基于线性光谱混合分析的城市不透水层分布估算

利用遥感图像进行城市不透水层分布的估算,在监测城市环境和规划城市发展等方面有着非常重要的作用.采用全约束的线性光谱混合模型,用3种方法(像元纯度指数、归一化的像元纯度指数和结合地表温度辅助分析的归一化像元纯度指数)分别从Landsat 7 TM/ETM+影像中分解得到上海市中心城区的不透水层分布,并比较了2002～2008年的上海市中心城区不透水层分布的变迁.结果表明,利用这3种方法分解得到不透水层的精度依次递增;总体来说,上海市不透水层分布比率较高.从2002～2008年不透水层分布变化来看,上海市的城市化有显著向外环线外区域扩张的趋势.     

快速像元纯度指数算法

像元纯度指数（PPI）算法广泛应用于目标与背景的分离中，对于超光谱图像数据，它可以从混合像元中提取纯净的端元，用于目标的识别，但缺点是计算量大，不能自动提取。针对这一问题，本文基于PPI算法的原理提出一种非监督端元自动提取方法，使得提取时间大大缩短。     

北京市五环内不透水面变化研究

基于北京市2000年增强型专题制图仪和2010年专题绘图仪遥感影像,利用线性光谱混合分析模型对两幅影像实施亚像元分解,获取城市不透水面的空间较为精确的分布情况。在此基础上,结合研究区土地利用和实地资料,利用归一化建筑指数与混合光谱分析的方法,对北京市近10年来不透水面动态变化格局进行分析,研究城区不透水面的变化情况。研究结果表明:基于混合像元分析的不透水面变化信息提取方法是行之有效的。10年间北京五环内不透水面覆盖度总体上随着城市化进程呈现放射状扩张,城市建设是形成不透水面的重要驱动力之一。     

运用线性光谱混合模型解析城市绿色空间格局:乌鲁木齐市的实证研究

运用线性光谱混合模型并引入植被景观指数解析乌鲁木齐市绿色空间格局及变化特征,为定量评价干旱区绿洲生态环境提供更精确的方法.结果表明：(1) 植被盖度与植被指数整体相关性较好,但植被盖度更能反映像元尺度上植被信息较弱的城市植被景观; (2) 13年内,植被丰度整体下降明显,存在郊区绿地面积锐减、建成区绿地破碎化程度加剧及空间分布不协调等发展问题; (3) 从建成区植被类型看,中、高丰度植被面积缩减最大,低丰度植被面积变化不大但其破碎化程度最大,以低丰度植被占主导的城市绿地结构单一化趋势明显,城市绿色生态系统较不稳定.     

亚像元定位之邻域像元选取问题研究

混合像元普遍存在于各类遥感影像中,混合像元分解仅能获取像元内部各类地物丰度数据,要获取其空间分布信息还需要进行亚像元定位处理.空间相关性是目前大多数亚像元定位方法的理论基础,而距离是主要决定因素.同时距离决定了亚像元邻域范围内参与其所属类别判定的像元位置和个数,从而决定亚像元空间排布结果.因此针对亚像元定位过程中邻域像元选取问题,就常见的邻域选取方法进行对比试验,并就各种方法的效果进行探讨.     

基于线性光谱混合模型的混合像元分解研究——以合肥市为例

利用Landsat ETM+数据,在水体掩膜的基础上,采用线性光谱混合模型(Liner Spectral Mixture Model,LSMM)进行混合像元分解,得到合肥市高反射率地物、低反射率地物、植被和土壤四种端元的丰度图像以及RMS误差分量图像.应用线性光谱混合模型研究城市地表组分组成,端元(End-member)选取是模型成败的关键.通过分别采用手动选取端元和利用纯像元指数(PPI)法选取端元两种方法,从定性角度对比两种方法得到的结果,结果表明在本研究区内手动选取的端元比PPI选取的端元模型拟合精度更高,能够得到更高精度的分量图像.     

提高城市TM图像分类精度的两种方法比较

城市遥感图像分类是获取城市绿地空间分布状况的基础,然而混合像元的存在导致分类精度不高.因此,提出了混合像元分解模型结合神经网络法(MPD-NN法),利用其对北京市TM图像进行地物分类,并与较常用的决策树法分类结果比较,研究在图像现有空间分辨率的条件下提高城市分类精度.结果表明,MPD-NN法分类可较为有效地处理城市遥感图像存在的混合像元问题,可以提高城市分类精度,分类精度高于决策树法,其总体精度和Kappa精度均将近90%,水体、草地、农田、裸地、林地的分类精度在85%以上,高密度建筑区、低密度建筑区、水泥地的分类精度接近80%,也均高于决策树法,是遥感分类较精确识别城市下垫面地物的一种可行方法.     

一种基于高斯马尔可夫随机场模型的混合像元分解方法

传统的混合像元分解模型只考虑了光谱信息,而忽略了空间相关信息的利用.事实上遥感影像以及分解后获得的组分影像都具有空间自相关关系.本研究提出利用高斯马尔可夫随机场模型来描述组分空间相关的特性,构建一种综合利用影像光谱和空间信息的混合像元模型,以提高混合像元分解精度.利用模拟与真实的数据证实了本文方法的有效性,一定程度上能...     

采用混合像元分解的水库面积提取及变化监测

利用Landsat-5 TM,Landsat-7 ETM+和Landsat-8 OLI遥感影像数据和高空间分辨率(1.14,0.54 m)的Google Earth^TM地面实况图进行水库面积检测与变化监测的技术研究.采用完全约束最小二乘法混合像元分解(FCLS)方法提取不同水库水体信息,并与常用水体指数法及支持向量机(SVM)分类法进行比较,利用多时相FCLS方法监测厦门杏林湾水库2006-2014年间的面积动态变化.结果表明:基于FCLS的方法比NDWI等水体指数方法更能准确地获取水库水体面积大小及其变化信息.     

基于混合像元分解的火星南极矿物制图研究

对火星高光谱遥感数据进行混合像元分解,有助于获取像元内部火星表面矿物含量。端元光谱提取和光谱解混是混合像元分解的关键技术。以ORB0942_2轨道覆盖的火星南极地区作为研究区,应用纯净像元指数法(PPI)从影像中提取出端元光谱,并利用线性分解模型对影像中混合像元进行了分解,计算出其各端元组分的百分含量,获得了研究区水冰、石膏、钙镁橄榄石及紫苏辉石的相对含量分布图。     

基于邻域的混合象元解译

根据地物的自然连续性,认为混合象元中最终光谱单元的组成与其邻域相关,据此提出了一种十分简单的混合象元解译方法———基于邻域的混合象元解译．给出了解译的基本步骤与线性算法,讨论了最终光谱单元的标准及其搜集方法,并探讨了混合象元中与邻域无关的孤立最终光谱单元的探测问题．     

高光谱识别目标的光谱分离分析方法

介绍了线性混合光谱模型,提出了一种分析复合光谱的方法-通过已有的光谱数据库,利用约束最小二乘法分离出像元组份,并能计算像元组份比,对此进行实验,验证了其可行性,并分析了一个30通道的遥感图像。实验以及图像分析的结果表明此种方法能用来分析混合像元问题,即能分离出像元组份,计算出像元组份比获昨比值图像,能利用高光谱数据识别小于地面像元的目标。     

基于环境一号HSI高光谱数据提取叶绿素a浓度的混合光谱分解模型研究

随着遥感技术的应用推广以及对研究精度的要求提高,越来越多的研究注意到混合像元的问题。在水质遥感监测中传感器探测的水体辐射亮度值是纯水和各种水质参数辐射亮度值的叠加,混合像元问题严重影响了水质定量遥感反演的准确性。基于环境一号HSI高光谱数据,首先分析了混合光谱分解模型的物理基础,然后基于采样点浓度大小和PPI(纯净像元指数)方法在遥感影像上提取纯水和叶绿素a的端元波谱,并利用线性光谱分解方法得到叶绿素a的丰度值找丰度值与叶绿素a浓度值之间的统计关系,建立了叶绿素a浓度反演的混合光谱分解模型,且反演精度较高。本文为水质定量遥感提供了一种新的思路。     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

基于数据约减和中心化的像元纯净指数端元提取方法

像元纯净指数(pixel purity index, PPI)算法是最为常用的端元提取算法之一,但算法中投影向量的随机性导致多次运行的端元提取结果不一致。为此,提出一种基于数据约减和中心化的像元纯净指数端元提取方法(pixel purity index endmember extraction algorithm based on data reduction and centralization, DRC-PPI)。首先利用自动目标生成算法生成候选端元,并进行无约束最小二乘解混,将解混丰度为负的像元从原始数据中移除得到约减数据。其次,对约减数据进行数据中心化进而获得投影向量,将约减数据投影到这些向量上,然后根据样本点的像元纯净指数选择端元光谱。仿真数据和真实高光谱数据实验结果表明,DRC-PPI算法克服了PPI端元提取结果不一致性,大大减少了投影计算量,其端元提取精度总体上高于PPI算法。     

D-SS Frame: deep spectral-spatial feature extraction and fusion for classification of panchromatic and multispectral images

Facing the very high-resolution( VHR) image classification problem,a feature extraction and fusion framework is presented for VHR panchromatic and multispectral image classification based on deep learning techniques. The proposed approach combines spectral and spatial information based on the fusion of features extracted from panchromatic( PAN) and multispectral( MS) images using sparse autoencoder and its deep version. There are three steps in the proposed method,the first one is to extract spatial information of PAN image,and the second one is to describe spectral information of MS image. Finally,in the third step,the features obtained from PAN and MS images are concatenated directly as a simple fusion feature. The classification is performed using the support vector machine( SVM) and the experiments carried out on two datasets with very high spatial resolution. MS and PAN images from WorldView-2 satellite indicate that the classifier provides an efficient solution and demonstrate that the fusion of the features extracted by deep learning techniques from PAN and MS images performs better than that when these techniques are used separately. In addition,this framework shows that deep learning models can extract and fuse spatial and spectral information greatly,and have huge potential to achieve higher accuracy for classification of multispectral and panchromatic images.     

一种基于注意力嵌入对抗网络的全色锐化方法

全色锐化旨在将低空间分辨率的多光谱图像和高空间分辨率的全色图像进行融合，生成一幅高空间分辨率的多光谱图像．伴随卷积神经网络的发展，涌现出很多基于CNN的全色锐化方法．这些用于全色锐化的CNN模型大都未考虑不同通道特征和不同空间位置特征对最终锐化结果的影响．并且仅使用基于像素的1-范数或2-范数作为损失函数对锐化结果与参考图像进行评估，易导致锐化结果过于平滑，空间细节缺失．为了解决上述问题，本文提出一种嵌入注意力机制，并辅以空间结构信息对抗损失的生成对抗网络模型．该网络模型由2个部分组成：一个生成器网络模型和一个判别器网络模型．嵌入通道注意力机制和空间注意力机制的生成器将低分辨多光谱图像和全色图像融合为高质量的高分辨多光谱图像．判别器以patch-wise判别的方式对锐化结果与参考图像的梯度进行一致性检验，以确保锐化结果的空间细节信息．最后，在3种典型数据集上的对比实验验证了所提出方法的有效性．     

基于MSPA的南京市绿色基础设施网络构建

【目的】针对城市建设空间快速扩张、绿色空间破碎化且逐渐丧失问题,探寻优化城市绿色基础设施体系的有效方法,为市域尺度绿色基础设施体系构建提供科学的依据。【方法】以南京市为研究对象,运用形态学空间格局分析(MSPA)法,以土地利用类型图为基础,识别南京市现有绿色空间中核心区、边缘、孤岛、桥接、环、穿孔、分支等7类重要景观类别。通过斑块面积计算和连通性指数评价,发掘具有生态潜力的绿色基础设施网络中心,并计算最小成本路径生成潜力廊道,结合现有核心区、潜力节点、现有廊道、潜在廊道构建未来南京市绿色基础设施网络体系。【结果】通过MSPA法,识别出南京市绿色基础设施核心面积为538.16 km²,占研究区域总面积的37.57%,其中综合筛选出一级网络中心16个,二级网络中心24个。基于阻力模型构建生态廊道73条,其在长江以南地区分布较密,重要性等级较高,长江以北区域生态廊道数量较少,重要性等级有待提升。【结论】MSPA法具有数据量少、便于可视化等特点,能够为市域尺度绿色基础设施构建提供生态特征较为精确的景观要素识别结果,有效增强绿色基础设施的系统性和结构性。根据南京市绿色基础设施网络构建结果,建议加强南京市域长江以北网络中心和廊道的建设,提高长江以南网络中心和廊道质量,从而提升全市域的生态功能。     

基于线性光谱混合理论的高光谱图像压缩

为了以较小的压缩误差为代价解决高效压缩高光谱数据的难题,提出基于线性光谱混合理论的星上高光谱图像压缩算法.利用顶点成分分析求高光谱图像的端元向量,并根据信道容量选择端元数;基于线性光谱混合模型求各像元对应于端元向量的丰度值;用JPEG2000对端元向量和丰度值矩阵进行无损压缩.对AVIRIS高光谱图像的仿真结果表明:压缩比为80∶1时,原始光谱与解压缩重构光谱最大相对误差小于2.7%,最大光谱角余弦误差小于0.000 23,压缩性能优于现有算法;算法还能有效地抑制原始图像中的随机噪声.     

光谱混合分解模型在草地退化研究中的应用

研究了光谱混合分解模型在草地退化(荒漠化)中的应用,探讨了模型运用中的遥感数据获取和预处理、端元选取、光谱混合分解结果的时序分析和数据融合等关键问题,并给出了相应的解决方法。最后探讨了该方法存在的问题和改进之处,指出高光谱遥感、模型数学、神经网络是光谱混合分解模型在草地退化研究中的发展方向。