基于整数小波变换的多光谱图像无损压缩

多光谱图像一般都采用预测方法去除空间冗余和谱内冗余实现无损压缩。通过用提升方法构造整数小波变换, 将变换方法用于去除空间冗余；通过分类方法构造谱间预测器，用预测方法去除谱间冗余，两者相结合，实现无损压缩。由于变换方法的去相关性能良好，使该方法压缩效果大大改善。     

基于小波变换的多光谱图像压缩方法

在分析多光谱图像小波变换后系数特点的基础上,提出了一种共享有效图的小波变换压缩方法（ＳＳＭＷＴ）。该方法将小波变换压缩技术中的零树编码推广到多光谱图像压缩中,利用多光谱图像的结构相关性,对多幅小波图像只需构造一幅有效图,同时去除空间冗余和谱间结构冗余,并与Ｋ－Ｌ变换相结合,进一步去除谱间统计冗余,实验表明了该方法的有效性。     

基于HRIS光谱图像帧序列相关性的D2PCM无损压缩方法

分析了HRIS光谱图像帧序列的相关性，并针对这一特性，提出了利用D^2PCM方法，降低光谱图像序列的谱相关和空间相关，减少图像中的冗余，从而实现光谱图像的压缩。该方法提高了压缩比和压缩效率。     

基于误差补偿预测树的多光谱遥感图像无损压缩方法

预测树方法是一种有效的无损多光谱图像压缩技术,将自适应线性预测方法与传统预测树方法相结合,提出了一种多光谱遥感图像的误差补偿预测树压缩方法。该方法利用多光谱图像谱间的局部统计冗余和结构冗余建立自适应预测器,对传统预测树方法产生的误差进行补偿,从而进一步减少了多光谱图像的数据量;并且利用多光谱图像的局部平稳特性对算法进行了简化。实验结果表明,该方法得到的压缩比与原始预测树方法相比有明显提高,同时算法简化后可以使计算复杂度大幅度降低。     

多通道光学相关技术

本文介绍一种多通道的光学图象实时相关技术,它的特点是利用一个特制的多焦点重铬酸盐明胶全息透镜作为空间变异光学元件,以便产生多个光学通道並实现多图象的光学相关并行处理。文中介绍了这种多焦点全息透镜的特点与设计思想,以及它在实时多通道光学图象识别系统中的工作原理和若干实验结果。     

卫星图象上透镜状挤压构造岩块的成因与地质意义

陆地卫星多光谱扫描图象(MSS)具有视域广,地面分辨率适中和概括能力高等特点,是研究地质构造,尤其是活动构造、隐伏构造、深部构造的一种新的技术手段。对MSS图象上具有透镜状影象特征的地质体,我国遥感地质工作者称它为透镜状岩块、透镜体、挤压透镜体和挤压构造透镜体。 作者在太行山地区和新疆南部进行地质和遥感地质工     

基于Hyperion影像的涩北气田油气信息提取

 对柴达木地区涩北气田地质地理环境下的蚀变矿物进行分析，结合卫星高光谱遥感数据Hyperion的图谱，对已知气田区与背景区光谱特征进行相关分析，确定了932.64~1 346.25 nm与2 002.06~2 385.5 nm为油气信息识别的有利波长范围； 利用光谱角制图（SAM）技术提取了涩北气田油气的空间分布信息和台吉乃尔含气构造等远景区，为高光谱遥感油气勘探提供了有效技术方法与途径。     

一种结合四元数与直方图的多光谱图像自适应边缘检测方法

针对图像自适应边缘检测的难点和传统多光谱遥感图像边缘检测方法的局限性,提出了一种结合四元数与直方图的自适应边缘检测方法。该方法在四元数空间,利用矢量旋转完成了多光谱图像的边缘检测,并通过直方图统计的方法获取自适应阈值,实现了边缘图像的检测。利用陆地多光谱遥感图像和水域多光谱遥感图像分别进行实验,验证了方法的有效性。     

数字精纠正卫片的专题制图应用

陆地卫星多光谱扫描图象经数字精纠正处理后，图象平面位置精度可达1个象元，能满足1：20万地质图制精度要求。使用纠正后的图象进行地质判读制图可以节省工时、减少误差。     

一种自适应匹配子空间亚像元目标探测方法

为了克服基于线性混合模型的高光谱遥感影像亚像元目标探测方法的缺陷, 提出了一种基于全限制性线性分解的自适应匹配子空间探测方法。首先利用交叉相关光谱匹配技术求得各个像元所含端元类别信息, 然后根据端元类别信息和全限制性分解的结果构造自适应匹配子空间探测算子, 利用端元类别信息在探测中动态选择端元, 降低端元数目估计偏差对探测结果的影响, 提高探测器对目标与背景的可分性。实验证明, 该方法与其他基于线性混合模型的亚像元目标探测方法相比, 可以更好地克服端元数目估计偏差对探测结果的影响, 无论是端元个数低估还是     

基于张量分解的超光谱图像降秩与压缩

超光谱图像在常规的二维图像中加入了光谱维度,具有更大的信息量的同时也带来了较大的光谱冗余性,这给图像压缩带来了新的挑战。提出了一种基于张量分解的超光谱图像降秩与压缩方法,将超光谱图像视为三阶张量数据表示,并使用张量分解技术将原始观测张量分解为核张量与多个投影矩阵的乘积形式。这样,超光谱图像被压缩为了低秩张量,它可以通过张量反投影进行图像重构。实验证明张量分解技术能够将超光谱图像压缩到很低的比率,同时保持较低的重构相对误差。     

河口表层悬浮泥沙气象卫星遥感定量模式研究

分析了HRIS光谱图像帧序列的相关性 ,并针对这一特性 ,提出了利用D2 PCM方法 ,降低光谱图像序列的谱相关和空间相关 ,减少图像中的冗余 ,从而实现光谱图像的压缩。该方法提高了压缩比和压缩效率 ,算法运算量小 ,快速。     

基于分块特性的高光谱影像波段选取方法的研究

从高光谱影像波段间相关性强的特点出发,揭示高光谱影像各波段间相关系阵分块的特性,介绍基于波段间相关性的高光谱波段选取方法,即自适应子空间分解法及相关性过滤法。通过实验表明,该方法能较快地删除相关强的波段,可作为有效的波段预选方法。     

星载SAR图象斑点噪声消除方法效果的比较研究

星载（ＳＡＲ）图象一般都存在相干斑点噪声，严重干扰地物信息的提取与ＳＡＲ图象的应用效果，因此斑点噪声的消除问题引起微波遥感科技工作者的普遍关注，先后有多位学者提出各种不同的处理方法，其中最为常用的有均值平滑滤波、中值平滑滤波、Ｆｒｏｓｔ自适应滤波、Ｌｅｅ自适应滤波以及近期由Ｐ．Ｖ．ＮａｒａｓｉｍｈａＲａｏ等人提出的改良Ｋ－均值自适应滤波等方法。本文分析了这几种方法的数学基础，并选择了有代表性的实验区开展对比试验，结果表明：改良Ｋ－均值自适应滤波法效果最佳。     

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。     

IKONOS图像的线性回归波段拟合融合方法

讨论基于线性回归波段拟合的空间细节信息提取方法的可行性。首先通过全色与多光谱图像构造线性回归方程,根据全色图像的高频成分设置最小二乘求解的权系数,然后利用回归系数构造低分辨率的全色图像,提取空间细节信息,最后将空间细节注入多光谱图像中进行融合。通过IKONOS全色和多光谱图像的融合实验,比较了本文方法与基于光谱响应函数的方法,结果表明:采用本文方法提取的空间细节信息进行融合,能达到甚至超过基于光谱响应函数方法的融合质量;相对于与FastIHS融合方法,本文方法的融合质量也有较大的提高。     

机载模拟POLDER多角度图象配准(英文)

多角度成象对于获取多角度遥感数据是非常重要的。在对多角度数据进行分析之前，首先要对多角度图象进行配准。经过配准，可以识别出相同的地面目标。在配准过程中，一个主要的困难是由于观察角度的不同、双向反射变化及大气的影响造成的图象灰度变化。如何解决灰度变化的影响关系到图象的配准精度。我们在该文中介绍一种多角度图象配准过程，包括预处理、基于层次结构的图象灰度相关配准。为了去掉大角度造成的灰度变化，我们用改进的模板匹配进行配准。这种方法的优点是与配准模板灰度均值无关，只与灰度变化程度有关。配准过程中也同时考虑到纹理的变化。整个配准过程是沿着观测角度增大的方向进行的序列图象配准，以提高大角度图象配准精度。最后，图象的纠正采用局部自适应几何纠正以获得较满意的结果。我们用法国ＣＮＥＳ提供的ＰＯＬＤＥＲ飞机模拟多角度图象进行配准，并提取了小麦和水稻等植被的多角度信息。     

以混合算法建立宽带多光谱色彩表示空间

对整个原始光谱集进行基于自组织映射的聚类分析，以集群内光谱的平均值分布代替该集群，从而实现在对光谱分布的尖峰值平滑的同时实现原始光谱集的第一次压缩，并对压缩后的光谱集进行主成分分析，以提取的光谱主成分分量作为基张成宽带多光谱空间。     

结合空间—光谱信息的快速自训练高光谱遥感影像分类

自训练方法被广泛应用于高光谱影像分类任务中以解决标记样本获取困难的问题。传统的自训练方法不仅忽略了高光谱影像所能提供的空间信息,导致最终分类精度受到影响;同时在每次迭代过程中都需要完成一次对未标记数据的分类任务,导致需要大量的时间成本。因此,针对上述问题,本文提出了一种基于空间—光谱信息的快速自训练方法用于高光谱影像分类。与传统的自训练方法不同,该方法在迭代过程中使用空间—光谱信息对未标记数据进行筛选完成标记样本的扩充,而不是使用分类器对未标记样本进行分类。首先针对初始标记样本使用空间邻域块选择空间近邻点,然后使用自适应阈值对空间近邻点进行二次筛选得到空谱近邻点赋予标记,最后根据扩充后的标记样本对分类器进行训练完成分类任务。结果表明,在Washington DC Mall Subimage高光谱数据集中每类分别选择2个和10个训练样本时,整体分类精度分别达到了93.17%和95.43%;而在Indian Pines数据集中整体分类精度分别达到了59.75%和86.13%。我们提出的结合空间—光谱信息的快速自训练方法和对比方法相比,我们的方法有明显的提升。     

一种改进的高光谱遥感数据波段选择方法的研究

高光谱遥感数据波段多、数据量大的优点同样给数据处理带来了极大的困难,通过对已有常见波段选择方法的研究,发现其无法同时满足所选择波段相关性小、所含信息量大且光谱可分性好等要求。针对以上问题,本文提出了一种新的方法,综合使用了子空间划分、自适应波段选择和光谱可分性距离等方法,得到最优波段组合。