段集合进行初步缩减和分组;结合地面实测地物光谱详细分析不同地物光谱特性,进行面向土地覆盖易混类别的波段选择;最后总结了OMIS I数据特征选择与提取流程,相关实验证明应用该流程进行特征选择与提取,其后续分类精度较高。     

基于动力演化算法的投影寻踪在高光谱影像异常目标检测中的应用

运用基于波段间相关性的高光谱影像波段选取方法进行波段的预选取．采用投影寻踪的方法在动力演化算法的基础上寻找最佳投影方向．将高维数据投影至低维数据空间．在各投影分量图像上采用零点检测阈值化的方法进行异常目标的提取。实验结果表明了基于动力演化算法的投影寻踪在高光谱影像异常目标检测中的有效性。     

广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上，提出顾及波段间的空间相关性，发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性，利用最大伪似然法建立了求解模型参数的简化方程式，实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像，采用概率松弛算法实现影像的分类。实验证明，提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性，提高了纹理影像的分类精度。     

高光谱遥感数据的DNA计算分类

提出了一种基于DNA计算的高光谱遥感数据光谱匹配分类新方法。该方法利用DNA编码提取各类地物光谱所携带的物理吸收与反射特征信息,将地物光谱特征转换为DNA编码空间特征,通过DNA计算基因操作寻找各类地物最典型的DNA信息链。在此基础上,利用DNA计算原理建立一系列模糊规则,对高光谱数据进行光谱匹配分类。通过与传统的光谱匹配算法(二值编码,光谱角,光谱差分特征编码)的分类结果进行比较,证明该算法分类精度优于传统高光谱数据的光谱匹配分类方法,具有实用价值。     

噪声鲁棒的高光谱图像波段选择方法

目前大多数高光谱图像波段选择方法仅考虑波段信息冗余问题,忽略了所选波段的噪声水平,致使选取的代表性波段子集中可能含有噪声水平较高的波段。为解决这一问题,本文提出一种噪声鲁棒的高光谱图像波段自适应分区与子空间搜索方法。首先,基于皮尔逊相关系数构造高光谱图像波段相关性矩阵;然后,将高光谱图像光谱波段等分为若干子空间,通过构造与皮尔逊相关系数相适应的子空间划分最优目标函数,自适应地调整子空间的分割点;最后,综合考虑波段的信息熵和噪声水平,在子空间波段选择时将噪声水平以惩罚项的形式反映在优化问题的目标函数中。在Indian Pines、Washington DC和Salinas这3个数据集上进行了实验,采用波段平均相关性、分类精度两种指标对不同方法的波段选择结果进行评价,并分析各种波段选择方法的噪声鲁棒性。实验结果表明,本文方法能够挑选出信息量大且噪声水平低的代表性波段。与其它波段选择方法相比,本文方法所选择的代表性波段平均相关性弱,分类精度高,在包含噪声波段的高光谱图像中效果尤为显著。     

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。     

关于多光谱和高光谱影像的纹理问题

提出了一种新的纹理概念 ,指出纹理是地物目标光谱空间到二维投影空间的映射模式 ,以表述多波段影像或高光谱影像的纹理 ,并蕴含了单波段或黑白影像纹理概念。同时 ,提出了实现空间映射的几种编码方式 ,即基于光谱相似性分析的编码、基于光谱空间密度分析的编码、以影像主成份分析为基础的编码、空间相关性的编码等五种方法。     

基于小波变换的土壤重金属铬含量定量反演

耕地污染日益严重,耕地土壤的重金属高光谱信息属于非线性的微弱信号。小波变换作为常用的非线性微弱信号处理手段,在保留更多微弱信号的基础上可以更好的提取出土壤重金属的微弱光谱信息。文中研究在Db4小波对土壤原始光谱进行分解与重构的基础上提取特征波段,利用特征波段与重金属含量的相关性建立偏最小二乘模型反演土壤重金属铬含量。研究表明,利用Db4小波函数对原始光谱进行分解和重构可以有效提取土壤重金属铬的特征光谱信息;利用小波分解与重构所提取的特征光谱信息与重金属铬含量之间的相关性所建立的PLS模型的决定系数明显高于基于传统一阶微分处理土壤光谱所建立的PLS模型的决定系数。     

一种遥感影像自适应分割尺度的分类方法

针对影像分割中的尺度选取问题,该文基于GF-2多光谱数据提出一种基于自上而下自适应分割尺度的分类方法,该方法在提取每一分割对象光谱、纹理特征的基础上,构建其在各波段复杂度函数,根据每类地物在各波段的复杂度阈值和分类规则,经迭代计算,确定每一对象的最适宜尺度和所属地类,进而得到具有最佳尺度的分割和分类结果。将其与采用ESP尺度分析算法得到的单一最优尺度下的分类结果进行对比分析,结果表明:该方法能够获取与地面目标相匹配的分割尺度,改善了分割效果,提高了分类精度,具有一定实用价值。     

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。     

一种融合多波段信息的遥感影像纹理提取算法

针对传统纹理提取窗口尺度固定,而且影像提取还会受到影像噪声、同物异谱或异物同谱等因素影响的问题,本文提出了一种融合多波段信息的自适应窗口算法。首先,利用多波段信息改进边缘检测算法,再基于边缘检测结果,选择最佳窗口尺度;其次,运用自适应窗口算法和固定尺度窗口算法分别提取影像纹理特征,并结合影像光谱特征进行支持向量机分类,对比分类结果,光谱特征结合自适应窗口纹理的分类精度优于结合固定尺度窗口纹理。表明自适应窗口算法提取纹理特征比固定尺度窗口算法更具优势,融合多波段信息的自适应窗口算法是有效的。     

基于单邻点多波段预测的高光谱图像无损压缩算法

提出了一种基于聚类-单邻点、多波段预测-熵编码的高光谱数据无损压缩方法。根据谱向特征,进行高光谱图像矢量聚类。对各个分类,采用单个空间位置邻点、多个波段作为预测数据,训练预测系数,进行三维预测。残差采用Golomb-Rice编码。实验证实了算法的有效性。     

基于线性表示的高光谱影像波段选择算法

为了去除高光谱影像的数据冗余,提高高光谱影像处理的精度和效率,提出了一种基于线性表示的高光谱影像波段选择算法。针对每一个波段,建立与其他波段的线性表示关系,依据复相关系数确定相关程度最高的波段,将其作为冗余波段去除;对剩余波段重复上述过程,得到最小波段集;并证明了利用该波段集和全波段所选的端元是一致的,在不影响端元提取的前提下,最大程度地去除了冗余波段。通过2组实验结果证明了该波段选择算法的可行性和有效性。     

高光谱影像子空间分析孤立森林异常目标探测方法

复杂的背景信息和高维冗余波段是影响高光谱遥感影像异常目标检测精度的重要因素.本文针对高光谱影像异常目标提取提出了一种子空间分析孤立森林探测方法.该方法不对背景做高斯分布假设,通过正交子空间分析增强输入特征影像中潜在异常目标与背景之间的对比度,通过主成分分析法降维来降低孤立森林算法带来的不确定性,运用了全局和局部结合的思想实现异常目标检测.在停机坪、海滩、港口和草地4个不同场景的高光谱影像上的试验结果表明,本方法的异常目标提取精度较经典方法取得了更好的结果.该方法不仅有效地处理了高光谱遥感影像的复杂背景和高维问题,还有效地利用了空间信息.     

空间与谱间相关性分析的NMF高光谱解混

非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。     

基于光谱相似性的多光谱数据纹理编码算法研究

基于多光谱纹理“映射模式”概念，提出了基于光谱数据相似性的多光谱、高光谱数据的编码方法。利用光谱相似测度对不同类型的纹理进行编码，表征地物的全局纹理特征，将纹理提取的算法扩展到多维光谱图像分析中，提出了多尺度纹理组合算法。试验证明，该方法合理有效，可大大提高分类的准确性和精度。     

高光谱目标探测中的空间和光谱尺度效应

高光谱遥感目标探测主要利用目标和背景的光谱特征差异进行目标识别。一般情况下,影像的空间和光谱分辨率越高,探测效果越好。但多数情况下空间和光谱分辨率难以同时满足需求。针对该问题,本文利用Field Imaging Spectrometer System(FISS)地面高光谱成像仪器,通过在稀疏草地上布设人工绿色目标,研究了目标和背景光谱相似情况下,单一均匀背景下小目标探测问题,提出空间和光谱尺度定量分析方法,得到目标探测适用的空间和光谱尺度。结果表明:(1)利用FISS高光谱仪器进行人工目标探测,所需的空间分辨率约为目标尺寸的2倍以内;(2)当光谱分辨率优于40 nm时,目标和背景的两个主要特征:反射峰的位置和波段趋势差异均可被描述,在原始空间分辨率5倍(0.85 cm)以内,探测精度可以达到0.94以上。由于反射峰间距20 nm,当光谱分辨率低于40 nm时,该特征消失,造成探测精度的下降;(3)当光谱分辨率低于40 nm时,选取目标、背景光谱特征差异较大的波段可提高探测的有效性,在舍弃目标背景相似波段后,探测精度上升,得到本实验的最佳波段组合为红、绿、蓝、黄及红边波段。     

深度残差网络的多光谱遥感图像显著目标检测

本文侧重于介绍智能化摄影测量深度学习的深度残差方法。显著目标检测致力于自动检测和定位图像中人最感兴趣的目标区域。多波段遥感图像因其更加丰富的光谱信息和揭示观测目标物理属性的能力在目标检测中获得重要应用。传统的显著目标检测方法通过手工设计特征,计算图像各像素或者超像素与邻域像素或者超像素之间的对比度检测显著目标。随着深度学习的巨大发展,特别是全卷积神经网络的引入,基于深度卷积网络的显著目标检测算法取得重要进步。然而,由于数据获取和标记的困难,多波段遥感图像显著目标检测的研究依然主要采用手工设计特征。本文研究基于深度卷积神经网络的多波段遥感图像显著目标检测算法,提出一种基于深度残差网络的自上而下的多光波段遥感图像显著目标检测网络,该网络可以有效挖掘深度残差网络不同层次上的显著性特征,以端对端方式实现显著目标检测。为了应对多波段遥感图像数据量有限、无法训练深度残差网络的问题,本文提出通过浅层神经网络从RGB图像直接生成多波段遥感图像,实现光谱方向的超分辨率。在现有多波段遥感图像和可见光图像显著目标检测数据集上的试验结果超过当前最好方法10%以上,验证了本文方法的有效性。