共查询到20条相似文献，搜索用时 406 毫秒
1.
针对传统的光谱角匹配分类算法仅考虑光谱信息,导致混合像元易出现错分和分类结果中出现"麻点"等问题,该文考虑地物连续性这一特点,提出了一种结合像元空间邻域信息对光谱角进行修正的光谱角匹配分类算法。该方法不仅保留了传统光谱角度匹配算法不受增益因素影响和减弱地形对照度影响等优点,并且减小了混合像元被错分的概率。基于ROSIS获取的Pavia大学校园的高光谱影像分类结果表明:加入像元空间邻域信息后的光谱角匹配算法在保证分类精度的同时,有效地减弱了分类结果中的"麻点"现象,验证了该文方法的可行性、有效性。 相似文献
2.
传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。 相似文献
3.
高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。 相似文献
4.
应用型高光谱影像卷积神经网络分类方法 总被引：1，自引：0，他引：1
针对生产任务中常用的卫星高光谱数据空间分辨率不高、地物复杂的特点,提出一种实用性和灵活性较强、效率较高、不依赖空间信息的分类方法.对高光谱遥感影像数据进行分析,依据其光谱信息丰富,但在复杂地物中空间特征不足的实际情况,采用离散采样的方法,充分利用质量较好的样本点进行特征提取.对传统卷积神经网络进行改进,通过卷积层与池化层的重组等措施,使其更充分地利用地物的光谱特性.该方法在珠海一号高光谱影像上实现了对地物的有效分类. 相似文献
5.
高光谱遥感影像混合像元分解研究进展 总被引：6，自引：1，他引：5
受高光谱成像仪低空间分辨率及复杂地物的影响,高光谱遥感图像存在大量混合像元。为提高地表分类精度以及满足亚像元级目标探测的需求,混合像元分解技术一直是高光谱遥感研究热点之一。本文主要对高光谱混合像元分解技术中的核心问题:端元数目估计、端元提取算法、丰度估计算法进行综述,系统地分析了各种典型算法的原理及优缺点,进一步阐述研究过程中建立高精度遥感混合反演模型与遥感产品业务化中的混合像元分解技术难题,同时针对今后混合像元分解技术发展方向,指出在继续引入新型算法理论方法基础上,结合用户应用需求,推进高光谱混合像元分解算法业务化应用,为高光谱遥感工程化应用提供支持。 相似文献
6.
《测绘科学技术学报》2013,(3)
高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。 相似文献
7.
近年来,人工智能方法在高光谱遥感领域得到了广泛应用,特别是基于深度学习的影像分析和信息提取技术已成为持久的热点,有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上,系统地介绍和总结了高光谱影像分析方面的进展,针对高光谱地物探测的智能化问题,重点讨论了近年来深度学习的新思路。首先,结合地形要素分类体系和高光谱探测能力,将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类,并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后,在影像分析方面,重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展,给出研究方向和热点;在智能化处理部分,按照监督学习、半监督学习及自监督学习的思路,系统总结了当前应用于高光谱地物探测的深层神经网络模型,同时分析了迁移学习、元学习等机器学习策略的研究情况。最后,结合上述分析,对高光谱影像地物探测的发展趋势加以展望,以期拓展下一步的研究思路。 相似文献
8.
将高光谱图像与高空间分辨率图像融合后,由于融合图像空间分辨率提高,改变了混合像元内地物组分比例,像元光谱信息较原高光谱图像光谱信息会出现“失真”现象。针对这种情况,考虑混合像元内成分变化进行图像融合,首先利用投影方法模拟多光谱图像得到高光谱图像,并将模拟高光谱图像与原高光谱图像利用小波方法进行融合,融合图像不仅增强了空间信息,而且对光谱信息进行一定的修正,从而提高了环境异常探测等一系列应用的精度。利用Hyperion图像和SPOT-5图像进行融合实验,融合图像能够识别出87.2%目标区域。 相似文献
9.
面向高光谱图像分类的半监督空谱判别分析 总被引：2，自引：2，他引：0
为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。 相似文献
10.
高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果. 相似文献
11.
基于穷举法的高光谱遥感图像地物识别研究 总被引：1，自引：0，他引：1
介绍了一种基于穷举法的高光谱遥感图像地物识别方法.该方法从所有与研究区有关的可能参考光谱中识别出图像上每个像元的最佳匹配光谱,绘制识别结果图,并由图中信息可对参考光谱进行更换,以求得最佳识别结果.并以云南省中甸普朗斑岩铜矿区外围的高光谱遥感图像为例,得到了该区的地物识别图,经实地检验,证实了该方法的有效性. 相似文献
12.
传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分，但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响，采用全部端元对混合像元进行分解，会使得混合像元中实际并不存在的端元的丰度估计值不为零，分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处，基于此，本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素，从混合像元的附近邻域开始搜索，将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比，并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况，逐步扩大结构元素的大小，不断调整搜索范围，直至得到最优端元组合。模拟数据和真实数据的试验结果表明，该方法相比传统的全端元光谱分解方法，在总体上获得了更好的分解效果。 相似文献
13.
14.
基于光谱滤波器的混合像元分析 总被引：1，自引：0，他引：1
提出一种利用光谱滤波器进行遥感图像混合像元全约束分解的新算法。该算法利用端元光谱中与背景光谱正交的光谱成分构建光谱滤波器,滤除混合像元中的背景干扰成分,直接获取信号光谱的丰度。采用该光谱滤波器多次迭代分解,修正单个混合像元的端元光谱空间,获取其确切的端元光谱配置,保证了分解时各端元丰度的非负性,实现混合像元的全约束分解。多光谱数据仿真实验证明,与全约束最小二乘法(FCLS)和正交投影(OSP)分解法相比,该方法虽然在时间方面略逊一点,但其分解结果与实际结果的相关系数高,均方根误差小,具有很高的分解精度,在遥感定量分析方面具有重要的应用潜力。最后给出了该算法在真实的高光谱图像中进行混合像元分析的结果。 相似文献
15.
结合Gram-Schmidt变换的高光谱影像谐波分析融合算法 总被引：1，自引：0，他引：1
针对高光谱影像谐波分析融合(HAF)算法在影像融合时不顾及地物光谱曲线整体反射率这一缺陷,提出了结合Gram-Schmidt变换的高光谱影像谐波分析融合(GSHAF)改进算法。GSHAF算法可在完全保留融合前后像元光谱曲线波形形态的基础上,将高光谱影像融合简化为各像元光谱曲线的谐波余相组成的二维影像与高空间分辨率影像之间的融合。它是在原始高光谱影像光谱曲线被谐波分解为谐波余项、振幅和相位后,首先将其谐波余项与高空间分辨率影像进行GS变换融合,这样便可有效地修正融合后像元光谱曲线的反射率特征,随后再利用该融合影像与谐波振幅、相位进行谐波逆变换,完成高光谱影像谐波融合。本文最后利用Hyperion高光谱遥感影像与ALI高空间分辨率影像对GSHAF算法进行可行性分析,再以HJ-1A等卫星数据对其进行普适性验证,试验结果表明,GSHAF算法不仅可以完全地保留光谱曲线波形形态,而且融合后影像的地物光谱曲线反射率更接近真实地物。 相似文献
16.
Hyperspectral images (HSI) provide a new way to exploit the internal physical composition of the land scene. The basic platform for acquiring HSI data-sets are airborne or spaceborne spectral imaging. Retrieving useful information from hyperspectral images can be grouped into four categories. (1) Classification: Hyperspectral images provide so much spectral and spatial information that remotely sensed image classification has become a complex task. (2) Endmember extraction and spectral unmixing: Among images, only HSI have a complete model to represent the internal structure of each pixel where the endmembers are the elements. Identification of endmembers from HSI thus becomes the foremost step in interpretation of each pixel. With proper endmembers, the corresponding abundances can also be exactly calculated. (3) Target detection: Another practical problem is how to determine the existence of certain resolved or full pixel objects from a complex background. Constructing a reliable rule for separating target signals from all the other background signals, even in the case of low target occurrence and high spectral variation, comprises the key to this problem. (4) Change detection: Although change detection is not a new problem, detecting changes from hyperspectral images has brought new challenges, since the spectral bands are so many, accurate band-to-band correspondences and minor changes in subclass land objects can be depicted in HSI. In this paper, the basic theory and the most canonical works are discussed, along with the most recent advances in each aspect of hyperspectral image processing. 相似文献
17.
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
18.
高分辨率遥感影像土地利用变化检测方法研究 总被引：3，自引：0，他引：3
提出一种利用高分辨率遥感影像进行土地利用变化检测的方法。以土地利用图为辅助数据,通过土地利用图和遥感影像的配准套合,获取影像像斑;同时,对遥感影像进行基于像素的监督分类,获取概略的类别图;再根据像斑内像素的类别编码完成子像斑的划分。以子像斑为影像分析的基本单位提取特征,以相关系数为相似性测度衡量不同时期子像斑的特征相似性,用ROC曲线(接受者操作特性曲线)代替经验选取的方法自动获取变化阈值,确定像斑是否发生变化。以武汉市区局部QuickBird 2002年和2005年多光谱影像、相同地区2002年1∶10 000土地利用图为实验数据进行了算法的实验,结果显示绝大部分的变化区域都可以被提取出来,实验方法可行。 相似文献
19.
高光谱图像能够获取地物精细的光谱诊断特征,但受限于多谱段分光的成像机制,图像各个谱段上光成像的能量不足,信噪比难以提升。高光谱图像噪声类型与强度的准确估计,是提升高光谱图像去噪性能的关键,也是优化其成像系统设计的重要依据。现有高光谱图像噪声估计算法通常将不同类型的图像噪声作为一个整体,并未充分考虑不同类型噪声的区别。本文从高光谱图像获取的机理出发,提出了一种联合空间与光谱维度分析的高光谱图像噪声估计方法。首先,建立了高光谱图像噪声退化模型,将图像中的主要噪声定义为两类:条带与高斯噪声。然后,基于条带噪声在空间维度上独特的频率特性,提出了基于傅里叶变换与局部均值滤波的条带噪声估计方法。最后,基于在光谱维度上高光谱图像相邻波段间的高相关性,通过多元回归分析估计高斯噪声的均值与标准差。本文在模拟高光谱噪声数据上进行算法验证的同时,深入分析了高分五号短波红外高光谱相机、机载Nano-Hyperspec成像仪等国内外成像仪获取的真实高光谱数据。实验结果表明,本文提出的噪声估计方法能够有效的估计出高光谱图像不同谱段条带与高斯噪声的量化指标。实验结果可用于分析高光谱图像在不同传感器与不同成像场景下的退化原因,从而设计更优的图像去噪方法与成像系统。 相似文献