基于光谱特征的自适应子空间波段选择方法

针对现有波段选择方法无法依据感兴趣地物划分数据子空间及子空间划分容易受背景地物影响等问题,提出一种基于光谱特征的自适应子空间波段选择方法.利用感兴趣地物的光谱曲线,建立光谱自适应因子(SAF,Spectral Adaptive Factor);通过聚类划分子空间,在每个子空间内,利用J-M距离筛选类别可分性最大波段作为子空间最优波段,从而得到整个数据空间的最佳波段组合.利用AOTF (Acousto-Optic Tunable Filter)成像光谱仪数据与波段指数(BI,Band Index)和基于类间可分性最佳波段选择两种方法比较,SAF方法选择的最佳波段组合,包含信息量丰富,地物之间差异较大,且地物平均J-M距离大于另外两种方法.用最大似然法(maximum likelihood)对最佳波段组合进行分类,总体分类精度为96.8%,Kappa系数为0.894.结果验证了SAF方法的有效性和实用性.     

多光谱遥感之最佳波段选择

本文提出一种以提供最大信息量为准则的最佳遥感波段选择方法.由于不同波段信号之间存在较强的相关性, 因此本方法从地面主要目标的光谱特性出发, 计算出所有可能使用波段之间的全部相关系数.假设信号是近似正态分布的, 就可以从相关矩阵的行列式计算出每个波段的条件信息量.比较各种可能波段组合的信息量, 就可以找出最佳的波段组合.文中也介绍了一种比较简单的方法, 可以得到“准最佳”的波段选择.最后, 对遥感卫星设计时遥感波段的选择问题做了一些探讨.      

基于地物信息的高光谱遥感图像分类方法

利用主成分分析法滤除n维高光谱遥感图像中的大部分冗余信息,得到尽可能保留光谱信息的m维高光谱遥感图像,融合其地物空间分布信息,将m维高光谱遥感图像中的每一个像素点构建为一个2维谱-空信息向量。再利用主成分分析法法对m维高光谱遥感图像进行降维,得到q维融合地物空间分布信息与光谱信息的结果图。通过高斯混合模型预测聚类中心,基于改进的迭代自组织数据分析算法ISODATA(Iterative Selforganizing Data Analysis Techniques Algorithm)对高光谱遥感图像进行聚类,得到最终的分类结果。实验结果表明本方法的地物分类精度优于K-means、ISODATA和SVM方法,总体分类精度提升10.14%-13.99%,kappa系数提升3.2%-12.85%。     

核空间聚类在图像纹理分类中的简化算法

模糊c均值聚类已广泛应用于模糊模式识别领域,但对于线性不可分数据并不适用.在核方法中通过将输入数据经过非线性映射投影到高维特征空间来解决非线性分类的问题.将传统的模糊c均值聚类算法应用于核空间中,对线性不可分的样本进行了核空间聚类的分类实验,得到了正确的分类结果.由于图像分类中分类样本(对应图像像素)数目庞大,造成了核空间聚类算法中特征距离的计算量过大.因此,在核空间聚类的基础上,提出了对图像先进行过分割,再对过分割的图像块进行核空间聚类的方法,大大降低了高维空间特征距离计算的运算成本,并取得了良好的分类效果.      

基于改进FCM的北斗三频组合观测值选取

以北斗卫星导航系统三频双差为基础探讨了组合观测值及误差,针对以往采用聚类方法在研究GPS三频组合数据过程中的不足,提出了基于距离修正的增量模糊C均值算法.通过调节因子有效地修正了样本中心与聚类中心的距离,获得合理的隶属度,从而得到正确的分类;构造了基于距离修正的聚类有效性指标,自动获取最佳聚类数,避免了人为确定聚类数的不合理性;在此基础上引入增量的思想,数据增加时以原有的数据集为基础,根据阈值进行归类,不需要重新进行初始计算.通过矩阵变换法及实例验证了该方法的可行性和可靠性.     

遥感卫星多光谱图像模拟真彩色算法研究

地球资源遥感卫星ZY-1 02C和CBERS-04搭载的全色多光谱相机缺少蓝光波段,需要通过波段模拟方法首先生成蓝波段,进而合成模拟真彩色图像。根据多光谱数据特点,提出一种基于波段线性关系模型的模拟真彩色方法。首先用具有蓝色波段的多光谱数据作为参考图像进行回归分析,计算得到相关系数,将结果作为参数应用于待模拟图像生成蓝波段。然后按照地物类别进行单景图像局部区域颜色畸变矫正。最后按特定顺序合成模拟真彩色图像。试验表明,该算法简单快速,减少了偏色现象,能够获得较好的模拟效果。     

改进独立成分分析在高光谱图像分类中的应用

针对独立成分分析在使用常规数值求解时容易陷入局部最优解的问题,以及采用神经学习算法时神经元激活函数的限制问题,将遗传算法与独立成分分析相结合,并对模型进行改进,提出了适合于高光谱数据无监督分类的模型.该算法采用最大化非高斯性进行成分的统计独立性度量,利用四阶累积量-峰度作为遗传算法的适应度函数.在应用分析中,将该算法应用于推扫式高光谱成像仪(PHI,Push-broom Hyperspectral technique Imager)数据地物分类能够获得全局最优解,在没有先验信息情况下实现地物的精细分类;与传统高光谱无监督分类算法比较,表明该算法的适用性,并具有更高的分类精度和准确性.      

星下目标的光谱反射特性分析及云层的自动识别

本文着重讨论了遥感数据的实时分类和星载相机快门的自动关启问题.首先建立了计算各类目标景象亮度的物理模型,分析了大气等因素对遥感数据的影响及各类自然目标的光谱反射特性,计算了三十四种目标在九种大气条件下的亮度值.进而提出了识别植被、土壤、水、冰雪和云等五类目标的最佳波段和分类函数及分类流程图,得到了很高的分类精度.然后又特别讨论了云层和所有非云目标(包括混合目标)的分类问题,并用密度计测量了十张MSS卫星图片上的180个目标的亮度值.最后提出了云层开关的实现途径和系统设计的基本思想.      

基于抗噪声ICA的高光谱数据特征提取方法

特征提取是高光谱数据应用的一个重要环节,用于将高光谱数据中具有特殊性质的地物分离出来并去除冗余信息.提出了一种使用独立成分分析(ICA,Independent Component Analysis)进行高光谱遥感地物特征提取的方法.为了解决ICA对噪声过分敏感的问题,采用最大噪声分量(MNF,Maximum Noise Fraction)算法替代传统的主成分分析对数据作降噪处理,由MNF引出的不完全独立成分分析(UICA,Undercomplete ICA)在不牺牲特征提取能力的情况下能够获得很高的运算效率.给出了HYDICE和PHI的数据试验结果,分别测试了算法在时间效率和特征提取能力方面的性能,证明了该算法具有预期的性能.     

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.