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。     

高光谱数据的降维及Tabu搜索算法的应用

在高光谱影像的分类过程中,如何有效地降低特征空间的维数,又能保证原始数据所包含的丰富地物信息是一项十分重要而繁琐的工作.深入分析了这种降维的必要性,并针对当前常用的降维方法存在的问题,提出了运用Tabu搜索算法获取对分类最为有利的特征波段的思想.考虑到高光谱数据的特点,指出了算法运行中应该注意的若干关键参数设置问题.实验表明,Tabu搜索算法在求解质量和执行效率方面都有着良好的表现,可以用于高光谱数据的降维处理.     

高光谱遥感影像混合像元分解研究进展

受高光谱成像仪低空间分辨率及复杂地物的影响,高光谱遥感图像存在大量混合像元。为提高地表分类精度以及满足亚像元级目标探测的需求,混合像元分解技术一直是高光谱遥感研究热点之一。本文主要对高光谱混合像元分解技术中的核心问题:端元数目估计、端元提取算法、丰度估计算法进行综述,系统地分析了各种典型算法的原理及优缺点,进一步阐述研究过程中建立高精度遥感混合反演模型与遥感产品业务化中的混合像元分解技术难题,同时针对今后混合像元分解技术发展方向,指出在继续引入新型算法理论方法基础上,结合用户应用需求,推进高光谱混合像元分解算法业务化应用,为高光谱遥感工程化应用提供支持。     

基于高光谱数据的甘肃花西山金矿蚀变特征分析与找矿预测应用

利用地物光谱仪识别具有光谱诊断性吸收特征的蚀变矿物,并分析其空间分布及组合特征,是后续利用航空、航天高光谱遥感开展找矿预测的重要理论依据。本文以位于甘肃柳园地区花牛山矿集区的花西山金矿床为例,首先利用FieldSpecPro FR便携式光谱仪对采集样品进行光谱测量,通过The Spectral Geologist 8软件对获得的光谱数据进行分析解译,揭示了与矿化关系密切的地表蚀变矿物为绢云母（白云母和多硅白云母）+黄钾铁矾+赤铁矿+针铁矿,外围蚀变矿物主要为绢云母（钠云母）+绿帘石+绿泥石+蒙脱石+水铝石。基于这一认识,对矿区及周边开展CASI/SASI航空高光谱遥感蚀变矿物信息提取,综合地表及航空高光谱解译信息,建立了花西山式金矿床的高光谱遥感找矿预测模型,并基于该找矿预测模型在外围圈定了预测区1处,经野外查证,预测区内发现有明显金异常。研究结果表明,在分析和总结调查区成矿地质背景和蚀变特征的基础上,结合高光谱遥感信息可快速地、更有针对性地发现成矿有利区段,为矿产勘查部署提供重要参考资料。     

基于可见—近红外反射光谱的典型农田重金属污染风险分类研究

对于人为因素或自然因素造成的农田土壤重金属元素污染,需要进行大面积的土壤环境质量调查和分类管控,然而传统的采样测试方法存在工作量大、代价高等问题。可见—近红外（Vis-NIR）反射光谱是一种快速低成本获取土壤理化信息的手段。为研究Vis-NIR反射光谱预测模型划分土壤重金属污染风险类别的能力,文章以典型人为污染地区（浙江温岭）和典型地质高背景地区（广西横县）的390份农田土壤为样本,测定8种重金属元素（As、Cd、Cr、Cu、Hg、Ni、Pb和Zn）的含量和pH值,并测定土壤Vis-NIR光谱。使用偏最小二乘（PLS）和支持向量机（SVM）算法建立回归模型,对土壤重金属含量和pH值进行预测,并基于预测值进行土壤重金属污染风险分类。结果显示,温岭土壤主要污染元素Cd和Cu的光谱模型回归预测偏差（RPD）分别为1.23和1.19,预测机制与有机质有关。横县土壤主要污染元素As和Cd的RPD分别为1.98和1.93,预测机制与铁氧化物和粘土矿物有关。地质高背景土壤重金属与铁氧化物的正相关性普遍较强,使得光谱模型对重金属含量预测准确度较高。温岭和横县土壤pH值的光谱模型RPD分别为1.76和1.68。土壤重金属污染风险光谱分类的总体 准确度分别为75.0%~100%（温岭）和80.0%~100％（横县）。将Vis-NIR光谱与遥感技术相结合,对农田土壤重金属污染风险进行快速分类总体是可行的。     

植被覆盖区高光谱遥感影像上蚀变岩与蚀变矿物信息的提取

在高光谱遥感找矿应用中,从影像上提取的蚀变信息经常包含了很多对找矿无用的信息。为了避免这些无用信息,本研究选取植被覆盖的云南普朗斑岩铜矿区作为研究区,使用该区高光谱遥感数据分别提取蚀变岩和蚀变矿物的信息,分析它们对找矿的有用性。提取蚀变矿物信息使用的是从影像上提取的矿物端元参考光谱,光谱匹配采用的是光谱角方法;提取蚀变岩信息使用的是野外蚀变岩参考光谱,光谱匹配不仅考虑光谱的整体形态,而且考虑吸收谷位置形态。在蚀变岩识别图上,4个典型蚀变岩点的野外验证表明:识别结果与实地地物基本一致。但是,在蚀变矿物信息图中,这4个圈定点无任何信息。这表明:这些点的蚀变岩信息较其表面蚀变矿物信息更丰富,因而能被有效提取出。通过比较蚀变岩、蚀变矿物的信息分布图,发现:一些粘土矿物(比如硬石膏和高岭石)的大量信息分布在沉积岩区,因而可能是假的蚀变信息。这表明:通过蚀变岩光谱获取的蚀变信息比通过蚀变矿物光谱获取的蚀变信息更可靠。在蚀变岩信息提取中,比较吸收谷位置识别前后的结果表明:考虑光谱整体和局部形态比仅考虑整体形态的识别结果具有更高的可靠性。     

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。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

高光谱影像信息向量机分类

信息向量机是一种基于贝叶斯理论的稀疏高斯过程方法,其模型训练速度快、内存耗费小、稀疏性强,具有良好的预测性能。本文从高斯过程回归模型出发,提出了一种基于信息向量机的高光谱影像分类方法,针对高斯过程分类中的非高斯噪声模型,采用假定概率滤波算法将分类问题转化为回归问题,通过最大化边缘似然函数进行模型训练,选择活动子集中的信息向量数量达到了稀疏的目的。通过ROSIS影像试验,表明了基于信息向量机的高光谱影像分类方法的优势。     

一种面向异常检测的高光谱图像降维算法

针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。