联合光谱角与组合特征参数的高光谱影像分类

光谱角匹配分类以光谱整体相似度作为分类准则,却无法充分考虑光谱的局部细节特征,导致高光谱遥感影像的分类结果存在着较大的误差。针对此问题,提出一种联合光谱角与组合特征参数(spectral angle mapping-combination characteristic parameter,SAM-CCP)的新型高光谱影像分类方法。该方法在光谱角距离的基础上,引入光谱特征参数,有效突出光谱信息的局部特征,从而提高分类精度。首先,将地物反射光谱的整体特征和典型的吸收谷特征相结合,计算参数向量的欧式距离,并调节其开方系数;然后,自动选择最佳光谱特征参数组合,构建稳健的匹配模型,对影像进行逐像元分类。分别对Indian Pines地区和Cuprite矿区的高光谱遥感影像进行了分类实验。结果表明,相比传统的匹配方法,SAM-CCP方法能够有效地改善分类精度,具有较好的适用性。

结合空间约束的贝叶斯模型遥感图像谱解混合

传统的基于贝叶斯模型的谱解混合方法采用了全局端元光谱特征值进行遥感图像的谱解混合,但是不同地理位置以及不同光照条件下,同类地物的端元具有不同光谱特征值,仅仅采用一个全局光谱特征值代替所有地区的光谱特征值降低了遥感图像谱解混合的精度。针对这种情况,提出采用端元局部光谱特征值代替端元全局光谱特征值进行谱解混。具体实施方法是利用相邻地区的同一地物拥有相同的光谱特征值的特点,在提取端元光谱特征值的时候,充分利用空间约束的特点来获取各个混合像元的光谱特征值。实验结果表明,该方法比传统的贝叶斯谱解混合能够得到更高的谱解混合精度。