基于高光谱与改进BP神经网络的水体生化需氧量(BOD)估算

生化需氧量(BOD)是用于评估水质及其污染程度的重要指标,水体BOD含量对于保护水资源、改善水环境以及维护生态平衡具有重要意义。为解决BOD传统测量存在设备昂贵易损、操作专业性强、时间周期长等问题,分别使用7种不同的高光谱预处理方法对100组水体BOD光谱透射率数据进行处理,再将高维度的光谱数据通过PCA降维,将主成分数降低至10,建立BP神经网络模型,通过比较模型的精度,拟合程度和运行效率筛选最优模型,建立了一种结合不同高光谱预处理技术和PCA降维技术的改进BP神经网络模型来实现对BOD值精准且快速的估算。结果显示,相比于基于原始数据建立的BP神经网络模型,7种结合预处理方法建立的模型在保证估算精度提高的情况下,训练时间上都有一定程度的下降,在经过PCA降维处理后又有进一步下降,其中PCA降维后的SNV-BP模型训练时间相较于未改进模型的7.4658 s,下降至3.9341 s,证明了高光谱预处理和PCA降维对高光谱数据中冗余信息有良好的去除能力,能够同时对光谱数据起到优化作用,使得BP神经网络回归模型在整体上得到性能提升,其中PCA降维后的VN-BP改进模型估算效果最为显著,保证效率的同时,均方根误差RMSE低至0.02425,R 2高达0.9929,说明改进模型为高效准确地监测估算水体BOD含量提供了一种可能的思路。

基于超像素块聚类与低秩特性的高光谱图像降噪

高光谱图像通常受到高斯噪声、脉冲噪声、死线和条纹等干扰,因此去噪必不可少。现有基于低秩特性的降噪方法通过引入空间信息改善了降噪效果,但由于其只利用了局部相似性或非局部自相似性,而对在光谱维度存在一定结构信息的稀疏噪声去除效果较差。本文提出了基于超像素块聚类与低秩特性的高光谱图像降噪方法,实现了分块的自适应划分与聚类,在较好地保留了局部细节的同时又充分利用了非局部空间自相似性,且实验表明聚类后的超像素块组成的同物分块具有良好的空-谱双重低秩属性。该方法首先对高光谱图像进行超像素分割,再对超像素块进行聚类,得到同物分块;然后对其建立低秩矩阵恢复模型并求解,最终得到降噪后图像。本文分别在模拟数据和真实数据上进行实验,并与其他基于低秩特性的方法进行比较,结果表明:本文方法对混合噪声,尤其是具有一定结构信息的稀疏噪声具有较好的降噪性能。

面向高光谱图像的目标检测研究

现有的高光谱目标检测方法是通过逐像素分类而实现,导致了检测速度缓慢。物体级目标检测的发展为高光谱图像实时目标检测带来了希望。为了实现实时高光谱图像目标检测,文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。首先,该算法提出了用多尺度光谱注意力网络(Res2NetSE)来提取空谱特征,能够提升多尺度目标检测效果并能更有效地提取关键波段信息;其次,该算法提出了一个空间增强的特征金字塔模块(Spatial Enhanced FPN,SFPN)用于特征融合,提升了神经网络的感受野和多尺度性能;最后,该算法设计了FIOU(Fantastic IoU)损失函数,提升了预测框定位精度。实验结果表明,所提出的算法能够有效提取空间域和光谱域信息特征,分别在平均准确率上提升了14.19%、8.01%和5.38%,与现有方法相比表现出更出色的性能。文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案,有望推动高光谱图像分析领域的进一步发展。

基于以太网机群的海量高光谱数据处理系统平台设计

在一些大型图像处理系统中,通过构建服务器机群网络,可实现多台服务器并行处理图像数据流。针对高光谱遥感数据及处理算法特点,设计了基于以太网的服务器机群海量高光谱数据处理系统平台,平台由7台服务器和1台千兆网交换机构组成,其中选择CPU核数不低于8核的4台HP刀片服务器作为并行处理服务器,在服务器机群软件设计中,通过任务分解、算法流水化处理及网络负载均衡等方法来实现并行处理。该系统已应用在某遥感数据处理系统中,多台服务器同时写入SAN盘阵,可实现6 000Mbps的写入能力。

中值滤波均值快速算法在高光谱图像处理系统中的应用

文章提出了一种中值滤波均值快速算法,介绍了该算法的设计思路、算法流程、基本运算步骤、实验设计与效果及与经典算法的比较情况。该算法利用数据窗口中的位置关系并考虑了相邻的两个中值滤波窗口内信号数据的相关性,在运算过程中,保留前面窗口内数据的排序信息,作为下一个窗口内数据排序的参考依据。这样可将传统算法中相邻的两次中值滤波运算合并为一次进行,减少了中值滤波过程中比较运算的次数,该算法可将传统算法的复杂度O(n2)简化成O(n),同时将均值滤波与中值滤波有机结合起来,将两个独立的算法有机地融合成一种算法,从而有效提高运算速度,也减少噪声对图像的影响。

高光谱图像预处理的Matlab并行化研究

在高光谱图像处理中,针对预处理过程中计算耗时的问题,根据数据特征,应用Linux集群Matlab分布式并行处理技术,搭建Linux集群环境下Matlab分布式并行计算环境,在该环境下对高光谱图像预处理过程进行并行优化。通过实例进行验证,针对不同高光谱数据量在不同worker个数的情况进行测试,实验结果表明,该算法可高效完成高光谱图像预处理过程,对其消耗时间、加速比以及并行效率进行分析。

高光谱图象处理分析系统HIPAS的系统设计及实现

描述了高光谱图象处理与分析系统软件（ＨＩＰＡＳ）的系统设计、体系结构和主要特点，阐述了高光谱图象处理系统应具备的功能以及面向对象的设计方法在软件系统设计中的应用。实践表明， 采用面向对象的设计方法和新一代的编程语言，可以快速开发出性能满足高光谱图象处理用户需求的图象处理系统。实践证明，采用优化的处理算法，目前的微机系统也能完成通常的光谱图象处理任务。

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法(CARS)选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R^2分别为:DSI(R857,R623),0.704;DSI(R670,R578),0.786;DSI(R995,R508),0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明:SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。

基于逐像素递归处理的高光谱实时亚像元目标检测

亚像元目标检测是高光谱图像应用的关键技术。由于高光谱数据的高维度增加了存储空间和数据处理的复杂度,实时处理成为了目标检测面临的重要问题。自适应匹配滤波算法(AMF)是一种有效的亚像元目标检测算法。在基于Woodbury引理实现以逐像素排列格式传输和存储的高光谱数据协方差矩阵实时求逆的基础上,以AMF为高光谱图像亚像元目标检测算法,推导出了基于逐像素递归处理的高光谱图像实时AMF目标检测流程。通过仿真数据和真实高光谱图像实验证明,相比于非实时AMF,实时AMF只需少量的存储空间便可得到同样甚至更高的检测精度。

基于波段子集特征融合的高光谱图像异常检测

高光谱图像分析中,对未知环境下伪装目标的检测识别具有较大难度,因为缺乏背景与目标的先验光谱信息.针对这一问题,提出一种高光谱图像异常检测算法.将高光谱图像分成波段子集进行特征提取,利用对图像中噪声程度及目标、背景之间可分性敏感的特征样本高阶统计量构造基本置信指派函数,通过DS证据推理实现特征层智能融合异常检测.理论分析及仿真实验结果表明了算法的有效性.

基于子空间投影的未知背景航拍高光谱图像恒虚警目标检测

针对航拍高光谱图像中未知背景地物特征条件下小目标的检测问题,给出一种检测算法。利用目标的低概率特性,通过模糊聚类获取高光谱图像中背景的光谱特性;然后将高光谱数据向背景光谱信号的正交子空间及目标信号子空间投影以抑制背景和噪声信号;最后在特征层利用广义似然比检验构造出具有恒虚警特性的检测器,完成融合检测过程。理论分析和实验结果表明了算法的有效性。

一种新的空谱联合探测高光谱影像目标探测算法

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息,因此在目标探测领域具有独特的应用优势。传统的高光谱遥感影像目标探测侧重于光谱信息的应用,形成了确定性算法和统计学算法。确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标,不能检测亚像素目标,而且容易受到噪声的影响;统计学目标检测计算背景统计特性,通过探测异常点来检测目标,可以检测亚像素目标和小目标,但容易受到目标尺寸的影响,不能很好的检测大目标。随着高光谱遥感影像的空间分辨率的增加,探测目标已有亚像素目标逐步转换为单像素及多像素目标,此时,在高光谱图像中,相同类别的地物在空间分布上呈现聚类特性,因此,在利用高光谱遥感影像进行目标探测时,需要将其空间信息融入算法中。将空间特征引入传统目标探测算法。提出了一种新的空谱结合的高光谱目标探测算法,将传统的基于统计的目标探测算子与空域邻域聚类算法相结合,首先利用目标探测算子将影像划分为潜在目标区域与背景区域;通过计算潜在目标区域的质心,以质心为中心进行邻域聚类,剔除潜在目标区域中的背景区域,通过迭代计算获取最终目标探测结果。传统的基于统计的目标探测算子,将整个探测区域定义为背景区域,实现对背景区域的统计特征提取,而该方法将背景区域与潜在目标区域分离,剔除了目标区域对背景区域的统计干扰。将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知,该算子的大目标探测性能优于传统的统计算子。

基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。随着高光谱遥感影像的空间分辨率的增加,高光谱影像中相同类别的地物在空间分布上呈现聚类特性,将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。但是,高光谱影像的高分辨率提供空间聚类特性的同时,在不同地物边缘处表现出的差异性更加明显,若不对空间邻域像素进行甄选,直接将邻域光谱信息引入,设计空谱联合稀疏表示进行图像分割,则分类误差较大,收敛速度大大降低。将光谱角引入空谱联合稀疏表示图像分类理论中,提出了一种基于邻域分割的空谱联合稀疏表示分类算法。该算法利用光谱角计算相邻像素的空间相似度,剥离相似度较低的邻域像素,将相似度高的邻域像素定义为同类地物,引入空谱联合稀疏表示模型中,采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解,以最小重构误差为准则进行分类。选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真,从中可以看出,随着光谱角分割阈值的提高,复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高,表明邻域分割在空谱联合稀疏表示分类中的必要性。

高光谱遥感数据特征挖掘技术研究进展

从目标空间尺度和传感器空间分辨率的相对大小,把高光谱遥感图像目标检测、识别与分类中的特征挖掘问题划分为多像元、单像元和亚像元3个层次,因而更具自然特性也更适合特征挖掘和目标分类与识别技术的分析。把高光谱遥感图像特征挖掘方法归纳为以保留波段物理意义为主要目的的特征选择、以综合利用所有观测数据信息为主要特色的特征提取,和考虑亚像元多目标混合信息的特征混合3大类。重点且简明地从高光谱遥感数据光谱曲线与光谱特征、特征提取、特征选择以及特征混合分析几个方面综述高光谱遥感数据/图像的特征挖掘技术的研究进展并通过热点问题展望其未来的发展趋势。

基于小波变换和多通道脉冲耦合神经网络的高光谱图像融合

针对高光谱多波段图像融合的问题,提出了一种基于小波变换和多通道脉冲耦合神经网络模型的新融合方法。该算法利用小波变换对图像进行多尺度分解,将得到的低频和高频系数分别采用多通道PCNN模型进行非线性融合处理,对低频子带直接利用其点火频率图得到融合结果,对各高频子带则利用点火频率图的直方图矢量重心及偏差计算自适应阈值并进行区域分割,对不同的区域采用不同的融合规则进行融合处理;最后进行小波重构得到融合图像。对OMIS高光谱图像的实验结果表明:所提方法能够有效地融合高光谱多个波段图像信息,且纹理细节信息突出。

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始未降维数据,降维后的高光谱图像分类精度有较大幅度的提高.

基于局部核RX算法的高光谱实时检测

提出了一种基于LKRX检测器的实时异常检测算法.利用局部因果滑动阵列窗,使检测系统保持因果性.根据卡尔曼滤波器的递归思想,利用Hermitian矩阵分块求逆引理和Woodbury引理,将LKRX算法中核协方差矩阵以及其逆矩阵以递归方式更新,避免了数据的重复计算和逆矩阵的求解,大大降低了算法复杂度.通过真实数据进行实验,结果表明,与LKRX算法相比,实时LKRX算法在保持相同检测精度的同时,消耗更少的计算时间;而与实时RX算法相比,实时LKRX算法能够检测到更多的异常目标.

基于虚拟背景光谱Hausdorff距离的高光谱异常检测及GPU实现

提出了一种基于虚拟背景光谱Hausdorff距离的高光谱图像异常目标检测算法(VBS-HD).利用改进的部分Hausdorff测度计算待测像元与背景信息间各波段光谱的正反双向距离,并分别进行升序排列.为了避免数据成像过程中,由传感器、环境等因素产生的孤立噪声点对测试像元造成误判,算法选取前k个距离进行均值化,进行后续Hausdorff的度量.对于背景信息的选取,本算法根据待检测像元周围背景信息的特点,构造理想化虚拟背景光谱信息,从而有效减少背景信息掺杂噪声及异常点对检测性能的影响.为了进一步提高检测效率,在GPU/CUDA模型下,设计算法的并行系统架构,利用GPU的并行计算能力,获得较好的加速效果.通过模拟及真实数据的实验结果表明,VBS-HD异常检测算法具有较强的抗噪声干扰能力,在保证较高的检测精度的同时,显著提升了算法的执行效率.

基于模糊神经网络的高光谱数据挖掘方法

分析了高光谱影像的数据特性,应用模糊聚类方法构造模糊神经网络,并将其结合进数据挖掘,对高光谱数据进行数据处理。

高光谱图像稀疏信息处理综述与展望

高光谱成像技术具有光谱连续、图谱合一,能够以较高的光谱诊断能力对地物目标进行精细化解译,可以大幅增强地物信息的提取能力。充分利用高光谱遥感图像丰富的空间、谱信息,进行观测目标地物的精细化解译,成为近年来遥感领域的研究热点和前沿领域,并在多个相关领域具有巨大的应用价值和广阔的发展前景。本文结合高光谱图像成像特点,对基于稀疏表示理论的高光谱图像处理与分析方法进行综述,概括了高光谱图像处理与分析主要研究,并对各个研究领域与方向进行分析和评价,最后对各研究领域发展提出建议和展望。