基于小波变换和MNF变换的遥感影像融合

随着高分辨率遥感卫星的产生,传统的融合技术难以达到较好的融合效果,如主成分分析(Principal Com-ponents Analysis,PCA)变换融合对噪声比较敏感,受到融合区域的限制,而最小噪声分离(Minimum Noise Frac-tion,MNF)变换考虑了噪声和融合区域,是一种完备的成分分解方法,小波变换(Wavelet Transformation,WT)融合也存在一定程度的光谱失真。由此,本文在分析MNF变换和WT的基础上,以IKONOS新型高分辨率观测卫星提供的全色和多光谱数据为实验数据,提出了一种将两者相结合的遥感影像融合方法,通过与其它融合方法的定量和视觉比较,发现该方法能得到更好的融合效果。

MNF和SVM在遥感影像计算机分类中的应用

由于黄土高原地形复杂,单纯采用监督分离变换MNF(Minimum Noise Fraction)变换得到的4个去除噪声波段、归一化植督分类方法很难获得理想的精度,以延安市区为实验区,以TM遥感图像的最小噪声被指数NDVI和该地域的DEM作为数据源,采用支持向量机SVM(Support Vector Machine)的方法对研究区土地利用与覆盖状况进行分类,获得了较理想的分类结果。

基于GPU的高光谱遥感MNF并行方法研究

最小噪声分离变换(MNF)是高光谱遥感影像分类中特征提取和去除噪声的有效方法.MNF算法涉及大量的矩阵运算,在实际工程的海量数据处理中存在计算时间长的问题.在分析MNF算法原理的基础上,运用图形处理单元(GPU)并行框架对该算法进行优化,并通过不同大小的高光谱遥感数据进行计算和分析.结果表明,随着影像数据量的递增,采用并行计算方式的提速比呈明显上升趋势,说明GPU并行方式对于计算密集型的大数据量处理具有良好的提速效果,为解决海量高光谱遥感数据处理速度慢的问题提供了思路.

基于MNF和SVM的高光谱遥感影像分类研究

通过分析高光谱遥感影像分类的现状及遇到的困难,以OMIS1高光谱数据为实验数据,提出了基于最小噪声分离(Minimum Noise Fraction-MNF)变换和支持向量机(Support Vector Machine-SVM)的高光谱遥感影像分类方法。分类实验结果表明:与传统的最大似然分类法(Maxi mum Likelihood Classification-MLC)比较,该方法克服了Hughes现象,分类速度得以提高,总体分类精度达到94.85%,从而表明了该方法用于高光谱遥感影像分类的实用性和优越性。

基于KMNF和BP神经网络的高光谱遥感影像分类

为了对高维非线性的高光谱影像进行降维及信息提取,提出了高光谱影像核最小噪声分离变换(kernel minimumnoise fraction,KMNF)特征提取后利用BP神经网络分类的方法。以高光谱影像KMNF特征提取后的前几个特征分量作为BP神经网络的输入,进行BP神经网络分类,并与单独的高光谱影像BP神经网络分类进行比较。美国内华达州CU-PRITE矿区AVIRIS数据的实验结果表明,基于KMNF和BP神经网络的高光谱影像分类较单独BP神经网络分类总体精度及时间性能均得到提高。

最小噪声分离(MNF)变换应用于模糊印章提取的研究

为了提高印章的可辨识度,尝试解决印章与画意重合的问题,应用高光谱图像系统,采集了上海博物馆馆藏“清明上河图”作品的高光谱图像信息,对其中三枚可辨识度不高,与画意重合严重的印章进行了提取。通过最小噪声分离(Minimum Noise Fraction,缩写为MNF)解决了其中一枚印章可识别度不高的问题;对与画意高度重合的两枚印章,通过波段裁剪结合最小噪声分离处理,有效地将印章与画意分离开,取得了令人满意的效果。结果表明,最小噪声分离可以有效地提高模糊印章的可辨识度,结合相应的波段裁剪处理,也可以有效地将印章与画意分离开。

MNF与MAD变换相结合的城市扩展研究

针对传统变化检测方法存在的缺陷,将最小噪声比率变换(M in imum Noise Fraction,MNF)和多元变化检测(Mu ltivariate A lteration Detection,MAD)方法应用于东营市城市扩展分析。从MNF和MAD变换获得的影像中提取的二值图像可知,检测结果总体精度达到90.1%,Kappa系数为0.802,证明了本文方法在变化区域检测方面的可操作性和有效性。

基于MNF、PCA与ICA结合的高光谱数据特征提取方法

特征提取一直是高光谱遥感数据处理与实际应用的难题之一,目前高光谱数据特征提取方法主要有主成分分析(PCA)、最小噪声分离(MNF)和独立成分分析(ICA)等。然而,这些特征提取方法很难较好地适应光谱响应特性变化和高度混合的地类,会导致重要的信息损失。为解决此问题,本文在分析各种特征提取方法的优点的基础上,提出了一种基于MNF、PCA与ICA相结合的高光谱数据特征提取方法。实验表明,本文提出的特征提取方法正确可行,与其他特征提取方法相比效果较好,它充分利用了ICA的分解类别高度混合的数据、PCA的压缩数据和MNF的高度降噪的优点,能较好地适用于小样本和类别高度混合的数据。

基于纹理特征MNF变换的多光谱遥感影像分类

提出了一种基于纹理特征最小噪声分离(Minimum Noise Fraction,MNF)变换的多光谱遥感影像分类方法。利用灰度共生矩阵对每个光谱波段进行纹理特征提取,对纹理特征进行MNF变换,将集中了大部分纹理特征信息的MNF分量与光谱信息协同进行分类。基于CBERS-04遥感影像对郎玛村地区进行岩土分类实验。结果表明,该方法的分类精度高于传统的基于光谱主成分纹理特征的多光谱遥感影像分类方法,其分类结果具有更好的区域一致性和较少的小图斑噪声。

结合MNF变换和Canny算子的遥感影像变化检测

针对大面积区域的多时相遥感影像变化检测的需求,提出了一种基于最小噪声分离(MNF)的Canny边缘检测提取影像变化信息的检测方法。对多时相影像采用多种变换组合成具有多维波段信息的影像,采用最小噪声分离法分离噪声并得到单波段差异图,通过Canny边缘检测法计算梯度幅值,采用高低双阈值法细化边缘,从而提取差异图变化边缘,有效突出了变化信息。以1995年和2003年加扎勒河的两期遥感影像为例,利用两时相影像进行土地覆被变化检测。实验结果表明,该方法适用于监测大面积区域内地物的突变情况。在数据基础上进行最小噪声分离可以有效解决传统Canny边缘检测提取边缘时造成的伪边缘现象,同时采用高低双阈值法有效去除伪边缘点,从而获得更加精确、直观的变化检测效果,在自然地理变化监测、地理国情灾害监测等有很好的应用价值。

最大包容区联合变换的高光谱水雾识别方法

水雾场在近红外较宽波段内吸收和散射特性显著,而高光谱数据信息丰富,在水雾场测量中具有重要作用,但使用主成分分析或最小噪声分离等算法进行水雾场识别时,无法将具有相近光谱特征的水雾场和背景进行分类,因此根据主成分分析和最小噪声分离算法的原理,提出最大包容区联合变换方法。先采用主成分分析得到大于水雾场范围的包容区,去掉大部分背景信息;然后针对该区域内高光谱数据用最小噪声分离算法再次得到水雾场的真实区域,从而实现水雾场的分离提取;最后对不同压力下的喷嘴水雾场采集高光谱图像并处理数据。结果表明:该算法能够准确得到水雾场范围,同时观察到喷雾角和喷雾范围随着喷嘴压力的升高而减小,与喷嘴水雾场的两相流分布特性一致。

高光谱遥感岩矿端元提取与分析方法研究

端元提取是高光谱遥感信息提取与分析的基础,也是解决高光谱图像混合像元分解的关键。本文针对研究区高光谱遥感数据特点,进行了辐射校正、最小噪声分离变换(MNF)及纯净像元指数(PPI)处理,在此基础上,应用二维散点图和三维散点图分别提取了端元波谱,并开展了端元属性的判别研究。岩矿端元的提取与分析为后续岩矿种类识别奠定了基础,直接影响最终成果的准确度。

结合光谱图像技术和SAM分类法的甘蓝中杂草识别研究

杂草自动识别技术是实现变量喷洒、精准施药的关键,更是制约其实现的瓶颈,因此,准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1 000~2 500nm波长区间的高光谱图像数据,在ENVI中经过MNF变换对数据降噪、去相关,并将波段维数从256维降到11维,通过提取感兴趣区域获得标准光谱,最后利用SAM分类法识别甘蓝与杂草,光谱角弧度阈值为0.1弧度时,分类效果良好。在HSI Analyzer中选择训练像元获得标准光谱后,利用SAM分类法识别甘蓝与杂草,并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率,结果表明,当参数设置为5点平滑、0阶导数和7度光谱角度时,分类效果最佳,杂草识别率为80.0%,非杂草类识别率为97.3%,总体识别率为96.8%。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测,充分利用了光谱和图像的融合信息,该方法应用空间的分类算法来建立光谱判别方法的训练集,在像素级别上考察光谱矢量之间的相似性,融合了光谱和图像两者的优势,同时兼顾了准确性和快速性,并且在整场范围内（行间和行内）改善杂草检测范围,为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。

空-谱信息与稀疏表示相结合的高光谱遥感影像分类

针对传统的高光谱遥感影像分类中多依赖光谱信息而忽视空间信息以及提取的特征维数高的问题,提出了一种空-谱信息与稀疏表示相结合的分类算法。首先,利用最小噪声分离对原始影像进行降维,在此基础上,对主成分图上局部影像块内的所有像素进行重组,并用排序的方法得到旋转不变的空-谱特征。然后,对空-谱特征进行监督学习得到字典,并将提取的测试样本的空-谱特征编码到字典中以得到测试样本的稀疏表示。最后,使用支持向量机分类器(SVM)对高光谱影像进行分类。3组高光谱数据试验表明,与传统的分类方法比较,本文方法能有效提高分类精度。

桂东南植被覆盖区的抗干扰遥感蚀变信息优化提取与找矿预测

以抗干扰主成分分析法为基础,结合植被抑制算法,依据地化元素和矿点的空间分布,建立了遥感抗干扰-地质信息优化提取流程,在桂东南地区开展了遥感地质找矿预测。发现羟基异常或"羟基+弱铁染组合异常"是对Au、Ag、W、Mo、Sn成矿有利区的有效指示;强铁染异常的形态和规模与燕山早期花岗岩体存在空间对应关系;"强铁染异常+弱羟基异常"组合模式与小型金矿、铁染-羟基综合异常与铅锌矿床、羟基蚀变强烈区与构造破碎强烈带等之间均存在较为密切的空间对应关系。因此得到初步结论:遥感蚀变组合异常与多期构造活动叠加、多期/次岩浆侵入、围岩蚀变强、多种岩性复合叠加的区域,是成矿最有利区段,"强羟基蚀变+弱铁染蚀变"组合异常与Au、Ag、W、Mo、Sn地球化学次生晕异常存在着良好的同现关系;采用MNF-羟基-铁染综合异常信息法在中等植被覆盖区圈定Au、Ag、W、Mo、Sn矿床成矿远景区的应用是有效的。

基于最小噪声分离的籽棉异性纤维高光谱图像识别(英文)

针对籽棉表层多类难检异性纤维,包括纸屑、白发、丙纶丝、化纤和地膜等5种白色物质,采用高光谱技术和最小噪声分离(minimum noise fraction,MNF)分析方法对含有异性纤维的籽棉图像进行研究。该文在400～1 000 nm的光谱范围内采集高光谱图像,根据光谱曲线选取子区域,应用最小噪声分离分析方法降维、去噪。取MNF变换后的前4幅分量图像,通过视觉评价,选定最佳成分图像并融合中值滤波、灰度变化等图像处理的方法确定最佳分割图像,提取异性纤维。试验结果表明,对于以上5种异性纤维,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。

Hyperion高光谱影像的分析与处理

EO-1 Hyperion是新型地球观测卫星,也是一颗实验性的高光谱星载卫星.Hyperion影像具有高光谱分辨率的特点,同时该传感器在波段的辐射定标参数、影像的坏线和条带、以及光谱的Smile效应等处理方面有待改进.针对黑河上游祁连山区的Hyperion影像,进行了DN值分析、DN值转换辐亮度值、影像条带去除和坏线替换、光谱Smile效应校正、以及经MODTRAN辐射传输的大气订正等处理,获得了高光谱分辨率的雪反射率的反演图像,为研究区积雪面积的提取、雪粒径和雪反照率的反演等后续工作提供了基础图像.

基于实测波谱标识的Hyperion数据岩性识别方法

以中甸普朗典型斑岩铜矿区和松诺典型矿点的2种主要含矿岩性为实验研究对象,将特征岩性实测波谱数据转换为Hyperion影像像元数据,并利用MNF变换对高光谱数据进行降噪和降维,以第一个MNF变换主成分作为分析数据,以所构建像元的亮度值为参考分割点,通过密度分割,进行岩性识别,并通过与已有的地质资料的对比分析和野外调查,验证结果的精度。实验结果证明,在影像处理过程中有机地融入地面实测波谱,可较有效地识别中甸地区与矿相关的石英二长斑岩和石英闪长玢岩。

盲小波算法在遥感图像去噪中的应用

根据盲信号分离原理和小波分析,提出了一种遥感图像去噪的盲小波算法,首先将遥感图像的个信号进行同深度小波分解,得到不同信号相应深度的小波系数和尺度系数,然后将小波系数进行软阈值法处理,并进一步对不同信号的同深度的小波系数和尺度系数进行盲分离,并提取与源信号相关的信号,最后通过信号重构估计源信号。这种将小波分析和盲信号分离技术有机结合的方法能够有效的消除遥感图像的噪声。通过对实际遥感图像的处理,并与其他去噪技术相比较,利用盲小波算法得到的结果更为理想。

最小噪声分离在航空电磁数据噪声压制中的应用

时间域航空电磁数据经预处理后,仍存在残余噪声,影响电磁探测对地下异常的识别能力。笔者提出一种基于最小噪声分离的去噪方法,将一组含噪电磁数据通过旋转矩阵线性变换为按照信噪比大小排列的最小噪声分离成分,利用信噪比较大的最小噪声分离成分重构电磁数据,以达到分离噪声的目的。仿真数据去噪结果表明:最小噪声分离不仅能够有效压制晚期道剖面噪声,还能准确分辨异常信息;晚期道信噪比较测线滤波提高了11.28 d B,实测数据的噪声水平也由±50 n T/s降低到±10 n T/s。