模拟退火机制下优化离散粒子群的端元提取算法

针对离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)端元提取算法初始种群质量差、收敛性能低且易于陷入局部最优,本文将模拟退火算法引入到DPSO的不同阶段,模拟退火算法能以一定的概率接受和舍弃新状态,使种群内粒子渐趋有序、达到平衡,收敛到全局最优,有效避免了搜索陷入局部最优。因此,该算法不仅保持了DPSO的全局组合优化特点,克服了初始种群质量差、易陷入局部最优等缺点,而且还提高了收敛速度和端元提取精度。     

资源一号02C与Landsat8影像融合方法对比分析

针对以往关于资源一号02C和Landsat8卫星影像数据融合的研究不足的问题,该文利用前者在空间分辨率上高于后者、后者具有前者所不具有的光谱信息这一特性,选取主成分变换法、比值变换法、色彩变换法、高通滤波法和超分辨率贝叶斯法5种融合方法,分别对两种数据本身及数据间进行融合,并利用定性与定量的方法对融合结果进行评价,得出:资源一号02C星全色波段与多光谱波段数据融合结果中高通滤波法与超分辨率贝叶斯法效果较好,Landsat8OLI全色波段与多光谱数据融合结果中高通滤波法效果最好,资源一号02C星全色波段与Landsat8OLI多光谱数据融合结果中高通滤波法效果最好。     

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。     

小区域内用大地高差代替正常高差探究

大地高和正常高都是高程系统,两者由于参考基准的不同,在实际测绘工作中,正常高往往比大地高更为实用,但是有时候人们往往只想知道某两点之间的高差是多少,而并不关心其高程是多少。本文探讨了在小区域范围内,用大地高高差代替正常高高差的可行性,提高了大地高的使用价值。     

基于光谱特征参量化的高光谱影像精细分类

从高光谱影像能够提供地物连续光谱曲线的优势出发,提出了提取地物诊断性光谱吸收峰的特征参数进行地物精细分类的方法。用OMIS高光谱数据进行实验,首先对光谱曲线进行包络线去除处理,然后在归一化的曲线上提取光谱吸收峰的形态特征参数,根据不同种地物的光谱差异与分类需求进行特征参数选择,用于地物分层精细分类,在每一类别的地物之中实现不同子类的区分。分类总体精度达到81.022 6%,Kappa系数为0.748 9,尤其在植被和水体的子类区分上取得了较好的效果,证实了该方法的有效性。     

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。     

基于光谱多尺度分割特征的高光谱混合像元分解

提高混合像元线性分解精度的一个关键点在于改善端元光谱矩阵的构成。本文提出一种基于光谱多尺度分割特征的混合像元分解方法。首先在分割段内离差平方和最小准则下,对高光谱影像的光谱进行多尺度分割,并以各分割段中对应像元的光谱平均值为光谱特征,最后以限制性的最小二乘方法估计出混合像元的组分。模拟与真实数据的实验结果表明,本文方法能够较大的提高遥感影像混合像元的分解精度,并且优于光谱维小波特征的分解。     

一种基于局部判别正切空间排列的高光谱遥感影像降维方法

提出一种基于局部判别正切空间排列(local discriminative tangent space alignment,LDTSA)的高光谱影像降维方法。LDTSA源于局部正切空间排列(LTSA)中的排列机制,在一个局域块内利用线性局部正切平面对类内样本的流形结构建模,同时还考虑到类间判别信息以最大化判别边界。利用多幅高光谱数据进行降维和分类试验。结果表明,LDTSA主要有三个优点:①在小样本问题上性能稳定;②在降维过程中保持类别间的判别信息;③有效挖掘数据集的几何流形结构。     

基于二次散射的高光谱遥感图像光谱非线性混合模型

高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果.     

GPS高程在隧道高程控制中的应用研究

在野外水准控制点遭到破坏,缺乏足够高程数据的情况下进行高程控制测量,可以先布设GPS控制网,GPS控制点应包括稳定的可用高程控制点。然后以一个高程控制点为起算点,实施三角高程闭合水准导线测量,水准路线包含所有的GPS控制点。在小区域范围内,假设该区域高程异常值为常数;从而可以在实施三角高程测量外业时使用高精度的WGS84大地高数据对测量数据进行实时的检核。实践表明:该方法测量精度高且工作效率令人满意,完全能满足山区的工程测量需要。