光谱快速预选筛分算法研究

利用一组标准正交化的参考向量得到一个可能匹配区域,排除了绝大部分不可能匹配的样本,从而大大提高光谱预选筛分的速度;同时介绍了一种平衡速度与精度的编码替代算法。实验证明:压缩影像的目视效果较好,未产生边缘模糊及条带现象;采用自动目标生成方法(ATGP)从样本集中提取端元并进行光谱角度制图,其效果令人满意。     

结合空间信息的EDCC测度光谱匹配分类方法

光谱匹配分类方法以光谱相似性测度为分类准则,一种相似性测度只对应于光谱曲线的一种特征,用于光谱匹配分类效果并不好;组合不同类型的相似性测度能够有效改善分类效果,但光谱匹配分类往往忽略了相邻像元间的相关性。为了更好地利用空间信息,提高光谱匹配分类精度,首先组合欧氏距离测度和相关系数测度,得到欧氏距离-相关系数测度;其次通过加入空间乘子,得到结合空间信息的欧氏距离-相关系数测度,从而在光谱匹配分类中增加了空间信息约束。采用两组高光谱影像进行实验验证,结果表明,相比于单一相似性测度及组合相似性测度,结合空间信息的欧氏距离-相关系数测度用于光谱匹配分类能够有效改善分类精度。     

模态间匹配学习的高光谱和激光雷达联合分类

如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。     

基于改进的样本预选取的高光谱影像半监督分类

针对高光谱影像中无标记样本对分类精度的影响问题,运用一种改进的KFCM聚类算法先对未标记样本聚类;然后根据聚类结果进行未标记样本选取,挑选出的未标记样本位于聚类边界上可能属于支持向量;最后使用已有的标记样本和挑选的未标记样本对支持向量机(SVM)进行训练,直到其分类精度到达预期效果。实验结果表明,将聚类和半监督SVM分类相结合并进行未标记选取,比省略此过程直接使用SVM进行高光谱影像分类的精度高,且该方法稳定、可靠。     

面向小样本分类的高光谱影像特征提取

研究了面向小样本分类的高光谱影像特征提取技术,提出了一种用于小样本分类的投影寻踪指标和基于SVMPP的高光谱影像特征提取方法;并借助误差校正输出码,将两类问题的特征提取推广到多类情况.通过高光谱影像分类实验证明,该方法具有很强的小样本学习能力,能够在先验信息很少的情况下较准确地提取地物的分类特征.     

IHS方法在QuickBird数据融合中存在的问题及其改进

 针对IHS变换在QuickBird数据融合中存在的光谱扭曲问题，提出了利用Visual-Pan波段和线性加权匹配两种方法进行改进 ，并给出了Visual-Pan波段方法中系数α的最佳取值范围，以及线性加权匹配融合图像的空间特征与光谱特征达到最佳效果时Pan 权值(wPan)和I权值(wI)的最佳取值。结果表明，对于Visual-Pan方法而言，当0.2＜α＜0.25时，可以获得非常好的融合效果; 而 对于线形加权匹配方法而言，当wpan=3/4、wI=1/4时，融合图像的空间特征与光谱特征可以达到最佳效果。     

图像相关匹配算法的快速实现

结合分级关键点互相关迭代法与搜索空间标记法,设计了一种有效提高图像相关匹配速度的算法。其中分级关键点互相关迭代算法快速实现了由重要到不重要像素点的逐级迭代互相关匹配计算,算法在保证精度的前提下可以随时结束并输出相关匹配值;而搜索空间标记法则能快速排除掉大量参数空间内不可能匹配的点。实验证明,这种算法能在正确配准图像的前提下大幅度提高匹配速度。     

地面成像光谱数据的田间杂草识别

地面成像光谱数据兼具高光谱分辨率与高空间分辨率,在田间杂草识别中具有很好的应用前景。目前基于机器视觉的杂草识别方法以形状特征为主,当作物杂草形态相似时识别的困难和利用高光谱特征以像元为单元识别时效率较低,不利于实时自动化除草,因此,本文提出一种综合面向对象与高光谱特征匹配的杂草识别方法,在对作物杂草对象样本的形状特征和光谱曲线提取分析的基础上,建立基于形状特征规则与光谱角匹配的植物对象识别决策树,用于识别实验田中的作物杂草对象。实验结果表明,当场景中某些不同种类植物对象的形态相似时,基于形状特征规则与光谱角匹配的杂草识别方法可借助高光谱特征精细区分植物对象的种类,且在形状特征规则约束下使用高光谱特征匹配法识别植物对象,可克服"同物异谱"和"同谱异物"现象带来的不确定性,该方法识别精度可优于仅使用光谱角匹配法的情况,并优于使用颜色和形状分析技术的情况。     

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。     

高光谱遥感影像核最小噪声分离变换特征提取

针对高光谱遥感影像线性特征提取方法易导致信息丢失和失真的特点,在最小噪声分离(MNF)变换的基础上,引入核方法,提出核最小噪声分离(KMNF)变换高光谱影像非线性特征提取方法。Cuprite矿区AVIRIS数据实验结果表明,样本个数对KMNF特征提取的结果影响很小,较少的样本即可达到较多样本时特征提取的效果;KMNF特征提取体现了高光谱影像的非线性特征,KMNF特征提取后的影像可获得优于MNF特征提取的端元提取效果。