基于二次散射的高光谱遥感图像光谱非线性混合模型

高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果.     

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。     

高光谱遥感城市植被识别方法研究

传统的植被状况调查方式费时、费力,并且更新困难,而高光谱遥感数据图谱合一,能够更精细、准确地进行遥感地物识别和分类,因此采用Hyperion高光谱数据来研究地物混合严重并且呈零星碎片状的城市植被。利用混合像元分解思想改进Gram-Schmidt融合算法,将Hyperion高光谱和ALI全色波段进行融合,提高光谱数据的空间分辨率,来解决城市植被像元混合严重和分布过于零散破碎难题,进而提高植被识别精度。为了避免高光谱植被识别陷入维数灾难,采用主成分分析对融合后的高光谱数据进行数据降维。最后,在地面光谱成像仪获取的纯净像元光谱信息辅助下,选取训练样本进行最小距离分类,完成植被类型识别,总体精度达到84.9%。     

子像元NDVI时间序列曲线生成研究

获取具有时态特性的NDVI曲线是进行土地利用与植被覆盖变化分析的必要步骤,为有效地利用多源遥感影像数据,本文基于尺度下降理论,利用具有不同时间分辨率的高、低空间分辨率遥感影像,采用线性光谱混合模型反向分解低空间分辨率混合像元,计算其子像元级地物反射率,生成具有高时态特性的子像元级NDVI时间序列曲线,使利用有限的遥感数据资源进行较精细的动态植被生物量变化分析成为可能。通过真实影像数据实验分析,其结果验证了该方法的有效性。     

压缩感知和万有引力模型相结合的高光谱混合像元分解

高光谱影像虽然具有较高的光谱分辨率,但因其空间分辨率低而普遍存在混合像元。混合像元分解是高光谱遥感应用的重要研究内容,包括端元提     

一种准确快速的高光谱数据光谱混合分析方法

针对地物光谱的不确定性及参与每一像元光谱混合的端元种类与数目的不确定性,提出一种准确快速的高光谱数据光谱分析方法。该方法利用图像端元与标准端元库端元构建分组端元库,为每种地物引入多种端元光谱,解决了地物光谱不确定性问题;通过基于多端元交叉相关光谱匹配的确定搜索与基于二进制粒子群优化的随机搜索相结合的方式为每一像元搜寻一个最优端元子集,解决了参与混合的端元种类与数目的不确定性问题,并且提高了搜索效率。通过模拟数据与真实高光谱数据的试验验证,该方法解混精度与多端元光谱混合分析法相当、远高于全限制/无限制最小二乘法与交叉相关光谱匹配法,而计算时间远小于多端元光谱混合分析,实现了快速、准确的高光谱数据解混。     

高光谱遥感影像混合像元分解研究进展

受高光谱成像仪低空间分辨率及复杂地物的影响,高光谱遥感图像存在大量混合像元。为提高地表分类精度以及满足亚像元级目标探测的需求,混合像元分解技术一直是高光谱遥感研究热点之一。本文主要对高光谱混合像元分解技术中的核心问题:端元数目估计、端元提取算法、丰度估计算法进行综述,系统地分析了各种典型算法的原理及优缺点,进一步阐述研究过程中建立高精度遥感混合反演模型与遥感产品业务化中的混合像元分解技术难题,同时针对今后混合像元分解技术发展方向,指出在继续引入新型算法理论方法基础上,结合用户应用需求,推进高光谱混合像元分解算法业务化应用,为高光谱遥感工程化应用提供支持。     

基于光谱滤波器的混合像元分析

提出一种利用光谱滤波器进行遥感图像混合像元全约束分解的新算法。该算法利用端元光谱中与背景光谱正交的光谱成分构建光谱滤波器,滤除混合像元中的背景干扰成分,直接获取信号光谱的丰度。采用该光谱滤波器多次迭代分解,修正单个混合像元的端元光谱空间,获取其确切的端元光谱配置,保证了分解时各端元丰度的非负性,实现混合像元的全约束分解。多光谱数据仿真实验证明,与全约束最小二乘法(FCLS)和正交投影(OSP)分解法相比,该方法虽然在时间方面略逊一点,但其分解结果与实际结果的相关系数高,均方根误差小,具有很高的分解精度,在遥感定量分析方面具有重要的应用潜力。最后给出了该算法在真实的高光谱图像中进行混合像元分析的结果。     

高光谱端元自动提取的迭代分解方法

混合像元线性分解技术是进行高光谱影像处理的常用方法,应用这种方法的一个主要问题是难以有效、自动地确定影像的端元光谱。利用非监督的方法快速自动提取高光谱遥感图像的端元光谱是解决这个问题的主要技术手段。根据迭代误差分析思路,通过对线性混合像元模型分解的误差传播分析后,得到了端元选择的约束条件。结合端元存在的空间信息,自动提取出端元光谱并进行了混合像元分解。利用不同地区、不同传感器的高光谱数据实例测试了该文的方法,分析和讨论了选择迭代初始值与参数阈值的敏感性问题。研究结果表明此方法可以自动提取端元光谱,并且精度较高。     

混合像元分解技术及其进展

混合像元分解模型是定量遥感研究的重要组成部分,为各种地学应用提供了更精细的亚像元级地物信息,这一领域受到国内外学者们广泛关注。本文围绕混合像元分解研究的4个核心问题——光谱混合模型、端元提取、模型反演方法以及解混精度评估,总结了近20年来混合像元分解的重要研究进展,分析和介绍了典型算法模型的原理和思路。进一步阐述了现有研究在一些关键问题上存在的不足,如目前仍缺乏公认的线性和非线性模型的选择判据、已有的混合像元分解模型无法抑制由端元光谱相关造成的共线性问题。最后总结了混合像元分解未来的发展趋势和值得探索的研究方向。如结合辐射传输模型和地面试验,定量分析多次散射的影响机制,以及结合克服共线性的统计回归模型。     

一种端元变化的神经网络混合像元分解方法

遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点,在端元（Endm ember）个数不变的情况下,往往得到的分解结果精度不高。本文基于fuzzy ARTMAP神经网络,提出一种基于端元变化的神经网络混合像元分解模型。首先利用混合像元与纯净端元之间的光谱相似性,判断出混合像元包含的端元个数及类别,然后结合fuzzy ARTMAP神经网络进行分解。实验结果表明：本文提出的方法比传统的线性混合模型及fuzzy ARTMAP神经网络模型的精度要高,而且更加符合实际情况。     

高光谱图像混合像元多维卷积网络协同分解法

受成像光谱仪性能与复杂地物分布的影响,高光谱图像存在大量的混合像元。传统的基于学习的混合像元分解方法通常都是浅层模型,或缺少对空间、光谱信息的综合应用。本文提出一种多维卷积网络协同的混合像元分解深层模型,采用多种维度卷积网络能更充分利用多种维度语义信息,有利于估计小样本和高维的高光谱图像混合像元丰度。对训练数据进行增广处理,构建光谱维、空间维和立方体3种卷积神经网络;设计了融合层,协同3种卷积神经网络提取特征,“端到端”的估计混合像元丰度值;模型使用了批量归一化、池化和Dropout方法避免过拟合现象。试验结果表明,多维卷积网络协同方法的引入能更有效地提取空-谱特征信息,与其他的卷积网络解混模型相比,估计的混合像元丰度精度有显著提高。     

高光谱成像遥感载荷技术的现状与发展

高光谱成像技术可同时获取地物的几何、辐射和光谱信息,集相机、辐射计和光谱仪能力于一体,相比光学空间二维成像,可对地物进行空间和光谱三维成像,在一定的空间分辨率下,获取宽谱段范围内地物独特的连续特征光谱,对地物的精细分类和识别具有突出的优势,目前已成为对地遥感的重要前沿技术手段,在自然资源调查、生态环境监测、农林牧渔、海洋与海岸带监测等领域发挥着越来越重要的作用。随着高光谱遥感应用的深入研究,对高光谱成像遥感仪器的光谱范围、幅宽、光谱分辨率、空间分辨率、时间分辨率与定标精度等指标提出了新的要求。同时满足这些相互制约的参数指标,是国内外高光谱载荷研制中一直难以突破的技术难点。本文主要对国内外的高光谱成像遥感载荷技术进行了综述,介绍了国内外典型的机载、星载高光谱成像遥感仪器,以及近年来发射、正在研制和计划发展的星载高光谱成像载荷,并分析了这些载荷的技术方案、性能指标和应用效果;介绍了声光调谐（AOTF）、液晶调谐（LCTF）、法布里—珀罗调谐（FPTF）,渐变式（LVF）和阶跃式（ISF）光楔滤光片,压缩感知光谱成像等新型分光技术,并分析了它们各自的技术优缺点以及应用于高光谱成像的可行性和现状;最后展望了高光谱成像载荷技术的发展趋势。     

超像元尺度下的多光谱图像超分辨率洪水淹没制图

超分辨率制图SRM(Super-resolution Mapping)技术可以有效地处理遥感图像中的混合像元,获得准确的地物类别分布信息.目前,SRM技术已经成功地应用于多光谱图像洪水淹没定位中,称为超分辨率洪水淹没制图SRFIM(Super-resolution Flood Inundation Mapping).然...     

稀疏约束的MVC-NMF算法

高光谱图像中混合像元的存在直接影响基于遥感影像的地物识别精度,光谱解混算法可以有效地解决混合像元问题.最小体积限制的非负矩阵分解算法(MVC-NMF)不需要假定纯像元的存在;并且在自动提取端元的同时,能够获取每种端元所对应的丰度图;然而该方法并没有考虑丰度矩阵的稀疏特性.提出了将平滑L0模稀疏约束引入MVC-NMF算法中,用于进一步提高算法的精度.实验结果表明:改进后的算法在相同的实验环境条件下比MVC-NMF算法解混的精度更高.     

高光谱遥感图像的端元递进提取算法

针对高光谱遥感图像中可能并不存在图像端元这一问题,试探的提出一种基于线性混合模型下对初步提取的最近似于端元的像元进行再分析的端元提取算法,即高光谱遥感图像的端元递进提取算法.首先针对3个端元线性混合的图像进行提取,在图像中找到最大近似于端元的像元,利用凸面单形体的几何性质,找出初步提取像元附近位于图像端元构成的凸面单形体边界上的像元,通过计算图像端元在边界像元中的含量,应用线性反解提取出图像端元.模拟图像中的初步结果表明在不存在图像端元的图像中,该算法可以有效的提取3个端元,应用于实际Hyperion图像取得了较好的实验效果.     

面向线性光谱混合分解的邻域像元集螺线型构建方法

高时间分辨率遥感影像在地表景观破碎区域易形成混合像元,难以发挥其高时间维度优势。现有方式多是基于线性光谱混合模型,借助邻域像元所构成的像元集合组成线性方程组,求出组分光谱值的最小二乘解,提高其空间分辨率。然而,现有方法依赖窗口形式来构建邻域像元集合,在某些区域易造成方程组无解的欠定问题。本文在分析其问题原因的基础上,引入阿基米德螺线代替传统的矩形窗口,对邻域各像元依次遍历,构建空间邻近、组分相近的邻域像元集合来解决该问题。在GlobeLand 30数据上的试验表明,螺线型构建方法对5种混合尺度上多种类型地物均具有稳定的精度,与传统窗口构建方法相比,可从构建邻域像元集合方面将总体理论精度提高2%,分解结果精度提高近1个数量级。     

多/高光谱遥感图像的投影和小波融合算法

将高光谱图像与高空间分辨率图像融合后,由于融合图像空间分辨率提高,改变了混合像元内地物组分比例,像元光谱信息较原高光谱图像光谱信息会出现“失真”现象。针对这种情况,考虑混合像元内成分变化进行图像融合,首先利用投影方法模拟多光谱图像得到高光谱图像,并将模拟高光谱图像与原高光谱图像利用小波方法进行融合,融合图像不仅增强了空间信息,而且对光谱信息进行一定的修正,从而提高了环境异常探测等一系列应用的精度。利用Hyperion图像和SPOT-5图像进行融合实验,融合图像能够识别出87.2%目标区域。     

高分辨率图像辅助提取高光谱图像端元

现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。     

基于线性混合模型的端元提取方法综述

混合像元是遥感领域研究的热点,而基于线性混合模型的光谱解混合技术正在越来越广泛地应用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元光谱。本文归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,最后介绍了端元提取技术的应用及其发展趋势。