基于逐次投影寻踪的高光谱影像降维方法研究

提出了一种新的逐次投影寻踪方法,对高光谱数据进行降维处理,采用定量化的指标,通过对高光谱数据的多次一维投影,逐步选取有效成分,构建新的低维正交空间.     

基于特征提取的高光谱数据分类

与多光谱数据相比,高光谱数据对地物具有更高的光谱分辨率,但是由于高光谱数据巨大的数据量以及相邻波段之间的强相关性,导致了对这种数据的许多处理方法达不到其应有的效果,从而在某种程度上制约了其广泛的应用。本文使用了一些有效的特征提取和信息转换方法对高光谱信息进行了优化处理,并设计了相应的分类流程,在充分保证其分类精度的前提下达到了对高维信息的数据降维和高效利用的目的。     

基于分段t-SNE的高光谱影像降维方法

针对高光谱数据降维预处理复杂的问题,提出了一种以t-SNE为基础的分段高光谱影像降维算法,通过构建一个高维对象之间的概率分布,仿射变换将高光谱数据点映射到概率分布上,增大相似的样本被选中的可能性,减小而不同的点被选中概率,降维的同时考虑数据全局与局部关系,为高光谱图像压缩提供一种新的处理思路.     

基于PCA和KPCA的高光谱遥感数据降维对比研究

高光谱遥感影像数据降维在降低数据处理代价的同时,保留了大量必要的地物信息,对后续地物识别与分类等应用提供了重要保障。为探究线性降维方法与加入核函数的非线性降维方法间的差异,利用编程实现了主成分分析（PCA）和基于多项式核函数的核主成分分析（KPCA）两种降维算法。通过设定累计贡献率的阈值,利用降维结果进行内部差异性对比,利用MLP分类器分类后的结果进行外部差异性比较。实验结果表明：(1)KPCA算法在数据压缩、降维效果方面具有较大优势;(2)利用KPCA算法降维后的数据,经MLP分类器分类后的总体精度、Kappa系数均高于PCA算法;(3)PCA算法的算法复杂度较低,计算量小且计算时间短,在时间复杂度方面具有更大优势。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

基于流形学习的高光谱影像降维理论与方法研究

本文从高光谱数据的非线性本质出发来引入流形学习方法,结合高光谱影像的自身特性,挖掘高光谱影像内部的非线性流形特征,研究高光谱影像的流形学习降维对应的光谱意义解释,构建适合高光谱影像数据特性的非线性流形学习降维理论和方法体系,并在实践上指导后续的高光谱影像分类、目标识别和异常探测等应用。     

面向对象的高光谱影像目标识别方法

将面向对象影像分析和决策树方法综合应用于高光谱遥感影像的目标提取,在分析待提取地物特征的基础上,总结归纳其特性知识,构建分类规则,设计和实现决策树以完成目标识别。该方法充分应用分割所得到的均质对象的位置、形状、纹理等特征实现了决策规则提取和决策树构建,在应用OMIS和PHI影像进行目标识别的实践中取得了很好的效果。     

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Oracle的高光谱影像数据库研究

为有效地组织和管理高光谱影像,本文提出了基于Oracle数据库平台的高光谱影像存储和管理的解决方案。基于对象关系-模型设计了光谱数据表组+属性数据表组的存储规范以及波段独立顺列式、波段集中整合式以及表单位式的三种存储模式。采用地形瓦片和影像金字塔的快速索引结构设计和建立了高光谱影像数据库的原型。     

基于光谱相关性的SVM高光谱遥感影像分类

根据高光谱遥感影像数据特点,首先利用光谱相关性进行特征选择,然后引进SVM进行高光谱遥感影像分析解译,最后利用AVIRIS影像进行试验,结果显示分类精度和时间比常规方法都有很大改善。     

基于穷举法的高光谱遥感图像地物识别研究

介绍了一种基于穷举法的高光谱遥感图像地物识别方法。该方法从所有与研究区有关的可能参考光谱中识别出图像上每个像元的最佳匹配光谱,绘制识别结果图,并由图中信息可对参考光谱进行更换,以求得最佳识别结果。并以云南省中甸普朗斑岩铜矿区外围的高光谱遥感图像为例,得到了该区的地物识别图,经实地检验,证实了该方法的有效性。     

基于光谱整体形态和局部吸收谷位置的高光谱遥感图像地物识别

为了精确识别高光谱遥感图像上的地物,使用交叉相关光谱匹配方法获取光谱整体形态的最大偏移量,通过对比分析吸收谷位置变化获取吸收谷位置的最大偏移量,在此基础上确定吸收谷位置的偏移范围;然后使用穷举法,进行基于整体形态和偏移范围内局部吸收谷位置的识别。在云南中甸普朗斑岩铜矿区的高光谱遥感图像的实际应用表明,该方法的识别结果比仅考虑整体形态的识别结果具有更高的可靠性,能进一步证实识别结果的准确性。     

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。     

利用能量变分方法进行高光谱数据去噪处理

利用超平面最小方案,针对高光谱数据在空间维和光谱维建立能量函数,通过两个权重系数调节空间维数据曲面光滑程度和光谱曲线光滑程度,达到联合抑制噪声的目的。实验中,对Hamamatsu相机和AVIRIS采集的高光谱影像数据中比较严重的噪声污染,该方法有效地降低了噪声的影响,在AVIRIS水吸收带处的去噪效果尤为明显。     

张量组稀疏表示的高光谱图像去噪算法

提出了一种基于张量组稀疏表示的高光谱遥感影像降噪。高光谱影像数据可视为三阶张量。首先,高光谱图像被划分为小的张量分块,然后,对相似的张量分块进行聚类,并对聚类分组进行稀疏表示。基于高光谱图像的空间非局部自相似性和光谱相关性,将张量组稀疏表示模型分解为一系列无约束低秩张量的近似问题,进而通过张量分解进行求解。对模拟和真实高光谱数据进行试验,验证了该算法的有效性。     

判别流形学习算法的高光谱数据降维与树种识别

高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。     

结合SOM神经网络和混合像元分解的高光谱影像分类方法研究

本文对SOM神经网络算法进行改进,在标类的过程中采用3个策略加以控制,对初始产生的自组织映射图进行调整。通过改进,那些映射到可靠神经元的像素得到了很好的分类,而那些映射到不可靠神经元的像素都被作为不可分像元而提取出来。继而,从混合像元分解的角度来对这些不可分像元进行处理,按类型分解的思想确定混合像元的类别,实现对不可分像元的分类。将SOM神经网络和混合像元分解相结合的分类方法应用于高光谱图像的分类中,通过实验表明了该方法能较好地改善分类效果,提高分类精度。     

嫦娥二号CCD立体相机数据预处理与数据质量评价

嫦娥二号是中国探月工程二期月面软着陆和巡视探测的先导星,经过为期半年多的科学探测,CCD立体相机获取了空间分辨率7m的全月球影像数据,对于后续月球探测和月球科学研究具有非常重要的意义。本文介绍了CCD立体相机的数据获取、数据预处理、数据格式和数据质量情况,有助于月球科学家了解数据产品情况,挖掘数据中更多的科学信息,开展月球科学研究。     

基于信息量失真测度的VQ及在高光谱图像无损压缩中的应用

随着成像光谱技术的迅速发展 ,如何高效无失真的压缩海量高光谱数据引起人们越来越多的关注。由于相似的地表区域具有相似的光谱曲线 ,矢量量化是对高光谱图像进行压缩的理想算法。提出一种基于信息量失真测度的矢量量化编码方法 ,并用于高光谱图像无损压缩。与常用的矢量量化失真测度———欧几里德平方误差测度相比 ,该算法在不增加运算复杂度的情况下 ,矢量量化后的误差图像的熵值能够降低 0 0 5bpp左右。