超谱遥感图像降维方法研究现状与分析

随着成像光谱仪的发展 ,超谱遥感图像的研究已进入到一个新的阶段———对获取的超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超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、分类与压缩等方面。而超谱图像降维方法的研究是做好后继处理的一个关键步骤 ,降维方式的正确选取与使用 ,对于发展和完善那些针对超谱海量数据和丰富信息特点的算法和软件有极大的好处。文章从波段选择、划分数据源、特征提取和融合等 4个角度对目前超谱图像的各种降维方法进行了综合归纳和分析。力图为超谱图像处理寻找突破点 ,加强此领域的研究力度     

高光谱遥感地形影响建模与仿真

针对地形起伏对高光谱遥感图像几何变形和辐射变化的影响,建立高光谱遥感地形影响模型.该模型利用传感器位置、姿态和视场角建立模拟图像像元坐标和地面空间坐标之间的成像几何关系,利用地表反射率、数字高程模型等数据,考虑大气辐射传输过程,计算起伏地形下传感器入瞳辐亮度图像,并经过空间分辨率转换,生成最终遥感模拟图像,实现高光谱遥感地形影响精确建模.利用西藏驱龙地区Hyperion数据和其它相关数据进行仿真分析,将模拟图像和原始图像进行对比,结果比较吻合,表明该模型具有较好的模拟效果.     

基于多种空间信息的高光谱遥感图像分类方法

在高光谱遥感图像分类方法中,空间特征和光谱特征的融合可以有效地改善分类效果。针对单一空间特征的信息表达不充分问题,提出了一种联合多种空间特征的高光谱图像空谱分类方法。利用超像素信息对分类结果进行后处理去掉椒盐噪声,并创造性地将超像素信息应用于分类前处理,提出了一种利用超像素信息对像素点的特征向量进行线性加权融合的方法。试验结果表明,所提方法的性能优于目前的通常方法。     

第五届成像光谱技术与应用研讨会

由中国空间科学学会空间遥感专业委员会、中国科学院上海技术物理研究所，中国科学院航空遥感中心共同主办的第五届成像光谱技术与应用研讨会于2004年12月10日至15日在云南省昆明市举行．参加会议的有海洋局、高等院校、部队和中科院等10个单位40名代表，匡定波、薛永祺、童庆禧、潘德炉四位院士出席了会议．会议共收到30篇论文，内容涉及成像光谱技术及应用各个方面．     

遥感图像云检测方法综述

光学遥感图像中云层会对地面信息进行不同程度的遮挡,造成了地表观测信息的模糊和缺失,极大地影响遥感图像的成像质量。因此,对遥感图像中云层覆盖的检测和评估是进一步分析和利用遥感图像信息的基础和关键。通过充分的调研和对比总结,梳理了20世纪90年代以来,国内外基于遥感图像的云检测方法的发展趋势和代表性工作。将基于遥感图像的云检测方法分为三类：基于光谱阈值的方法、基于经典机器学习的方法以及基于深度学习的方法。总结了当前国内外云检测公开数据集,并对比了部分代表性工作的云检测精度。此外,简要梳理了与云检测相关的云雾(霾)检测、云雪检测、云阴影检测以及云去除等方法。对当前云检测相关工作中存在的问题和未来的发展趋势进行了分析和展望。     

遥感图像受控有失真压缩技术研究

在测绘遥感领域, 对图像的像质要求较为严格, 但即便如此, 遥感图像数据中仍然含有噪声, 从而有损压缩是可行的。文章在遥感图像信噪分析的基础上, 提出了一种遥感图像受控有失真压缩技术。首先分析了遥感图像有失真压缩的可行性; 然后应用小波的良好变焦性能, 对遥感图像施行2层2维小波的塔式分解; 对低频子图进行精细量化,对高频子图进行从粗到精的量化; 最后, 考察不同的高频量化器对遥感图像的压缩倍率和恢复图像像质的影响。     

国外高光谱遥感载荷发展分析

高光谱遥感是当前遥感领域发展的前沿。首先介绍了高光谱遥感的成像原理、典型成像方式及主要特点等基础理论,之后从机载和星载两个方面,系统梳理了美国、加拿大、欧洲、日本等主要国家高光谱遥感载荷的发展现状,分析了相关载荷的主要性能指标(以空间分辨率、频谱分辨率等为代表),总结、归纳了高光谱遥感在民用商用、国防安全及行星探测三个领域中的应用情况,最后从提升分辨率、优化探测模式及实现小型化三个方面,总结了高光谱遥感载荷的发展趋势。     

基于编码重建的快照式光谱成像技术进展

光谱成像技术能同时获得物体的空间信息和光谱信息，在科学研究及工业生产等领域发挥着重要作用。然而传统的高光谱成像系统存在着光学系统复杂、含有精密运动器件、曝光时间长等问题，极大地限制了其在许多场景的应用。近年来，高光谱成像系统向着轻小型化、快照式测量方向发展。简单介绍了光谱成像技术原理与分类，从基本原理、方法与实现等方面对基于衍射元件编码、编码孔径、宽带滤光片编码的快照式光谱成像系统进行了综述，并对现存的一些问题以及将来的应用与发展进行了讨论。     

星载多光谱遥感器太阳定标技术的进展

星载多光谱遥感器的太阳定标器一般选择太阳作为基准光源 ,通过它将太阳辐射引入星载遥感器并调节到星载遥感器的动态范围内 ,对星载遥感器进行绝对辐射定标 ,也可对星载遥感器性能变化进行监测和校正。文章介绍一些最具代表性的星载多光谱遥感器的太阳定标器 ,并进行了分析 ,以反映太阳定标技术的现状与发展。目前采用太阳漫射器的星上定标方法可以实现全视场、全孔径、端点到端点的定标。这一方法的严重缺点是漫射器反射比随时间变化。为了解决这一问题 ,设计一种比辐射计或反射比标定装置来监测漫射器的辐亮度、反射比以及太阳常数。因此这种定标方法是很有前途的 ,在现代一些先进的星载多光谱遥感器上获得应用。通过对此方法的分析 ,提出了在太阳漫射器研制中的一些关键技术。     

基于多重分形参数的高光谱数据特征提取

针对单一分形维数不能表征高光谱数据光谱局部吸收特征的问题,提出了基于光谱概率测度的多重分形参数特征提取方法.基于光谱信息度量进行光谱概率测度的计算,基于配分函数法估计得到尺度函数;通过对尺度函数求导计算出Holder指数,并对尺度函数勒让德Legendre变换计算出多重分形谱;从多重分形谱和Holder指数之间的函数关系提取表征多重分形谱形态的4个多重分形谱参数作为光谱特征参数;并应用于基于最小距离准则的航空推扫式高光谱成像仪(PHI,Prush-broom Hyperspectral Imager)图像监督分类.结果证明:利用基于光谱概率测度的多重分形参数特征提取方法提取的光谱特征参数进行分类得到的总体分类正确率达94.789%,分类精度明显高于利用信息量维数和多重分形谱特征提取方法进行分类的结果,证明了基于光谱概率测度的多重分形参数特征提取方法提取的多重分形参数的有效性和可靠性.     

基于三维Saab变换的高光谱图像压缩方法

高光谱图像中存储了丰富的光谱信息,具有极大的应用价值,但现有大部分高光谱图像压缩方法难以同时兼顾图像中的空间冗余与谱间冗余,导致压缩性能受到局限。针对该问题,提出了一种基于三维修正偏置的子空间(Saab)变换的高光谱图像压缩方法。采用三维Saab变换对高光谱图像的分块进行空间光谱信息融合的降维操作,同时去除谱间冗余和局部空间冗余;利用高效率视频编码(HEVC)中的帧内编码模块进一步去除空间冗余和统计冗余;实现低失真、高比率的高光谱图像压缩。在多个高光谱图像数据集上的实验结果表明,所提方法在同码率下重建图像的信噪比(SNR)比采用主成分分析(PCA)降维的方法至少提高0.62 dB,在高码率的情况下性能优于张量分解的压缩方法。同时,验证了不同降维方法对分类任务的性能影响,结果表明,所提方法更好地保留了图像中的重要特征,在低码率的情况下仍可以保持较高的分类精度。      

An approach to multi-temporal MODIS image analysis using image classification and segmentation

This paper discusses an approach for river mapping and flood evaluation based on multi-temporal time series analysis of satellite images utilizing pixel spectral information for image classification and region-based segmentation for extracting water-covered regions. Analysis of MODIS satellite images is applied in three stages: before flood, during flood and after flood. Water regions are extracted from the MODIS images using image classification (based on spectral information) and image segmentation (based on spatial information). Multi-temporal MODIS images from “normal” (non-flood) and flood time-periods are processed in two steps. In the first step, image classifiers such as Support Vector Machines (SVM) and Artificial Neural Networks (ANN) separate the image pixels into water and non-water groups based on their spectral features. The classified image is then segmented using spatial features of the water pixels to remove the misclassified water. From the results obtained, we evaluate the performance of the method and conclude that the use of image classification (SVM and ANN) and region-based image segmentation is an accurate and reliable approach for the extraction of water-covered regions.     

Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system

Identification of the appropriate combination of classifier and dimensionality reduction method has been a recurring task for various hyperspectral image classification scenarios. Image classification by multiple classifier system has been evolving as a promising method for enhancing accuracy and reliability of image classification. Because of the diversity in generalization capabilities of various dimensionality reduction methods, the classifier optimal to the problem and hence the accuracy of image classification varies considerably. The impact of including multiple dimensionality reduction methods in the MCS architecture for the supervised classification of a hyperspectral image for land cover classification has been assessed in this study. Multi-source airborne hyperspectral images acquired over five different sites covering a range of land cover categories have been classified by a multiple classifier system and compared against the classification results obtained from support vector machines (SVM). The MCS offers acceptable classification results across the images or sites when there are multiple dimensionality reduction methods in addition to different classifiers. Apart from offering acceptable classification results, the MCS indicates about 5% increase in the overall accuracy when compared to the SVM classifier across the hyperspectral images and sites. Results indicate the presence of dimensionality reduction method specific empirical preferences by land cover categories for certain classifiers thereby demanding the design of MCS to support adaptive selection of classifiers and dimensionality reduction methods for hyperspectral image classification.     

基于局部线性嵌入的高光谱影像特征提取算法

特征提取能够消除冗余信息,提高高光谱数据处理的精度和计算效率,是分类等分析必要的预处理手段.传统特征提取算法基于线性变换,无法准确描述高、低维特征空间的关系,因此采用一种新型非线性特征提取算法,即局部线性嵌入(LLE,Locally Linear Em-bedding),挖掘高光谱影像的本征信息.针对分类问题,使用训练样本类别属性修正距离矩阵,并借鉴LLE计算未知样本低维映射的方法求解测试样本的特征向量,实现监督局部线性嵌入(SLLE,Supervised Locally Linear Embedding).使用机载可见光/红外成像光谱仪数据,与3种分类算法结合进行测试,实验结果表明:SLLE优于线性特征提取算法,能够解决高光谱影像的小样本分类问题.     

基于光谱知识的高光谱图像自动识别方法

针对传统高光谱图像矿物识别方法未能充分利用矿物光谱诊断吸收特征与矿物光谱知识、识别过程人为干预多等问题,提出了一种基于光谱知识的高光谱图像自动识别方法.该方法引入了基于光谱吸收特征与波形特征的光谱知识作为自动识别的标准,利用连续统去除操作增强光谱吸收特征,采取基于光谱主次吸收特征的识别决策策略,建立多级约束准则以提高识别精度及避免误识别,通过利用模拟数据进行算法精度评价并应用航空高光谱成像仪AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)数据进行应用分析与验证.结果表明:当图像信噪比大于200时,识别准确率可以达到80.3%,能够得到良好的识别结果以及较高的精度,并实现了基于高光谱图像的矿物自动识别.     

Classification of hyperspectral remote-sensing data with primal SVM for small-sized training dataset problem

With recent technological advances in remote sensing, very high-dimensional (hyperspectral) data are available for a better discrimination among different complex land-cover classes having similar spectral signatures. However, this large number of bands makes very complex the task of automatic data analysis. In the real application, it is difficult and expensive for the expert to acquire enough training samples to learn a classifier. This results in a classification problem with small-size training sample set. Recently, a regularization-based algorithm is usually proposed to handle such problem, such as Support Vector Machine (SVM), which usually are implemented in the dual form with Lagrange theory. However, it can be solved directly in primal formulation. In this paper, we introduces an alternative implementation technique for SVM to address the classification problem with small-size training sample set. It has been empirically proven that the effectiveness of the introduced implementation technique which has been evaluated by benchmark datasets.