考虑光谱变异性的多光谱植被识别最优特征空间构建

在中低分辨率遥感卫星影像上,植被识别受数据获取条件和不同生长期等因素的影响,会存在端元光谱变异现象,导致植被解混误差较大。提出了一种顾及端元光谱变异性的最佳距离遗传算法(IIDGA),通过自动特征选择方法减小端元类内差异,增大类间差异,构建适用于中等分辨率影像的植被解混最优特征空间,提高Landsat影像的植被识别精度。通过比较传统波段组合、光谱和纹理特征全集与IIDGA优选特征的线性解混模型效果,验证了最优特征选择的重要性。结果显示,特征选择有助于提升解混精度(IIDGA的均方根误差最低,为0.180);同时,通过比较基于IID指数的Filter算法、基于标准GA的Wrapper算法和IIDGA在最优特征自动选取方面的性能,证实了IIDGA在平衡精度与效率方面的优势。

一种新的基于Fisher判别的混合像元分解算法:室内控制实验结果分析

混合像元分解技术(Spectral Mixture Analysis,SMA)是遥感图像处理的重要手段之一.传统方法假设每个端元具有稳定的光谱特征,然而端元内光谱差异普遍存在,这将导致混合像元分解精度的降低.针对该问题,提出了基于Fisher判别(Fisher Discriminant Analysis,FDA)的混合像元分解算法.Fisher判别对光谱各波段进行线性组合,使得转换后的光谱值分离度最大,即端元内的光谱差异较小而端元间的光谱差异较大.利用转换后的光谱对混合像元进行分解可以最大程度地减少端元内光谱差异对分解结果的影响.利用该方法对室内控制实验的模拟混合像元光谱进行分解,并与过去提出的几种混合像元分解技术进行比较,结果显示新方法相比传统方法在分解精度上有相当程度的提高.