高光谱遥感图像最优波段选择方法的研究进展与分析

随着成像光谱仪的发展日益成熟,高光谱遥感图像的研究已进入到一个新的阶段--对获取的高光谱数据进行有效处理和利用的阶段。目前的处理方法主要集中在对高光谱图像的数值分析处理上,比如大气校正、降低数据维数、信息提取、分类与目标探测等方面。高光谱图像相邻的波段之间一般具有较大的相关性,并不是所有的波段对于后续处理都有着同等的重要性,通过选择最优波段而组成新的高光谱图像空间,在不损失重要信息的条件下可以代表其他波段的信息。因而需要在更合理的数学模型的指导下,按照一定的准则,来决定最佳波段的选择问题。对目前国内外高光谱图像的各种波段选择方法进行了综合归纳和分析,力图为高光谱图像处理寻找突破点,加强此领域的研究力度。     

高光谱图像分块压缩感知采样及谱间预测重构

压缩感知理论提供了一种新的数据采集思路. 基于该理论提出了一种高光谱数据采集和图像重构方法,以波段分组的方式将高光谱各波段分为参考波段和普通波段,对各波段图像单独采用分块压缩感知测量以获取高光谱数据. 在图像重构过程中,参考波段采用平滑投影Landweber算法重构. 对于普通波段,结合谱间预测和平滑投影Landweber提出了一种新算法: 先采用谱间双向预测得到预测图像,然后对预测图像进行分块压缩感知测量获得测量值,并计算它与该波段原测量值之间的差值,再由测量差值重构预测差值来迭代恢复原波段图像. 该方法在数据重构过程中充分考虑了高光谱图像的谱间相关性和空间相关性,能提高图像重构精度. 实验结果表明,利用所提出的方法重构高光谱图像,其性能优于多向量压缩感知方法和分块压缩感知测量后直接对各波段图像单独重构的方法.     

基于改进随机漫步的高光谱图像分类方法

基于改进随机漫步的结合光谱信息和空间信息的高光谱图像分类方法,包括两个主要的步骤:首先,用SVM获得能够反映图像中的每个高光谱像素属于不同类别的分类概率图;然后,用结合高光谱图像空间信息的随机漫步算法对获得的像素级的分类概率图进行优化。该分类方法展示出较高的分类精度,尤其是在训练样本较少的情况下。     

结合空-谱信息的高光谱图像分类方法

针对传统高光谱遥感图像分类中单纯利用光谱信息而忽略空间信息这一情况,研究空间信息在分类中的两种有效利用方法:其一是先基于方向线理论提取空间特征,然后将其与光谱特征相结合进行高光谱图像分类;其二是采用空间邻域信息继续对分类结果进行智能性修正。实验结果表明,空间信息的利用有助于进一步提高高光谱图像的分类精度。     

基于Fuzzy - ARTMAP网络的高光谱遥感图像分类方法

神经网络是一种重要的高光谱图像分类方法.本文提出了四边形隶属函数和Fuzzy-ARTMAP神经网络相结合的高光谱图像分类方法.该方法不局限与隶属度函数的选择,使网络更具有广泛的适用性.将其应用于高光谱图像的分类中,其分类精度高于ARTMAP神经网络,且性能稳定.     

基于有约束CNMF的遥感高光谱多光谱图像融合

针对高光谱图像空间分辨率较低的问题,设计了一种基于光谱解混的高光谱、多光谱图像融合算法（VSC-CNMF）. 结合遥感图像的实际物理特性,在混合像元分解时加入端元单形体最小体积约束和丰度稀疏约束,通过光谱退化、空间退化和迭代解混,实现不同图像间端元和丰度的匹配,获得了具有高空间分辨率的融合图像. 仿真实验表明,VSC-CNMF可得到具有更高空间质量和光谱质量的融合图像.     

基于高光谱成像的水果损伤分析研究

高光谱成像技术包含图像信息和光谱信息。本文利用高光谱成像技术检测苹果摔伤,主要采用主成分分析、波段比算法和支持向量机分析所采集的高光谱图像数据。实验结果表明,波段比算法和主成分分析法分类识别正确率为93.3%,与支持向量机相比更适用于苹果摔伤的实时快速检测。     

基于改进分离阈值法的农作物遥感精细分类特征选择

为综合利用高空间分辨率可见光和红外遥感影像特征,提高分类处理效率,在分离阈值法的基础上提出一种结合图像二维熵的特征选择方法,解决了分离阈值法在特征选择时未考虑特征信息量的问题.利用随机森林分类器对选取后的特征子集进行农作物分类,并在同样的分类方法下与改进自适应波段选择方法和基于图像熵的密度峰值聚类波段选择方法进行分类精度对比.结果表明,所提出的方法既可提高分类精度和分类效率,又能降低特征选择的数量,还能进一步量化分析所选取的特征对各地物识别的效果.     

基于二维主成分分析的高光谱遥感图像降维

提出一种以高光谱图像分析为目标的基于二维主成分分析的高光谱遥感图像的降维方法。通过多变量线性变换对高光谱数据进行特征提取,应用二维主成分分析的方法对高光谱遥感图像进行降维。对AVIRIS图像应用二维主成分分析的方法,可将能量主要集中在少数几个特征值中,这就为降维提供了可能。计算机仿真结果表明,该算法计算量小,方差小,峰值信噪比(PSNR)、分类准确性均显著提高,MSE有所下降。     

主成分分析在高光谱遥感图像降维中的应用

高光谱遥感图像的高数据维给图像进一步处理带来了困难,为了解决这一问题,本文提出了主成分分析的降维方法.根据原始数据协方差阵的特征值和特征向量,可以计算各个波段对给定主成分的贡献率,对重要主成分贡献率的和直接反应了波段信息量的大小,实验证明,该方法效果较好,且计算量小.