高光谱遥感图像亚像元信息提取方法综述

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。     

高光谱图像异常目标检测算法研究与进展

高光谱图像是一种新型的具有"图谱合一"特性的遥感图像,其连续的光谱曲线可更好地表达地表物质间的细微差异,在地表物质的分类、解混和目标探测等方面得到了广泛应用。随着高光谱遥感技术的深入发展,对不需要先验信息的异常目标检测的研究成为最活跃的方向之一,许多研究者提出了具有较好效果的异常检测算法。基于对国内外已有算法的综合归纳和分析,系统地论述了高光谱异常检测的研究现状和最新进展。阐述了高光谱异常目标检测的实质和基本理论;从算法思想、关键技术和优缺点等方面重点分析总结了较有代表性的异常目标检测算法,并对其进行了概括和阐述;最后对异常检测算法的未来研究方向进行了展望,力图为高光谱异常目标检测算法研究找到新的突破点。     

高光谱图像目标检测算法分析

本文将国内外的高光谱图像目标检测算法分为光谱异常检测、光谱匹配检测和高光谱与高空间分辨率结合目标检测三种检测算法,分析了三种检测算法的原理、应用特点和局限性,并探讨了目标检测算法的发展的可能性。     

高分辨率航空遥感高光谱图像稀疏张量目标检测

随着高分辨率对地观测技术的快速发展,我国已具备获取高空间分辨率和较高光谱分辨率遥感图像的能力.在高分辨率对地观测条件下,能够进行检测的目标最小尺度在不断提升,使得复杂场景中的目标检测成为可能.针对机载高分成像获取的高光谱图像中目标检测问题,本文提出了一种基于张量表示的目标检测新框架及稀疏目标检测新方法.首先,利用张量模型对输入高光谱图像数据进行低秩分解和表示,所得到的投影分量能够表示高光谱图像的空间-光谱整体信息;其次,将稀疏表示方法同传统目标匹配检测方法相结合,构成稀疏匹配目标检测算子,对低秩张量分解的投影数据进行检测.本文所提出稀疏张量目标检测新方法能够有效地挖掘和利用局部区域目标的空间-光谱联合信息,提高高分条件下复杂场景目标检测的性能、降低虚警率.本文利用两组真实的航空系统高光谱图像进行仿真试验,试验结果表明所提出的方法检测性能明显优于当前国际主流遥感图像目标检测方法.     

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.     

高光谱亚像元定位的线特征探测法

未考虑地物亚像元级空间结构特征是影响高光谱亚像元定位精度的因素之一。为了有效解决这一问题,本文提出一种基于混合像元线特征探测的亚像元定位算法。首先,通过光谱解混确定含典型线状地物的混合像元。然后,基于完备直线集的最大线性指数方法确定其余含线特征的混合像元,使用模板匹配方法结合像元引力确定含线特征混合像元的亚像元类别。最后,基于线性优化的方法迭代确定剩余混合像元的亚像元类别。通过真实数据及仿真数据的试验,结果表明所提出的方法能有效提高亚像元定位精度。     

多光谱遥感影像亚像元定位的空间引力算法研究

针对遥感影像亚像元定位问题,提出一种基于像元空间引力模型的亚像元定位新算法,算法中像元空间引力的表达在亚像元尺度上建立,能够表达像元间的空间自相关性;亚像元权重参数包括相互吸引的两个相邻像元中地物百分比含量,强化了空间引力模型;用距离函数表达像元间的相互作用在距离上的非线性关系.通过迭代运算优化像元间的引力关系,提高像...     

结合地物空间特性的高光谱图像分类方法研究

以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其一切特征统计也只在光谱及波段维上展开。但是自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的,常会出现"麻点"现象。针对这一问题,本文提出一种结合地物空间特性的高光谱图像分类方法,其分类过程可以分为两个阶段,第一阶段是基于像元光谱特性的图像分类,获得影像分类图;第二阶段是针对第一阶段的分类结果,结合地物空间特性进行空间后分类处理。试验研究结果表明,该方法能够保持地块的连续性和均一性,同时克服了"麻点"现象,大大提高分类的精度。     

基于核空间的多光谱遥感图像分类方法

提出了多光谱遥感图像分类方法中解决非线性问题的一种思路。通过引入核空间理论,将在输入空间中不能线性分类的问题映射到一个可以进行线性分类的高维空间,并利用核函数避免了在高维空间中运算的复杂度,较好地解决了非线性分类问题。利用这种思路,本文对一种比较简单的分类算法———自适应最小距离分类方法加以改进,并将其应用于多光谱遥感图像的分类中,提出了一种核函数的选择策略。     

基于主成分抑制的高光谱图像异常目标检测方法

高光谱图像异常目标检测主要用于检测图像中的区别于背景环境的异常目标,为图像目标的判读提供一个初步的判断,是高光谱图像应用的一个重要内容。本文在研究现有异常目标检测算法的基础上,采用基于主成分抑制和顶点成分分析相结合的方法,对实验图像中的异常目标进行了检测,取得了较好的效果。     

采用非正定OCSVM 的高光谱影像地物检测

高斯径向基核函数是基于光谱向量间欧氏距离的度量,对于因光照强度变化而引起的地物光谱变异敏感,当同类地物光谱发生变异时,基于高斯径向基核的高光谱影像地物检测算法的性能下降.为了解决该问题,基于光谱曲线形状相似性描述提出了光谱角度余弦核测度这一非正定核函数,并应用于一种非正定OCSVM 方法的高光谱影像地物检测.最后利用两幅高光谱影像进行了实验分析,实验结果证明了本文算法的有效性.     

基于支持向量回归的高光谱影像目标探测

高光谱影像目标探测可视为一个分类问题,本文通过揭示支持向量回归(SVR)与支持向量分类(SVC)之间的关系,证明了SVR用于分类的可行性,并以此为根据提出了一种基于SVR的目标探测算法,该算法利用虚拟维数得到端元个数的估计,结合端元选择和线性混合模型生成训练样本替代从影像中选择的训练样本,因而减少了对影像先验知识的依赖。采用模拟数据和由AVIRIS获得的高光谱影像对本文算法进行了检验,结果令人满意。     

基于非正定 OCSVM 的高光谱影像地物异常检测

针对基于高斯径向基核函数的OCSVM等异常检测算法,对地物光谱变异极为敏感,导致算法异常检测性能不稳定的问题,根据光谱角度余弦测度对光谱形状相似性的描述不受地物光谱辐射强度变异影响的特性,将具有非正定核特性的光谱角度余弦核测度引入非正定SVM算法中,提出一种基于非正定OCSVM的高光谱影像地物异常检测算法。利用四组模拟数据进行目标异常检测实验,结果表明,该算法能够有效检测出高光谱影像数据中的目标地物,检测精度提升明显。     

采用目标端元修正的高光谱混合像元盲分解

针对非负矩阵盲信号分离(NMF)用于混合像元分解易陷入局部极小值的不足,将非监督端元提取与盲分解方法相结合,构建了一种基于目标端元修正的混合像元盲分解模型(ATGP-NMF)。ATGP-NMF模型利用非监督正交子空间投影算法(ATGP)和非负最小二乘法(NNLS)获取NMF盲分离的初始值,然后将获得初始目标端元光谱与丰度输入NMF模型,通过迭代运算不断逼近优化目标而得到最终的端元光谱和端元丰度。为了检验模型对于各类数据的有效性和适用性,将ATGP-NMF与传统NMF分别应用于模拟仿真数据、室内控制数据和真实遥感影像3类实验数据进行分析验证。结果表明,ATGP-NMF模型具有较好的适用性,在没有先验信息、先验信息很少,以及纯像元假设不存在情况下都能较好地分解混合像元,且能够更好克服局部极小问题,提高混合像元分解的精度。     

Small target extraction based on independent component analysis for hyperspectral imagery

IntroductionFeature extraction or transformation is a key stepfor target detection in hyperspectral imagery. Thepurpose is to transform the high-dimensional imageinto low-dimensional image series so that the differ-ences between the targets and the backgr…     

Small target extraction based on independent component analysis for hyperspectral imagery

A small target detection approach based on independent component analysis for hyperspectral data is put forward. In this algorithm, firstly the fast independent component analysis(FICA) is used to collect target information hided in high-dimensional data and projects them into low-dimensional space. Secondly, the feature images are selected with kurtosis. At last, small targets are extracted with histogram image segmentation which has been labeled by skewness.     

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。     

Fast algorithm for maneuvering target detection in SAR imagery based on gridding and fusion of texture features

Designing detection algorithms with high efficiency for Synthetic Aperture Radar (SAR) imagery is essential for the operator SAR Automatic Target Recognition (ATR) system. This work abandons the detection strategy of visiting every pixel in SAR imagery as done in many traditional detection algorithms, and introduces the gridding and fusion idea of different texture features to realize fast target detection. It first grids the original SAR imagery, yielding a set of grids to be classified into clutter grids and target grids, and then calculates the texture features in each grid. By fusing the calculation results, the target grids containing potential maneuvering targets are determined. The dual threshold segmentation technique is imposed on target grids to obtain the regions of interest. The fused texture features, including local statistics features and Gray-Level Co-occurrence Matrix (GLCM), are investigated. The efficiency and superiority of our proposed algorithm were tested and verified by comparing with existing fast detection algorithms using real SAR data. The results obtained from the experiments indicate the promising practical application value of our study.