一种基于变权重组合的光谱相似性测度

光谱相似性测度是高光谱遥感影像信息提取的关键。在欧氏距离和光谱角余弦的基础之上提出一种变权重组合的光谱相似性测度,即光谱变化权重相似性测度。这种光谱相似性测度可根据不同地物类别自动对欧氏距离和光谱角余弦测度指标配比权重。选用标准光谱库和机载OMIS高光谱影像对SCWM进行测试,并引入误分率和混淆矩阵对分类结果进行评价。结果表明,相对于仅采用一种或两种光谱相似性测度的分类方法,光谱变化权重相似性测度具有更精细的光谱识别能力。     

结合邻域SAC-NED测度的高光谱图像分类方法

提出了一种光谱相似性测度用于高光谱图像分类方法。通过将光谱向量进行归一化处理,将计算得到的欧氏距离与光谱角余弦的值域归化到相同区间,得到光谱角余弦与欧氏距离联合测度值(SAC-NED)。在对图像像元进行分类时,以距离加权的方式将邻域像元参与中心像元SAC-NED值的计算,将像元分到SAC-NED值最大的类别。通过与其他5种常用相似性测度方法的实验结果对比表明:该算法能够提升高光谱图像分类的准确性和稳定性。     

采用非正定OCSVM 的高光谱影像地物检测

高斯径向基核函数是基于光谱向量间欧氏距离的度量,对于因光照强度变化而引起的地物光谱变异敏感,当同类地物光谱发生变异时,基于高斯径向基核的高光谱影像地物检测算法的性能下降.为了解决该问题,基于光谱曲线形状相似性描述提出了光谱角度余弦核测度这一非正定核函数,并应用于一种非正定OCSVM 方法的高光谱影像地物检测.最后利用两幅高光谱影像进行了实验分析,实验结果证明了本文算法的有效性.     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

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。     

基于非正定 OCSVM 的高光谱影像地物异常检测

针对基于高斯径向基核函数的OCSVM等异常检测算法,对地物光谱变异极为敏感,导致算法异常检测性能不稳定的问题,根据光谱角度余弦测度对光谱形状相似性的描述不受地物光谱辐射强度变异影响的特性,将具有非正定核特性的光谱角度余弦核测度引入非正定SVM算法中,提出一种基于非正定OCSVM的高光谱影像地物异常检测算法。利用四组模拟数据进行目标异常检测实验,结果表明,该算法能够有效检测出高光谱影像数据中的目标地物,检测精度提升明显。     

改进相似性测度的高光谱影像FCM聚类分析

高光谱遥感将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,能够实现地面目标的精细分类识别。FCM是一种有效的聚类算法,但存在相似性测度模型单一、分类精度的提高受到限制等问题。文中结合高光谱影像的技术特点,综合考虑光谱曲线的形状、地物辐射亮度及其权重,提出可以更好描述光谱向量之间的相似性的距离测度,并将其引入到FCM聚类模型中。聚类分析试验结果表明：通过改进和优化相似性测度的FCM,可以显著提高高光谱影像聚类精度。     

NDVI时序曲线形状相似性模型的水稻提取方法

基于土地利用现状图与经验观测,提取标准水稻NDVI时序曲线,利用傅立叶形状描述子计算MODIS-NDVI时序曲线与标准的水稻NDVI时序曲线形状相似性距离,通过样例数据探测未知像元与样本的相似性距离阈值,从而判别双季水稻种植区域。以江汉平原2010年的数据进行实验,证明此方法识别的双季水稻种植区域面积误差为8.6%,总体精度为80%,较为理想。该方法将遥感光谱信息与几何形状的识别相结合,有效减少了个别时段光谱信息误差引起的识别错误,提高了识别水稻种植区域的有效性。     

利用流形学习进行高光谱遥感影像的降维与特征提取

基于最新的非线性降维方法——流形学习的理论,从高光谱遥感数据内在的非线性结构出发,采用全局化的等距映射(Isomap)方法进行降维,取得了优于常用的MNF方法的结果。把光谱角和光谱信息散度与测地距离相结合用于Isomap算法,结果在冗余方差和光谱规范化特征值方面优于采用传统欧氏距离计算邻域的Isomap方法。实验表明,流形学习是一种有效的高光谱遥感数据特征提取方法。     

光谱余弦修正在多光谱传感器辐射校正中的研究

传统的辐射校正只针对单一波段进行,忽视了谱段间的关系这一客观事实.针对这一情况,提出了一种兼顾光谱信息的辐射校正方法.该方法充分利用谱段间的关系,引入光谱相似性测度,利用光谱角余弦作为修正条件.首先根据经验线性回归方法计算出定标参数,然后根据地物光谱角的余弦值去修正定标参数.该方法在无人机(unmanned aerial vehicle,UAV)影像上进行了实验,影像地类丰富,满足地物的选取要求.对比了无人机影像在本文光谱余弦修正方法(radiometric correction with spectral angle consine,RCSC)和经验线性回归方法(empirical linear regression method,EL)辐射校正后的精度,结果表明本文方法精度更优,相比经验线性回归方法平均相对误差降低了2.61％.     

Evaluating the Performance of Multi-Class and Single-Class Classification Approaches for Mountain Agriculture Extraction Using Time-Series NDVI

Supervised multi-class classification (MCC) approach is widely being used for regional-level land use–land cover (LULC) mapping and monitoring. However, it becomes inefficient if the end user wants to map only one particular class. Therefore, an improved single-class classification (SCC) approach is required for quick and reliable map production purpose. In this regard, the current study attempts to evaluate the performance of MCC and SCC approaches for extracting mountain agriculture area using time-series normalized differential vegetation index (NDVI). At first, samples of eight LULC classes were acquired using Google Earth image, and corresponding temporal signatures (TS) were extracted from time-series NDVI to perform classification using minimum distance to mean (MDM) and spectral angle mapper (i.e., multi-class SAM—MCSAM) under MCC approach. Secondly, under SCC approach, the TS of three agriculture classes (i.e., agriculture, mixed agriculture and plantation) were utilized as a reference to extract agriculture extent using Euclidean distance (ED) and SAM (i.e., single-class SAM—SCSAM) algorithms. The area of all four maps (i.e., MDM—19.77% of total geographical area (TGA), MCSAM—21.07% of TGA, ED—15.23% of TGA, SCSAM—13.85% of TGA) was compared with reference agriculture area (14.54% of TGA) of global land cover product, and SCC-based maps were found to have close agreement. Also, the class-wise detection accuracy was evaluated using random sample point-based error matrix which reveals the better performance of ED-based map than rest three maps in terms of overall accuracy and kappa coefficient.     

A data mining approach for evaluation of optimal time-series of MODIS data for land cover mapping at a regional level

Optical Earth Observation data with moderate spatial resolutions, typically MODIS (Moderate Resolution Imaging Spectroradiometer), are of particular value to environmental applications due to their high temporal and spectral resolutions. Time-series of MODIS data capture dynamic phenomena of vegetation and its environment, and are considered as one of the most effective data sources for land cover mapping at a regional and national level. However, the time-series, multiple bands and their derivations such as NDVI constitute a large volume of data that poses a significant challenge for automated mapping of land cover while optimally utilizing the information it contains. In this study, time-series of 10-day cloud-free MODIS composites and its derivatives – NDVI and vegetation phenology information, are fully assessed to determine the optimal data sets for deriving land cover. Three groups of variable combinations of MODIS spectral information and its derived metrics are thoroughly explored to identify the optimal combinations for land cover identification using a data mining tool.The results, based on the assessment using time-series of MODIS data, show that in general using a longer time period of the time-series data and more spectral bands could lead to more accurate land cover identification than that of a shorter period of the time-series and fewer bands. However, we reveal that, with some optimal variable combinations of few bands and a shorter period of time-series data, the highest possible accuracy of land cover classification can be achieved.     

鲁棒多特征谱聚类的高光谱影像波段选择

传统谱聚类的高光谱影像波段选择模型中,采用的波段相似矩阵受到噪声或异常值的影响且仅能表征波段的单一相似特征,导致波段子集的选取结果受到限制.本文从波段选择的目的 出发,提出鲁棒多特征谱聚类方法,整合多个特征的波段相似矩阵来形成综合相似矩阵以解决上述问题.该方法假设4种相似性度量包括光谱信息散度、光谱角度距离、波段相关性...     

核密度估计法支持下的网络空间POI点可视化与分析

城市空间POI点的分布模式、分布密度在基础设施规划、城市空间分析中具有重要意义,表达该特征的核密度法(kernel density estimation)由于顾及了地理学第一定律的区位影响,比其他密度表达方法(如样方密度、基于Voronoi图密度)占优。然而,传统的核密度计算方法往往基于二维延展的欧氏空间,忽略了城市网络空间中设施点的服务功能及相互联系发生于网络路径距离而非欧氏距离的事实。本研究针对该缺陷,给出了网络空间核密度计算模型,分析了核密度方法在置入网络结构中受多种约束条件的扩展模式,讨论了衰减阈值及高度极值对核密度特征表达的影响。通过实际多种POI点分布模式(随机型、稀疏型、区域密集型、线状密集型)下的核密度分析试验,讨论了POI基础设施在城市区域中的分布特征、影响因素、服务功能。     

Discrimination of tropical vegetation types using SPOT multispectral data

Vegetation types were discriminated using SPOT multispectral data on Miti'aro, a tropical oceanic island in the Cook Islands, Polynesia. Vegetation categories included undisturbed and disturbed forest on limestone, scrub, marsh, and other forest vegetation (including secondary upland forest and agroforestry). Most category pairs had high separability as measured by Jeffries‐Matusita distance and Euclidean distance for training site data. However, there was some class overlap as illustrated by unsuperaised clustering and assigning spectral clusters to vegetation classes using a reference map. Cloud cover was a problem encountered in optical imaging of this maritime tropical study area.     

图像分类中基于核映射的光谱匹配度量方法

针对多光谱遥感数据特点利用SSV匹配技术改进高斯核函数得到新的KSSV函数,然后在由KSSV核函数映射得到的高维空间中利用SAM匹配技术代替基于欧氏距离的相似性度量。如此可以充分挖掘多光谱影像中的波谱特征信息并有效利用,提高模式识别方法应用的有效性。将此方法分别应用于非监督分类(k均值)与监督分类(最小距离、SVM)的试验表明,改进度量的分类方法可显著提高地类间的可区分度并有效降低类内的不一致性,更有效针对多光谱遥感影像中的地物类型,获得较好的精度改进。     

高光谱图像空间光谱维去相关噪声评估

高光谱图像噪声评估既是评价图像质量的重要内容,也是衡量传感器性能的重要指标。一般噪声评估方法通过对图像规则分割或利用某种距离准则对图像进行连续性分割,计算图像子块的局部标准差或多元线性回归的残差来实现对图像噪声的估计。但这些方法获取的图像子块并不是完全均匀的,图像子块中仍然会存在地物边界,导致图像噪声评估的结果不准确。为了有效提取图像中的均匀子块,本文提出了一种优化的空间光谱维去相关（OSSDC）方法,基于光谱角距离和欧氏距离双重判定,从光谱曲线的形状和数值上寻找相似像元,获取图像中的均匀子块,然后利用多元线性回归计算残差实现对图像噪声的估算。利用模拟图像和实际航空飞行实验获取的高光谱图像对优化算法进行检验,同时与几种常用噪声评估方法进行对比分析,结果表明优化后的算法计算结果更准确,稳定性和适用性优于其他方法。