基于光谱相关角和光谱信息散度的高光谱蚀变信息提取

针对高光谱遥感蚀变信息提取过程中,由于混合像元的不可避免,导致蚀变矿物光谱曲线存在不同程度的失真而影响目标矿物识别精度的问题,提出一种基于光谱相关角(Spectral Correlation Angle,SCA)和光谱信息散度(Spectral Information Divergence,SID)的高光谱遥感蚀变信息提取算法(SIDSCAtan)。利用植被覆盖度表征植被信息在混合像元中所占百分比,划分出6种植被失真类型。采用不同区分方法分别比较失真光谱与理想光谱的差异,实验表明,当输入的光谱信息具有微小差异时,方法 SIDSCAtan能够做出较大的响应,在识别光谱整体形态的前提下,增强了对光谱局部特征差异的区分能力。以云南省个旧西区为研究区,运用该方法提取区内蚀变信息,应用效果较好。

基于光谱信息散度的光谱解混算法

光谱解混是高光谱遥感定量化的关键,提出了一种基于光谱信息散度和光谱混合分析的光谱解混改进算法(SID-SMA,Spectral Information Divergence-Spectral Mixed A-nalysis).以光谱信息散度判定最优端元子集,端元选择时采用端元的初选和二次选择来提高端元选择的精度,得到较小的丰度估计误差.通过光谱库模拟数据的结果可以看出,SID-SMA的端元选择精度和丰度估计精度要优于其他算法,当信噪比为100∶1时,算法端元选择正确率达到了99.8%,29个端元的丰度估计总误差小于0.1,并且算法的速度较快.

基于光谱梯度角与光谱信息散度评价指标的遥感影像融合方法比较

SPOT数据是高空间分辨率遥感数据的典型代表,探讨SPOT数据的融合方法对于该数据的广泛应用具有重大意义。以SPOT高分辨遥感数据为例,比较研究目前针对高分辨率遥感影像常用的小波变换、高通滤波、PanSharpening融合和Gram-Schmidt 4种融合方法,以反映光谱局部特征变化的光谱梯度角和光谱信息散度为指标,通过综合计算不同融合方法的光谱梯度角和光谱信息散度,达到评价以上4种融合方法保持地物光谱信息的能力。结果表明:高通滤波融合不但能够显著提高空间分辨率而且能够最大程度的保持原始多光谱影像的光谱信息,是4种方法中最适合SPOT遥感数据的融合方法。

基于光谱信息散度-光谱角的自适应密度峰值聚类波段选择方法

针对传统密度峰值聚类在波段选择时缺乏信息论角度的相似性度量以及波段数目确定问题,提出基于光谱角-光谱信息散度的自适应密度峰值波段选择方法(SSDPC:Spectral angle mapping and Spectral information divergence Density Peaks Cluster)。该方法将光谱信息散度和光谱角用于高光谱图像密度峰值聚类进行波段选择,取代传统的欧氏距离构建波段相似矩阵。通过构建波段评分策略,有效自动选择出重要的光谱波段子集。在3组高光谱数据集上调用RX(Reed-Xiaoli)算法进行异常检测,在SSDPC的相似性度量方法下,异常检测精度较欧氏距离度量方法分别平均提高1.16%、1.18%和0.07%;在自适应的SSDPC波段选择方法下,异常检测精度相较原始RX算法分别提升6.49%、2.71%和0.05%。结果表明,该算法具有良好的鲁棒性,能提升高光谱图像异常检测的性能并降低其虚警率。

基于光谱信息散度的近红外光谱局部偏最小二乘建模方法

常见的近红外光谱分析技术,一般将欧式距离作为相似性判据,但是在很多情况下并不能真实体现样本间的相似性;同时,线性回归模型无法克服校正样本集光谱数据中非线性以及样本差异大而导致的精度降低问题。针对上述问题,本文首次将光谱信息散度引入到局部建模算法中,以未知样本光谱与校正样本光谱间的光谱信息散度作为样本相似性判据,选取一定数量与待测样本最相似的校正样本组成局部校正子集,建立局部偏最小二乘模型。为了验证算法的有效性,将现有的全局建模算法、基于样本光谱间欧式距离的局部建模算法与本文提出的基于光谱信息散度的局部建模算法应用于猪肉近红外光谱标准数据集。实验结果表明:本文新方法的预测均方根误差(RMSEP)分别比现有的两种算法降低了22.8%与48.7%,克服猪肉近红外光谱的非线性和差异性,在近红外光谱定量分析领域具有良好的应用前景。

一种基于统计流形的光谱信息散度颜料识别方法

每种物质都有其独特的光谱信息,因此可以根据光谱信息来鉴定物质。研究了基于统计流形的光谱信息散度颜料识别方法,将统计流形上的黎曼度量作为信息散度中新的度量标准。利用提出的新方法与传统光谱反射率匹配方法对4种常用矿物颜料进行光谱匹配,并将匹配结果进行比较。实验结果表明:利用基于统计流形的光谱信息散度方法,解决了概率变化量的几何度量问题,光谱信息匹配识别物质的精度得到了显著提高。

矩阵因子和信息散度融合的高光谱波段选择方法

高光谱数据的数据量大、冗余度高,影响了影像分类的精度和速度。为解决这一问题,在基于矩阵模式的高光谱波段选择方法的基础上,提出了一种基于矩阵因子和光谱信息散度融合的波段选择方法。首先,用光谱信息散度代替原始用光谱相关系数衡量光谱维的相关性。然后,调整矩阵因子定义方式,根据单一量化指标大小选择最佳波段组合。最后,分别用最佳指数因子、自适应波段选择法、最优波段指数法波段和所提出的算法对AVIRIS高光谱数据进行波段选择试验。结果表明,在选择相同波段数目的情况下,所提出的算法最大化保留了光谱信息并去除了冗余波段,分类精度有明显提高。

基于Fisher准则和TrAdaboost的高光谱相似样本分类算法

针对小样本情况下高光谱类别相似导致图像类间分类精度低的问题,提出了一种基于Fisher准则和TrAdaboost的高光谱相似样本分类算法(H_TrAdaboost)。首先,结合光谱角法与光谱信息散度对样本进行相似度测量,确定辅助训练样本集,扩大总训练样本数量;其次,利用改进的Fisher准则进行样本可分性研究,从而在总训练样本中选出分类性较强的波段子集;最后,在算法迭代过程中利用TrAdaboost算法动态调整正负样本的权重,完成小样本情况下高光谱相似样本类间分类。结果表明,提出的H_TrAdaboost算法相较于对比算法有较高的分类精度,证明了所提算法的有效性。

多光谱遥感影像的SAM-SID混合分类技术研究

以SPOT 5多光谱影像为数据源,通过与SAM、SID以及常规的最大似然法(ML)和最小距离法(MD)的对比,研究了基于SAM-SID混合法的土地覆盖多光谱遥感分类技术。研究结果显示,相比于SAM和SID,SID(TAN)和SID(SIN)两个SAM-SID混合参量对多光谱影像上地物识别的能力更强,尤以SID(SIN)的识别能力最强;基于SID(SIN)的多光谱遥感分类验证精度达78.94%,不但明显高于SAM和SID法,而且也高于常规的MD和ML监督分类方法。这说明SAM-SID混合分类方法不但适用于高光谱遥感分类,同时在多光谱遥感分类中也有很强的适用性。

基于改进Hough算法的高光谱数据直线检测方法研究

为改进用于高光谱数据直线检测的传统Hough算法的计算量大、性能较低等不足,对一种基于改进Hough算法的检测方法进行了研究。用能反映地物信息体量的峰值信噪比选择波段,选出10个波段图像,既减少了输入波段数,又确保后续识别能考虑所有波段的光谱信息。对光谱相似性测度进行了改进,采用光谱信息散度与光谱角制图法混合度量(SID-SAM)检测图像边缘轮廓,获得特征点。再仿照传统Hough算法进行直线检测以得到结果。给出了算法的处理步骤,算法适于二维图像和高光谱图像的处理。实验检测结果表明:对二维图像,改进Hough算法识别出的直线数量远多于传统Hough变换,且提取的直线精度和完整性均有较大改善;对高光谱图像,与二维Hough算法相比,改进Hough算法所获结果的置信率高、准确性好,不仅可提高提取直线的完整性,而且能检测到前者无法检测到的部分。

基于时序光谱特征匹配的中分辨率遥感橡胶林提取

纹理与物候是橡胶林区别于天然林及其他地类的有效诊断特征。对多时序中分辨率遥感影像合成的多谱影像提取出橡胶林端元光谱,通过光谱角及光谱信息散度计算像元时序光谱与橡胶林端元时序光谱间的匹配度,最后通过匹配度阈值的调整提取出橡胶林信息。实验结果表明,采用时序光谱特征匹配法能够有效地提取出中分辨率遥感影像中的橡胶林信息,精度在93%以上,且光谱信息散度较光谱角匹配能取得更高的精度。

一种空谱联合的PCA-LPP高光谱图像特征提取算法

针对高光谱图像分类中易出现“维数灾难”问题,本文提出一种新的高光谱图像特征提取算法。该方法引入空间一致性原理对图像进行重构,减小局部信息的冗余,增大异类像元的差异性;并通过计算光谱信息散度分析近邻像元的相似度,使近邻像元在投影之后仍能保持固有结构。实验结果显示,该方法相比传统方法分类精度更高,在随机选取5%的样本数下,总体分类精度达到了86.90%。

基于FTIR光谱技术的霉菌菌种判别研究

为了找出一种快速、简便、准确的方法来探究霉菌试验后武器装备表面生长的霉菌种类,按照标准的试验方法进行了霉菌试验,利用傅里叶红外光谱仪对经过不同菌种腐蚀后的样本进行了测试,获取了光谱数据,并通过对数据进行初步的主成分分析确定了光谱数据的识别区域。采用最小距离匹配、光谱角匹配、光谱信息散度、光谱协方差、主成分分析、偏最小二乘判别分析(Partial Least Squares Discriminant Analysis,PLS-DA)、随机森林等分类算法建立了识别模型。研究结果表明,随机森林算法能够很好地识别霉菌种类,准确率预期在98%以上。基于合适的分类算法,傅里叶红外光谱(Fourier Transform Infrared,FTIR)技术能够实现对菌种的有效鉴别。