大亚湾近岸浅海马尾藻遥感信息提取

马尾藻对健康的沿海生态系统具有重要作用。遥感监测多针对开阔海域的漂浮马尾藻,对浅海底栖型马尾藻研究较少;技术方法大多基于经验模型,依赖大量实测数据。本文基于水体辐射传输过程,建立马尾藻遥感信息提取模型。大亚湾3个试验结果表明:①马尾藻丰度分布情况与野外调查数据基本吻合;②大亚湾的马尾藻在水域开阔程度高、水体交换条件良好、受一定风浪影响、水深小于1.6 m的环境条件下,长势更好,丰度更高;③水深、海浪作用是影响马尾藻生长分布的重要环境因子。本文方法对马尾藻资源的保护和海岸带生物多样性建设具有积极意义。

基于ADMM和深度生成先验的高光谱解混方法

混合像元的存在制约了高光谱图像分类和目标检测的精度,为了提高混合像元分解的精度,精确地分析混合像元中的组成成分,本文提出将优化方法和深度生成先验结合的高光谱解混方法,实现数据驱动和模型驱动的有机结合。近年来,基于深度神经网络的处理方法被广泛使用在高光谱解混任务中。但是该类方法是“黑盒子”,缺乏物理可解释性。传统的基于数学优化的高光谱解混方法,通过使用人工设计的先验项引入图像内含信息,提高解混精度。但是对于复杂的先验项,求解方法复杂,且并不是所有先验信息都可以用数学模型表示出来。所以本文提出一结合交替方向乘子法优化算法和深度生成先验的高光谱解混方法,联合使用数学优化和深度方法的优越性。首先使用ADMM算法将数据拟合项和生成先验项进行解耦,对于生成先验,使用传统解混方法获得的丰度预训练变分自编码器网络,并将解码器作为生成器。本文同时使用人工合成数据和真实遥感数据验证所提出方法的有效性。

高光谱遥感图像亚像元信息提取方法综述

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。

基于决策树和混合像元分解的玉米种植面积提取方法

Landsat 8影像具有较高空间分辨率和时间分辨率,长时间序列Landsat 8-NDVI曲线反映农作物的物候历、种植模式和种植结构信息,是精确提取玉米种植面积的理想数据源。基于时序Landsat 8-NDVI影像提取玉米种植面积的方法中,决策树方法快速、高效,可通过多阈值限定进行分类,但由于混合像元问题,如果阈值设置过宽,提取面积偏大;阈值设置过窄,提取面积偏小;混合像元分解通过计算端元组分丰度可以排除异质地类干扰。因此,以时序NDVI为数据源、耦合使用2种算法是精确提取作物种植面积的有效方法。本研究基于时序Landsat 8-NDVI,提取河北省保定市大田玉米的种植面积。首先,分析典型作物区的NDVI曲线特征,并构建决策树从而初步提取早播夏玉米、小麦夏玉米和春玉米的分布范围。然后,根据端元平均NDVI波谱曲线,进行3种玉米混合度分解,进而根据玉米丰度比例精确提取玉米种植面积。精度评价结果表明:利用本方法提取的玉米种植区总分类精度在98%以上,Kappa系数在0.97以上;所提取的玉米种植类型主要是夏玉米,春玉米种植主要集中在涿州市中部,这与实地调查结果一致。上述定量和定性的评价结果表明该方法可用于快速、精确提取玉米种植面积。

基于混合像元分解提取大豆种植面积的应用探讨

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%。同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%。结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度。

基于高精度端元的混合像元线性分解模型研究

从理论上阐述了混合像元的产生机理和混合像元线性分解模型,研制了一套地面成像光谱实验系统,直接获取了高精度的端元光谱数据,通过像元合并的方式构造混合像元,针对不同丰度的非立体空间混合像元端元,分析了根据线性分解模型加权计算得到的光谱与实际混合光谱的误差,进而论证了线性分解模型的精度.

基于相关向量机的高光谱影像混合像元分解

提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.

遥感影像像元组分分解模型及其应用

像元组分分解模型主要包括线性混合模型(LSMM)、模糊分类器模型、神经网络模型以及高斯混合判别分析模型(MDA)。以线性光谱混合模型为例给出了像元组分分解的过程,并分析了各种模型在不同领域的应用。像元组分分解还处于探索阶段,应根据不同的应用领域,不同的前提条件来选择和发展更为合适的模型,或用几种模型进行组合。端元的类型和数量的确定要力求准确,端元光谱值的获取要根据实际分析,研究更为适合的方法,使组分像元分解的精度得到进一步的提高。

高光谱端元自动提取的迭代分解方法

混合像元线性分解技术是进行高光谱影像处理的常用方法,应用这种方法的一个主要问题是难以有效、自动地确定影像的端元光谱。利用非监督的方法快速自动提取高光谱遥感图像的端元光谱是解决这个问题的主要技术手段。根据迭代误差分析思路,通过对线性混合像元模型分解的误差传播分析后,得到了端元选择的约束条件。结合端元存在的空间信息,自动提取出端元光谱并进行了混合像元分解。利用不同地区、不同传感器的高光谱数据实例测试了该文的方法,分析和讨论了选择迭代初始值与参数阈值的敏感性问题。研究结果表明此方法可以自动提取端元光谱,并且精度较高。

一种基于模糊混合像元分解的高光谱影像分类方法

高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。

一种基于修正扩展形态学算子的高光谱遥感图像端元提取算法

形态学算子反映了像素的空间相关性信息,将其应用于高光谱遥感图像端元提取可以有效地提升算法性能.本文针对已经普遍用于高光谱遥感图像端元提取的扩展形态学算子在像元排序规则和替换准则上存在的局限性,引入了基准向量的概念并给出计算方法,提出了修正扩展形态学算子.修正后的排序规则和替换准则避免了图像中不同类别交界处的交叉替换现象,保证了正确的覆盖方向,是提高端元提取效果的关键步骤.通过修正扩展形态学算子的基本膨胀和腐蚀运算,定义了相应的开-闭运算和闭-开运算,由此得出了端元判定向量,并给出端元提取算法的详细流程.基于扩展形态学的自动端元提取算法可以综合考虑光谱和空间信息,端元提取效果优于仅依靠光谱信息的算法.算法由IDL7.0实现,并在AVIRIS于Cuprite地区的高光谱遥感图像上进行实验,实验结果从光谱曲线相似性、端元平均相似度和相应地物分布图等方面证明了算法的有效性.

高光谱遥感图像非线性解混研究综述

介绍了近年来非线性光谱解混方法的发展状况,主要包括矿物沙地地区的紧密混合模型和植被覆盖区域的多层次混合模型,以及基于这些模型的非线性解混算法和利用核函数、流形学习等方法的数据驱动非线性光谱解混算法及非线性探测算法.最后分析总结了现有非线性解混模型与算法的优势与缺陷及未来的研究趋势.

面向端元提取的光谱角特征空间图像分块方法

传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。

基于光谱和空间特性的高光谱解混方法

为表征高光谱数据的光谱和空间特性,引入光谱的平滑性和地物空间分布的稀疏性约束,提出非负矩阵分解的改进算法,将其应用于高光谱解混.尺度可变的梯度下降算法保证了改进算法的收敛性.实验结果表明,改进后的非负矩阵分解算法能给出地物光谱,并精确估计其分布.

高光谱识别目标的光谱分离分析方法

介绍了线性混合光谱模型,提出了一种分析复合光谱的方法通过已有的光谱数据库,利用约束最小二乘法分离出像元组份,并能计算像元组份比.对此进行实验,验证了其可行性,并分析了一个30通道的遥感图像.实验以及图像分析的结果表明此种方法能用来分析混合像元问题,即能分离出像元组份、计算出像元组份比及获得比值图像.能利用高光谱数据识别小于地面像元的目标.

基于线性光谱混合模型的油菜种植面积遥感监测方法研究

利用中低分辨率卫星影像进行油菜面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。本文以2009年湖北省潜江市油菜种植面积为例,利用中巴地球资源卫星(CBERS-02B)遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,将结果与基于GVG(GPS、VIDEO、GIS)农情采样系统得到的结果进行对比分析,面积提取精度为97.43%。表明线性光谱混合模型能够高精度地提取油菜的种植面积,不失为一种很好的监测油菜种植面积方法。

基于混合像元分解的武汉市湖泊面积变化监测

以中等分辨率LandsatTM/ETM+为数据源的常用水体提取方法有阈值法、谱间关系法、归一化水体指数法和分类法,然而这些方法都未考虑混合像元的影响。遥感影像上不可避免的存在着混合像元,这使得基于像元的遥感信息提取精度难以满足较高精度应用需求。首先利用混合像元线性光谱分解方法从2006年武汉地区LandsatTM影像上计算得到了东湖水面面积,并与传统基于像元的方法处理得到结果进行对比,发现前者精度更高。随后,又利用混合像元线性光谱分解法从多时相Landsat TM/ETM+影像上提取了1995-2006年武汉市主要湖泊水域面积变化信息,并对监测结果进行分析。结果表明武汉市主城区湖泊面积在11年间普遍呈现出不断减少的趋势,湖泊萎缩强度指数ILLI呈现出时空分布不均的特点。

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.

近似稀疏约束的多层非负矩阵分解高光谱解混

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前,主要采用L_0或L_1范数作为稀疏度量。L_0稀疏性好,但求解困难;L_1求解方便,但稀疏性差。提出一种近似稀疏模型,并将其引入到多层非负矩阵分解(AL_0-MLNMF)的高光谱解混中,将观测矩阵进行多层次稀疏分解,提高非负矩阵分解高光谱解混的精度,提升算法的收敛性。仿真数据和真实数据实验表明:该算法能够避免陷入局部极值,提高非负矩阵分解高光谱解混性能,算法精度上比其他几种算法都有较大的提升效果,RMSE降低0.001～1.676 7,SAD降低0.002～0.244 3。

基于像元混合模型估计的高光谱图像解混

在高光谱图像中,线性混合像元和非线性混合像元同时存在,若采用基于单一混合模型的解混算法,会使解混精度降低。因此,提出采用神经网络对高光谱图像中的像元混合模型进行估计,然后针对不同的混合模型进行相应的像元解混。像元解混时,在目标函数中添加丰度非负和丰度和为一约束项,利用差分搜索算法优化求解目标函数以实现高光谱图像的解混。仿真和实际高光谱数据实验表明,本算法提高了解混精度,适用于线性和非线性混合模型。