推帚式超光谱成像仪(PHI)关键技术

成像光谱仪把二维成像技术和光谱技术有机地结合在一起,是具有重大潜力的对地观测仪器。近年来,随焦平面探测器推帚成像技术的发展,先进国家研制成功了超光谱成像仪,成为成像光谱技术的又一生长点。本文结合工作经验,介绍以硅面阵电荷耦合器件（ＣＣＤ）为探测器的推帚式超光谱成像仪ＰＨＩ的关键技术及发展前景。     

考虑光谱信息和超像素分割的高光谱解混网络

在高光谱解混的过程中考虑影像的空间信息,能够有效提高解混精度。而超像素分割能够划分空间同质区域,为此本文提出一种考虑光谱信息和超像素分割的解混网络（SSUNet）。首先需对原始影像进行超像素分割处理,获得具有空间特征的超像素分割数据,然后采用SSUNet对原始高光谱数据和超像素分割数据进行训练和解混。在线性和非线性混合模型生成的模拟数据集和两个真实数据集上的实验表明,与SUnSAL、SUnSAL-TV、SCLRSU、MTAEU、EGU-Net-pw和1DCNN的解混结果相比,所提网络具有更高的解混精度和较好的鲁棒性。     

平滑方法用于INS数据的预处理

在αβγ滤波器的基础上,推导了用于惯性导航系统（ＩＮＳ）方位角数据预处理的平滑公式。采用不同的窗口长度对实际数据进行计算和比较,得到了处理精度为０．０１°的结果。     

基于光谱库优化学习的光谱超分与分类精度提升

光谱库优化学习是将光谱库中的光谱数据作为训练样本,在严格理论推导下构建字典优化学习过程。基于光谱库优化学习,本研究提出了一种光谱超分辨率重建方法,该方法在稀疏表示框架下,通过波段匹配,将光谱库映射为与待重建高光谱图像波段相对应的特定光谱库;并利用映射后的特定光谱库与高分多光谱图像,从理论上推导、并构建基于ADMM算法的光谱字典与稀疏系数优化学习过程。多种数据集上的对比分析表明,即使仅使用一幅高分多光谱图像,本研究方法仍能恢复重建出高质量的高分高光谱图像,同时光谱超分辨率重建后的高分高光谱图像可显著提升地物分类精度。结果表明,本研究实现了仅由一幅高分多光谱图像到高分高光谱图像的高质量光谱超分辨率重建。     

高/多光谱遥感图像超分辨率融合研究进展与展望

高光谱图像作为多模态遥感数据的重要组成部分,能够捕捉地物精细的光谱特征。由于成像机理的限制,空间细节的损失导致高光谱图像的空间表征能力有所退化,一定程度上限制了数据进一步应用的潜力。数据融合是解决空间/光谱分辨率矛盾的有效手段,近年来相关理论得到了深入发展。本文全面综述了高/多光谱遥感图像超分辨率融合领域的研究进展与展望。首先,将当前方法系统性地分为细节注入、模型优化及深度学习3大类方法,并对不同方法的原理、模型、代表性算法进行了回顾,重点介绍了模型优化中的矩阵分解、张量表示及深度学习中的监督与非监督方法。在此基础上,梳理了该领域技术在像素级分类、目标提取、在轨融合领域的成功应用案例,指出融合产品的潜能在后续遥感应用未被充分挖掘的现状;然后,从退化模型、数据-模型驱动、多任务一体化及应用耦合4个角度对该领域进行展望;最后,就该领域的研究现状与发展趋势进行总结,归纳各类方法优劣势的同时,点明了多类方法协同、外部数据辅助及实际应用驱动等方面的重要性。     

变异系数降维的CNN高光谱遥感图像分类

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。     

成像光谱遥感数据的光谱重建研究

成像光谱遥感数据处理中的一个重要环节是大气辐射纠正，它是成像光谱遥感定量化的重要部分，本文推导出一种简单的方法，对高光谱分辨率航空遥感图象进行大气纠正，反射率图像转换及光谱重建，并在地质资源遥感调查中应用，取得很好的效果，同时，对重建的地物光谱中出现的误差，进行了分析。     

简化模糊H-ARTMAP神经网络在高光谱遥感分类中的应用

人工神经网络作为一种不需估计类别分布参数的遥感影像分类方法,能够克服分类中的不确定性,提高分类精度。模糊ARTMAP人工神经网络具有稳定、泛化性能好、支持增量式学习等特点,通过对简化模糊AR-TMAP神经网络和H-ARTMAP神经网络的分析和集成,构造了一种用于高光谱遥感影像分类的简化模糊H-ART-MAP网络。实验证明该方法在分类效率、运算时间和分类精度等方面都优于最大似然分类、BP神经网络、最小距离分类、光谱角制图模型等分类方法。     

高光谱遥感在农业中的应用

首先概括作物分类与识别、作物生态物理参数估算、作物长势监测、作物估产4个主要研究内容。分析高光谱遥感技术在农业中的应用现状,提出高光谱技术当前存在的问题。最后展望高光谱技术在农业遥感中的应用前景。     

成象光谱遥感图象的有限光谱混合分析

本文提出了一种成象光谱数据处理的新方法──有限光谱混合分析方法ＣＳＭＡ（ＣｏｎｓｔｒａｉｎｅｄＳｐｅｃｔｒａｌＭｉｘｔｕｒｅＡｎａｌｙｓｉｓ），该方法将图象中每一象素看作多种类别地物的混合，利用成象光谱仪各波段反射值计算各个类别所占的比例，这是一个求解混合光谱方程最优解的过程。本文提出的有限光谱混合分析方法是在约束条件下求混合光谱方程的最优解，并提出了快速算法。该方法可以得到比传统遥感分类更有意义的结果，使遥感技术更趋于定量化、实用化。     

基于高光谱遥感的四种典型道路光谱特征分析

利用高光谱遥感的方法,采用美国ASD公司生产的FieldSpec 4(背负式非成像高光谱仪),光谱范围覆盖350—2 500 nm,开展了对水泥混凝土道路、沥青道路、砖路和泥路这4种最为常见的典型道路的高光谱数据野外观测。利用光谱均值、反射率计算、一阶导数、二阶导数、倒数后对数变换等方法,对原始光谱数据进行处理,分析对比4种道路的光谱曲线,研究4种道路各自的光谱特征并找到能很好地区分这4种不同道路类型的最佳波段。旨在探索不同道路类型的光谱特征,为道路识别与提取提供重要依据。     

高光谱热红外遥感：现状与展望

针对高光谱影像分类中的深度学习模型设计问题,提出了一种面向高光谱影像分类的网络结构自动搜索方法。该方法首先利用可微分结构搜索技术在源高光谱数据集上进行网络结构搜索,然后采用堆叠单元的形式构建深度网络模型,最后利用目标高光谱影像对模型进行分类性能评估。该方法仅在源高光谱数据集上进行一次网络结构搜索,得到的深度网络模型即可应用于其他目标高光谱影像的分类任务,能够有效提高模型利用率。为了提高自动搜索得到的模型的泛化能力和分类精度,采用多源多分辨率的高光谱影像构建源数据集,并引入部分通道连接操作提高搜索效率。试验表明,该方法能够自动搜索出适合高光谱影像分类任务且具备一定通用性的深度网络模型,该模型能够取得较常规深度学习模型更为优异的分类效果,在University of Pavia、Indian Pines、Salinas和Houston 2018这4个目标高光谱影像上分别取得了98.15%、98.74%、97.30%和74.47%的总体分类精度。

     

有监督的邻域保留嵌入的高光谱遥感影像特征提取算法

超光谱遥感图像特征提取对于图像分类具有重要意义,本文提出一种名为判别监督邻域保留嵌入的新型特征提取算法(discriminative supervised neighborhood preserving embedding, DSNPE)。在高维超光谱遥感图像特征提取过程中, DSNPE不但能保留图像的局部流形结构和邻域信息,而且采用像素点由邻域同类像素点线性表示,将邻域中同类和非同类像素点分开处理,利用判别分式求解最优投影矩阵,使高维像素点投影到低维空间时,同类点离得尽可能近,非同类点离得尽可能远,有利于图像的分类。对三幅超光谱遥感图像的特征提取及分类的实验说明：与主成分分析（PCA）、非参数权重特征提取（NWFE）、局部保留投影 (LPP)、邻域保留嵌入（NPE）等相比,具有一定的优越性和可判别性。     

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。     

影像超分辨率重建技术在遥感中的应用

影像超分辨率重建是通过对多幅具有互补信息的低分辨率影像的处理,重建一幅高分辨率影像的技术,其在视频监控、医学诊断、遥感监测等领域具有很大的应用价值。以SPOT5和ADS40为例阐述了超分辨率重建技术在遥感观测系统中的应用现状,并给出了一种应用于多时相遥感影像处理的超分辨率重建方法。     

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。     

光谱可形变卷积驱动的高光谱图像分类

基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN (Spectral Deformable Convolutional Neural Network)。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱—空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明：本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%(Indian Pines,10%/类)、99.81%(University of P...     

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策略,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。