面向桉树和车桑子精准识别的高光谱特征变换方法比较分析

相对于遥感影像,高光谱遥感影像具有光谱信息,为精准识别植被提供了新的技术支持.对高分五号(GF-5)高光谱数据进行光谱变换,结合植被指数,分析各种光谱变换方法对植被的识别能力.首先提取研究区主要的两种植被端元光谱,对实验区进行分类,依据植被分布位置,确定这两种植被分别为桉树和车桑子;然后对植被的反射率光谱进行一阶、二阶微分,连续统去除和对数变换处理;最后基于4种光谱变换及反射率光谱计算两种植被的11种植被指数,依据两种植被对应植被指数的J-M距离,判断不同光谱曲线对植被的识别能力.结果表明,5种光谱曲线对植被识别能力由强到弱依次为二阶微分、一阶微分、连续统去除、原始光谱、对数变换.     

基于高光谱的湿地植被分类研究

光谱特征的选择对于湿地植被的识别精度和效率有直接的影响。本文以萨克拉门托-圣华金三角洲为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分和二阶微分光谱特征。在上述分析的基础上基于均值置信区间的波段选择法对一阶微分、二阶微分进行波段选择,根据获取的有效特征波段构建特征集,利用C5决策树分类算法产生规则集,并对实验区的湿地植被进行了分类研究。结果表明:湿地植被的一阶微分、二阶微分能够突出不同湿地植被光谱曲线在不同波段的增速不同,利用均值置信区间的波段选择法能够对特征波段起到降维效果,根据降维后的特征波段采用C5决策树分类算法,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。     

基于光谱特征的湿地植物种类识别

光谱特征的选择对于湿地植被的识别精度和效率有直接的影响作用。以美国舍曼(Sherman)岛水域为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分光谱和光谱吸收特征,利用逐步判别分析法筛选识别精度较好的光谱特征参数参与C4.5决策树分类。结果表明:4种湿地植被的一阶导数光谱特征差异较小,吸收特征差异性相对较大;基于一阶微分光谱特征和光谱吸收特征利用C4.5决策树进行分类,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。     

采用IDL小波工具优化高光谱影像光谱特征匹配分类

光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

从支持向量机的基本理论出发,结合高光谱数据的分离性测度,提出了一种基于分离性测度的二叉树多类支持向量机分类器,并用OMIS传感器获得的高光谱遥感数据和Hyperion高光谱遥感数据进行实验,分析比较了各种多类SVM的分类精度,并和传统的光谱角制图和最小距离分类算法进行了比较。结果表明,SVM进行高光谱分类时,基于分离性测度的二叉树多支持向量机的分类精度最高。     

柴达木盆地烃蚀变矿物高光谱遥感识别研究

高光谱遥感识别烃蚀变矿物可用于探测油气烃类微渗漏和定位地下油气藏.以有天然气分布的柴达木盆地东部三湖地区为研究区,对Hyperion高光谱数据进行重采样处理,克服了目标识别矿物不明显和传感器低信噪比的影响.通过确定烃蚀变矿物高光谱遥感探测的指示标志,采用线性光谱(SAM)拟合与光谱匹配(SAM)相结合的方法确定了影像端元对应的矿物组分.识别结果表明,合理缩减影像波段数和确定影像端元的方法,能有效提高烃蚀变矿物的高光谱遥感识别精度.     

基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

大型沉水植物狐尾藻不同盖度的光谱特征

地物特征与其光谱特征的关系是解译遥感影像的关键。本研究利用ASD便携式地物光谱仪对上海崇明国际湿地公园人工湖中的沉水植物狐尾藻的反射光谱进行了初步研究。结果表明,随狐尾藻盖度的增加,其光谱反射率、一阶和二阶导数红边斜率的峰值也相应增加,不同盖度狐尾藻的光谱反射率的差异主要表现在500—650nm和700—900nm波段范围。分别对狐尾藻盖度与这些波段的光谱反射率及根据一阶和二阶导数获得的光谱指数进行回归分析,得到了较好的线性关系。应用回归分析得到的线性方程,可以根据测定的光谱反射率定量反演水体中的狐尾藻盖度。研究结果可为监测大型沉水植物的高光谱遥感影像解译和分类提供技术支撑,为大尺度遥感监测沉水植物的分布和动态变化提供科学依据。     

粒子群优化算法用于高光谱遥感影像分类的自动波段选择

针对传统SVM分类方法的缺点,采用粒子群优化(particle swarm optimization,PSO)算法自动选择合适的渡段影像并对SVM核函数参数进行优化,提出一种新的PSO-BSSVM分类模型.经过对高光谱遥感影像的分类试验,并与K_最近邻(K-NN)、径向基神经网络(RBF-NN)和标准的支持向量机(SVM)三种分类方法进行对比实验,证明PSO-BSSVM方法能优选高光谱遥感影像的波段和优化SVM参数,明显提高影像的分类精度.     

不同季相针叶树种高光谱数据识别分析

利用高分辨率光谱仪在实地测得的光谱数据来识别美国加州的６种主要针叶树种。树冠阴面和阳面的高光谱数据分别在１９９６年夏、秋测得。首先对原始光谱数据作简单处理,然后进行６种数据变换：对数变换、一阶微分变换、对数变换后一阶微分变换、归一化变换、归一化变换后一阶微分变换及归一化后对数变换。采用相邻窄波段逐步加宽的办法,测试不同波段宽度对树种识别精度的影响。所有的变换方法及波段宽度试验最后均由神经元网络算法产生的树种分类精度来评价。试验结果表明对数变换后一阶微分和归一化变换后一阶微分能够获得高于９４％的平均精度;归一化变换和微分处理能够限制阴影的影响;２０ｎｍ的波段宽度用于识别此６种针叶树种是较为理想的。我们发现太阳高度角变化对树种识别影响不大。     

高光谱遥感土壤有机质含量信息提取与分析

通过分析室外实测的土壤光谱与室内测定的土壤化学成分之间的关系,利用单相关分析和线性回归等统计学方法,结合光谱微分技术,建立了武汉地区土壤有机质含量预测模型。选取精度较高的反射率对数的一阶微分模型应用到Hyperion影像中,获得了研究区土壤有机质分类图。     

基于集成学习的高光谱遥感影像分类综述

高光谱遥感影像光谱维度高、数据量大且波段间冗余信息量大,利用集成学习算法可有效地提升高光谱遥感影像的识别精度。本文首先概述了高光谱遥感影像的分类任务和目前存在的问题,其次介绍了集成学习分类算法的原理,系统性阐述了高光谱遥感影像分类中动态集成和静态集成算法的研究现状,并提出了有待进一步研究的问题。     

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%。     

基于无人机影像的喀斯特农耕区地物识别——以桂林市为例

为了探究低空无人机遥感技术对喀斯特地貌条件下不同形态农耕区地物类型的识别精度,以桂林市3个200 m×200 m样方的农耕区为研究区,在无人机航拍影像和地面调查数据的支持下,分别将基于像元和面向对象的影像分析技术与支持向量机(support vector machine,SVM)算法相结合,构建不同地貌条件下农耕区地物遥感识别模型,并进行精度对比分析。结果表明,面向对象的SVM分类结果保留了原始地物的大致轮廓,且地块较完整,更为适用于喀斯特地貌条件下的农耕区地物识别,较基于像元的SVM分类方法总体精度高6. 54%,Kappa系数高0. 135;基于像元的SVM分类方法适用于地物分布规则的农耕区地物识别,相比面向对象的SVM分类方法总体精度高2. 92%,Kappa系数高0. 026。     

基于EMP与混合核SVM的高光谱遥感影像分类

传统的SVM模型采用同一映射形式的单核模式对叠加的空间特征和光谱特征进行处理,往往无法得到理想的结果,为了解决该问题,提出了一种基于扩展的形态学剖面(EMP)与混合核SVM的高光谱遥感影像分类方法.该方法首先通过EMP有效提取空间信息,再采用不同的核函数处理空间信息与光谱信息,最终完成混合核SVM的高光谱影像分类.对多种组合形式的单核以及多核SVM模型进行了对比分析,结果表明,该方法具有较高的适应性,对于高光谱遥感影像的分类精度较高.     

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。     

基于Hyperion影像的土地沙漠化研究

使用遥感影像数据可以提取土地沙漠化信息,通过遥感影像所表现的不同信息,可以判断土地沙漠化的发生及其发展程度等。针对EO-1Hyperion高光谱遥感影像成像的特点,探讨高光谱Hyperion影像的预处理和土地沙漠化的计算方法,研究中采用像元二分法从高光谱EO-1 Hyperion影像反演了土地沙漠化。     

高光谱遥感影像端元提取方法对比

本文在SMACC法和PPI法端元提取基础上,得到高光谱遥感影像端元丰度图,之后用SVM法进行分类。通过分类结果精度来评价端元提取的优劣。实验结果表明,基于PPI的线性混合像元分解得到的丰度图用SVM分类效果最佳,分类的整体精度达87.59%,而基于SMACC法结合SVM分类的效果和直接应用SVM分类次之,分类的整体精度分别是83.84%和85.16%。     

基于高光谱的土壤碳酸钙含量估算模型研究

土壤中碳酸钙的含量是土壤分类及肥力评价的重要依据.研究选取陕西省黄土高原区的78个黄绵土土壤样品为研究对象,在分析碳酸钙含量的基础上,采用SVC HR-1024i便携式光谱仪获取土壤样品的可见光、近红外与短波红外高光谱反射率(350～2500 nm)数据,对原始光谱曲线分别进行一阶微分、二阶微分和连续统去除3种数学变换...     

遥感影像决策级融合方法实验研究

遥感影像融合是遥感图像处理中的研究热点和难点之一.对下列两种遥感影像决策级融合方法进行了实验研究:一种是基于支持向量机(SVM),另一种是基于自组织神经网络.融合实验分别采用这两种方法对Landsat TM 多光谱数据(30 m/像素)与IRS-C 全色数据(5.8 m/像素)间分别进行影像融合.融合结果表明:基于SVM的方法可有效地融合不同影像的信息,并且可获得较高的融合分类精度.在分类精度方面,基于SVM方法的融合影像明显优于基于自组织神经网络方法的融合影像.