高光谱高空间分辨率遥感观测、处理与应用EI北大核心CSCD

高光谱遥感技术是遥感领域的研究热点之一。然而,由于成像口径与能量等限制因素,难以同时获得高光谱和高空间分辨率的图像,这极大限制了高光谱遥感在精细尺度任务中的应用。近年来,随着高光谱成像技术及无人机为代表的新型观测平台的发展,高光谱高空间(双高,同时具备纳米级光谱分辨率与亚米级空间分辨率)遥感技术发展迅猛,推动了高光谱遥感技术的应用,但同时也带来了更多问题。极高的空间与光谱分辨率使得数据更加海量高维,加剧了高光谱数据的空间异质性和光谱变异性,为影像智能信息处理带来更大的挑战。为此,本文将从双高遥感影像基准数据集、双高遥感影像智能信息处理、双高遥感影像典型应用3个方面论述双高遥感应用与发展现状。     

基于深度学习的高光谱遥感图像混合像元分解研究综述

高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术,它能够同步记录成像区域内地物的空间信息和光谱信号,故而也称为“成像光谱遥感”。高光谱遥感所获取的数据称为“高光谱遥感图像”,相较于传统的遥感数据,高光谱遥感图像具有光谱分辨率高和“图谱合一”的特点,目前已成为遥感工程应用中的重要支撑数据之一。然而,受空间分辨率限制,混合像元（即某一像元内包含多种类型的地物）问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用。混合像元分解（“解混”）是现阶段处理混合像元问题最有效的分析方法,旨在从亚像元角度出发,获取像元中纯净的光谱信号（“端元”）,并分析出各类端元在像元内所占的比例（“丰度”）。在遥感领域,为实现地物信息精细化解译,目前已发展出不同类型的解混方法,在一定程度上解决了混合像元问题对遥感定量化分析的制约。如今,随着深度学习的发展,越来越多的先进理论和工具被用于处理混合像元问题,发展出了一类基于深度学习的新型解混方法。这些新方法以光谱混合模型为桥梁,用深度学习方式来解译光谱混合现象。相比于传统的解混方法,基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势,对先验知识依赖程...     

中国高光谱遥感的前沿进展

高光谱成像技术具有光谱分辨率高、图谱合一的独特优势,是遥感技术发展以来最重大的科技突破之一。中国的高光谱遥感发展与国际基本同步,在国家和省部级科研项目的支持下,解决了高光谱遥感信息机理、图像处理和多学科应用等方面多项世界性难题,有效解决了高光谱遥感理论研究与多领域应用中的关键技术瓶颈,实现了在农业、地矿、环境、文物保护等多领域的成功应用,产生了显著的社会经济效益。本文回顾了中国高光谱遥感技术的前沿研究进展,总结分析了取得的主要创新性成果。     

智能遥感深度学习框架与模型设计EI北大核心CSCD

近年来,随着遥感技术的快速发展,遥感对地观测数据获取量与日俱增。在对海量遥感数据的特征提取与表征上,基于深度学习的智能遥感影像解译技术展现出了显著优势。然而,遥感影像智能处理框架和信息服务能力还相对滞后,开源的深度学习框架与模型尚不能满足遥感智能处理的需求。在分析现有深度学习框架和模型的基础上,针对遥感影像幅面大、尺度变化大、数据通道多等问题,本文设计了嵌入遥感特性的专用深度学习框架,并重点讨论了其构建方法,以及地物分类任务的初步试验结果等。本文提出的智能遥感解译框架架构将为构建具备多维时空谱遥感特性的深度学习框架与模型提供有力支撑。     

最小光谱相关约束NMF的高光谱遥感图像混合像元分解

提出了一种最小化光谱相关度约束的非负矩阵分解方法。该方法根据高光谱遥感图像中端元之间具有不相关性这一特点,提出了一种光谱相关度函数。该函数度量光谱之间的相关程度,函数值越小,光谱间的相关度越小。通过联合最小化光谱相关度函数和非负矩阵分解误差函数,使获得的光谱之间具有最小的相关性,从而获得端元光谱以及组分图。模拟实验和真实实验证明了算法的有效性。     

从高光谱遥感影像提取植被信息

遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM方法对植被信息进行了提取,参考光谱使用ASD光谱辐射仪采集的植被光谱曲线。文中对高光谱遥感影像的辐射定标和大气校正进行了研究,针对影响光谱辐射仪采集的主要因素采取了相应的措施,并对光谱曲线分类及参考光谱曲线的选取进行了研究。将选取出的参考光谱曲线与大气校正后的遥感影像进行SAM匹配提取出植被信息,经过与实地调查资料比较并计算总体精度和kappa系数,计算结果达到预期精度。最后将分类结果转换为矢量图,经过投影转换为大地坐标后制作出北衙植被分布图。     

一种草地高光谱图像分类方法北大核心CSCD

针对传统的大规模草地牧草的识别,不仅浪费大量的人力、物力,还浪费大量的时间和经费。该文提出了一种基于高光谱成像采集系统的草地动态监测新手段,利用采集到的可见-近红外光谱(范围400~1 000nm)图像和光谱信息进行自动分类。该方法主要包括预处理、特征波段提取以及分类识别3个步骤。(1)利用ENVI(4.7)提取图片的感兴趣区域光谱数据,由于存在大量的数据冗余以及外界的噪声干扰等因素,因此采用多元散射校正去除散射,增强与成分含量相关的光谱吸收信息。(2)采用连续投影选取出13个特征波段消除数据冗余。(3)采用支持向量机对选取的特征波段进行分类,分类识别率可达100%。结果表明,采用高光谱成像技术对野外牧草种类的无损识别是可行的,SPA提取光谱特征波段及SVM进行判别野外田间牧草种类取得较好的效果。     

高光谱遥感影像异常目标检测研究进展

随着航空航天技术与遥感技术的不断发展,遥感影像在诸多领域的应用不断拓展,其中高光谱分辨率遥感影像具有“图谱合一”的特点,即该数据既包含了具有强大区分性的地物光谱信息,又包含了丰富的地物空间位置信息,因此高光谱数据具有非常大的应用潜力。高光谱异常目标检测问题,是在对目标先验信息未知的前提下,根据光谱与空间信息实现对区域中的异常目标的进行“盲”检测,因此其在资源调查、灾害救援等领域发挥了巨大的作用,是遥感领域非常重要的研究课题。本文针对高光谱遥感影像异常目标检测研究方向,首先总结阐述了目前高光谱异常目标检测问题的主要研究进展,根据算法原理的不同对现有主流算法进行了分类与总结,主要分成了基于统计学、基于数据表达、基于数据分解、基于深度学习等不同的种类的方法,并对每类方法的特点进行分析。随后通过对现有方法的调研、分析与总结,提出了数据库拓展、多源数据融合、算法实用化等高光谱异常检测研究未来发展的3个方向。     

谱间对比学习的高光谱图像无监督特征提取EI北大核心CSCD

深度学习通过逐层抽象的方式提取输入数据的深层特征,近年来在高光谱图像分类领域得到了广泛的应用。现有的高光谱图像深度特征提取方法大多属于有监督学习模型,其训练过程需要大量标记样本,而高光谱图像逐像素的标注困难且费时。为此,本文提出了一种基于谱间对比学习的无监督深度学习模型。无须对样本进行标注,仅通过建模不同光谱波段之间的关系便可实现特征提取。具体而言,由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度,因此必然存在一个特征空间,使得不同通道的光谱信息具有相似的表征。受此启发,本文首先将高维光谱信息分成两组,然后利用多层卷积操作分别提取每组波段的特征,最后对比不同样本所提取的特征,通过对比损失函数来优化模型。为了测试本文方法的性能,将其应用于高光谱图像分类任务中,在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证。试验结果表明,在每类仅使用10个训练样本的前提下,本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能。     

文保领域的高光谱遥感技术应用进展EI北大核心CSCD

文物是人类文明发展过程中历史、艺术及科学价值的结晶,蕴含着丰富的历史文化信息,文物数字化是对文物进行保护、修复和重建的重要环节。作为传统文物数字化手段的重要补充,高光谱遥感技术能够快速无损地获取文物材质、颜料和加工痕迹等信息,可为文物资源数字化提供文物表面物理、化学属性信息。本文首先对文保领域高光谱信息采集设备和方式进行了总结分析;然后对文保领域高光谱信息处理关键技术进行了回顾,总结为信息增加、信息提取、信息分类和可视化4个方面,对常用方法进行了对比分析,在此基础上总结了目前高光谱技术在文保领域的典型应用,包括颜料种类分析识别、隐藏信息提取和修复痕迹识别3个方面;最后,对高光谱文物应用未来的研究方向进行了展望。     

高光谱地物要素识别潜力分析与前景展望EI北大核心CSCD

近年来,人工智能方法在高光谱遥感领域得到了广泛应用,特别是基于深度学习的影像分析和信息提取技术已成为持久的热点,有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上,系统地介绍和总结了高光谱影像分析方面的进展,针对高光谱地物探测的智能化问题,重点讨论了近年来深度学习的新思路。首先,结合地形要素分类体系和高光谱探测能力,将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类,并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后,在影像分析方面,重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展,给出研究方向和热点;在智能化处理部分,按照监督学习、半监督学习及自监督学习的思路,系统总结了当前应用于高光谱地物探测的深层神经网络模型,同时分析了迁移学习、元学习等机器学习策略的研究情况。最后,结合上述分析,对高光谱影像地物探测的发展趋势加以展望,以期拓展下一步的研究思路。     

高光谱遥感图像的空间邻域指数

通过高光谱遥感图像空间邻域内光谱特征的变化,研究了邻域光谱度量指数;根据邻域内端元光谱特征的变化,提出了邻域独立端元指数提取图像的空间维细节信息。通过真实高光谱遥感图像检验,两类邻域指数能够较好地提取高光谱遥感图像中的细节,为进一步结合空间维、光谱维特征的高精度目标探测与识别创造了有利条件。     

高光谱遥感图像的监督分类

图像分类是高光谱遥感图像分析与应用的重要手段。总结了目前用于高光谱图像监督分类的主要方法,包括最小距离法、最大似然法、神经元网络法和支持向量机法,分析了上述方法的特点,并探讨了高光谱遥感图像分类方法的发展趋势。     

空谱协同多尺度顶点成分分析的高光谱影像端元提取EI北大核心CSCD

针对顶点成分分析方法无法实现复杂地表环境下的高光谱影像端元精确提取问题,提出了一种基于空谱协同多尺度顶点成分分析的端元提取方法,通过影像空谱特征融合和聚类分割,对不同分辨率空间尺度下的分割影像进行端元协同提取,并考虑噪声对影像端元提取精度的影响,提升端元提取的精度。首先,对影像进行预处理,采用低秩矩阵分解去除噪声。其次,对高光谱影像进行空谱多特征提取,利用多特征融合和K-means算法进行聚类分割,获取地物分布的空间异质性信息,提升后续端元提取的精度。然后,对高分辨率影像空间降采样,利用顶点成分分析方法对降采样后的低分辨率分割图像进行端元提取,并利用坐标映射寻找高分辨率影像中的相应端元,利用光谱角来判定是否为纯端元。最后,遍历上述方法至所有分割影像以获取最终的端元集合。使用模拟数据和真实的高分五号高光谱数据对提出的方法进行实验验证。实验结果表明,空谱协同多尺度顶点成分分析方法可提取高精度的纯净端元,且计算效率较高。     

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。     

利用核方法进行高光谱遥感图像线性解混

为了提高高光谱遥感图像混合像元分解的精度,提出基于核方法的高光谱线性解混。采用核化正交子空间投影（orthogonal subspace projection,OSP）算子、最小二乘正交子空间投影（least squares OSP,LSOSP）算子、非负约束最小二乘（nonnegative constrained least-squares,NCLS）算子和全约束最小二乘（fully constrained least-squares,FCLS）算子等方法分别构建核正交子空间投影（Kernel OSP,KOSP）、核最小二乘正交子空间投影（Kernel LSOSP,KLSOSP）、核非负约束最小二乘（Kernel NCLS,KNCLS）和核全约束最小二乘（Kernel FCLS,KFCLS）高光谱图像混合像元解混模型。对CUPRITE矿区AVIRIS数据进行KLSOSP、KNCLS和KFCLS与LSOSP、NCLS和FCLS丰度反演对比实验,结果表明,对于混合像元广泛存在的高光谱遥感图像来说,基于核方法的KLSOSP,KNCLS和KFCLS的解混精度优于LSOSP,NCLS和FCLS;附加约束条件有利于提高丰度反演的精度。     

高光谱图像处理与信息提取前沿

高光谱遥感是对地观测的重要手段,高光谱图像处理与信息提取技术则是高光谱遥感领域的核心研究内容之一。本文简要介绍了高光谱遥感的主要特点,系统梳理了高光谱图像处理与信息提取面临的关键问题和主要研究方向,在此基础上,从噪声评估与数据降维方法、混合像元分解方法、图像分类方法、目标探测与异常探测方法等4个方面对高光谱图像处理与信息提取的理论发展过程和最新前沿进展进行了综述。另外,还对高光谱图像处理与信息提取中的高性能处理技术进行了总结和分析。未来,伴随着智能化信息分析和高性能硬件处理技术发展,高光谱遥感卫星系统也将步入智能化时代。针对这一趋势,本文指出高光谱图像处理与信息提取方法要注重多学科交叉,充分利用机器学习、人工智能等领域的新成果;要重视软硬件结合,发展高光谱图像高性能实时处理技术;要紧密结合应用需求,发挥高光谱遥感的优势和特点,发展新理论和新方法。     

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。