基于MATLAB的遥感影像纹理特征分析

随着遥感技术的飞速发展,遥感影像计算机分析也随之成为遥感技术应用的一个重要组成部分.传统的遥感影像分析方法大都是基于影像光谱特征的计算机自动分类,忽略了影像的空间结构信息,精度不高.研究了利用灰度共生矩阵提取遥感影像的纹理特征,实现了MATLAB下采用监督分类方法应用最短距离分类器及滤波完成了全色遥感影像的分类分析.     

一种基于分形维数的高光谱遥感波段选择算法研究

随着高光谱遥感的发展及其应用的拓展,针对高光谱遥感数据特点的信息处理技术成为高光谱发展的一个重要问题。在常规降维算法的基础上,基于分形理论分析高光谱遥感影像的空间结构特征,并以分形维数作为衡量波段质量的一个指标,设计最优波段指数进行影像最佳波段组合选择。通过与其他常用的波段选择算法的比较,表明该算法具有较好的效果,能够有效应用于波段选择。     

高光谱遥感影像降维：进展、挑战与展望

高光谱遥感影像数据具有高维特征、信息冗余、不确定性显著、小样本、空谱合一等特征,对其进行数据处理面临巨大挑战,高光谱遥感影像降维是高光谱遥感的重要研究方向之一。本文对当前高光谱遥感影像降维的相关研究进展进行了综述,在介绍高光谱遥感数据特点的基础上,重点从特征提取和特征选择两方面对高光谱遥感影像降维的最新研究和前沿进展进行了系统性综述;并从特征可分性、特征质量评价、特征数目确定、多特征优化以及需求驱动的特征选择等方面分析了高光谱遥感影像降维面临的挑战。随着智能化高光谱遥感的发展,高光谱遥感影像智能降维成为未来的发展方向,同时其发展将兼顾多特征质量评估与优选、搜索策略优化、满足应用需求等多目标的需求。随着高光谱遥感数据获取能力的提升和深入应用,高光谱遥感影像降维将会发挥重要而不可替代的作用。     

利用高光谱遥感影像纹理滤波的城市居民地识别

高光谱影像具有丰富的光谱和空间结构信息,传统的基于光谱特征的分割方法易使分割区域过于细碎,从而降低了居民地信息提取的精度。尝试将纹理信息引入到特征空间,以提高信息识别、提取的精度。纹理信息采用多尺度3D-Gabor滤波器对经过特征选择后的高光谱影像进行滤波,进一步计算纹理能量和纹理特征,然后利用多特征聚类实现图像的初步分割,最终通过形态学方法获取影像中的居民地信息。实验表明,基于3D-Gabor滤波的方法能有效地识别、提取高光谱影像中的居民地信息。     

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

基于流形学习的高光谱影像降维理论与方法研究

本文从高光谱数据的非线性本质出发来引入流形学习方法,结合高光谱影像的自身特性,挖掘高光谱影像内部的非线性流形特征,研究高光谱影像的流形学习降维对应的光谱意义解释,构建适合高光谱影像数据特性的非线性流形学习降维理论和方法体系,并在实践上指导后续的高光谱影像分类、目标识别和异常探测等应用。     

应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择

针对高光谱影像数据高维性、高度相关性和冗余性等特点,提出应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择。通过稀疏非负矩阵分解方法对高光谱影像进行稀疏化表示,同时顾及其可聚类的特性,在保留所选波段物理意义的基础上,得到波段选择后的高光谱影像降维数据。通过该方法对PHI-3高光谱影像进行波段选择的试验分析,应用聚类特征有效性分析波段聚类结果,并采用波段子集的信息量、相关性和可分性3类评价指标来验证方法的效果。最终,从运行效率和分类精度两方面证明了基于无监督聚类的稀疏非负矩阵分解对高光谱影像的波段选择的实用性。     

基于图斑的高分辨率遥感影像变化检测

高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,传统基于像元的变化检测方法在高分辨率遥感变化检测中显示出不足。研究一种基于图斑的多时相高分辨率影像变化检测方法,以光谱特征为依据,对影像进行分割,然后以图斑为基本分析单元进行变化检测研究。引入概率统计学中的t检验方法,并与相关系数法相结合,采用区域内的光谱、纹理特征进行变化检测。选取城市区域的高分辨率影像进行试验,结果表明该方法可以很好地实现高分辨率影像的变化检测,具有一定的理论研究和实际应用价值。     

高分遥感影像样本的结构特征分析

空间结构特征是高分影像最显著的特征之一,高分影像的各种地物类型都表现出不同的结构特征,这些结构既包括纹理的、几何的,也包括空间关系的,有效地利用高分影像的结构特征可以弥补光谱特征进行分类的不足.本文以高分影像的空间结构特征建模与信息的提取为主题,主要研究了空间自相关统计量的计算和利用空间自相关统计量对图像进行处理,以及基于空间半变差函数高分影像样本的空间结构信息提取,最后以空间自相关统计量与空间半变差函数所提取得空间结构信息为特征进行神经网络分类.     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征,可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征,基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性,选取PaviaU、Salinas和Chikusei高光谱影像数据,利用核极限学习机分类器,分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明,多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%,明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征,有助于提高影像分类精度并获取更加平滑的分类结果图。     

高光谱--遥感测绘的新机遇

通过对高光谱遥感技术的主要优势、基本特征和地理空间信息探测潜力的分析,展示了高光谱数据在遥感测绘领域大规模应用的可能性.同时,还分析了围绕高光谱测绘应用相关的一系列问题,包括高光谱数据的测绘需求、面向测绘应用的高光谱影像分析的关键技术、高光谱遥感测绘模式以及实用化系统建立的设想等.通过对这些问题的进一步深化研究,高光谱技术就可充分与现有的遥感测绘手段有机结合,并对地理空间信息的遥感探测技术产生有力的推动.     

高光谱──遥感测绘的新机遇

通过对高光谱遥感技术的主要优势、基本特征和地理空间信息探测潜力的分析,展示了高光谱数据在遥感测绘领域大规模应用的可能性。同时,还分析了围绕高光谱测绘应用相关的一系列问题,包括高光谱数据的测绘需求、面向测绘应用的高光谱影像分析的关键技术、高光谱遥感测绘模式以及实用化系统建立的设想等。通过对这些问题的进一步深化研究,高光谱技术就可充分与现有的遥感测绘手段有机结合,并对地理空间信息的遥感探测技术产生有力的推动。     

小麦冠层理化参量的高光谱遥感反演试验研究

以国产成像光谱仪所获高光谱遥感数据为基础，根据田间同步采样数据建立的基于反射光谱特征的小麦冠层生物物理和生物化学估计模型，实现了用航空高光谱遥感数据对田间小麦冠层理化参量的整体反演。结果表明：用高光谱遥感方法估计小麦冠层理化参量是可行的；以理化参数为“波段”的数字图像及其处理，为农学家以理化参量的空间分布及其差异解释作物产量空间分布差异和研究作物生态生理机理提供了新的手段。     

矢量C-V模型的高光谱遥感影像分割

高光谱遥感影像除了包含普通2维影像所具有的空间信息还包含了1维光谱信息,传统的针对2维影像的分割方法不能很好地应用于高光谱遥感影像。为此,本文提出一种能够同时处理多波段影像的高光谱遥感影像矢量C-V模型分割方法。首先选出高光谱遥感影像中目标与背景对比度较大的波段,并通过计算波段相关系数,去除其中的冗余信息形成新的波段组合,进而根据所确定的波段组合构建高光谱遥感影像矢量矩阵;在此基础上,构造基于该矢量矩阵的矢量C-V分割模型。模型中通过引入基于梯度的边缘引导函数,在保留传统C-V模型基于区域信息进行影像分割的基础上,利用影像的边缘细节信息,增强了模型在异质区域和复杂背景情况下对目标边缘的捕捉能力,提高了对高光谱遥感影像的分割精度和速度。最后利用HYPERION数据进行仿真实验,并将实验结果和传统C-V模型和相关方法进行了对比,结果表明,本文方法能够在短时间内有效地分割高光谱遥感影像,与传统方法相比,具有分割精度更高运算速度更快的特点。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

高光谱数据在数据库中的高效存储技术研究

通过分析高光谱数据的特点 ,结合数据库系统开发实践 ,提出了高光谱数据集 ,包括图像、光谱、属性等 ,在关系数据库中的存储规范。结合ORACLE数据平台 ,提出了 3种高光谱数据的存储模式 ,并结合应用实例进行对比 ,分析了各自的优缺点以及适用条件。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题,集成Lanczos算法与谱聚类算法,探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性,提出了一种面向高光谱遥感图像的快速谱聚类算法;通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果,发现面向高光谱遥感图像的谱聚类算法易于识别线性地物,且分类的速度能得到较大提升。     

空间与谱间相关性分析的NMF高光谱解混

非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。     

高光谱遥感影像管理系统的设计与实现

由于高光谱数据的海量高维特征,使得传统的信息系统难以有效地对这些数据进行高效地存储、处理、分析,表现等管理操作。因此如何采用新的技术来开发一个能有效管理高光谱遥感影像数据的影像管理系统,是当前高光谱快速发展和深入应用的一个瓶颈之一。本文在研究的过程中,对当前影像管理系统的发展作了大量的分析,利用成熟的关系数据库和程序设计语言,开发了一个方便实用的高光谱遥感影像管理系统以管理高光遥感影像和其他遥感信息,提高影像管理效率。系统已初步实现了多景高光谱遥感影像检索,可以任意加载、导入高光谱遥感影像,运行效果良好。