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。

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NIR-Red光谱特征空间的土壤水分监测新方法

干旱是一种频繁发生的自然灾害，而土壤水分作为干旱监测最重要的指标，一直成为干旱遥感监测研究的重点内容．利用经过几何精校正和大气校正的ETM＋近红Pb（Nir）、红光（Red）波段反射率建立Nit—Red光谱特征空间，根据土壤水分在该特征空间的分布规律，提出了遥感监测土壤水分的新方法，并建立了基于Nir—Red光谱特征空间的土壤水分监测模型（SMMRS）．利用野外测定的不同深度土壤水分数据验证了SMMRS模型．计算结果表明SMMRS模型观测值变化曲线和实测土壤水分变化趋势保持一致，与5cm和0～20cm平均土壤水分相关系数分别为0．80和0．87．认为基于Nit—Red光谱特征空间的SMMRS简单、易于构建，有一定的应用价值和推广意义．

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。

基于光谱和纹理特征的高光谱图像分类

针对高光谱图像分类技术利用空间信息不足的问题,提出了一种光谱特征和纹理特征相结合的高光谱图像分类方法。通过二维Gabor小波提取高光谱图像纹理特征,利用函数型数据分析(FDA)框架分析高光谱数据,采用三次B样条基系统生成光谱特征和纹理特征的函数型数据,结合函数主成分分析(FPCA)提取每个像素的函数主成分(FPC),运用概率SVM分别对光谱特征和纹理特征进行分类。通过实验调参找到光谱特征和纹理特征的最佳参数组合,从而提高分类精度。通过在两个具有不同空间分辨率的高光谱图像数据集上进行实验,分析了参数的变化对分类精度的影响,并与其他同类方法相比较,随机选择5%的样本和10%的样本作为训练样本的总体精确度(OA)较EMAP+SVM方法分别提高了1.39%和3.87%。

基于HSV色彩空间和光谱特征的遥感图像阴影检测方法

阴影是遥感图像的重要特征之一,遥感图像阴影检测方法存在偏蓝和暗色调非阴影误检的问题。本文提出一种基于HSV色彩空间和光谱特征的遥感图像阴影检测方法,该方法依据大气散射理论,利用海岸线波段、红边波段和近红外波段构建伪彩色图像,并转换到HSV色彩空间,构造权重修正归一化饱和度—强度指数;利用海岸线波段和近红外波段构造归一化光谱比值图像;利用权重修正归一化饱和度—强度指数和归一化光谱比值图像组建联合阴影指数;最后通过Otsu对联合阴影指数阈值分割得到最终阴影检测结果。该方法对多幅WorldView-3图像进行测试,阴影检测精度达到91%以上,相比现有同类方法提高约1%。实验结果表明本文方法能够有效缓解偏蓝和暗色调非阴影误检的问题,有助于提高阴影检测精度。

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。

光谱角匹配加权核特征空间分离变换高光谱异常检测算法

提出了一种光谱角匹配(SAM)加权核特征空间分离变换(KEST)高光谱异常检测算法.在基于核的特征空间分离变换(KEST)算法基础上,利用光谱角匹配(SAM)测度对高维特征空间中检测点邻域差异相关矩阵(DCOR)中的每个样本引入权重因子,各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角,从而抑制检测窗口中的病态数据,突出主成分数据的贡献,使得DCOR矩阵能够更好地描述目标、背景数据分布差异.通过理论分析和对模拟、实际数据实验比较,证明该算法较传统异常检测算法和KEST算法具有更高的检测率.

空间一致性邻域保留嵌入的高光谱数据特征提取

局部线性嵌入(LLE)和邻域保留嵌入(NPE)等流形学习方法可以提取高光谱数据的主要结构特征,有助于对数据的理解和进一步处理。但是,这些方法忽视了高光谱图像中相邻像素之间的相关性。针对这个问题,提出一种基于空间一致性思想的邻域保留嵌入(SC-NPE)特征提取算法,通过一个优化的局部线性嵌入,并考虑相邻像素的相关特性,在高维空间建立数据的局部邻域结构。然后寻找一个优化的变换矩阵,将局部邻域结构投影到低维空间,实现数据的特征提取。与LLE和NPE算法相比,SC-NPE既考虑高光谱数据的流形结构,又考虑了其图像域空间信息,可以更好地应用在高光谱数据的特征提取过程中。实验结果表明,SC-NPE特征提取算法在高光谱图像分类方面的性能明显优于其他同类算法。

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。

多光谱遥感影像亮度空间相位一致性特征点检测

提出了一种基于亮度空间和相位一致性理论的多光谱遥感影像特征点检测算法。首先利用参数自适应的灰度变换函数建立影像亮度空间;然后结合相位一致性方法在影像亮度空间进行候选特征点检测,并将候选特征点映射到原始影像上进行非极大值抑制;最后在尺度空间计算特征点的特征尺度值。本文方法有效结合了亮度空间特征检测和相位一致性特征检测的优势,对多光谱遥感影像的辐射变化具有较强的稳健性。试验结果证明,与传统特征点检测算法相比,本文方法在特征重复率和重复特征数量方面都具有明显的优势。

基于空间-光谱特征和稀疏表达的高光谱图像分类算法（英文）

针对传统的高光谱数据分类方法分类精度不高、没有充分地利用空间信息等缺陷,提出一种基于Gabor空间纹理特征(Gabor spatial texture features)及无参数加权光谱特征(Nonparametric weighted spectral features)和稀疏表达分类(Sparse representation classification)的高光谱图像分类算法,可以简写为Gabor-NW SF和SRC,即GNWSF-SRC。所提出的GNWSF-SRC分类方法首先通过融合高光谱的Gabor空间特征和无参数加权光谱特征来更好地描述高光谱图像,然后通过其进行稀疏表达,最终通过对比其重构误差获得分类结果。在训练集比例不同的情况下,用所提出的方法对两组典型的高光谱数据进行处理,理论研究和仿真结果表明:与传统的分类方法相比,所提出算法能够提高分类精度、Kappa系数等,取得了较好的分类效果。

空间点目标光谱探测与特征识别研究进展

光学观测是空间目标识别的重要手段,由于探测距离远,视场中的空间目标多呈现为非分辨的点目标。相比于传统的定轨测量和光度测量,光谱探测提供了波长维的可分辨信息,极大的提升了目标表面材质判别能力,并为目标状态反演提供了更可靠的依据,极具应用潜力。介绍了近年来国内外学者在空间点目标光谱探测及特征识别方面的典型研究进展,依据主要研究方法,分为多通道测光探测、高光谱探测、实验室光谱特性测量、目标特性建模仿真四个方向。其中,多通道测光获得了低光谱分辨率的测量数据,是常用的广域空间目标分类判别手段;高光谱探测研究反射能量在波长维的精细分布,有助于反演重点目标的材质组成;实验室光谱特性测量可在受控条件下模拟目标探测的物理过程,提供材质光谱特性数据库;目标特性建模仿真则对物理属性抽象特征化,研究目标光谱变化过程。通过分析国内外研究成果,总结当前研究的能力与不足,提出几点研究思路,为后续研究开展提供参考。

矿化蚀变区典型地物光谱特征分析与空间结构研究--以内蒙古突泉县-扎鲁特旗成矿带为例

基于野外实测光谱数据,分析岩石、土壤和植被的光谱反射特征,提出在光谱特征空间研究典型地物的几何结构与空间关系,分析总结中等植被覆盖的矿物蚀变区典型地物在光谱特征空间中的分布形态与空间分布关系,为遥感矿化蚀变信息提取提供科学依据。

焊接电弧光谱的空间特征及应用研究

探究了电弧光的辐射情况 ,给出了电弧光谱的空间分布 ,介绍了利用电弧光谱的这种分布实现的弧焊区图像的摄取、焊缝自动跟踪 ,自由过渡电弧熔滴信号的提取、脉冲MIG焊光谱控制 1脉冲

基于遥感数据光谱和空间特征的边缘提取方法

传统的边缘检测算子(Sobel、Robert、Prewitt、Kirsch、Gauss Laplac等算子)主要是通过图像空域特征微分,建立不同结构的模板完成高分辨率遥感图像的边缘提取。而高分辨率遥感数字图像包括了空间域和光谱域两种信息,借助这两种特征信息提高提取城市边缘的信息精度已经成为当前算法开发的基本思路。本研究采用了"象元替换"的思想设计光谱分解和边缘检测的算子模板步骤,综合了图像的光谱特征和空间特征信息。研究结果表明,这种方法有效地提高了城市遥感数据边缘信息的提取精度,同时还具有方法简便、计算速度快的特点。

融合光谱和空间特征的土壤重金属含量极端随机树估算

针对高光谱遥感土壤重金属含量估算研究中光谱特征信息弱、模型反演鲁棒性差的问题,提出构建污染源-汇空间特征量化污染物扩散与汇聚空间影响因子,融合光谱特征建立基于极端随机树(Extremely randomized trees,ERT)的土壤重金属含量估算模型。以济源市耕地土壤为研究区,布设采集土壤样本249个,分析了光谱特征、地形特征和污染源空间特征在土壤重金属铅(Pb)、铬(Cd)含量反演中的有效性及影响机理,采用置换重要性指数优选多源特征,通过与多种回归模型对比,评价ERT模型的预测精度。研究表明,变换后的土壤光谱特征构建ERT模型引入地形特征和污染源空间特征后精度提升显著,尤其是污染源空间特征优势更为明显,Pb的ERT模型均方根误差由43.185 mg/kg下降到22.301 mg/kg,下降了48.36%。Cd的ERT模型均方根误差由0.738 mg/kg下降到0.371 mg/kg,下降了49.73%,充分说明引入污染扩散空间特征的有效性。与其他回归模型对比,ERT估算模型在各项指标评价中优势明显,其中Pb的ERT模型的测试集R^(2)达0.964,Cd的ERT模型R^(2)为0.923。