高光谱影像分类的研究
高光谱成像技术的原理和应用

高光谱成像技术的原理和应用1. 引言高光谱成像技术是一种非常重要的光谱成像技术,它能够获取目标物体的高光谱信息,进而实现对目标物体进行分类、定量分析、检测等多种应用。
本文将介绍高光谱成像技术的原理和应用。
2. 高光谱成像技术的原理高光谱成像技术基于光谱学原理,通过获取物体不同波长处的反射、吸收或发射光谱信息,来实现对物体的检测和分析。
其原理包括以下几个方面:2.1 光谱分辨率光谱分辨率是指在一定波段范围内可以区分的最小波长变化。
高光谱成像技术具有较高的光谱分辨率,可以分辨出目标物体的微小变化。
2.2 光谱采集高光谱成像技术通过传感器采集物体在不同波长处的光谱数据。
传感器会记录下物体在连续波长范围内的光谱反射强度,形成一幅高光谱影像。
2.3 数字处理采集到的高光谱影像需要进行数字处理,常见的处理方法包括校正、噪声去除、波长配准等。
数字处理能够进一步提取出目标物体的特征信息。
2.4 数据分析高光谱影像的数据分析常包括目标检测、分类、定量分析等。
通过数据处理和分析,可以实现对目标物体的快速、准确的识别和分析。
3. 高光谱成像技术的应用高光谱成像技术在多个领域都有广泛的应用,以下是一些常见的应用领域:3.1 农业领域高光谱成像技术可以用于农作物的健康监测、病虫害的早期检测等。
通过对农田进行高光谱成像,可以及时发现农作物叶片的问题,并针对性地采取措施,提高农作物的产量和质量。
3.2 环境监测高光谱成像技术可用于环境监测,如水质监测、空气污染监测等。
通过对水体或大气中光谱的采集和分析,可以实现对环境污染程度的判断和监测。
3.3 矿产勘探高光谱成像技术可以用于矿产勘探,如寻找矿石和矿藏等。
通过对地表光谱的分析,可以发现矿藏的特征信号,并提供勘探方向和指导。
3.4 医学领域高光谱成像技术在医学领域中有广泛的应用,如肿瘤检测、皮肤病诊断等。
通过捕捉目标区域的高光谱影像,可以获取目标组织的特征信息,从而实现对疾病的早期检测和诊断。
用随机决策树群算法进行高光谱遥感影像分类

rd ci i u saem to s n ae nteseta rn e sp otvco c i S M)n ua eut nwt sbpc eh d db sdo h pcrl ag, u p r etr o h a mahn V , e rl e(
摘 要 : 高光谱影像 具有丰富 的光谱信 息,与全色 、多光谱影像相 比能更好地进行地面 目标的分类 识别. 该文对
决策 树分类算法的优劣进行分析 ,引入 随机 决策树群算法, 青海省祁连县H p r n 对 y ei 高光谱影像¥ I — 6 o iRSP 影像数 l
据进行实验 , 使用子 空间划分和光 谱距离进行降维后 , 分别采用支持 向量机 、 神经 网络 、最大似然法进行分类 ,并 与随机决策树群算法分类结果进行 比较. 结果表 明, 该算法表现最优且无需降维预处理,可广 泛应用于 高光谱遥感
Abs r c : Hy e s e t a m a e o t i i h s c r li f r a i n a d h v e t r p r o m a c n g o n tat p r p c r li g s c n an rc pe t a n o m to n a e b t e e f r n e i r u d
He a o i c ,Ch n n n Pr v n e ia
3 S h o { ealria ce c n n i ern } e ta o t nvri } h n s a4 0 8 ,C i a . c o l M tl gcl in ea dE gn e g C nrl uh U iest C a gh 1 0 3 hn 0 u S i S y
D : 036 /.s. 5—272 1. . 8 OI 1. 9 jsn0 589 . 1 60 9 i 2 0 0 0
高光谱,多光谱及超光谱

1、光谱分辨率光谱分辨率spectral resolution定义1:遥感器能分辨的最小波长间隔,是遥感器的性能指标。
遥感器的波段划分得越细,光谱的分辨率就越高,遥感影像区分不同地物的能力越强。
定义2:多光谱遥感器接收目标辐射信号时所能分辨的最小波长间隔。
光谱分辨率指成像的波段范围,分得愈细,波段愈多,光谱分辨率就愈高,现在的技术可以达到5~6nm(纳米)量级,400多个波段。
细分光谱可以提高自动区分和识别目标性质和组成成分的能力。
传感器的波谱范围,一般来说识别某种波谱的范围窄,则相应光谱分辨率高。
举个例子:可以分辨红外、红橙黄绿青蓝紫紫外的传感器的光谱分辨率就比只能分辨红绿蓝的传感器的光谱分辨率高。
一般来说,传感器的波段数越多波段宽度越窄,地面物体的信息越容易区分和识别,针对性越强。
2、什么是高光谱,多光谱及超光谱高光谱成像是新一代光电检测技术,兴起于2O世纪8O年代,目前仍在迅猛发展巾。
高光谱成像是相对多光谱成像而言,通过高光谱成像方法获得的高光谱图像与通过多光谱成像获取的多光谱图像相比具有更丰富的图像和光谱信息。
如果根据传感器的光谱分辨率对光谱成像技术进行分类,光谱成像技术一般可分成3类。
(1)多光谱成像——光谱分辨率在delta_lambda/lambda=0.1mm数量级,这样的传感器在可见光和近红外区域一般只有几个波段。
(2)高光谱成像——光谱分辨率在delta_lambda/lambda=0.01mm数量级,这样的传感器在可见光和近红外区域有几十到数百个波段,光谱分辨率可达nm 级。
(3)超光谱成像——光谱分辨率在delta_lambda/lambda =O.001mm=1nm数量级,这样的传感器在可见光和近红外区域可达数千个波段。
众所周知,光谱分析是自然科学中一种重要的研究手段,光谱技术能检测到被测物体的物理结构、化学成分等指标。
光谱评价是基于点测量,而图像测量是基于空间特性变化,两者各有其优缺点。
高光谱影像特征选择与提取

高光谱影像特征选择与提取高光谱遥感影像是指通过遥感技术获取的光谱波段范围较宽的遥感影像,相比于普通遥感影像,具有更多的光谱信息。
高光谱影像的特征选择与提取是指从大量的光谱波段中选择出最能表达影像特征的波段,并对这些波段进行特征提取,以达到降维、去冗余和突出关键信息的目的。
本文将介绍高光谱影像特征选择与提取的方法和应用。
高光谱影像特征选择主要有两个目标:一是减少维度,将原始光谱数据降维为较低维度的特征向量,以方便后续处理;二是挖掘出与分类或回归任务相关的关键特征波段,以提高分类或回归的准确性。
常用的特征选择方法包括相关系数法、信息增益法、主成分分析法等。
相关系数法通过计算每个波段与所研究对象的相关程度,选择与目标变量相关性较强的波段作为特征波段。
信息增益法则根据每个波段对目标变量的贡献度选择特征波段,贡献度高的波段被认为是最有价值的特征波段。
主成分分析法则通过对原始光谱数据进行线性变换,将原始变量转换成一组互不相关的主成分,从而实现降维的目的。
在特征选择的基础上,还需要进行特征提取,以提取出更具有鉴别能力的特征。
常用的特征提取方法包括谱角法、植被指数法、特征空间法等。
谱角法是基于波段直接组合获取鉴别能力强的特征,通过计算不同波段之间的角度,来提取出能够鉴别不同地物的特征。
植被指数法是基于植被光谱反射率特点的一种特征提取方法,通过计算植被指数,如归一化植被指数(NDVI)、差值植被指数(DVI)等,来提取出与植被相关的特征。
特征空间法是基于光谱波段组合的一种特征提取方法,通过对多个波段进行线性或非线性组合,生成新的特征空间,从而提取出不同地物的特征。
除了上述方法,还可以通过机器学习算法,如支持向量机、决策树等,来进行特征选择与提取。
这些算法能够在训练模型的过程中自动选择最具有鉴别能力的特征,并对其进行提取。
高光谱影像特征选择与提取在农业、环境监测、地质勘探等领域有着广泛的应用。
例如,在农业领域,可以通过对农作物的高光谱影像进行特征选择与提取,来实现病虫害的自动检测与预警;在环境监测领域,可以通过高光谱影像进行景观类型分类与变化监测;在地质勘探领域,可以通过高光谱影像提取地质矿产信息,实现资源勘探与开发。
高光谱图像处理技术的使用方法与技巧

高光谱图像处理技术的使用方法与技巧高光谱图像处理技术是一种在特定波长范围内连续获取大量光谱信息的技术。
它不仅可以提供丰富的光谱数据,还能提供高分辨率的空间信息,因此在许多领域都有广泛的应用。
本文将介绍高光谱图像处理技术的使用方法与一些常用的技巧。
首先,高光谱图像的处理流程主要包括预处理、特征提取和分类三个步骤。
预处理是为了去除图像中的噪声和杂质,使得后续的特征提取和分类工作更加准确。
常见的预处理方法包括影像校正、光谱校正和噪声去除等。
影像校正是为了解决图像中的光照不均匀问题,常用的方法有常规平滑和直方图匹配等。
常规平滑方法可以通过滤波算法去除图像中的噪声和高频分量,提高图像的可视性。
而直方图匹配则可以通过调整图像的亮度和对比度,使得不同图像之间的光照条件保持一致。
光谱校正是为了解决不同设备采集的高光谱数据存在光谱偏移的问题。
通常可以通过使用已知光谱的参考物质进行校正,如大气校正和地物光谱响应校正等。
大气校正可以去除大气对光谱数据的影响,使得数据更加准确。
地物光谱响应校正则是为了减少不同地物对光谱数据的影响。
噪声去除是为了去除因设备等原因造成的图像噪声,提高图像的质量。
常见的噪声去除方法包括中值滤波、高斯滤波和小波分析等。
中值滤波是一种基于排序统计的方法,通过对图像中的像素排序并取中值来去除噪声。
高斯滤波则是一种常用的线性滤波方法,通过将像素的值与周围像素的值按照一定的权重进行加权平均,得到滤波后的像素值。
小波分析是一种基于频域的方法,通过对图像进行频域分解和重构来去除噪声。
接下来是特征提取。
高光谱图像的特征提取是为了从原始数据中提取出与目标信息相关的特征。
常用的特征提取方法包括光谱特征提取、纹理特征提取和形状特征提取等。
光谱特征提取是通过对高光谱数据进行光谱统计分析来获得与目标信息相关的参数。
常用的统计参数包括均值、方差、偏度和峰度等。
这些参数可以反映出光谱数据在不同波段上的分布情况。
纹理特征提取是为了从高光谱图像中提取出纹理信息。
高光谱遥感影像混合像元分解

04
混合像元分解实验与分析
实验数据介绍
数据来源
01
实验数据来自中国的某高光谱遥感卫星,覆盖了多个地区和不
同的土地利用类型。
数据特点
02
数据具有高光谱分辨率,包含了数百个波段,能够提供丰富的
地物光谱信息。
数据预处理
03
为了提高混合像元分解的精度,需要进行数据预处理,包括辐
射定标、大气校正、几何校正等。
端元数量与分解精度
实验结果表明,随着端元数量的增加,混合像元分解的精度逐渐提高。但端元数量过多会导致解的不稳定,因此需要 选择合适的端元数量。
不同土地利用类型的识别
通过混合像元分解,可以有效地识别不同类型的土地利用,如植被、水体、城市等。这为土地利用变化监测、生态保 护等方面提供了有力支持。
比较不同方法的结果
混合像元分解的必要性
为了更准确地提取地物信息,提高遥感应用的效果,对高光谱遥感影像进行混合像元分解是必要的。通过混合像 元分解,可以将一个混合像元分解成若干个纯像元的线性组合,从而更准确地表达地物的光谱特征。
混合像元分解研究现状
早期研究方法
早期的研究主要采用端元提取和丰度反 演的方法进行混合像元分解。端元提取 的方法主要基于空间和光谱的统计分析 ,从高光谱数据中提取出纯像元;丰度 反演的方法则是基于线性混合模型,通 过优化算法反演出各纯像元的丰度。
VS
近期研究方法
近年来,随着深度学习技术的发展,越来 越多的研究开始采用深度学习的方法进行 混合像元分解。深度学习方法能够自动地 学习和提取高光谱数据中的复杂结构和特 征,从而更准确地分解混合像元。目前, 常见的深度学习方法包括卷积神经网络 (CNN)、生成对抗网络(GAN)等。
高光谱图像的特征提取与特征选择研究
高光谱图像的特征提取与特征选择研究∗杨仁欣,杨燕,原晶晶【摘要】特征提取和特征选择是模式识别的关键问题之一,它影响到分类器的设计及其性能.高光谱图像数据是超高维多特征数据集,如何实现高维特征空间的特征压缩和特征提取是一个重要课题.基于高光谱图像谱图合一、数据维度高的数据结构特点,该文从光谱和图像两个层面分别综述了主成分分析、最小噪声分离、独立成分分析等光谱特征提取方法以及基于颜色、纹理、形状等图像特征提取方法.还详细介绍了核主成分分析和投影寻踪方法这两种高光谱特征提取新方法,并给出了以上方法的应用实例.特征提取和特征选择的研究将为后续的高光谱图像分类奠定良好的基础.【期刊名称】广西师范学院学报(自然科学版)【年(卷),期】2015(000)002【总页数】5【关键词】高光谱图像;特征提取;特征选择;主成分分析;最小噪声分离;独立成分分析;核主成分分析;投影寻踪0 引言特征提取和特征选择在模式识别中扮演着一个重要角色.特征提取过程的实质是通过映射或变换的方法,将高维空间中的特征描述用低维空间的特征来描述.特征选择是从众多特征中找出那些最有效的特征来实现降维.基于高光谱图像图谱合一,数据结构高维的特点,本文从光谱和图像两个层面综述了典型的高光谱图像的特征提取和特征选择方法,并给出相应的应用实例.1 高光谱特征提取和特征选择的研究高光谱特征提取是指对原始的光谱空间特征进行重新组合和优化,提取出最适合当前应用需求的新特征.高光谱特征提取如图1[1]所示,通常使用线性或非线性方程,将原始的高维特征空间投影到低维的优化后的新特征空间,提取的特征应同时满足类别可分性准则.高光谱特征选择则是对原始特征空间的子集挑选,选出那些最具有可分性的光谱波段.高光谱特征选择如图2所示.常用的高光谱特征提取和特征选择方法有主成分分析、最小噪声分离、独立成分分析法等.1.1 主成分分析主成分分析是一种统计分析方法.所谓主成分,其实也就是原变量的线性组合.即假设有p个指标,我们把这p个指标看做p个随机变量,记为X1,X2,…,Xp,主成分分析实质就是要讨论这p个指标的线性组合问题:主成分分析法的缺点:(1)在主成分分析中,通常使所提取的前几个主成分的累计贡献率能够达到一个较高的值,其次对这些被提取的主成分必须都能够给出一个合理的解释,否则所谓的主成分将毫无意义.(2)主成分的含义不是很清晰,不像原始变量的含义那么明确.赵丽红[2]等把其改进算法二维对称主成分分析应用到人脸识别中,取得了很好的识别性能.杨秀坤等提出了主成分分析-二阶导数光谱成像方法,并通过兔子动脉红外显微图像中胆固醇分布的成像实验,验证该方法的可行性和有效性.实验结果表明,该方法可以提高光谱分辨率[3].1.2 最小噪声分离Green(1988)在主成分分析方法的基础上,又发展了最小噪声分离.采用最小噪声分离变换使变换后各成分按照信噪比而不是方差从大到小排序.以下是其基本流程:魏新华[4]等人采用高光谱技术和最小噪声分离分析方法对含有异性纤维的籽棉图像进行研究,试验结果表明,该方法的识别率达到91.0%,该研究可为棉花异性纤维检测系统的开发提供参考.肖雄斌[5]等人提出的一种基于最小噪声分离变换的高光谱图像异常检测方法,提高了异常检测率.林娜[6]等人提出的核最小噪声分离变换高光谱影像的非线性特征提取方法,可获得优于最小噪声分离特征提取的端元提取效果.1.3 独立成分分析独立成分分析是一种利用统计原理进行计算的方法,主要用于高光谱数据特征提取.于绍慧[7]等人利用独立成分分析对微分谱进行解析更有利于多组分混合三维荧光光谱所含成分的识别.白璘[8]等人提出的一种独立成分分析和小波变换相结合的高光谱图像有损压缩方法,可以很好地保留高光谱图像的光谱特性.何元磊[9]等人提出的一种基于独立成分分析的异常探测算法,取得了良好的检测性能,且运算复杂度较低.2 图像特征提取和特征选择的研究由于高光谱图像数据信息谱图合一的特点,基于图像的特征提取可以提取样本的空间分布特征信息,该特征也可用于反映样本信息.常用的图像特征提取和特征选择方法所涉及的特征有颜色特征、纹理特征、形状特征.2.1 颜色特征颜色特征反映了图像的整体特征,通常采用颜色的一阶矩(Mean)、二阶矩(Variance)和三阶矩(Skewness)来表达图像的颜色特征.设P(j,i)为图像的第j个像素的第i个颜色分量值,则一阶矩为它表示待测区域的颜色均值.二阶距为它表示待测区域的颜色方差,即不均匀性.三阶距为三阶矩反映颜色的不对称性.如果图像颜色完全对称,其值应为零.徐贵力等提出用百分率直方图法提取缺素叶片图像颜色特征,此方法提取的颜色特征能理想地识别缺素番茄叶片[10].金伟提出的一种新的颜色特征提取方法,即像素不连通区域面积直方图法,对图像旋转、缩放等具有较好的鲁棒性[11].郑小东等根据植物生长智能监控的需求,设计了叶颜色特征提取方法,为后续决策处理提供了数据支持[12].2.2 纹理特征图像的纹理特征是由图像上地物重复排列造成的灰度值有规则的分布,它不同于灰度和颜色等图像特征.图像的纹理特征反映了图像固有的属性,能够体现图像的重要信息,比如图像的粗糙程度、细致程度和均匀程度等.常见的纹理特征提取方法有统计法、结构法和模型法.孙磊等针对全色图像云检测与雪检测的问题,提出了一种基于多种纹理特征的特征提取方法,实验结果验证了其算法的有效性[13].白丽等提出的基于皮肤纹理特征的高分辨人脸图像识别算法,可以提高人脸识别的性能[14].章勇勤等分别从时域和频域的角度提出的纹理特征检测算子,有效地提高了图像的信噪比[15].2.3 形状特征形状特征描述的是图像的一种局部特征,是其在局部区域的几何性质.毋媛媛等将不变矩理论引入作物病害图像形状特征提取中,通过运用主成分分析和统计分析方法,得到适合两种作物病害识别的形状特征,并将其应用到作物病害智能识别系统中[16].董红霞等提出了一种基于形状与纹理特征的分类算法,在灰度图像上提取了纹理特征,实验表明,相比于已有算法,新算法能够达到更好的分类率[17].邵庆以小麦条锈病为例,对小麦病害部位的图像进行特征提取,为农作物病害诊断信息特征数据库的建立提供了基础数据[18].3 高光谱特征提取新进展3.1 核主成分分析核主成分分析的基本思想是将核方法应用到主成分分析中,首先通过变换h实现了输入空间X到特征空间F的映射,定义核函数K(xi,xj)=〈h(xi),h(xj)〉,则特征空间中两向量的内积可用输入空间中的两向量的核函数表示.此时输入空间的样本点x1,x2,…,xl变换为特征空间的样本点h(x1),h(x2),…,h(xl),然后在特征空间中使用主成分分析,即求解特征值问题:λiui=¯Cui,i=1,2,…,l,其中为样本空间中的协方差矩阵,λi是¯C的一个非零特征值,ui为λi所对应的特征向量.核主成分分析是对传统的主成分分析算法的非线性拓展.目前,常用的核函数主要有三类:多项式核函数:K(x,y)=(a(x·y)+b)d,d>0且a,b∈R,Sigmoid核函数:K(x,y)=tanh(a(x·y)-b),a,b∈R,高斯径向基核函数:其中,高斯径向基核函数用得更广泛一些.白杨等提出了一种改进的核二维主成分分析(K2DPCA)高光谱图像降维方法,该方法能够有效提高图像压缩比,实现遥感图像在空间维上的双向降维[19].赵丽红等把核主成分分析应用到人脸识别中,通过选择合适的核函数在高维空间提取人脸图像的主成分,结果表明,核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征[20].3.2 投影寻踪方法逐次投影寻踪方法,通过对高光谱数据的多次一维投影,逐步筛选出有效成分,构建起新的低维正交空间.在逐次投影寻踪过程中,关键是要使选出的投影方向与当前已产生的方向是正交的.其实现步骤为:(1)数据无量纲化.先归一化,再标准化.夏鲁瑞等提出了一种基于投影寻踪的高光谱目标识别算法,并通过实际高光谱数据对算法进行验证,结果表明该算法能够有效提高信噪比[21].吴超[22]等针对高光谱图像的非监督目标检测问题,提出的一种基于混沌粒子群优化投影寻踪的检测方法取得了较好的检测效果.王维等提出的基于投影寻踪的高光谱图像异常检测并行算法具有良好的并行性能[23].4 总结与展望本文针对高光谱图像数据量大,波段多,冗余度大等特点,从光谱和图像两个层面分别论述了高光谱图像的特征提取与特征选择的若干种方法.重点给出了核主成分分析方法和投影寻踪方法及其一些应用实例.虽然至今已有很多高光谱图像特征提取和特征选择的方法,但各种方法都存在局限性,因此对于较复杂的高光谱图像,需要多种方法相互融合,灵活发挥各种方法的优点,以期达到理想的结果.由于高光谱图像的广泛使用,能够实现高光谱数据降维的特征提取和特征选择方法会成为今后研究的方向.虽然现有的理论和方法对复杂的高光谱图像特征提取和特征选择效果离理想的效果还有一定距离.但随着高光谱图像技术的发展,高光谱图像特征提取和特征选择方法一定会得到更广泛的应用.参考文献:[1] 杨燕.基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D].杭州:浙江大[2] 赵丽红,张西礼,徐心和.基于二维对称主成分分析的人脸识别[J].仪器仪表学报,2008,29(6).[3] 杨秀坤,钟明亮,景晓军,等.基于主成分分析-二阶导数光谱成像的红外显微图像分析[J].光学学报,2012,32(7).[4] WEI Xinhua,WU Shu,XU Laiqi,et al.Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(9).[5] 肖雄斌,厉小润,赵辽英.基于最小噪声分离变换的高光谱异常检测方法研究[J].计算机应用与软件,2012,29(4).[6] 林娜,杨武年,王斌.高光谱遥感影像核最小噪声分离变换特征提取[J].武汉大学学报,2013,38(8).[7] 于绍慧,张玉钧,赵南京,等.微分谱结合独立成分分析对三维荧光重叠光谱的解析[J].光谱学与光谱分析,2013,33(1).[8] 白璘,高涛.基于独立成分分析的高光谱图像有损压缩方法[J].计算机工程,2013,39(3).[9] 何元磊,刘代志,易世华,等.基于独立成分分析的高光谱图像异常检测[J].光学技术,2011,37(2).[10]徐贵力,毛罕平,李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报,2002,18(4).[11]金伟.基于融合颜色特征与形状特征的图像检索[D].西安:西安电子科技大[12]郑小东,王晓洁,李玲玲.面向植物生长智能监控的叶颜色特征提取[J].中国农学通报,2010,26(19):401-407.[13]孙磊,曹晓光.基于多种纹理特征的全色图像云雪区特征提取[J].电子设计工程,2014,22(2).[14]白丽,方驰,丁晓青.基于皮肤纹理特征的高分辨率人脸图像识别[J].计算机工程,2012,38(2).[15]章勇勤,艾勇,吴敏渊,等.基于纹理特征的图像恢复[J].武汉大学学报:信息科学版,2010,35(1).[16]毋媛媛,刁智华,王会丹,等.作物病害图像形状特征提取研究[J].农机化研究,2015(1).[17]董红霞,郭斯羽.一种结合形状与纹理特征的植物叶片分类方法[J].计算机工程与应用,2014,50(23).[18]邵庆,张楠,路阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究,2013(8).[19]白杨,赵银娣,韩天庆.一种改进的K2DPCA高光谱遥感图像降维方法[J].测绘科学,2014,39(7).[20]赵丽红,孙宇舸,蔡玉,等.基于核主成分分析的人脸识别[J].东北大学学报,2006,27(8).[21]夏鲁瑞,赵继广,孙洁,等.基于投影寻踪的高光谱典型目标识别算法[J].光学与光电技术,2013,11(3).[22]吴超,吴一全.基于混沌粒子群优化投影寻踪的高光谱图像目标检测[J].光学学报,2011,31(12).[23]王维,赵慧洁,董超.基于投影寻踪的高光谱图像异常检测并行算法[J].北京航空航天大学学报,2009,35(3).[责任编辑:班秀和]∗基金项目:广西教育厅项目(201203YB103)。
高光谱遥感影像地面伪装目标检测方法的研究
外、热红外光谱特征,大大提高了地物的分类和识别能力,在农业、林业、海洋、气象、地质、全球环境及军事遥感等诸多领域显示出巨大的应用前景。
目前,已有许多国家相继研制出或正在研制各具特色的成像光谱仪,数量达四十种之多[3-61。
从第一代AIS的32个连续波段,到第二代高光谱成像仪。
航空可见光、红外光成像光谱仪(AVIRIS)的224个波段,光谱分辨率在不断提高,AVRIS是首次测量全反射波长范围(O.4~2.5run)的成像光谱仪。
美国宇航局在1999年底发射的中等分辨率成像光谱仪(MODIS)和高分辨率成像光谱仪(HIRjS)为人类提供了更多信息。
2001年发射的OrbView卫星能够同时提供更高空间分辨率和光谱分辨率的数据,它能获取】m全色波段影像和4m~5m的多光谱波段以及空间分辨率为8m的200个波段的高光谱数据。
此外,许多具有高空间分辨率和高光谱分辨率的成像光谱仪正在或即将进入实用阶段,例如:美国的HYDICE、SEBAS,加拿大的FLI、CASI和SFSI,德国的ROSIS以及澳大利亚的HYMAP等。
这些传感器有的已经进入了商业运营,技术比较成熟。
特别是美国的HYDICE和AVIRIS多次参与军方的实验,提供了大量的军事应用的第一手资料。
图l—l高光谱图像数据立方体示意我国在这一领域的发展也十分迅速。
中科院上海技术物理研究所于1997年开始研制244波段的推扫式(PHI)和128波段的可见光/近红外、短波红外、热红外模块化成像光谱仪系统(OMIS)并取得了成功,特别是OMIS已经成功转入商业运营。
另外,中科院长春光学精密机械与物理研究所、西安光学精密机械研究所也在这一领域取得了重要的研究成果。
高光谱数据除了拥有图像数据的几何信息外,还具有光谱信息,从而构成三维的图像立方体。
如图1.1,光谱维信息可以记录地物所具有的反射、吸收和发射电磁能量的能力,这种能力是由物质的分子和原子结构确定,不同的地物类型对应于不同的谱特征,这就是光谱的“指纹效应”,如图1.2。
基于决策树理论的高光谱影像目标提取技术研究
光谱曲线的整体统计特征 , 如光谱向量之间的广义
距离或广义夹角等 , 但是这种将高ቤተ መጻሕፍቲ ባይዱ谱数据看作单
作者简介 : 王明海 (9 8) 男 , 16 一 , 山东安丘人 , 工程师 , 主要从事遥感影像处理与应用研究 。
4
目标提 取试 验分 析
4 1 试 验 数 据 .
本 试 验 采 用 由 中科 院上 海 技 术 物 理 所 研 制 的
相对 测量 比绝 对 测量 具有 更 高 的精 度 , 这是 测
的, 即每一个样本在进行分析、 比较后立即赋予一个 最终类 别 。单 层 匹配模 型所 使用 的相似性 测度 均为
量技术的一个基本原理。对于高光谱遥感影像分类 来说 也存在相 同之 处 , 通过 相对 比较 区分 两个 类 别
( 16 6 33部 队 , 陕西 西 安
伟
7 05 ) 10 4
摘要 : 利用决策树分级匹配分类的思想 , 完成高光谱遥感 影像分类过程 中的光谱特征优化 、 特征参量构造和相 应的匹配策略选择 。该方法结合专家知识和光谱特征分析结果 , 能够充分利用高 光谱 遥感数据 中丰 富且细致 的光 谱信息 , 灵活采用合适的匹配参量和匹配方法 。试验结果表 明, 该方 法能够显著提 高高光谱遥感影 像 目标提取 的
精度 。
关键词 : 高光谱遥感 ; 目标提取 ; 决策树 ; 分级匹配
中图 分 类号 : P 5 . T ' 11 7 文献标识码 : A 文章 编 号 : 6 134 ( 00 0 .040 17 — 4 2 1 ) 10 1.4 0
基于改进SAM的高光谱影像混合像元分解算法研究
摘要: 将传 统遥感 图像分类方法 中的光谱角度 制 图法( pcrl geMapn-AM) 以变换 , S eta An l p igS 加 改进为 一种 符合全约束条件下 的高光谱遥感 图像 的混合像元分 解模 型。新算法在端 元 丰度 比例满足全 约束 的条 件下 , 过 通
逼 近 的 方 法 寻 找 一 种 端 元 丰 度 的 比例 组 合 , 测 试 光 谱 与 日标 光 谱 的广 义 夹 角 最 小 , 而 认 为 该 比 例 组 合 就 是 混 使 从
Ab t a t I s a sr c :t i n i o t n r r q i i u - i e p i g o y e s e t a e t e sn g ,h t x d p x l m u t mp r a tp e e u st i s b p x l en ma p n fh p r p c r l mo es n i g i r ma e t a e i es mi s b fe t ey d c mp s d u d r a l t e c n t an s I h s p p r a n f t e t a iin li g ls i c to eh d , h e e f c i l e o o e n e l h o s r i t . n t i a e , s o e o h r d t a ma e ca sf a i n m t o s t e v o i S e ta g e Ma p n eh d SAM ) st a so me n mp o e , O a n w x d p x ld c mp st n mo e ih i n p c r lAn l p i g m t o ( wa r n f r d a d i r v d S e mi e i e e o o i o d l i wh c su — d ra l o s r it sp o o e . d rt ec n i o h tt ep o o to so l e d mb r e l c n t an s t en w l o e l c n ta n swa r p s d Un e h o d t n t a h r p r in f l n me e sme tal o s r i t , h e ag — i a
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
毕业设计(论文)过程管理材料
题 目
高光谱影像分类方法研究
学生姓名
刘本强
系部名称
测绘工程学院
专业班级
遥感科学与技术11-1班
指导教师
刘丹丹
职 称
副教授
教研室
主楼610
起止时间
2015年3月~6月
教 务 处 制
毕业设计(论文)题目审定表
指导教师姓名 刘丹丹 职称 副教授 从事 专业 遥感技术与应用 是否外聘 □是□否
题目名称 高光谱影像分类方法研究
课题适用专业 地理信息系统、测绘工程 课题类型 Z
课题简介:(主要内容、意义、现有条件、预期成果及表现形式。)
主要内容:在研究高光影像的数据特征的基础上,对高光谱影像的分类方法进行分析,并以黑龙江
省肇东市某区域为例,运用高光谱影像,对研究区域采用目视解译、非监督分类、监督分类等方法
进行盐碱地信息提取。
研究意义:高光谱影像被广泛应用于国民经济建设的各个领域中,运用高光谱影像提取信息,可探
索其实用性,并为学生在今后的学习和工作打下基础。
现有条件:ENVI软件、高光谱数据
预期成果及表现形式:毕业论文一份
指导教师签字: 年 月 日
教
研
室
意
见
1 选题与专业培养目标的符合度 □好 □较好 □一般 □较差
2 对学生能力培养及全面训练的程度 □好 □较好 □一般 □较差
3 选题与生产、科研、实验室建设等实际的结合程度 □好 □较好 □一般 □较差
4 论文选题的理论意义或实际价值 □好 □较好 □一般 □较差
5 课题预计工作量 □较大 □适中 □较小
6 课题预计难易程度 □较难 □一般 □较易
教研室主任签字: 年 月 日
系(部)教学指导委员会意见:
负责人签字: 年 月 日
注:课题类型填写 W.科研项目;X.生产(社会)实际;Y.实验室建设;Z.其它。
SY-025-BY-1
毕业设计(论文)任务书
学生姓名 系部 测绘工程 专业、班级
指导教师姓名 刘丹丹 职称 副教授 从事 专业 遥感技术与应用 是否外聘 □是□否
题目名称
一、课题研究现状、选题目的和意义
选题目的:
选题意义:
二、设计(论文)内容、技术要求(研究方法)
研究内容:
研究方法:
三、设计(论文)完成后应提交的成果
毕业论文一份
四、设计(论文)进度安排
1、收集资料 3月29日至4月8日
2、撰写开题报告、方法学习 4月9日至4月16日
3、软件使用学习 4月17日至6月1日
4、撰写论文及准备答辩 6月2日至6月22日
五、参考文献
六、备注
指导教师签字:
年 月 日
教研室主任签字:
年 月 日
毕业设计(论文)开题报告
学生姓名 刘本强 系部 测绘工程学院 专业、班级
遥感科学与技术
11—1
指导教师姓
名
刘丹丹 职称 副教授 从事 专业 遥感技术与应用 是否外聘 □是□否
题目名称 高光谱图像分类方法的研究
一、课题研究现状、选题目的和意义
课题研究现状:
在目前的遥感分类研究中,用的较多的是传统的模式识别分类方法,诸如最小距离法、平行
六面体法、最大似然法、等混合距离法(ISOMIX)/循环集群法(ISODATA)等监督非监督分类法。
其分类结果由于遥感影像本身的空间分辨率以及“同物异谱”、“异物同谱”现象的存在,而往
往出现较多的错分、漏分情况,导致分类精度不高。
目前遥感图像分类方法繁多而且种类杂乱,从不同的角度有不同的分类方法,最常见的监督
和非监督分类是根据是否需要分类人员事先提供已知类别及其训练样本对计算机分类器进行训练
和监督来划分。参数分类和非参数分类是根据是否需要假定类的概率分布函数并估计其分布函数
来划分。而硬分类是根据一个像元被分到一个类还是多个类来划分。此外,国内外还出现了很多
分类方法有人工神经网络分类法、模糊分类法、支撑向量机分类法、决策树分类法以及亚像元分
类法。每种分类方法都有其自身的特点,但也不可避免的有一些缺陷。
选题目的和意义:
高光谱遥感数据的每一个像元可以提供几乎连续的地物光谱曲线,数据量大,数据信息非常
丰富,使我们利用高光谱反演陆地细节成为可能。高光谱遥感具有不同于传统遥感的一些新的特
点,主要表现在:(1)波段多——几十、上百甚至数千个波段;(2)光谱范围窄——波段范围一
般小于10nm;(3)波段连续——在太阳光谱范围内提供几乎连续的地物光谱;(4)数据量大——
随着波段的增加,数据量成指数增加;(5)信息冗余增加——高光谱数据的波段相关程度高,冗
余信息也相对增加。因此,基于以上特点,高光谱图像处理,如图像分类等技术面临挑战。
高光谱遥感图像的一个较为突出的特点是比多光谱遥感图像的光谱分辨率高,这使得很多利用
多光谱数据无法解决的问题,在高光谱领域得以解决。例如,很多地面物质都具有确定其类别的诊
断性光谱特征,这些特征只有高光谱遥感获得的窄而连续的光谱曲线才能判断,而在多光谱遥感的
波段宽度范围内无法识别。此外,多光谱图像只能区分但无法识别不同的目标地物,但是高光谱图
像可以“定性”的测量地物,这对于我们利用遥感图像开展地物理化特性的深层探索具有重要研究
价值和意义。然而,高光谱图像具有高光谱分辨率特性的同时,造成其较大的数据量和较高的数据
维数。在将高光谱数据应用于各领域之前,必须进行必要的数据处理。常用的数据处理技术方法包
括:数据降维、目标检测、变化检测等。其中,分类是遥感数据处理中比较重要的环节,分类结果
不但直接提取了影像数据有效信息,可以直接运用于实际需求中,同时也是实现各种应用的前提,
为后续应用提供有用的数据信息和技术支持,如为目标检测提供先验信息、为解混合提供端元信息
等。高光谱图像由于较高的光谱维数,在分类过程中容易引起Hughes现象(维数灾难),即在有限
训练样本情况下的分类精度随着波段数目的增加而提高,但是当数目增加到一定限度时,分类精度
SY-025-BY-3
又会随波段数目的增加而呈下降趋势。消除Hughes现象,采用合适的波段数量进行分类,才能使
分类精度达到最高。降维是除Hughes现象一个重要手段。
二、设计(论文)的基本内容、拟解决的主要问题
基本内容:
在研究高光影像的数据特征的基础上,对高光谱影像的分类方法进行分析,并以黑龙江省肇
东市某区域为例,运用高光谱影像,对研究区域采用目视解译、非监督分类、监督分类等方法进
行盐碱地信息提取。
(1) 基于高光谱影像,进行一系列的图像预处理,为分类做准备。比如,辐射校正,大气
校正等。
(2) 波段选择。通过比较不同波段的影像显示效果,选择出能够清晰表示盐碱地信息的几
个波段,进行组合。
(3) 采用监督分类与非监督分类的方法,对高光谱影像进行分类及目视解译。
(4) 对盐碱地信息进行提取。
三、技术路线(研究方法)
四、进度安排
1、收集资料 3月29日至4月8日
2、撰写开题报告、方法学习 4月9日至4月16日
3、软件使用学习 4月17日至6月1日
4、撰写论文及准备答辩 6月2日至6月22日
五、参考文献
[1]浦瑞良,宫鹏.高光谱遥感及其应用.北京:高等教育出版社,2000:3.4.
[2]张良培,张立福 .高光谱遥感 .武汉:武汉大学出版社,2005,10.
[3]张兵,高连如.高光谱图像分类与目标检测.北京:科学出版社,2011:51-53.
[4]孙家抦.遥感原理与应用.武汉:武汉大学出版社.2003.
[5]刘纪远.中国资源环境遥感宏观调查与动态研究.北京:中国科学技术出版社.1996.
[6]龚新梅.绿洲盐渍化的遥感监测及其环境因素影响分析——以三工河流域为例.新疆:新疆大
学,2004.
[7] 骆剑承,王钦敏,马江洪,等.遥感图像最大似然分类方法的EM改进算法.测绘学报,2002,
31(3):234—239.
[8] 小娟,宫兆宁,等.ENVI遥感影像处理教程[M].北京:中国环境科学出版社.2007
六、备注
指导教师意见:
签字: 年 月 日