基于核半监督判别分析的高光谱影像特征提取

针对高光谱影像特征提取中地物类别训练样本获取代价较高的情况,在线性判别分析的基础上,结合核方法和半监督学习理论,提出了一种基于核半监督判别分析(KSDA)的高光谱影像特征提取方法。该方法同时利用少量已知类别和大量未知类别样本数据进行模型的学习和训练。通过OMIS高光谱影像数据实验表明:在少量已知类别训练样本的条件下,经KSDA特征提取的样本数据在特征空间中能更好地聚集成团,且类别之间的距离较大,增加了类别之间的可分性,得到了较高的分类精度;同时,提取的特征影像能够较好地区分各种地物类别。     

基于张量分解的超光谱图像降秩与压缩

超光谱图像在常规的二维图像中加入了光谱维度,具有更大的信息量的同时也带来了较大的光谱冗余性,这给图像压缩带来了新的挑战。提出了一种基于张量分解的超光谱图像降秩与压缩方法,将超光谱图像视为三阶张量数据表示,并使用张量分解技术将原始观测张量分解为核张量与多个投影矩阵的乘积形式。这样,超光谱图像被压缩为了低秩张量,它可以通过张量反投影进行图像重构。实验证明张量分解技术能够将超光谱图像压缩到很低的比率,同时保持较低的重构相对误差。     

利用包络线消除法反演黄绵土水分含量

采集2014年陕西省乾县黄绵土土壤样本129个,风干过程中进行光谱反射率及水分含量测定,采用包络线消除法提取水分吸收特征参数,进行黄绵土水分含量反演。在对土壤水分含量和光谱吸收特征参数进行相关分析的基础上,运用一元线性回归、对数、指数、幂函数分析法,建立了土壤水分含量定量反演模型。结果表明,相关性较好的为最大吸收深度（D）、吸收总面积（A）、吸收峰右面积（R_A）和吸收峰左面积（L_A）,1 900 nm的光谱吸收特征参数相关性优于1 400 nm。以D_{1 900}、R_{A1 900}为自变量建立的一元线性模型和A_{1 900}、A_{1 400}为自变量建立的对数模型是最佳预测模型,其建模和验证模型的决定系数R2分别大于0.92和0.95,相对分析误差值大于4,预测均方根误差小于1.5%。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。     

车载联合机载LiDAR点云数据的建筑物立面精细分割

从数据量庞大且散乱的车载LiDAR点云中分割出建筑物立面数据是一项繁琐而艰巨的工作。本文提出一种结合机载LiDAR点云的车载LiDAR点云建筑物立面分割方法。该方法在空-地点云严格配准的基础上,从机载LiDAR点云中分割出每栋建筑物的顶部点云,提取建筑物顶部外轮廓线并进行规则矢量化处理,设置轮廓线缓冲区实现立面点云的粗分割;再采用基于稳健特征值的平面拟合法对单栋建筑物的每个立面进行去噪滤波,实现建筑物立面的精细分割。试验结果证明了该算法对城市场景中车载LiDAR点云处理的有效性。     

联合光谱和纹理特征的支持向量机滩涂分类方法研究

滩涂作为海岸带的重要组成部分,是重要的土地资源。针对遥感影像滩涂分类的提取,文中提出一种联合光谱和纹理特征支持向量机(SVM)滩涂分类的方法。首先介绍纹理特征影像获取方法,通过灰度共生矩阵分析得到滩涂纹理特征影像;然后将光谱影像与纹理影像叠加形成一幅多维特征影像,用SVM分类算法中的OAR分类器进行分类实验,对分类结果进行实验分析。实验结果表明,该算法对提高海岸带地理信息获取能力,提升海洋遥感测绘信息化保障水平有积极意义。     

水合铁离子及铁络合物吸收系数光谱(400-900 nm)测量

测量铁化合物溶解物的吸收光谱曲线是水中铁离子含量遥感反演的关键。采用自主设计的水体透射光测量装置,利用ASD光谱仪测量相同厚度不同浓度铁离子溶液的透射光辐亮度,然后运用比值法计算出水中3种铁化合物(硫酸铁、氯化铁和铁氰化钾)的消光系数和吸收系数,最终得到400—900 nm波长范围内3种铁离子吸收系数光谱。该方法可以较好地消除实验装置和水中悬浮物的影响。结果表明,水中3种铁离子均在紫蓝光波段吸收作用较大,绿光次之,逐渐减少至红光波段后,吸收系数变化很小呈平缓直线。测量结果可作为水体铁离子浓度遥感反演模型所需的基础参数。     

中国大气环境光学探测研究

激光/波谱技术促进了大气立体监测技术的发展,以光学探测和光谱数据解析为核心、以紫外、可见到红外全光谱为探测波段的各种高分辨率光学监技术,在中国逐渐实现了从近地面到100 km大气气象要素和大气痕量成分实时探测的能力,以及近地面到50 km大气多要素的实验模拟能力。光学技术以高灵敏度、高分辨率、高选择性、多组分以及实时等优势,在大气环境领域日益发挥作用,为研究大气污染演变与气象过程相互作用、大气细粒子污染和光化学烟雾形成机理等基础科学问题研究提供数据支持,为揭示城市和区域尺度的大气复合污染特征、量化其环境影响,提供科技支撑。     

线性/非线性光谱混合模型估算白刺灌丛植被覆盖度

及时监测干旱与半干旱区光合/非光合植被覆盖度时空变化,可以为指导荒漠化防治工程及植被衰退机制研究提供重要信息。本文以甘肃民勤典型植被白刺灌丛为研究对象,通过地面控制性光谱实验获取混合光谱、端元光谱与丰度信息,开展线性与非线性光谱混合模型(包括核函数非线性和双线性混合模型)估算光合和非光合植被覆盖度的对比研究,采用全限制最小二乘法进行模型解混,分别获取各样本数据中各类端元丰度及其精度信息,通过模型分解的均方根误差(RMSE)与地面验证精度确定用于光合和非光合植被覆盖度估算的最佳光谱混合模型,其中参考端元丰度采用神经网络(NNC)分类算法对数字影像进行分类获取。结果表明:(1)引入阴影端元的四端元模型相对于传统的三端元模型(光合/非光合植被与裸土)能有效提高光谱解混的精度,并提高光合和非光合植被覆盖度估算精度;(2)对白刺灌丛来说,光合植被、非光合植被、裸土及阴影间多重散射混合效应存在,但混合效应不够显著;考虑非线性参数的核函数非线性光谱混合模型表现略低于线性光谱混合模型,因此非线性光谱混合模型在估算白刺灌丛光合和非光合植被覆盖度时相对于线性光谱混合模型没有明显优势;(3)基于光合/非光合植被、裸土与阴影四端元的线性光谱混合模型可以实现白刺灌丛光合和非光合植被覆盖度的准确估算,光合植被覆盖度估算RMSE为0.11 77,非光合植被覆盖度估算RMSE为0.0835。