高光谱分辨率遥感在植被监测应用中的关键技术及应用

高光谱遥感数据已成为地表植被地学过程中对地观测的强有力的工具．综述了利用高光谱遥感数据进行植被监测的研究进展，主要包括以下二个部分：（1）高光谱遥感用于植被监测中的关键技术（2）高光谱遥感数据在植被生长监测中的应用．     

基于数据挖掘和高光谱数据的湿地植被精细分类

以大丰市沿海滩涂湿地区域为研究区,以机载高光谱影像为主要数据源,冠层高度模型(canopy height model,CHM)数据为辅助数据,采用数据挖掘的方法对高光谱数据进行特征规则提取,实现了湿地植被的精细分类.结果表明:3种湿地植被分类结果的总体精度为90.3%,说明数据挖掘技术在处理高维数据时不仅可以提取重要程度较高的数据,而且可以减少数据量,提高数据处理效率与分类精度;与传统的支持向量机分类法(SVM)分类结果进行对比,基于数据挖掘的湿地植被精细分类总体精度比SVM分类方法高10.8%,表明数据挖掘方法在湿地植被高光谱遥感分类问题上具有较大优势.     

高光谱数据湿地植被类型信息提取

以美国Sacramento-San Joaquin三角洲为研究区,利用高光谱和高空间分辨率遥感影像HyMap数据,在光谱特征分析和实测数据的基础上,构造特征指数,建立决策树分类模型对湿地植被进行分类。研究结果表明,湿地植被在近红外波段(0.75~1.3μm)上有明显的光谱特征差异,根据这些差异,可以构造合适的特征指数,实现湿地植被在物种水平上的识别。     

高光谱遥感波段选择的非线性投影寻踪方法

针对高光谱遥感波段选择问题，提出了一种非线性投影寻踪指标，构造了投影寻踪迭代算法．对植被高光谱遥感图像的实验分析表明，该方法所选出的三个特征波段基本上相当于三个主成分方向所包含的信息量，特别是提高了易混类别的分类精度．     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

高光谱遥感图像最大似然分类问题及解决方法

利用最大似然分类器对高光谱遥感图像分类时，由于波段数目多、波段间的相关度大，使协方差矩阵的行列式近似于奇异，因而导致了不合理的分类结果。本文调整了波段协方差矩阵对分类的影响。改进了最大似然分类判决函数，利用改进后的判决函数进行分类，试验证明这种方法是有效的。另外，根据图像特征和经验对图像进行波段选择，也是改善高光谱遥感分类效果的有效途径。     

基于高光谱遥感的植被生物量反演方法研究

高光谱遥感技术能够为反演植被生物量提供快速无损的数据采集与分析处理方法.基于高光谱遥感在植被生物量反演中的研究成果和进展,对其反演方法进行研究:阐述高光谱遥感反演植被生物量的原理;探讨高光谱遥感反演植被生物量的估算模型;分析比较不同估算模型的特点.结论表明,利用高光谱遥感分析植被的光谱特性进而估测植被生物量是一种精度较高且应用广泛的方法.     

一种基于BP网络和决策融合的高光谱遥感图像分类方法

BP神经网络在用于高光谱遥感图像分类时,其初始权值的选取对分类结果有很大影响.针对这种情况,提出了一种将BP神经网络与决策融合理论相结合的高光谱遥感图像分类方法,该方法将多个结构相同、初始权值不同的BP神经网络的分类结果进行融合,最后把融合结果作为原图像的最终分类结果,以实际的高光谱遥影像为例,说明该方法能够有效地提高遥感影像的分类精度.     

基于地物波谱形态参数化的高光谱图像分类方法研究

利用语素向量的形态描述方法实现地物波谱形态的参数化,以不同地物具有不同波谱曲线为地物分类准则,在MATLAB设计中,实现一种带通配符的地物波谱曲线形态差异遥感图像分类程序,应用此程序对高光谱遥感图像所得的分类结果与其他分类方法所得的分类结果进行对比.结果说明,此方法可以将地物波谱的波形信息最大限度地保留并利用,进一步解决遥感影像分类中"光谱值"相似及现有的光谱匹配方法受类内差异变化影响大的问题,运用Kappa系数的精度评价证明此方法对高光谱遥感图像的分类优于SVM分类方法.     

高光谱在油气勘探中的国内外研究现状

随着科技的发展,遥感在油气勘探的作用越来越大。高光谱作为遥感发展的最新手段,自然也受到油气勘探领域的重视。高光谱遥感具有快速,经济,精确的特点。通过高光谱探测油气渗漏和其引起的地表矿物蚀变、植被变化的范围,进而确定油气勘探的区域。高光谱在油气勘探领域的应用实例相对较少,在数据和处理方法上还存在很多不足;比如现有的卫星高光谱数据覆盖范围有限(空间分辨率也较低),数据处理方法大多是原有的多光谱数据处理方法,针对高光谱数据在油气勘探中的处理方法不多。随着高光谱遥感仪器精度的提高和数据处理方法的改进,高光谱遥感必将为油气勘探提供新的机遇。     

基于多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为数据源,借鉴决策树分类思想,采用了一种结合光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】基于多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被的分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

基于最小体积约束的非负矩阵分解模型的高光谱解混算法探究

高光谱遥感图像中,遥感影像的分类精度和地物识别会因混合像元的存在而受到影响,从而限制了遥感科学向定量化发展.基于最小体积约束的非负矩阵分解方法,不仅不需要假定纯像元的存在,而且在自动提取端元的同时获取对应的丰度图,这种非监督的光谱解混技术克服了传统方法的限制条件,为高光谱图像中混合像元问题的解决提供了新的思路和方法.     

陕西丰镐地区航空高光谱遥感数据预处理研究

目的对获取的丰镐地区航空高光谱遥感数据进行前期数据处理和校正。方法通过辐射校正、噪音去除、航带间差异调整、几何校正等图像处理方法对畸变和误差较大的遥感数据进行校正。结果获得了高质量、高精度的数据,为后续光谱定标、分类识别及信息提取提供了理想的图像。结论本方法对校正航空高光谱图像存在的较为严重的辐射畸变和几何畸变有良好效果。     

基于多特征融合的反向传播神经网络高分影像分类与变化检测

为了降低基于高分影像的土地利用分类后的错分和漏分的可能性,提高分类以及变化检测精度,本文以广西桂林市临桂区为研究区,采用WorldView-2号以及高景一号高分影像,基于多层前馈(back propagation, BP)神经网络方法融合遥感影像的纹理、光谱、植被指数以及水体指数特征,制定出4种特征数据集融合方案,实现对植被覆盖率较大地区的地物识别与分类;然后选取最优分类结果,进行桂林市临桂区2017与2020年土地利用变化检测。不同方案的对比结果表明,融合纹理、光谱、植被指数以及水体指数特征的第四种方案可以得到较为有效的分类以及变化检测结果,分类的总体精度为92.92%,Kappa系数为0.9028,保持了较高正确率。     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

运用EO-1 Hyperion数据和单类支持向量机方法提取岩性信息

将扩展的单类支持向量机方法运用到高光谱岩性识别中, 并分析和评价该方法的性能。利用单类支持向量机分别提取各个感兴趣的岩性类别, 对于被识别为多个岩性类别的像元, 根据该像元与每个单类支持向量机所确定的分类超平面的距离来确定属于哪一类别, 这样, 利用扩展的单类支持向量机来可提取多个感兴趣的岩性类别。将该方法运用到新疆准噶尔地区的EO-1 Hyperion高光谱数据岩性分类中, 并与传统的光谱角制图方法进行比较。结果表明, 扩展的单类支持向量机方法的岩性分类精度显著高于光谱角制图方法, 是一种新的可用于高光谱数据的岩性分类方法。     

高光谱数据组分信息的盲分解方法

将基于独立成分分析(independent component analysis,ICA)技术的盲分解方法(blind signal separation,BSS)应用于遥感混合像元的定量分解,解决了幅度不确定性问题,实现了从高光谱数据中同时得到定量的组分光谱信息和组分权重信息。通过数值模拟实验提出了光谱反演区间的选择方法,进一步完善了该算法,且讨论了算法的稳健性。以陕西省横山县为试验区,从HYPERION高光谱影像中反演了各像元的植被覆盖度,并利用SPOT5影像进行了精度验证,结果表明该方法具有较高的精度。     

高光谱数据组分信息的盲分解方法

将基于独立成分分析（independent component analysis,ICA）技术的盲分解方法（blindsignalseparation,BSS）应用于遥感混合像元的定量分解,解决了幅度不确定性问题,实现了从高光谱数据中同时得到定量的组分光谱信息和组分权重信息。通过数值模拟实验提出了光谱反演区间的选择方法,进一步完善了该算法,且讨论了算法的稳健性。以陕西省横山县为试验区,从HYPERION高光谱影像中反演了各像元的植被覆盖度,并利用SPOT5影像进行了精度验证,结果表明该方法具有较高的精度。     

用于高光谱遥感图像分类的空间约束高斯过程方法

高光谱遥感图像分类是遥感图像处理的一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征的变化将使得仅从标记训练样本得到的分类器分类精度不会太高.为了提高分类的精度,一方面应对光谱信息的合理利用;另一方面,对空间信息的利用也非常重要.高斯过程(Gaussion process,GP)是一种贝叶斯统计学习方法,能够建立概率模型,并且使得分类结果更易于解释.传统GP分类方法中核函数的构造仅利用光谱信息.本文提出了一种加入空间关系的新分类方法.利用遥感图像空间相关性,在GP分类方法中通过构造新的核函数(spatial Gauss kernel,SGK)来实现空间约束,部分消除了同物异谱和同谱异物造成的分类错误.实验结果表明,该方法对于提高高光谱遥感图像的分类精度具有积极意义.     

Study on microscope hyperspectral medical imaging method for biomedical quantitative analysis

A microscopic pushbroom hyperspectral imaging system was developed based on the microscopic technology and spectral imaging technology according to the principle of spectral imager in remote sensing. The basic principle and key technologies of this system were presented and the system per- formance was also analyzed. Some methods and algorithms were proposed to preprocess and nor- malize the microscopic hyperspectral data and retrieve the transmittance spectrum of samples. As a case study, the microscopic hyperspectral imaging system was used to image the retina sections of different rats and get some significant results. Experiment results show that the system can be used for the quantitative assessment and evaluating the effect of medication in biomedical research.