基于空间金字塔注意力机制残差网络的高光谱图像分类

为了提取高光谱图像的空间-光谱联合特征,本文提出了一种基于改进的空间金字塔注意力机制残差网络的高光谱图像分类模型。首先采用主成分分析法去除光谱冗余,结合空间金字塔注意力机制,改进残差网络的高光谱图像分类模型获取精细化特征。然后利用空间金字塔注意力模型实现多尺度联合特征关注,提升对联合特征的敏感性,并有效地强调并聚焦空间和光谱信息,实现信息交互。最后经过Softmax分类器获得分类标签。本文提出的方法在MUUFL和Tento数据集上进行了实验,结果表明,本文算法的总体分类精度分别达到了94.08%和98.32%。相比于其他高光谱分类模型,本文模型的收敛速度较快,在分类性能上取得了明显的提升,获得了更高的地物分类精度。

融合多尺度特征卷积神经网络的多光谱图像压缩方法

不同于普通图像压缩,多光谱图像压缩除了需要去除空间冗余同时还需要去除光谱间冗余,近年来研究表明端到端的卷积神经网络模型在图像压缩方面具有很好的性能,但对于多光谱图像压缩其编解码器并不能有效解决同时高效提取到多光谱图像空间和光谱间特征的问题,同时也会忽略图像局部特征信息。针对以上问题,本文提出了一种融合多尺度特征卷积神经网络的多光谱图像压缩方法。所提出网络在压缩模型的编解码器中嵌入了可以提取出不同尺度下空间和光谱间特征信息的多尺度特征提取模块,以及可以用来捕捉局部空间信息和光谱信息的空间光谱间非对称卷积模块。实验表明,与传统算法如JPEG2000和3D-SPIHT以及深度学习方法相比,在Landsat-8的7波段和Sentinel-2的8波段数据集上所提出模型的峰值信噪比(PSNR)指标高于传统算法1-2dB。在平均光谱角度(MSA)指标的衡量下,所提出的模型在Landsat-8数据集上优于传统算法约8×10^(-3)rad,在Sentinel-2数据集上优于传统算法约2×10^(-3)rad。满足了多光谱图像压缩对空间和光谱间特征提取以及局部特征提取的要求。

基于光谱特征空间的农田植被区土壤湿度遥感监测

土壤湿度遥感动态监测在农业生产中具有重要作用。近年来,多种基于光谱特征空间的土壤水分监测指数被陆续提出,并得到广泛关注和应用,但当前多数监测指数未考虑混合像元的影响。该文针对垂直干旱指数(perpendicular drought index,PDI)在农田植被覆盖区监测精度降低问题,分析了植被覆盖下的PDI误差分布规律,引入垂直植被指数(perpendicular vegetation index,PVI)作为植被覆盖表征量,在PVI-PDI二维空间对PDI模型进行调整,提出了适于植被覆盖的植被调整垂直干旱指数(vegetation adjusted perpendicular drought index,VAPDI),并利用内蒙古明安镇研究区实测土壤湿度数据,对PDI与VAPDI进行了比较和验证。结果表明,在裸土、麦茬、土豆、豇豆4种植被覆盖类型中,PDI与土壤实测含水率的决定系数分别为0.630、0.504、0.571、0.543,VAPDI与土壤实测含水率的决定系数分别为0.599、0.523、0.602、0.585。VAPDI在植被区的误差略小于PDI,一定程度上克服了植被覆盖对监测精度的影响。通过PDI和VAPDI空间分布图的比较也说明,VAPDI对土壤湿度的差别有更好的区分能力,在中尺度土壤表层水分遥感反演方面具有一定的优势。该研究可为农田土壤湿度遥感监测方法选择及监测误差分析提供参考依据。

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。

基于SWIR-Red光谱特征空间的农田干旱监测新方法

干旱是一种频繁发生的自然灾害,遥感监测干旱已成为重要的研究方向。可从农田遥感干旱监测最主要的两种地物类型(植被和土壤)的光谱特性分析入手,选择了对水分变化敏感的红光、短波红外波段来监测干旱状况,以短波红外与红光的差值和短波红外与红光的和构建新的光谱空间特征,提出了干旱监测的新方法——归一化的干旱监测指数NPDI。用野外实测的土壤含水量对NPDI模型进行验证,结果表明:NPDI,MPDI与10cm处的土壤含水量模型都具有较高的相关性,其R2分别为0.583和0.438,NPDI模型的监测效果要优于MPDI。此模型是对PDI,MPDI和SPSI等模型的进一步改进,可实现对不同植被覆盖度的、整个生长季的农田干旱监测,在实际的农田干旱监测中具有较高的应用潜力和推广价值。

基于三维光谱特征空间的干旱区土壤盐渍化遥感定量研究

土壤盐渍化是干旱半干旱区农业发展的重要制约因素，同时也是干旱区所面临的最主要的生态环境问题之一，因而准确获取土壤的盐渍化信息对于实时掌握其分布范围以及合理地开展盐渍化治理工作具有重要意义。选取渭干河-库车河流域绿洲典型盐渍地作为研究区，以Landsat-TM多光谱遥感影像为基础数据源，首先对影像进行最小噪声分离处理（MNF变换）并计算其像元纯度指数（Pixel Purity Index, PPI），选取能表征区域特征信息的前三个波段构建MNF三维光谱特征空间，然后在向量空间和单行体理论的指导下，结合实地调查，提出“植被亮点区”概念，并定义“盐渍化距离指数（Soil Salinization Distance Index, SDI）”为多维向量空间中包含于单行体中的盐渍化像元到“植被亮点区”的归一化距离。最后利用不同盐分环境下的实测数据对SDI进行精度验证。结果显示：在低植被覆盖区，即中度、重度盐渍化区，SDI与0-10cm内土壤盐分含量相关性要高于0-20cm，R2＞0.83。在相对高植被覆盖区，即农田和轻度盐渍化区，SDI与0-20cm内平均盐分含量相关性要高于0-10cm，R2＞0.81。0-10cm层二者总体精度R2=0.81，0-20cm层二者相关性总体精度R2=0.72。研究表明，SDI指数模型简单、易于构建，精度较高，具有一定的应用价值，有利于干旱区区域大尺度盐渍化的定量分析和监测工作。

基于NIR-Red光谱特征空间的作物水分指数

水分含量是表征作物水分胁迫生理状况的重要指标,及时有效地监测作物水分含量对于评估作物水分亏缺平衡,指导农业生产灌溉具有重要意义。基于NIR-Red二维光谱特征空间,尝试构建一种新的作物水分监测指数PWI来估算作物水分含量。以冬小麦作物植被水分含量估算为尝试对象。首先,利用地面实测小麦冠层高光谱数据,结合对应卫星光谱响应函数,模拟当前常用卫星HJ-CCD和ZY-3多光谱数据;然后,对基于NIR-Red二维光谱特征空间的现有植被指数PDI(垂直干旱指数)和PVI(垂直植被指数)进行改进,通过比值变换的方法构建新的指数PWI来估算冬小麦植株含水量(VWC)。结果显示:基于模拟的HJ-CCD和ZY-3卫星宽波段多光谱数据生成的PWI估算小麦VWC具有良好的效果,R2分别达到0.684和0.683,均达到了极显著水平。利用检验样本得到冬小麦VWC估算的R2和RMSE分别为0.764和0.764,3.837%和3.840%,这表明应用提出的新指数PWI估测作物含水量具有一定可行性。同时,也为当前利用主要国产卫星遥感数据HJ-CCD和ZY-3开展作物水分遥感监测应用提供了一种新方法。

融合光谱-空间多特征的高光谱影像张量特征提取

针对当前基于张量结构的特征提取方法不能充分利用高光谱影像多种光谱-空间特征的问题,提出一种融合光谱-空间多特征的高光谱影像张量特征提取方法。利用3D Gabor滤波器提取不同频率和方向的纹理特征,采用形态学属性滤波器提取不同属性和尺度的形状特征,将高光谱影像光谱特征、纹理特征和形状特征结合为张量结构特征。在此基础上,利用局部张量判别分析方法增大同类特征张量之间的相似性以及异类张量间的差异性,得到融合多种空谱特征和判别信息的低维特征张量。使用Pavia University和Salinas影像数据集进行对比实验,结果表明,该方法能够有效保留影像空谱信息和类别间的判别信息,不仅可以提高分类精度,而且能够得到空间连续性更好的分类图。

典型地物的光谱空间结构特征研究

地物光谱是遥感技术应用与研究的物理基础。本文提出将地物在光谱特征空间的几何点阵结构特征作为研究重点,着重分析植被、土壤、岩石的野外实测光谱数据的光谱空间结构特征,并对所测得地物的光谱数据进行光谱线性混合模拟,进而分析线性混合地物的光谱空间结构特征。对实测地物光谱数据空间结构特征的分析不仅可以指导遥感影像数据的分析与应用,而且也为遥感影像地物目标识别和矿化蚀变信息提取技术的研究提供更多的科学理论依据和新的研究思路。

利用概率融合光谱-空间特征地物分类模型对高分影像地物进行提取

本文提出了一个联合光谱-空间多特征的基于支持向量机的分类器模型,首先将三类光谱-空间特征利用支持向量机对高分影像进行分类,然后将分类结果利用概率融合的方法进行整合,最终完成了地物的提取。试验结果显示,相比于VS-SVM算法,该模型取得了更好的提取效果。

一种基于NIR-RED光谱特征空间的干旱监测新方法

土壤水分作为干旱监测的重要指标,一直是干旱遥感监测研究的重要内容。本研究利用MODIS数据的EVI、红波段反射率、近红外波段反射率数据构建了基于Nir-Red反特率光谱特征空间的EPDI模型进行土壤水分的反演。利用野外同步测量数据对PDI、MPDI、EPDI三种干旱指数模型获取的拉萨河流域土壤水分进行了验证和对比分析,研究结果表明EPDI能够更准确地反演土壤水分,其样本点的相对误差仅为0.1040,线性相关系数为0.9181,反演精度相比PDI、MPDI(0.1646、0.1472)分别提高了36.83%和29.35%,为利用遥感影像数据进行大尺度的干旱动态监测提供了新途径。并且相比MPDI,EPDI模型参数更容易获取,模型构建受人为因素影响小,从而为模型的大范围推广提供了可能,具有很好的应用意义。

基于光谱-空间注意力残差网络的高光谱图像分类

在高光谱图像分类任务中,引入注意力改变提取到的光谱和空间特征权重,有效突出重要特征,提高分类准确率。将注意力机制、残差网络和特征提取模块集成到分类框架中,引入中心区域光谱注意力机制,在避免干扰像素对波段权重影响的同时,利用周围像素增强中心像素波段,增强光谱特征的鲁棒性进而提取有效的光谱特征。并在此基础上提出了光谱-空间注意力残差网络,该网络可以从高光谱图像中连续提取到丰富的光谱特征和空间特征,并通过残差网络连接特征提取模块,缓解了精度下降问题,保证网络良好的分类性能。在4个公开数据集上,所提出的分类算法和其他算法相比,各项指标均达到最优。

综合近红外-红波段-短波红外三波段光谱特征空间的小麦冠层含水量反演

为提高返青期-拔节期-开花期-灌浆期不同覆盖条件下小麦冠层含水量的遥感反演精度,综合分析基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量监测的优势与局限,利用垂直干旱指数(perpendicular drought index,PDI)和短波红外垂直失水指数(shortwave infrared perpendicular water stress index,SPSI)的比值形式,构建了一种基于近红外-红波段-短波红外(Nir-Red-Swir)三波段光谱特征空间的垂直植被水分指数(three-band perpendicular vegetation water index,TPVWI)。结果表明,在不同生育时期,TPVWI与小麦冠层含水量(vegetation water content,VWC)均具有显著相关关系(P<0.01),且对植被含水量的敏感性优于PDI、作物水分监测指数(plant water index,PWI)、SPSI和NDVI 4种植被指数,且在反映小区域内小麦冠层含水量的时空趋势上有较好的表征能力。对比地面实测数据,利用TPVWI建立的作物含水量估测模型的预测精度较高,r与RMSE分别为0.763和2.296%,说明利用综合Nir-Red-Swir三波段光谱空间特征的植被水分指数在监测不同覆盖条件下的作物含水量具有一定的可行性,可丰富当前作物冠层含水量遥感监测的理论方法。

高光谱图像去噪的稀疏空谱Transformer模型

现阶段Transformer模型的应用提升了高光谱图像去噪的性能,但原始Transformer模型对图像空间-光谱耦合关联性的利用仍存在不足;对空间特征的处理存在过于平滑,容易丢失小尺度结构的现象;同时在光谱维度上也过于关注全部通道特征,缺乏对不同光谱波段间差异性的利用;为了应对这些问题,本文提出了一种新的稀疏空谱Transformer模型,提升了对空谱耦合关联性的利用。在空间维度,引入局部增强模块增强空间特征细节,应对过平滑问题;同时在光谱维度上提出了Top-k稀疏自注意力机制,自适应选择前K个最相关的光谱通道特征进行特征交互,从而能够有效捕获空谱特征。最终通过稀疏空谱Transformer的层级残差连接实现高光谱图像的去噪。在ICVL数据集上分别对高斯噪声和复杂噪声进行去噪处理,峰值信噪比分别达到40.56 dB和40.19 dB,证明了本文提出的稀疏空谱Transformer模型优越的性能。

结合空间信息的高光谱图像快速分类方法

针对由高光谱图像的大数据量和噪声等因素造成的计算量大、处理时间长以及应用效果差等问题,本文提出了一种高光谱图像快速分类方法,充分利用高光谱图像的空间信息,在实现整个原始图像空间及光谱信息特征提取的基础上,达到降低计算量、抑制图像噪声从而改善分类器性能的目的。通过仿真实验表明:该方法显著抑制了"麻点现象",在改善分类器分类效果的同时,运算时间也明显减少。

基于光谱解混的城市地物分类研究

高光谱遥感信息提取面临的突出问题是混合像元的广泛存在,如何有效地解译混合像元是高光谱遥感应用的关键问题。混合像元不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍,混合像元分解是解决混合像元问题最有效的方法,能够克服高光谱图像空间分辨率的限制。针对传统混合像元分解算法的缺点,基于优化的候选端元判断方法及端元提取的并行设计方法,提出了一种优化的混合像元分解方法,实现了光谱特征信息和空间特征信息的有机融合。通过模拟高光谱数据和真实遥感图像进行仿真研究,实验结果表明,该方法能得到精确的端元和对应的丰度,获得较好的解混效果,为城市地物分类提供了有力支持。

基于多核Boosting特征组合的高光谱影像分类

针对高光谱数据多特征组合问题,提出了一种在多核学习框架下利用多核Boosting实现特征组合最优和异质互补的高光谱影像分类算法。此算法充分利用了高光谱遥感数据的光谱特征和空间特征,在大量的影像属性和分类器中实现最优分类,以充分利用遥感数据的互补信息。多核Boosting算法是对常用的多特征组合方法的拓展,与传统的多核学习方法不同,该方法是在多核学习的基础上将高光谱图像的光谱域和空间域信息投影到不同核空间中形成核矩阵,然后将核矩阵转化成弱支持向量机分类器组,最后利用Boosting算法对不同给定特征的弱分类器进行学习得到不同权重的强分类器,从而将特征与分类器结合。最终分类精度可以提高5%~6%,实现多特征优势组合。

优化端元提取方法的高光谱混合像元分解

高光谱图像的混合像元分解将原始图像分解为多种纯净地物及相应的丰度,端元提取是混合像元分解的关键技术.针对传统算法计算速度慢、搜索范围较大的特点,基于改进的ICA (independent component analysis)算法以及优化的候选端元判断方法,提出了一种优化的混合像元分解方法.首先使用改进的算法优化端元提取方法;然后利用相邻像素的光谱特征和空间特征信息,结合并行算法对候选端元进行优化;最后利用真实的高光谱数据对该方法的性能进行了验证.验证结果表明:该方法能有效提高端元提取精度,降低复杂度,与经典的端元提取算法N-FINDER相比,准确度提高了3.55%,解混后得到的地物分类精度有了明显改善(总体分类精度提高了2.88%).

镉污染胁迫下水稻生理生态表征高光谱识别模型

利用水稻生长季节多个时相的ASD实测高光谱数据和同步获取的土壤—作物特征参数,系统分析了高光谱遥感指数与镉污染胁迫下水稻生理生态参数变化特征之间的响应关系。选择叶绿素含量、水分含量、细胞结构和叶面积指数4个重要生理生态参数作为水稻镉污染胁迫响应因子,通过理论分析和实验验证,得到对上述因子变化敏感的高光谱遥感指数及其响应规律。在此基础上建立MCARI-NDWI、MCARI-RVSI、MCARI-RVI、NDWI-RVSI、NDWI-RVI和RVSI-RVI模型,揭示了不同污染程度条件下响应因子在各光谱指数空间中的表征规律。

多光谱卫星图像降水强度场的分析

文中将单位特征空间归类方法应用于多光谱GMS卫星图像的降水强度场分析 ,该方法可交互式地进行多光谱卫星信息和地面实测降水的协同分析 ,准确划分各强度样本集群的光谱特征空间分布 ,为可靠确定各波段卫星测值与小时降水量之间的统计关系提供了一条可行的途径。为尽量减少分界点附近数据可能造成的不确定性和误差 ,文中首先按模糊集合论的隶属度原则 ,建立了模糊划分公式。按所在降水强度等级 ,通过对多维光谱空间的各单位特征空间内计算和比较晴空、多云 (无雨 )、小雨、中雨、大雨和暴雨 6种情况发生的概率 ,经归一化处理后 ,分别建立相应的降水强度类属矩阵 ,为多光谱卫星图像降水强度场的分析确定了判识依据。就IR1 VIS降水强度类属矩阵而言 ,经 5 0 0余个实测有雨样本的检验 ,其对暴雨、大雨、中雨和小雨等各强度等级有雨样本的实测命中率均在 70 %左右。近 14 0 0个有云样本降水强度等级判识的总准确率为 73.88%。把样本仅分成无雨、中小雨和大、暴雨 3个等级进行分析 ,实测命中率和分析成功率都显著提高 ,总准确率达到 84 .4 9%。IR1 WV ,TIR1-IR2 降水强度类属矩阵 ,各项指标虽然均略低于IR1 VIS降水强度类属矩阵 ,但对无雨、中小雨和大到暴雨的 3个级判识 ,总准确率也能够达到 75 %。