EO-1 Hyperion高光谱数据的预处理

针对EO-1 Hyperion高光谱遥感数据的特点,在图像质量检查的基础上,对Hyperion图像进行了未定标和受水汽影响波段的去除、坏线修复、条纹去除、Smile效应降低、大气纠正等预处理,获得了较好质量的图像,为图像的进一步分析和实际应用提供了保障。结果表明图像大气纠正后光谱优化处理能进一步提高图像的质量。

EO-1 Hyperion高光谱数据坏线修复方法的对比分析

提出了1种新的坏线修复方法——基于地物类型的坏线修复方法。结果表明,经过该方法修复后的Hy-perion数据不但不用依赖于左右像元与中心像元的相关性,而且该方法的校正结果较邻域均值法更准确,更具有真实性。

EO-1 Hyperion数据的预处理、特征提取和岩性填图研究(英文)

EO-1 Hyperion传感器是第一个可以获取可见光与近红外以及短波红外波长范围光谱信息的星载高光谱传感器。本文以美国最早的金矿采矿区之一,加利福尼亚州东南巧克力山的Rainbow金矿区作为研究案例,探讨了Hyperion数据的预处理方法,专题信息提取与填图,评估了Hyperion高光谱数据在识别与金矿有关的岩性类型的应用价值。结果表明,本文所提出的Hyperion数据预处理方法是有效的,MNF方法能有效用于Hyperion数据维数的降低和数据冗余的去除以及分类特征的提取。最大似然分类器能够有效地从Hyperion高光谱数据中提取与金矿相关的重要岩体信息,所得到的岩性单元与地质图上对应的岩性分布具有很好的一致性。岩体分类的总精度为86%。该研究表明,Hyperion高光谱数据能够很好识别有细微光谱差别的岩性,因而在地质学研究与找矿领域有着良好的应用前景。

基于E0-1 Hyperion影像地物识别与分类不同方法的效果比较

以广州市大学城为研究区域裁剪出Hyperion影像,直接从影像提取地物端元,采用光谱角匹配、无约束和全约束的线性混合像元分解等3种方法进行地物识别与分类,分别生成地物分类图;选用Kappa系数和总精度两个参数,对比不同方法的地物识别效果.结果显示,分类图像的总精度均大于60%,Kappa系数在0.61—0.80,表明将高光谱影像用于地物识别与分类,可获得好的地物识别与分类结果.其中,光谱角匹配和全约束的线性混合分解法得到的两个参数明显更大.就地物类型而言,3种方法都对自然地物有较好的识别与分类效果,如林地和草地的用户精度高于80%,裸地和水体的值也高于50%.对人工地物的高反射率表面也有好的识别效果,用户精度达100%;对老建筑屋顶以及低反射率表面的识别效果不佳.尽管如此,光谱角匹配和全约束的线性混合像元分解法对于识别建筑屋顶的水泥混凝土表面表现出优势,用户精度大于71.4%.

星载高光谱Hyperion数据在海滩涂调查应用中的分析

以江苏苏北地区为研究区,较系统地分析了目前世界上星载传感器中光谱分辨率最高的EO-1卫星Hyperion数据的基本特点和处理方法,研究了将图像的灰度值转变为辐射能量值和反射率的方法和步骤,并选取了15类典型地物,进行了样本采集、辐射亮度和反射率反演,最后对典型地物的光谱曲线进行综合分析研究,并概括了苏北沿海滩涂典型地物的基本光谱特征。

利用Hyperion图像估算森林覆盖度

植被覆盖度是评价土地荒漠化最有效的指标,遥感是获取区域尺度植被覆盖度参数的一个重要手段。针对EO-1 Hyperion高光谱遥感图像成像的特点,探讨了高光谱Hyperion图像的预处理和森林覆盖度遥感估算的方法,研究中采用几何光学模型和混合像元模型等方法从高光谱EO-1 Hyperion图像估算植被覆盖度,进一步将2种方法估算的植被覆盖度进行了对比,并利用实测数据对估算结果进行验证。研究结果表明:利用几何光学模型反演的植被覆盖度(决定系数R2=0.76;均方根误差RMSE=0.06)优于混合像元模型法(R2=0.71;RMSE=0.07)。

高光谱数据森林类型统计模式识别方法比较评价

在我国东北地区获取EO-1Hyperion高光谱数据,以高空间分辨率的全色SPOT-5数据及其影像分割结果为辅助,通过外业测量获取真实可靠的森林类型空间分布数据。以这些数据为地面实状数据,对现代先进的统计模式识别方法用于森林类型识别的效果进行比较评价,总结可以有效解决有限样本条件下高光谱分类问题的基于统计模式识别的森林类型分类技术方案。评价结果表明:对高光谱数据进行降维处理,并采用更加有效的二阶统计量估计方法,进而应用将空间上下文信息和光谱信息相结合的分类算法,如ECHO,可以有效提高高光谱数据森林类型的识别精度。

基于星载高光谱数据的遥感数据预处理

遥感影像的预处理是遥感数据应用的基础,预处理结果的好坏将影响图像的质量及后续的研究。研究利用高光谱数据对穿越香格里拉县中部一景EO-1 Hyperion数据进行预处理。预处理分别进行envi补丁下数据波组合、未定标和水汽影响波段去除、绝对辐射值转换、大气校正等处理,结果表明:图像质量提高,减少了数据运算量,为应用研究奠定了基础。。

基于混合像元分解的高光谱影像柑橘识别方法

为及时准确地监测柑橘种植信息,以江西省会昌县作为研究区,采用EO-1 Hyperion高光谱影像作为数据源,构建了基于混合像元分解的高光谱影像柑橘识别方法。首先,针对EO-1 Hyperion高光谱影像提供了242个波段,光谱范围广的特点,在波段选择、大气校正等预处理的基础上,提取研究区典型地物端元光谱曲线;然后,利用全约束线性光谱混合模型进行混合像元分解,提取出柑橘端元的丰度值,并通过对照高分遥感影像,构建柑橘端元丰度与柑橘实际种植的对应的关系。结果表明:由于典型地物端元提取中不可避免的误差及柑橘冠层覆盖度的差异,柑橘种植的准确识别与其柑橘端元丰度阈值存在对应关系。在经过反复试验的条件下,研究区柑橘端元丰度阈值设定在0.30~0.45范围之内,总精度达到90%以上,能够满足柑橘种植识别要求。