共查询到19条相似文献，搜索用时 984 毫秒
1.
分析了高光谱遥感数据噪声滤波的作用和现状,实现了一种基于三次光滑样条函数的高光谱遥感数据噪声滤波算法,解决了目前高光谱遥感数据噪声滤波算法自适应效果不理想的问题.通过对AVIRIS数据试验,证明此方法简单易行,计算精度高,具有良好的局部自适应拟合能力,并能有效地滤除数据中的噪声,改善数据质量. 相似文献
2.
高光谱遥感数据三次光滑样条滤噪 总被引：6，自引：1，他引：6
分析了高光谱遥感数据噪声滤波的作用和现状，实现了一种基于三次光滑样条函数的高光谱遥感数据噪声滤波算法，解决了目前高光谱遥感数据噪声滤波算法自适应效果不理想的问题。通过对AVIRIS数据试验，证明此方法简单易行，计算精度高，具有良好的局部自适应拟合能力，并能有效地滤除数据中的噪声，改善数据质量。 相似文献
3.
高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。 相似文献
4.
5.
《武汉大学学报(信息科学版)》2016,(5)
针对高光谱遥感影像线性特征提取方法在一定程度上会降低地物类别的可分性问题,在最小噪声分离变换基础上引入核方法,以小波核函数代替传统核函数,并将新型核最小噪声分离方法与支持向量机方法相结合,对高光谱影像数据进行分类。实验结果表明,基于小波核最小噪声分离变换的方法适合于高光谱遥感影像的非线性特征,将其应用于HYDICE系统与AVIRIS系统所获得的实验数据集,与对照算法相比,总体分类精度可提高3%~9%。 相似文献
6.
针对高光谱遥感图像易受噪声干扰,本文提出了一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和核主成分分析KPCA(Kernel Principal Component Analysis)的去噪方法。首先对高光谱各波段图像进行NSCT分解;然后利用KPCA对NSCT系数进行处理,并在KPCA重构时依据各类噪声的特性选取合适的主成分;最后用处理过的系数进行逆变换得到去噪图像。实验结果表明,本文方法抑制了高光谱遥感图像中的噪声干扰,较完整地保留了原始数据的有效信息。 相似文献
7.
高光谱图像处理与信息提取前沿 总被引：2，自引：0，他引：2
高光谱遥感是对地观测的重要手段,高光谱图像处理与信息提取技术则是高光谱遥感领域的核心研究内容之一。本文简要介绍了高光谱遥感的主要特点,系统梳理了高光谱图像处理与信息提取面临的关键问题和主要研究方向,在此基础上,从噪声评估与数据降维方法、混合像元分解方法、图像分类方法、目标探测与异常探测方法等4个方面对高光谱图像处理与信息提取的理论发展过程和最新前沿进展进行了综述。另外,还对高光谱图像处理与信息提取中的高性能处理技术进行了总结和分析。未来,伴随着智能化信息分析和高性能硬件处理技术发展,高光谱遥感卫星系统也将步入智能化时代。针对这一趋势,本文指出高光谱图像处理与信息提取方法要注重多学科交叉,充分利用机器学习、人工智能等领域的新成果;要重视软硬件结合,发展高光谱图像高性能实时处理技术;要紧密结合应用需求,发挥高光谱遥感的优势和特点,发展新理论和新方法。 相似文献
8.
高光谱遥感以其波段数目多、光谱分辨率高、带宽窄等特点受到了国内外研究者的广泛关注,它的发展可以说是遥感技术领域的巨大进步。本文主要介绍高光谱遥感的发展,以及针对高光谱影像独有的特点所要进行的数据处理方法。在此基础上,结合青藏高原独特的地理地质环境,探讨高光谱遥感在青藏高原的应用潜力。 相似文献
9.
10.
超光谱遥感图像特征提取对于图像分类具有重要意义,本文提出一种名为判别监督邻域保留嵌入的新型特征提取算法(discriminative supervised neighborhood preserving embedding, DSNPE)。在高维超光谱遥感图像特征提取过程中, DSNPE不但能保留图像的局部流形结构和邻域信息,而且采用像素点由邻域同类像素点线性表示,将邻域中同类和非同类像素点分开处理,利用判别分式求解最优投影矩阵,使高维像素点投影到低维空间时,同类点离得尽可能近,非同类点离得尽可能远,有利于图像的分类。对三幅超光谱遥感图像的特征提取及分类的实验说明：与主成分分析（PCA）、非参数权重特征提取（NWFE）、局部保留投影 (LPP)、邻域保留嵌入（NPE）等相比,具有一定的优越性和可判别性。 相似文献
11.
AbstractHyperspectral image provides abundant spectral information for remote discrimination of subtle differences in ground covers. However, the increasing spectral dimensions, as well as the information redundancy, make the analysis and interpretation of hyperspectral images a challenge. Feature extraction is a very important step for hyperspectral image processing. Feature extraction methods aim at reducing the dimension of data, while preserving as much information as possible. Particularly, nonlinear feature extraction methods (e.g. kernel minimum noise fraction (KMNF) transformation) have been reported to benefit many applications of hyperspectral remote sensing, due to their good preservation of high-order structures of the original data. However, conventional KMNF or its extensions have some limitations on noise fraction estimation during the feature extraction, and this leads to poor performances for post-applications. This paper proposes a novel nonlinear feature extraction method for hyperspectral images. Instead of estimating noise fraction by the nearest neighborhood information (within a sliding window), the proposed method explores the use of image segmentation. The approach benefits both noise fraction estimation and information preservation, and enables a significant improvement for classification. Experimental results on two real hyperspectral images demonstrate the efficiency of the proposed method. Compared to conventional KMNF, the improvements of the method on two hyperspectral image classification are 8 and 11%. This nonlinear feature extraction method can be also applied to other disciplines where high-dimensional data analysis is required. 相似文献
12.
郭学兰;杨敏华;毛军;周秋琳 《东北测绘》2013,(4):144-146,149+152
针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。 相似文献
13.
利用流形学习进行高光谱遥感影像的降维与特征提取 总被引：4，自引：1，他引：3
基于最新的非线性降维方法——流形学习的理论,从高光谱遥感数据内在的非线性结构出发,采用全局化的等距映射(Isomap)方法进行降维,取得了优于常用的MNF方法的结果。把光谱角和光谱信息散度与测地距离相结合用于Isomap算法,结果在冗余方差和光谱规范化特征值方面优于采用传统欧氏距离计算邻域的Isomap方法。实验表明,流形学习是一种有效的高光谱遥感数据特征提取方法。 相似文献
14.
光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。 相似文献
15.
针对当前特征提取方法不能充分挖掘高光谱影像稀疏特性的问题,提出一种基于稀疏判别分析的高光谱影像特征提取方法。首先,在线性判别分析的系数向量中引入稀疏正则项来捕获具有更强判别能力的特征,将高光谱影像映射至低维稀疏的子空间;然后,利用迭代优化方法对模型进行求解。利用Salinas和Pavia University高光谱影像进行对比实验,所提方法与分类方法结合用于影像分类时,其分类精度优于其他方法,总体分类精度分别达到97.42%和97.64%。 相似文献
16.
针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。 相似文献
17.
18.
针对现有高分辨率遥感影像感知哈希认证算法中特征提取精度和算法稳健性不能兼顾的问题,本文提出一种运用ULBP的高分辨率遥感影像感知哈希完整性的认证算法。首先对遥感影像进行格网划分,将影像划分为多个子块,运用ULBP算法提取子块的纹理特征;然后计算每个子块内纹理特征的直方图分布,将其结果与均值二值化后得到子块的感知哈希序列;最后串联所有子块的感知哈希序列生成整幅影像的感知哈希值。在影像认证时,首先计算原始影像与待检测影像的哈希序列,然后计算两者的感知哈希序列平均汉明距离,完成对高分辨率遥感影像内容的完整性认证与篡改定位。试验表明,该算法能够识别高分辨率遥感影像中地物较为平滑的区域,同时对JPEG压缩、高斯噪声添加、BMP格式转换等操作具有良好的稳健性,为高分辨遥感影像完整性认证提供支持。 相似文献