轻小型无人机高光谱遥感原始数据存储与验证

高光谱遥感数据具有丰富的信息,但多通道海量光谱信息的存在给原始数据的存储带来了较大的压力.尤其是在轻小型无人机领域的应用中,受搭载平台的制约,无法使用体积与质量过大的存储介质.SD卡是一种体积小、容量大的存储设备,被广泛应用于无人机遥感数据的存储中.但一般的SD卡控制器实际的写入速度为30 MB/s,无法完成高速高光谱...     

基于无人机高光谱影像波段选择的薇甘菊分类

薇甘菊是危害最严重的外来入侵物种之一,其生长与传播极其迅速,对我国森林生态系统造成了严重破坏,相关管理部门需要一个有效的薇甘菊监测手段。传统人工调查方式需要投入大量的人力物力,成本高昂、效率低下;近年来快速发展的高光谱遥感技术为薇甘菊的监测提供了新思路。本文以无人机搭载的Nano-Hyperspec高光谱仪获取的广东省增城林场遥感影像数据为基础,对高光谱数据进行几何校正、影像降噪处理、辐射定标及坏带波段剔除等影像预处理;运用最佳指数因子法(OIF)、自适应波段法(ABS)、自动子空间划分(ASP)与自适应波段相结合的波段选择法(ASP+ABS) 3种方法进行波段选择,获取信息量较大且波段间相关性较低的特征波段组成薇甘菊分类最佳波段组合,生成3幅遥感影像;最后采用支持向量机方法(SVM)对生成的3幅不同遥感影像进行分类,以分类结果的精度评价3种波段组合对薇甘菊高光谱特征的响应程度,选出更能反映薇甘菊的光谱特征的波段组合。试验结果表明,针对Nano-Hyperspec遥感影像数据,使用OIF波段选择法,研究区内薇甘菊的制图精度和用户精度分别为74.62%、66.52%;使用ABS波段选择法...     

基于无人机高光谱影像的NDVI估算植被盖度精度分析

研究波段参数对NDVI估算植被生物物理参数的影响,对于提高NDVI在植被覆盖变化监测中的应用精度具有重要意义。采用无人机载Resonon Pika XC2高光谱仪获取的人工草地高光谱影像,分析红光和近红外波段位置移动与宽度变化对NDVI的影响,评估NDVI对植被盖度的敏感性和植被盖度估算精度。结果表明:波段位置固定时红光和近红外波段宽度扩展对NDVI及其敏感性影响不大,窄波段NDVI估算植被盖度的精度优于宽波段。红光和近红外波段位置向长波方向移动时对NDVI及其敏感性有不同程度的影响,随着敏感性增强NDVI抗扰动性降低,估算植被盖度的精度有所下降。窄波段NDVI的灵敏度系数及其与植被盖度线性拟合的R2波动剧烈,植被盖度估算的位置稳定性较差。10 nm NDVI在不同位置处取得了较高的盖度估算精度,R2最大值为0.83。4种主流卫星影像计算的宽波段NDVI对于高植被覆盖区盖度反演具有良好的适用性,但与窄波段10 nm NDVI相比其盖度反演精度仍然有一定程度的衰减。研究结果可为NDVI精确反演植被参数提供科学参考和依据。     

利用无人机高光谱影像的红树林群落物种分类

近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。     

无人机高光谱影像分层分类的松材线虫病监测

松材线虫病在秦岭以南传播广、蔓延快,利用遥感技术提取病害松可为疫情防控提供数据支撑。以无人机获取的高分辨率、高光谱数据为基础,捕捉区分病害松与健康松的特征波段,提出一种结合植被指数与小波神经网络的林地分层分类新方法,用于提取病害松树冠图斑。病害松识别结果与实地核查数据对比表明,分层分类结果与实地核查情况基本一致,病害松识别总精度达到89.87%,优于单一使用支持向量机、小波神经网络的分类结果。林地分层分类新方法与传统分类方法相比,分类精度更高,所需的样本更少。无人机高光谱数据信息丰富,病害松、健康松在可见光、近红外范围内均有光谱敏感特征,后续应进行病害松时序光谱监测,进一步研究松材线虫病害影响因子。     

提高无人机高程精度的影像获取方法

近年来,无人机技术在大比例尺地形测量领域得到了广泛应用,但受基高比小、飞行姿态不稳定等因素的影响,无人机成图的高程精度有时难以满足规范要求。通过分析基高比和航片姿态对高程精度的影响,提出了新的影像获取方案。通过与传统方案进行实验对比分析,结果表明,在保证平面成图精度与传统方案基本一致的基础上,高程中误差降低了30.4%,高程检查点超限的个数减少了74%,提高了无人机的高程精度。     

基于DBN的机载高光谱影像分类

高光谱图像分类是目前遥感技术应用的关键环节,对分析地物类别与土地利用起到了十分重要的作用。目前应用于高光谱图像分类普通算法,其精度已不能满足当今大数据时代下的分类要求,本文提出了深度置信网络(DBN)分类算法。深度置信网络具有无监督学习与有监督学习二者共同的优点,对于维数高的数据有较优的分类效果,并利用机载AISA Eagle II高光谱传感器的影像进行了验证。结果表明,DBN算法与支持向量机(SVM)及传统神经网络(BP)对比取得了较好的分类效果。     

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。     

高光谱影像的DAE分类

针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

无人机高空间分辨率影像分类研究

本文利用无人机影像进行土地利用类型研究,面向对象方法对影像分割,获取了最佳分割尺度;根据各土地类别的特征信息建立分类定义,提出了快速、准确获取土地利用类型的方法。研究结果表明,运用面向对象方法能很好地解决无人机高分辨率影像分类问题,其中关键是影像分割尺度的选择和影像对象特征信息的提取。     

基于光谱特征参量化的高光谱影像精细分类

从高光谱影像能够提供地物连续光谱曲线的优势出发,提出了提取地物诊断性光谱吸收峰的特征参数进行地物精细分类的方法。用OMIS高光谱数据进行实验,首先对光谱曲线进行包络线去除处理,然后在归一化的曲线上提取光谱吸收峰的形态特征参数,根据不同种地物的光谱差异与分类需求进行特征参数选择,用于地物分层精细分类,在每一类别的地物之中实现不同子类的区分。分类总体精度达到81.022 6%,Kappa系数为0.748 9,尤其在植被和水体的子类区分上取得了较好的效果,证实了该方法的有效性。     

基于Quick Shift算法的高光谱影像分类

论述了面向对象分类方法处理高光谱高空间分辨率影像的优势与流程;分析了快速漂移(Quick Shift)算法的原理,该算法在进行模式搜索时具有可控制模态选择和平衡过分割与欠分割的特点。将该算法应用于高光谱影像分割,可得到面向对象分类所需的较理想的同质影像对象。为提高影像分割的效率,提出了一种基于灰度共生矩阵的自适应核带宽确定方法,能够兼顾影像空间特征和光谱特征。最后采用最小距离分类法、支持向量机分类法与提出的分类方法进行了对比试验,实验结果表明了该方法的有效性。     

基于Quick Shift算法的高光谱影像分类

论述了面向对象分类方法处理高光谱高空间分辨率影像的优势与流程;分析了快速漂移(Quick Shift)算法的原理,该算法在进行模式搜索时具有可控制模态选择和平衡"过分割"与"欠分割"的特点.将该算法应用于高光谱影像分割,可得到面向对象分类所需的较理想的"同质"影像对象.为提高影像分割的效率,提出了一种基于灰度共生矩阵的...     

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。     

无人机高光谱影像处理方法的探索

针对目前已有无人机影像处理软件不支持高光谱影像预处理,及低版本遥感图像处理平台（ENVI）批量化处理数据困难的问题,研究了利用交互式数据语言（interactive data language,IDL）与无人机遥感图像处理软件（PIE-UAV）相结合进行无人机高光谱影像处理的方法。首先,使用IDL实现影像预处理,包括影像配准、影像白板校正。其中,影像配准阶段包含单波段影像配准、配准后影像外扩、多波段合成以及影像裁切等步骤。其次,使用PIE-UAV进行影像正射纠正,使用ENVI软件进行影像镶嵌。实验结果表明,该方法能够得到色彩过渡均匀且满足要求的拼接高光谱影像。     

高光谱影像信息向量机分类

信息向量机是一种基于贝叶斯理论的稀疏高斯过程方法,其模型训练速度快、内存耗费小、稀疏性强,具有良好的预测性能。本文从高斯过程回归模型出发,提出了一种基于信息向量机的高光谱影像分类方法,针对高斯过程分类中的非高斯噪声模型,采用假定概率滤波算法将分类问题转化为回归问题,通过最大化边缘似然函数进行模型训练,选择活动子集中的信息向量数量达到了稀疏的目的。通过ROSIS影像试验,表明了基于信息向量机的高光谱影像分类方法的优势。     

基于相关向量机的高光谱影像分类研究

虽然支持向量机在高光谱影像分类得到成功应用,但是它自身固有许多不足之处。相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,其核函数不需要满足Mercer条件,不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。本文从分析支持向量机用于高光谱影像分类存在的不足出发,提出了一种基于相关向量机的高光谱影像分类方法,介绍了稀疏贝叶斯分类模型,将相关向量机学习转化为最大化边缘似然函数估计问题,并采用了快速序列稀疏贝叶斯学习算法。通过PHI和OMIS影像分类实验分析表明了基于相关向量机的高光谱影像分类方法的优越性。     

基于MKSVM和MRF的高光谱影像分类方法

为充分利用高光谱遥感影像中丰富的光谱和空间信息,提出了一种基于多核支持向量机(multiple kernel support vector machine,MKSVM)和马尔科夫随机场(markov random field,MRF)的影像分类方法。该方法首先利用MKSVM分类器对影像进行分类处理,再利用MRF对初始分类结果进行空间结构规则化,得到最终分类结果。通过对AVIRIS高光谱影像的分类实验表明,该方法有效地消除了分类结果中同质区域内的"噪声",分类精度提高了3%左右。     

基于核Fisher判别分析的高光谱遥感影像分类

高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起.高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别.在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器.通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短.