以混合算法建立宽带多光谱色彩表示空间

对整个原始光谱集进行基于自组织映射的聚类分析，以集群内光谱的平均值分布代替该集群，从而实现在对光谱分布的尖峰值平滑的同时实现原始光谱集的第一次压缩，并对压缩后的光谱集进行主成分分析，以提取的光谱主成分分量作为基张成宽带多光谱空间。     

关于多光谱和高光谱影像的纹理问题

提出了一种新的纹理概念,指出纹理是地物目标光谱空间到二维投影空间的映射模式,以表述多波段影像或高光谱影像的纹理,并蕴含了单波段或黑白影像纹理概念。同时,提出了实现空间映射的几种编码方式,即基于光谱相似性分析的编码、基于光谱空间密度分析的编码、以影像主成份分析为基础的编码、空间相关性的编码等五种方法。     

高光谱影像能量边缘提取

高光谱影像的能量边缘提取方法的本质是利用高光谱信号的能量相似性与能量分布特征来寻找边缘,从能量边缘图可以提取属于不同地物类别的主要边缘,这些边缘都比较明显与完整。实验结果表明,能量边缘对噪声信号不敏感,与用其他方法寻找边缘的结果相比,能量边缘具有更好的效果。     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

基于动力演化算法的投影寻踪在高光谱影像异常目标检测中的应用

运用基于波段间相关性的高光谱影像波段选取方法进行波段的预选取,采用投影寻踪的方法在动力演化算法的基础上寻找最佳投影方向,将高维数据投影至低维数据空间,在各投影分量图像上采用零点检测阈值化的方法进行异常目标的提取。实验结果表明了基于动力演化算法的投影寻踪在高光谱影像异常目标检测中的有效性。     

基于局部光谱空间分析的多尺度边缘检测

分析了传统边缘检测算法在多光谱影像应用中的局限性，提出了一种基于局部区域的光谱空间平均半径测度的边缘检测方法，该方法扩展了原有的单波段影像边缘检测的概念，将像元的灰度信息转化为光谱矢量，提高了检测的可靠性，并给出了多尺度边缘组合的算法。通过MAIS成像光谱仪对鄱阳湖30个波段数据试验，证明了此方法对边缘检测的有效性。     

一种基于高通滤波的主成分分析影像融合方法

针对主成分分析(PCA)变换影像融合过程中变量降维信息损失较多的问题,提出了一种基于高通滤波的主成分分析(PCA)变换融合方法。该方法首先对高分辨率影像在高通滤波模块上进行卷积运算,然后将滤波过后的影像与主成分变换后的第一主分量进行直方图匹配和加权平均运算;最后用直方图匹配过的高分辨率影像代替第一主分量与其他分量经K-L逆变换得到融合结果。选取北京二号卫星影像进行试验,通过将PCA变换和HPF融合结果进行对比评价,结果表明了该方法很好地提高了影像的空间细节信息与光谱保持能力,实验结果将为后续高分系列卫星影像处理提供支持。     

主分量变换法对SAR影像同TM影像进行融合

介绍了采用主分量变换法对SAR影像同TM影像进行融合的方法步骤和算法。此方法不仅能提高多光谱影像的信息量和空间分解力,而且很大程度上保留了原多光谱影像的光谱特征,使融合后的影像在量测和解译能力上都有提高。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

面向端元提取的光谱角特征空间图像分块方法

传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。     

一种结合拓扑信息和SIFT特征的多源遥感影像自动匹配方法

基于单一特征的匹配办法在多源遥感影像匹配中往往不适用的问题,提出了一种结合拓扑信息和SIFT特征的自动多源遥感影像匹配方法。该方法首先在两幅影像中使用SIFT算法在尺度空间上提取特征向量,其次对这些特征点使用最近邻提取1：N的多个可能的匹配点对,然后结合位置信息和拓扑信息对这些可能的匹配点对进行剔除,并使用RANSAC方法剔除粗差,最终得到同名匹配点。试验结果表明,相比于计算机视觉领域常用的SIFT算法,本文方法可有效地提高匹配正确率,并获得更多正确的同名点。     

多光谱图像的边缘特征检测方法

利用多光谱图像的两像素点灰度差异强度指数,定量分析了多光谱图像的边缘特征及响应特征差异,指出传统灰度算子会导致弱边缘特征漏检。为减小边缘响应强度差异,在光谱特征空间中分别利用特征值和特征向量表征多光谱图像的梯度变化大小和方向,同时采用B样条小波对影像进行多尺度变换,获取不同尺度的边缘特征。实验结果表明,此方法对多光谱图像检测出的边缘特征响应均匀且较为显著,综合多尺度边缘能准确检测并定位边缘点,且能有效地抑制噪声。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

利用影像相关分析的遥感变化检测

针对利用单一光谱特征进行影像相关分析在遥感变化检测应用中效果较差的问题,提出了一种将纹理特征与光谱特征相结合的相关系数计算模型。应用中在对多时相影像进行相同尺度棋盘分割的基础上,先计算各对应分割窗口内的相关系数,再以其中心点的坐标和相关系数值作为一个特征点,在三维空间中进行插值处理得到整个区域的相关系数空间分布图;进一步通过密度分割处理提取变化信息。本文以两期GF-1影像数据进行了变化信息提取试验,结果表明,采用组合特征相关系数的变化检测结果明显优于单一光谱相关系数的变化检测结果。组合相关系数的应用研究为利用影像相关分析方法从高分影像中提取变化信息提供了一种新的思路。     

Road Network Extraction from High-Resolution Remote Sensing Image Using Homogenous Property and Shape Feature

According to spectral homogeneity and ribbon-like shape of road, this letter presents a simple yet effective method of delineating road networks from high-resolution remote sensing images. The proposed method consists of three main steps. First, the mean shift algorithm is utilized to detect the modes of density of image points in spectral–spatial space which contain potential road center points and then detected mode points are classified into different classes by mean shift-based clustering on the basis of spectral information. Next, the combination of Gabor filtering and tensor encoding is used to identify the road class and to extract road center points. Lastly, road network is generated from detected road center points by means of tensor voting and connected component analysis. The experimental results demonstrate good performances of the proposed method in road network extraction from high-resolution remote sensing images.     

一种融合边缘信息的面向对象遥感图像分割方法

针对遥感图像分割时仅利用光谱信息容易造成过分割和边缘定位不准的问题,提出一种结合光谱强度和纹理信息的遥感图像分水岭分割算法。首先分别提取图像的光谱梯度和纹理梯度,提出一种改进双边滤波模型,滤除图像中的噪声的周时,采用了一种局部的平滑尺度,能够有效消除纹理信息,借助于滤波算法,分别对原图像和Gabor纹理特征图像进行平滑处理,利用边缘检测算子得到光谱梯度和纹理梯度。最后利用形态学膨胀方法进行融合融合,使用分水岭变换对图像分割。用三幅高分辨率彩色遥感图像数据进行实验,并与JSEG（Joint Systems Engineering Group）和多分辨率分割方法进行比较,结果表明该方法具有较高的边界定位准确性,同时降低了过分割和欠分割现象。     

高光谱图像数据变换编码压缩方法

三维ＤＣＴ变换编码包括谱段方向的一维ＤＣＴ变换和由此产生的特征值图像的二维ＤＣＴ变换编码。谱段方向一维ＤＣＴ变换的主要作用是去除光谱方向的数据相关性,并产生由ＤＣＴ系数构成的并与各个谱段相对应的特征值图像。特征值图像的压缩由ＪＰＥＧ算法完成,图像的压缩比由ＪＰＥＧ的量化因子ｑ控制。图像边缘特征对高光谱图像的应用具有非常重要的意义,在高光谱图像的压缩过程中要尽量保持图像的边缘特征。我们设计了具有图像     

一种定义感兴趣局部显著特征的新方法及其在遥感影像检索中的应用

提出一种定义感兴趣局部显著特征的新方法。首先根据注意力转移机制,采用迭代法提取注意焦点作为局部显著点,根据Canny边缘图与显著图的融合提取显著边缘点;然后提取显著点的色调、纹理及边缘点的方向直方图特征,用于表征兴趣目标的局部细节和轮廓信息。该方法强调影像中的显著对象,既提高了处理效率又符合人类视觉感知特性,提高了对不同影像内容的适应性。     

基于卷积神经网络的城市水体提取方法研究

针对传统方法在城市水体提取中容易受到建筑物阴影影响和难以精确提取细小水体等问题,提出了一种基于逐像元分类和多尺度分割技术的卷积神经网络遥感水体提取方法.该方法利用像元的光谱特征向量构建光谱特征矩阵,作为卷积神经网络输入特征训练水体提取模型,以多尺度分割结果抑制分类离散点与水体边缘误分现象,进一步提高提取精度.试验结果表...     

Column-generation kernel nonlocal joint collaborative representation for hyperspectral image classification

We propose a kernel nonlocal joint collaborative representation classification method based on column generation for hyperspectral imagery. The proposed approach first maps the original spectral space to a higher implicit kernel space by directly taking the similarity measures between spectral pixels as a feature, and then utilizes a nonlocal joint collaborative regression model for kernel signal reconstruction and the subsequent pixel classification. We also develop two kinds of specific radial basis function kernels for measuring the similarities. The experimental results indicate that the proposed algorithms obtain a competitive performance and outperform other state-of-the-art regression-based classifiers and the classical support vector machines classifier.