一种结合整型最佳谱间预测与SPIHT的MODIS影像无损压缩算法

针对MODIS(Moderate Resolution Imaging Spectroradiometer)影像数据海量并具有重要研究价值的特点,研究MODIS影像的无损压缩算法。采用最佳线性预测方法,通过波段相关性排序确定波段最优预测顺序,并自适应计算"预测波段"与"当前波段"的二阶最佳预测器系数,减少谱间冗余;以多级树集合分裂树(Set Partitioning In Hierarchical Trees,SPIHT)编码算法降低谱内相关。为确保无损压缩,对线性预测系数进行最佳逼近取整操作,并采用基于提升格式的D5/3整数小波变换。实验结果表明本文提出的算法在压缩比上性能较3DSPIHT等算法突出。     

一种高光谱遥感影像无损压缩方法与应用

针对遥感影像巨大数据量给传输、存储造成巨大压力和压缩比低的问题,本文提出了一种改进的自适应波段重排和最小均方误差预测的高效无损压缩方法。该方法能自适应地确定波段的最佳顺序,并根据最小均方误差预测充分利用这种排序相关性消除影像冗余。首先,该方法对高光谱影像波段自适应分组,在每个组内利用最小生成树算法排序,以提升相邻波段的谱间相关性。然后,对组内波段自适应地选择上下文进行谱间和谱内预测,去除高光谱影像的冗余。最后,对预测残差进行二进制算术编码去除统计冗余,完成高光谱影像无损压缩。基于资源一号高光谱影像的试验结果表明,本文方法有效利用了谱内、谱间相关性,改善了预测性能,优于常用的压缩方法。     

基于单邻点多波段预测的高光谱图像无损压缩算法

提出了一种基于聚类-单邻点、多波段预测-熵编码的高光谱数据无损压缩方法。根据谱向特征,进行高光谱图像矢量聚类。对各个分类,采用单个空间位置邻点、多个波段作为预测数据,训练预测系数,进行三维预测。残差采用Golomb-Rice编码。实验证实了算法的有效性。     

基于波段选择与学习字典的高光谱图像异常探测

针对高光谱影像数据中存在大量冗余,传统异常探测算法应用高光谱所有波段进行探测计算量巨大的问题,提出一种基于波段相似性线性预测与学习字典的异常探测算法。该算法首先通过对波段的相似性进行线性预测,找到最不相似的波段子集;然后,利用学习字典算法获得能够表征图像背景信息的背景字典,并通过低秩分解的算法将影像分解为低秩矩阵与稀疏矩阵;最后,使用经典RXD(Reed-X detector)探测算法对稀疏影像进行异常探测。实验结果表明,该算法可以在减少计算代价、保持波段原始信息不被破坏的同时,能够较好地实现了高光谱影像的异常探测。     

基于实测光谱和SRF的稀疏植被区MODIS积雪信息提取

以新疆准噶尔盆地古尔班通古特沙漠为研究区,以中等分辨率成像光谱仪(MODIS 1B)数据为例,辅以MODIS光谱响应函数(SRF)和全波段光谱仪(ASD)准同步采集的雪面反射光谱,运用线性光谱混合模型(LSMM)实现了稀疏植被区积雪遥感信息提取.结果表明:①利用SRF对雪面反射光谱进行端元光谱到像元光谱的转换,生成对应于MODIS1-7波段的离散光谱,将其与用最小噪声分离(MNF)变换和像元纯度指数(PPI)法获得的MODIS影像端元光谱进行对比,发现MODIS1波段光谱值远大于转换光谱值,MODIS2-7波段光谱值与转换光谱值接近;②MODIS2-7波段影像端元光谱值适用于LSMM估算稀疏植被区积雪分量,积雪分量估算值与归一化差分积雪指数(NDSI)拟合结果显示,剔除MODIS1波段后估算的积雪分量与NDSI的相关性显著提高,表明所提取的积雪分量可以作为估算积雪的典型指数.     

运用资源三号卫星影像数据提取水体信息的方法研究

运用资源三号卫星影像的多光谱影像数据,分别运用单波段阈值法、归一化差异水体指数法、谱间关系以及最佳指数法(OIF)等方法进行水体信息提取的研究与比较。研究结果表明针对资源三号遥感影像波段的特殊性,采用谱间关系法和最佳指数法(OIF)相结合的方法能完整地提取出水体信息。     

基于Landsat8的海冰表面温度反演算法研究

Landsat8影像被广泛应用于陆地表面温度的提取,但基于Landsat8的海冰表面温度产品依旧空缺,且无标准算法可循。基于Landsat8卫星搭载的TIRS传感器获取的热红外波段影像,利用3种常用的劈裂窗算法分别进行海冰表面温度反演,并将结果与浮标实测海冰表面温度数据和MODIS海冰表面温度产品进行了对比和验证。与浮标数据相比,DU C等的算法平均绝对误差和均方根误差最小,分别为1.718 6 K和2.621 3 K,可作为海冰表面温度反演的标准算法;而Jiménez-Mu?oz J C等的算法结果与MODIS冰温产品最为接近,适用于需与已有的MODIS冰温产品联合使用的情况,且两种算法的精度均优于已有的MODIS冰温产品;JIN M J等的算法在研究区域表现不佳。同时,与浮标数据相比,所有基于卫星影像反演的冰温产品在数值上总体偏低。     

针对MODIS影像的劈窗算法研究

在分析热红外遥感和现有的劈窗算法的理论基础上,针对MODIS数据对劈窗算法进行了推导。通过对热辐射强度和温度之间的关系计算,对Planck函数进行了线性简化,同时分析了MODIS的波段设置特点。MODIS的近红外波段适宜于反演大气水汽含量,而大气透过率主要从MODIS的近红外波段数据反演得到大气水汽含量,并进而根据水汽含量与大气透过率的关系来进行估算。通过MODIS的可见光波段、近红外和中红外波段数据,完全可以获得地表温度反演所需要的基本参数,从而形成了针对MODIS数据的地表温度反演的劈窗算法。最后以环渤海地区为实验区,对本文提出的方法进行了实际应用分析。     

基于波段选择的MODIS全国土地覆盖分类

以MODIS多光谱和多时相数据为输入参数进行了全国土地覆盖分类研究。从试验区2007年MODIS 8 d数据的合成影像(MOD 09)中提取EVI、NDWI和NDSI 3个指数,并将其作为特征波段与原有的7波段(B1～B7)形成10波段影像。以统计分类J-M距离平均值和SVM分类总精度为标准评价不同波段对土地覆盖分类的贡献。在全国范围内,选择贡献最大的EVI、B7和B4这3个波段的月合成值,并分别对其作PCA变换,选取各PCA变换后的前3个波段进行分类运算。研究结果表明,在没有其他辅助信息的境况下,基于MODIS贡献最大的前3个波段结合多时相信息能够在中分辨率区域土地覆盖分类中取得较好的分类结果,其精度为78.04%。     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

基于超分辨率重建的多时相MODIS与Landsat反射率融合方法

提出一种基于超分辨率重建的MODIS与Landsat反射率图像融合方法,以STARFM算法与超分辨率重建为基础,使用观测的MODIS和Landsat地表反射率图像预测给定时刻的Landsat合成反射率图像。该方法利用基于稀疏表示的超分辨率重建方法对MODIS图像进行分辨率增强,实验结果表明这一操作能够增加原MODIS图像的空间细节,有助于提高STARFM算法的预测精度;另一方面,考虑输入两个基时刻图像相差较大时原STARFM算法预测的反射率会存在"时间平滑"的问题,限制每次只使用一个基时刻MODIS和Landsat图像对进行STARFM预测,使用逐图像块选择策略,从由两个基时刻图像分别进行预测得到的两组预测图像中选择最优的预测,同样得到了优于STARFM算法的预测结果。     

基于误差补偿预测树的多光谱遥感图像无损压缩方法

预测树方法是一种有效的无损多光谱图像压缩技术,将自适应线性预测方法与传统预测树方法相结合,提出了一种多光谱遥感图像的误差补偿预测树压缩方法。该方法利用多光谱图像谱间的局部统计冗余和结构冗余建立自适应预测器,对传统预测树方法产生的误差进行补偿,从而进一步减少了多光谱图像的数据量;并且利用多光谱图像的局部平稳特性对算法进行了简化。实验结果表明,该方法得到的压缩比与原始预测树方法相比有明显提高,同时算法简化后可以使计算复杂度大幅度降低。     

高光谱红外谱段交叉定标与近海遥感应用试验

以MODIS红外谱段数据为基准,对高光谱红外谱段数据进行辐射交叉定标试验,同时运用高光谱红外谱段数据对近海海表水温进行了评估试验.交叉定标数据选取2012年—2013年冬、夏两季各一幅代表性图像,MODIS与高光谱红外谱段数据成像时间均为同一天白天.实验结果表明,天宫一号高光谱红外谱段数据与MODIS数据具有极好的相关性,相关系数R大于0.95;在此基础上建立了基于MODIS 32波段的辐亮度线性回归校正方程,并用于海表温度反演、检测自然与人工扰动造成的海表温度异常.基于校正数据反演的中国南北典型冬、夏代表性季节的海表温度与常识较为一致.由此表明,基于MODIS交叉定标的天宫一号数据可用于实际的业务化定量评估;同时,由于空间分辨率较高,天宫一号高光谱红外谱段数据在海水精细空间动态变化检测上表现出极好的性能.     

基于遗传算法的影像分级决策融合

在传统的影像单级融合技术基础上提出了基于遗传算法的分级影像决策融合方法，该方法适用于影像之间的冗余度、互补程度和融合顺序均未知的情况。算法采用模糊逻辑和遗传算法确定了影像间的冗余度和互补程度，并由此得出了近似的影像最优分级决策融合方式，最后通过实验比较了分级融合、单级融合以及源影像的目视效果和数学统计结果。     

Correlation-based band-ordering heuristic for lossless compression of hyperspectral sounder data

A novel algorithm for the lossless compression of hyperspectral sounding data is presented. The algorithm rests upon an efficient technique for three-dimensional image band reordering. The technique is based on a correlation factor. The correlation-based band ordering gives 5% higher compression ratios than natural ordering does. On the other hand, the obtained compression ratios are within a percent of those produced by optimal ordering, but the computational time is much lower compared to the optimal ordering. The low computational complexity of the algorithm is based on the use of correlation for the band ordering. Moreover, the algorithm results in 7% to 12% improvement over fast nearest neighbor reordering scheme versions of JPEG-LS and the context-based adaptive lossless image codec algorithms.     

雷达相干性与NDVI经验模型

植被的覆盖程度是造成雷达影像失相干的重要因素.通常,在森林等植被覆盖严重的地区,相干性相对较低,而在城市等植被覆盖率较低的地区,相干性较高.本文基于2017年珠江三角洲地区的MODIS归一化植被指数(NDVI)与Sentinel-1雷达卫星影像相干性,建立线性回归和幂函数回归模型,并利用两种模型预测该地区2016年的相...     

基于预测树的天气雷达回波数据无损压缩

利用了各层回波图像间的相关系数建立预测排序树,采用了自适应算术编码实现天气雷达回波数据的无损压缩,实现了天气雷达回波数据的有效压缩。     

基于MODIS影像多特征的CART决策树分类

以山东省为研究区域,利用2009年9月MODIS的8 d合成波段反射率产品MOD09,选择特征变量植被指数(NDVI、EVI)、NDWI、NDMI、NDSI及辅助信息DEM,通过选取其中的影像特征组合来确定分类方案,构建各波段组合的CART决策树,对MODIS影像进行分类,得到CART决策树的最优波段组合。结果表明,特征变量DEM、NDVI、EVI对分类结果贡献较大;将CART决策树的分类结果与其相对应的最大似然分类结果进行比较可知,基于影像多特征的CART决策树分类方法能明显提高分类精度。     

结合像元分解和STARFM模型的遥感数据融合

高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。