A Simplified Approach for Interpreting Principal Component Images

Principal component transformation is a standard technique for multi-dimensional data analysis. The purpose of the present article is to elucidate the procedure for interpreting PC images. The discussion focuses on logically explaining how the negative/positive PC eigenvectors (loadings) in combination with strong reflection/absorption spectral behavior at different pixels affect the DN values in the output PC images. It is an explanatory article so that fuller potential of the PCT applications can be realized.

融合GF-6 WFV影像主成分分析特征的县域冬小麦种植面积提取

为准确、快速获得县域冬小麦的种植信息,针对多时相方法存在的成本高、效率低、过程复杂等问题,以安徽省固镇县为研究区,提出基于单时相GF-6 WFV影像主成分分析特征与原始光谱波段归一化融合、并使用K-最近邻算法进行土地覆盖物分类的有效面积提取方法。结果表明,所提出方法优于RAW和PDR这2种基准方法,且降维维度参数为3时效果最好,总体精度和Kappa系数分别为89.71%和0.87,实际冬小麦提取面积精度达98.49%,相对误差仅为1.51%。

Multi-spectral remote sensing image enhancement method based on PCA and IHS transformations

This paper introduces a new enhancement method for multi-spectral satellite remote sensing imagery,based on principal component analysis(PCA) and intensity-hue-saturation(IHS) transformations.The PCA and the IHS transformations are used to separate the spatial information of the multi-spectral image into the first principal component and the intensity component,respectively.The enhanced image is obtained by replacing the intensity component of the IHS transformation with the first principal component of the PCA transformation,and undertaking the inverse IHS transformation.The objective of the proposed method is to make greater use of the spatial and spectral information contained in the original multi-spectral image.On the basis of the visual and statistical analysis results of the experimental study,we can conclude that the proposed method is an ideal new way for multi-spectral image quality enhancement with little color distortion.It has potential advantages in image mapping optimization,object recognition,and weak information sharpening.

基于PCA和SVM的遥感影像水体提取方法及验证

针对内陆湖泊水质及光谱特性空间差异性大、支流水系结构复杂而导致的遥感影像水体提取精度低的问题,提出了结合光谱主成分分析(PCA)及支持向量机(SVM)的PCA-SVM水体提取算法。基于GF-1卫星遥感影像,对原始影像光谱波段特征进行PCA降维,从中优选熵、方差、差异性纹理特征向量,结合原始波段及归一化差分水体指数(NDWI),构建了8维特征向量,并基于SVM算法提取湖泊水体。以巢湖洪水期与非洪水期影像为研究实例,分别采用NDWI法、传统SVM算法及PCA-SVM算法对水体进行提取,并进一步基于PCA-SVM算法对2020年汛期巢湖洪水期淹没演变过程进行反演和跟踪,定量解析特征向量组合及SVM惩罚系数C对水体提取性能的影响。结果表明:PCA-SVM算法提取的湖泊完整、支流连续,显著改善了含蓝藻水体漏提、建筑物误提等问题;洪水期和非洪水期提取结果的F1分数分别为95.08%和97.95%,虚警率分别为5.43%和1.13%,提取精度显著高于NDWI法和SVM算法。

基于PCA信息熵特征融合的遥感影像变化检测

为提高遥感影像变化检测的准确率,本研究结合遥感影像中丰富的纹理信息与邻域信息,引入信息论中信息熵的概念,从特征融合的角度提出了一种基于主成分分析(PCA)信息熵融合纹理特征与邻域特征的遥感影像变化检测方法。首先,通过灰度共生矩阵提取遥感影像的纹理特征,邻域对数比算子提取遥感影像的邻域特征,然后,利用PCA将纹理特征与邻域特征进行特征融合获得主特征信息。其次,计算每个主特征的信息熵,以熵权法为各个主特征分别赋予权重,获得融合后的差异图。最后,利用模糊C均值(FCM)聚类将融合差异图划分为两类,得到变化检测结果。实验结果表明,该方法能够充分利用纹理特征与邻域特征,减小斑点噪声带来的影响,显著提高遥感影像变化检测的精度。

基于RSEI模型的金沙江干热河谷区小镇生态环境质量评价

为了探究金沙江干热河谷区生态环境治理工作的实施效果,以生态环境较差但种植了耐旱植物的红格镇和生态环境较好但未种植耐旱植物的大田镇作为研究对象,选取了2000年、2009年、2015年、2018年、2021年5期遥感影像,利用绿度指标、湿度指标、热度指标和干度指标,通过主成分分析计算得到遥感生态指数I_(RSE),进而对两镇生态环境质量进行评价,结果表明:红格镇生态环境质量呈现自西部到东部逐渐变好的趋势,大田镇生态环境质量呈现由中心城区向四周逐渐变好的趋势;红格镇生态环境质量以“较差”和“一般”为主,占总面积的60%左右;大田镇生态环境质量以“一般”和“良”为主,占总面积的55%左右;红格镇各年份I_(RSE)标准化均值分别为0.4713、0.4472、0.5105、0.4917、0.5515,呈波动上升趋势;大田镇各年份I_(RSE)标准化均值分别为0.5698、0.5817、0.5507、0.5618、0.5461,总体呈略微降低趋势。

基于遥感生态指数的城市生态环境质量评价——以贵阳市为例

构建遥感生态指数可以更加直接、全面而精确地评价区域生态环境质量的演变特性。本研究以贵阳市为例,通过选择2008年landsat 5 TM和2018年landsat 8 OLI遥感影像计算绿度指标、湿度指标、干度指标及热度指标来构建遥感生态指数模型,引入主成分分析方法对贵阳市的生态环境质量演变特性作出评估。结果表明,2008年至2018年,RSEI均值由原来的0.544 0增长至0.759 1,生态环境质量变好;生态环境质量等级为极差和差的区域面积比例下降了26.56%;贵阳市的西部、南部和东部地区的生态环境质量有一定程度改善,归功于该市近年来的生态文明建设。

一种改进的FCM遥感图像变化检测方法

针对传统模糊C均值(Fuzzy C-Means,FCM)算法受初始聚类中心影响而陷入局部最优的问题,提出了一种基于遗传算法(Genetic Algorithm,GA)的改进模糊C均值聚类算法。主要通过差值法获得图像的差异图,利用主成分分析(Principal Component Analysis,PCA)法提取变化影像的主要特征信息,利用遗传算法(GA)群体搜索的优点对传统的模糊C均值算法进行改进。对遥感图像的变化检测实验表明,改进的聚类算法克服了传统算法的缺点,在保留图像细节特征的前提下能有效提高检测精度,相比其他几种常见的聚类算法更有优势。

不同植被覆盖区无人机遥感影像矿化蚀变特征识别

为了提升不同植被覆盖区矿化蚀变特征的识别效果,本文旨在研究不同植被覆盖区无人机遥感影像矿化蚀变特征识别技术。通过几何纠正与辐射纠正预处理无人机遥感影像;利用混合像元分解法提取预处理后遥感影像内的干扰端元,去掉干扰端元后,重建遥感图像光谱,降低植被覆盖度对矿化蚀变特征识别的影响;通过主成分分析法提取光谱重建后遥感图像内的矿化蚀变特征分量,完成矿化蚀变特征识别。实验证明该方法可有效提取干扰端元,重建的遥感图像光谱相关系数在0.91~1.00之间,ERGAD值在0~2.7之间,重建质量较佳。同时该方法可精准识别不同植被覆盖度时的矿化蚀变特征,提升矿化蚀变特征的识别效果。

基于CNN的零样本城市遥感影像场景分割算法

针对观测数据的零样本遥感影像场景分割时,因不存在相应的参照物,造成分割耗时长,精确率较低等问题,提出了基于卷积神经网络的零样本城市遥感影像场景分割算法。采用主成分分析方法与K-奇异值分解方法对遥感影像去噪处理,抑制斑块效应;将去噪后影像输入Retinex增强算法中,进一步提升零样本城市遥感影像增强效果;采用均值漂移算法分割遥感影像场景获取其像素点之间关系,通过卷积神经网络完成零样本城市遥感影像场景精准分割。实验结果表明,该算法精确率高,召回率高,F-score率高,消耗时间短。

基于PCA与EM算法的多光谱遥感影像变化检测研究

变化检测技术能够从观测数据中有效地提取各种变化信息。以多时相的多光谱遥感影像作为主要研究对象,就基于直接比较像元特征的变化检测中两方面的关键问题——差异影像的构造和变化阈值的提取来开展研究,具体采用PCA结合差值比较的方法构造差异影像,采用EM自动确定变化阈值以提取变化区域。通过与传统变化检测方法的实验比较,证明了该方法的有效性。

基于独立分量分析的遥感图像分类技术

遥感图像的自动分类方法一般基于图像的统计信息。多光谱遥感图像之间有着一定的相关性 ,对遥感图像的自动分类有不利影响。一般用主成分分析去除波段之间的相关性。独立分量分析能利用相对主成分分析更高的统计分量 ,不但可以获得去相关的效果 ,而且可以得到相互独立的结果波段图像。本文首先讨论了独立分量分析的基本原理。在此基础上 ,介绍FastICA算法 ,并对其进行改进 ,得到M FastICA算法 ,并将其应用到遥感图像的分类上。实验结果表明 ,M FastICA算法较FastICA算法收敛性大为改善 。

基于二代Bandelet和主成分变换的高光谱遥感图像融合

针对高光谱遥感图像具有波段多、波段间冗余大的特点,提出一种基于二代Bandelet和主成分(principalcomponents analysis,PCA)变换的高光谱遥感图像融合的方法,利用二代Bandelet变换进行图像的多尺度几何分析,得到每个波段图像的Bandelet系数和几何流,对多个波段Bandelet系数和几何流进行PCA变换,得到其主成分,逆变换重构图像.实验结果表明,基于二代Bandelet和PCA变换的方法能很好地融合高光谱遥感图像,优于传统的Bandelet变换和PCA变换.

基于Contourlet变换和主成分分析的高光谱数据噪声消除方法

该文提出了一种适合于高光谱超维数据处理的基于Contourlet变换和主成分分析的噪声消除方法。该方法首先利用Contourlet变换实现图像的稀疏表示,再利用主成分分析对Contourlet系数进行适当地消噪处理。通过对OMIS图像的实验结果表明该方法能够同时消除高光谱多个波段图像中的噪声,从整体上改善高光谱图像质量,且性能上要优于PCA和Contourlet变换方法。

结合纹理信息的高分辨率遥感图像变化检测方法

高分辨率遥感图像的纹理信息同光谱信息一样能有效地用于检测变化信息,而一些基于中低分辨率遥感图像的变化检测方法多以光谱信息为研究对象,忽略了图像中的纹理信息。针对这一问题,尝试将高分辨率图像的光谱信息与纹理信息一起用于"差值主成分变化检测"方法中,一方面借助高分辨率图像间纹理信息的差异获取变化区域内部的细节信息,以弥补高分辨率图像间光谱区分度相对不足的缺点;另一方面借助纹理信息在变化区域内部的连结作用,对变化检测结果进行狭窄缺口连结、内部孔洞填充等后续处理,从而使检测结果更加完整。实验结果表明,该方法对光谱反射信息相近、但纹理信息有较大差异的变化区域具有良好的检测效果。

基于改进SVM算法的高分辨率遥感影像分类

针对面向对象高分辨率遥感影像分类样本维数多、数据量大的特点,提出了一种简单的支持向量机(support vector machine,SVM)改进算法。首先对原始样本数据进行主成分分析(principal component analysis,PCA)实现降维,对降维后的样本数据进行SVM分类器训练,利用网格搜索法得出降维数据的最佳参数;以此参数作为基准,对基于原始样本数据的SVM分类器参数搜索范围进行重新设定,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用2景World View2高分辨率影像分别对城市土地利用以及林木树种进行分类实验,比较分析传统SVM算法、仅基于PCA降维样本数据的SVM算法以及改进的SVM算法在分类精度与效率方面的差异。实验结果表明,改进的SVM算法能够快速有效地寻找最佳SVM分类器参数,并获得较高的分类精度。

基于加权小波分析的遥感图像融合算法

提出一种基于加权小波分析的遥感图像融合算法.首先在光照色度饱和度空间上提取多光谱图像的光照强度分量,对光照强度分量进行主成分分析获得修正的光照强度,再将修正的光照强度与小波分析高频区域进行加权融合,最后进行小波分析与光照色度饱和度空间逆变换获得遥感图像的最终融合结果.该方法有效解决了在低频空间分辨率与高频空间分辨率的图像融合过程中,小波分析方法丢弃低频分量易产生分块模糊现象,且主成分分析方法易产生光谱图像信息域失真的问题.在不同场景遥感图像的融合上进行仿真实验,结果表明,该算法在一定程度上解决了图像融合后边缘模糊、融合结果中出现模糊块状阴影等问题,并在清晰度、纹理细节和真实性上获得了较大提升,且能针对不同的融合需求调整合适的加权系数,使遥感图像的融合达到最佳效果.在光照色度饱和度空间,加权小波分析进一步提升了遥感图像融合的效果,不仅充分表达了各种遥感图像的细节,而且能较好地保留原始光谱信息.

基于IHS变换和主成分变换的遥感影像融合

针对IHS变换融合影像时存在较严重的光谱失真现象,利用主成分变换对IHS变换法进行了改进。新方法首先对多光谱影像做IHS变换得到亮度I,色度H,饱和度S三个分量,然后用I分量和高分辨率全色影像做主成分变换,并提取第一主分量,并以I为标准进行直方图匹配;将匹配后的影像与H,S进行IHS反变换得到新的多光谱图像。主观视觉分析和客观参数表明,该方法不仅很好的保留了影像的光谱信息,而且兼顾了地物细节能力的表达。

基于IHS变换与小波变换的遥感图像融合

针对多光谱图像与全色图像的融合 ,本文提出了一种基于 IHS变换和小波变换的遥感图像融合方法。新方法首先对多光谱图像作 IHS变换 ,得到亮度 I,色度 H,饱和度 S三个分量 ;其次 ,利用小波变换融合方法融合多光谱图像的亮度分量与全色图像 ,并用融合后的图像替代多光谱图像的亮度分量 ;最后 ,作 IHS反变换得到新的多光谱图像。主观视觉效果分析和客观统计参数评价分析表明 ,新方法的性能优于 IHS变换融合方法、小波变换融合方法和 PCA变换融合方法 ,不仅较大地增强了融合图像的空间细节表现能力 ,而且很好地保留了多光谱图像的光谱信息。

结合多种特征的高分辨率遥感影像阴影检测

针对现有的阴影检测算法对较亮阴影和较暗地物中的阴影不能同时较好地检测等问题,提出一种结合多种特征的高分辨率遥感影像阴影检测方法.该算法首先结合主成分分析、颜色特征和直方图的分割构建多种阈值检测条件,然后综合多种特征来进行遥感影像阴影的初步检测,最后通过分析RGB模型在阴影与非阴影地物上的差别,利用颜色特性最终检测出阴影区域.实验结果表明,本文算法能有效检测较亮阴影和较暗地物中的阴影.与现有方法相比,较亮阴影的平均总错误率从水平集法的31.85%降至24.61%,较暗地物中阴影的平均总错误率从自动检测法的37.75%降至23.30%.