地物光谱反射率野外测量实验方案改进

针对现有地物光谱反射率野外测量实验方案的不足,提出了地物光谱反射率的各向异性测量、不同环境条件的对比测量、不同时相的对比测量以及地物光谱反射率图像模拟四项实验改进方案。利用ISI921VF-128野外地物光谱辐射计和ArcG IS、ERDAS软件进行了实例测量与验证,揭示了真实地物光谱反射率的特征,模拟生成了"图谱合一"的地物光谱反射率图像,提高了实验教学质量。     

基于不同空间信息源的地物光谱反射率模拟图像分析

本文利用ERDAS Imaging软件中的Modeler模块,开发了地物光谱反射率图像的模拟技术。以野外实测地物光谱反射率数据为依据,用土地利用类型图和高分辨率遥感影像图作为地物空间分布的信息源,以陆地资源卫星TM1-4波段为例,模拟了4个波段的地物光谱反射率图像,合成了真彩色和标准假彩色图像。对基于不同空间信息源的地物光谱反射率模拟图像进行了对比分析,指出了进一步研究的方向。     

基于不同空间信息源的地物光谱反射率模拟图像分析

本文利用ERDAS Imaging软件中的Modeler模块,开发了地物光谱反射率图像的模拟技术。以野外实测地物光谱反射率数据为依据,用土地利用类型图和高分辨率遥感影像图作为地物空间分布的信息源,以陆地资源卫星TM1-4波段为例,模拟了4个波段的地物光谱反射率图像,合成了真彩色和标准假彩色图像。对基于不同空间信息源的地物光谱反射率模拟图像进行了对比分析,指出了进一步研究的方向。     

机载多光谱LiDAR数据的地物分类方法

机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。     

光谱数据库系统的设计及应用

根据已建立的一个光谱数据库管理系统,详细探讨了光谱数据库系统的数据规范、结构设计、功能组成等关键技术问题.     

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。     

光谱分辨率对地物分辨能力的影响分析

对高光谱数据进行地物识别处理时,如果直接采用原始观测值进行分析,由于相邻波段之间相关性强,进行地物识别时需要大量的训练样本,而且对于一些分布较少的地物类别则无法处理,因此需要通过特征选择来消除数据中存在的冗余,提高数据分析效率。本文针对在不同光谱分辨率条件下,对典型地物分辨能力的统计,分析了光谱分辨率对地物自动识别能力的影响情况。同时通过模拟数据的办法比较了高光谱数据和多光谱数据(以TM数据为例)对地物光谱特征的描述能力,指出高光谱数据存在的优势。通过本文的研究,为高光谱遥感技术在地物自动识别方面的应用提出了初步的方向。     

岩石实验室光谱对应分析

成像光谱图像具有几十个窄波段和高的光谱分辨率,使直接识别岩石岩性成为可能,但其海量数据又为数据的处理、分析和应用带来了不便。因此就需要寻求一种在不损失信息或最大限度保持原有信息的前提下又压缩或最小化数据量的方法。在对岩石实验室光谱按成像光谱仪（ＭＡＩＳ）通道重采样后,应用了一种特征信息提取的方法（对应分析法）,对岩石光谱进行了分析,达到了压缩数据与岩石分类的目的,同时也探讨了其处理大数据量成像光谱图像数据的意义     

基于波段组合的高光谱数据湿地分类研究

对高光谱数据进行波段组合,可以减少信息量的冗余,提高数据的处理速度。对黄河口入海口湿地进行分类,对合理利用、开发保护该地区湿地资源具有重要意义。本文首先分析了“珠海一号”高光谱数据各个波段的信息量及波段之间的相关系数,然后利用最佳波段指数(OIF)方法选出波段组合B7-B8-B32,进一步在OIF基础上设置信息量与相关系数阈值,选出波段组合B7-B18-B32,实验结果证明分类精度提高了5.4%。最后,根据地物的光谱特征分析,选择光谱差异较大的波段进行组合B6-B13-B18,分类后精度比OIF筛选出的波段组合精度高12.6694%。经实验验证,结合地物光谱特征的波段组合可以大大提高分类精度。     

结合地物空间特性的高光谱图像分类方法研究

以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其一切特征统计也只在光谱及波段维上展开。但是自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的,常会出现"麻点"现象。针对这一问题,本文提出一种结合地物空间特性的高光谱图像分类方法,其分类过程可以分为两个阶段,第一阶段是基于像元光谱特性的图像分类,获得影像分类图;第二阶段是针对第一阶段的分类结果,结合地物空间特性进行空间后分类处理。试验研究结果表明,该方法能够保持地块的连续性和均一性,同时克服了"麻点"现象,大大提高分类的精度。     

基于地面高光谱数据的东亚飞蝗危害程度监测

20世纪80年代以来东亚飞蝗在中国再度猖獗,及时、准确地监测东亚飞蝗的危害程度,对于东亚飞蝗的有效防治有重要意义。本研究以河北省黄骅市为研究区,利用地面高光谱数据,分析和比较了正常生长芦苇和受蝗虫危害芦苇的冠层反射光谱和高光谱特征参数的差异,并建立了高光谱特征参数与芦苇叶面积指数（LAI）的关系模型。结果表明,其中的虫害光谱指数（DSI）最适用于反映研究区芦苇受蝗虫危害的程度。在此基础上,利用DSI对研究区蝗虫的危害程度进行了划分,即：DSI〉62.856未受危害;41.254≤DSI≤59.496轻度危害;DSI〈41.254严重危害。     

盐沼植被光谱特征的间接排序识别分析

运用ASD地物光谱仪,采用12个小型机载成像光谱仪(CASI)默认的植被波段组,以上海崇明东滩自然保护区的盐沼植物群落为对象,应用主成分分析法和相关分析研究了不同群落光谱特征与生态环境因子之间的关系。结果表明:运用PCA间接排序法能够识别盐沼植被中光滩、海三棱藨草群落、芦苇群落和互花米草群落等光谱特征;绝大多数盐沼植物的群落组成与所选波段的光谱特征之间有显著的相关关系;可见光和近红外波段数据可以分别识别低盖度的海三棱藨草群落和高盖度的互花米草和芦苇群落;对光谱反射率影响最大的生态环境因子是植物群落的高度和盖度,而高程和其它环境因子的影响次之。     

基于光谱库优化学习的光谱超分与分类精度提升

光谱库优化学习是将光谱库中的光谱数据作为训练样本,在严格理论推导下构建字典优化学习过程。基于光谱库优化学习,本研究提出了一种光谱超分辨率重建方法,该方法在稀疏表示框架下,通过波段匹配,将光谱库映射为与待重建高光谱图像波段相对应的特定光谱库;并利用映射后的特定光谱库与高分多光谱图像,从理论上推导、并构建基于ADMM算法的光谱字典与稀疏系数优化学习过程。多种数据集上的对比分析表明,即使仅使用一幅高分多光谱图像,本研究方法仍能恢复重建出高质量的高分高光谱图像,同时光谱超分辨率重建后的高分高光谱图像可显著提升地物分类精度。结果表明,本研究实现了仅由一幅高分多光谱图像到高分高光谱图像的高质量光谱超分辨率重建。     

基于光谱整体形态和局部吸收谷位置的高光谱遥感图像地物识别

为了精确识别高光谱遥感图像上的地物,使用交叉相关光谱匹配方法获取光谱整体形态的最大偏移量,通过对比分析吸收谷位置变化获取吸收谷位置的最大偏移量,在此基础上确定吸收谷位置的偏移范围;然后使用穷举法,进行基于整体形态和偏移范围内局部吸收谷位置的识别。在云南中甸普朗斑岩铜矿区的高光谱遥感图像的实际应用表明,该方法的识别结果比仅考虑整体形态的识别结果具有更高的可靠性,能进一步证实识别结果的准确性。     

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。     

两种高光谱热红外数据大气校正方法的分析与比较

利用模拟数据对Autonomous Atmospheric Compensation(AAC)和In-scene Atmospheric Compensation(ISAC)这两种高光谱热红外数据大气校正方法进行了对比和分析。结果显示,在满足方法适用条件情况下,AAC方法大气校正精度较高,除湿热的热带大气外,大气透过率的反演误差小于0.02,大气上行辐射的误差小于0.004W.m-2.sr-1.cm;而ISAC方法精度较低,透过率误差在0.05至0.3之间,上行辐射误差在0.003W.m-2.sr-1.cm至0.035W.m-2.sr-1.cm之间变化,误差随大气水汽含量增加而增加。大气非均一性对大气校正精度影响分析表明,AAC方法大气校正精度受大气非均一性影响显著。因此,需从高光谱数据光谱信息出发,发展针对低空间分辨率高光谱热红外数据的大气校正方法,以克服现有方法大气水平均一假设的不足。     

基于新型相似性测度的高光谱影像地物检测

提出了一种新型光谱相似性测度及其参数的自适应选择方法,并且将其应用到了高光谱影像地物检测中.由于这种相似性测度基于光谱角度余弦(SAC),因此在理论上对因光照强度变化、阴影和遮挡等引起的同种地物光谱变化的适应性较强.最后利用两幅高光谱影像进行了实验分析,实验结果证明提出的方法不仅能扩大阈值取值区间,而且可提高检测的精度.     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

机载高光谱热红外数据的地表温度和发射率反演与应用

机载高分辨率遥感是高分对地观测的重要部分,其中高分辨率高光谱热红外数据的光谱发射率可以用于矿物识别,是对可见光遥感地物识别的有效补充。机载高光谱热红外传感器TASI（Thermal Airborne Hyperspectral Imager）在8—11.5 μm范围内设置了32个波段,在国内外常被用于地表热辐射信息、矿产资源探测等领域。本文利用2018-10在新疆富蕴县研究区的TASI航空飞行数据,首先基于再分析大气廓线NCEP数据与MODTRAN实现了TASI高光谱热红外数据的大气校正,并在基础上发展了温度与发射率分离方法TES（Temperature and Emissivity Separation method）反演研究区地表温度与发射率,采用多波段热辐射计CE312测量的地面发射率对反演结果进行了有效验证,结果表明波长大于9.6 μm的波段的发射率误差约为0.01。最后,结合反演的TASI发射率光谱曲线,采用光谱角度匹配方法提取了研究区高岭石的空间分布。研究工作涉及的相关算法与应用成果可为星载高分辨率热红外载荷数据的应用提供了相关参考。     

航空高光谱热红外数据的两种发射率反演方法对比

本文在介绍航空高光谱热红外的两种发射率反演算法——ARTEMISS算法和ASTER TES算法基础上,以甘肃柳园地区的热红外高光谱TASI数据为基础,对实验区进行了发射率反演,结合野外实测结果,对两种算法的图像质量和精度进行了对比分析。结果显示,两种算法均能满足反演精度要求,ASTER TES算法图像质量好,精度较高;ARTEMISS步骤简单,反演结果能很好地体现出岩性差异。在实际应用中应结合不同的应用要求来选择不同的反演算法。