基于一类支持向量机的高光谱影像地物识别

高光谱遥感影像具有丰富的光谱信息,在地物识别方面具有明显的优势。一类支持向量机(OCSVM)不仅保留了支持向量机的原有优势,而且只需要待识别类型的训练样本。为此提出了算法,通过数学模型选择、核函数设计与参数的自适应调整将OCSVM原理融入到高光谱影像的地物识别算法中,提高了识别的精度,降低了对训练样本的要求。最后利用两幅高光谱影像进行了实验分析,实验结果证明了所提算法的有效性。

基于粒子群优化的高光谱影像端元提取算法

回顾了粒子群算法的基本原理,分析了端元提取算法的两种技术途径。利用粒子群优化的原理,结合凸面几何学理论和线性光谱混合模型,设计了一种粒子群优化端元提取算法,并设计了算法的快速实现方法。该算法不需要假设影像中存在纯像元,同时保持了端元光谱的形状。利用模拟数据和AVIRIS影像对该算法、SGA算法和NMF算法进行实验对比分析,实验结果证明该算法的端元提取精度优于其他二者。

基于OSP的端元个数估计方法

针对在缺乏先验知识的情况下难以确定高光谱影像端元个数的问题,提出一种新的虚拟维数估计方法,其结果可作为端元个数的估计。该方法采用正交子空间投影(OSP)原理,逐个提取并剥离端元信号,通过比较残余值与阈值,实现虚拟维数的估计。对模拟高光谱数据和PHI高光谱影像数据的实验结果验证方法的可行性,与Nerman-Pearson法相比其具有更高的灵活性和准确性。

面向端元提取的粒子群优化遗传算法

现有的粒子群优化(PSO)算法和遗传算法(GA)无法很好地解决高光谱影像端元提取这类离散解空间内的大规模取样优化问题。针对该问题,借鉴凸面几何学理论,利用局部模式粒子群优化的原理改进遗传算法,提出一种面向高光谱影像端元提取的粒子群优化遗传算法(PSOGA)。利用模拟数据和PHI影像对PSOGA算法和GA算法进行实验对比。分析结果证明,PSOGA算法的收敛速度优于GA算法。

LPS在无人机数据处理中的应用

一、引言无人机（unmanned aerial vehicle，UAV）遥感是航空遥感的一种重要方式，并且日益成为一种空间数据获取的重要手段，具有续航时间长、影像实时传输、高危地区探测、成本低、机动灵活等优点，是卫星遥感与有人机航空遥感的有力补充。近年来，无人机在军事和民用方面都得到了快速的发展，引起了诸多科研单位的重视，无人机遥感成为航空遥感发展的一种趋势。

VB.net与MATLAB相结合下的高分辨率遥感数据房屋信息提取

高分辨率遥感图像通常是指图像的空间分辨率在10m以内的航天、航空遥感图像数据。对于具有丰富纹理特征的高空间分辨率图像,目前急迫解决的是解决的问题是怎样实现快速的提取目标信息。而房屋信息提取技术是利用高分辨率图像提取信息的一个难点。VB.net与MATLAB相结合,结合数学形态学等相关算法进行了房屋信息的提取;把VB.net与MATLAB相结合是把VB的可视化和MATLAB强大的数据处理技术相结合来实现最优处理。经实地验证,精度评价结果表明,房屋轮廓信息提取精度为:从数量上及面积上说精度在80%以上,总的错分比率较低。房屋高度信息提取精度在85%以上,研究方法是有效的。

基于支持向量机的几种核函数遥感图像分类比较

图像分类是人们获取信息的一种重要的手段,传统的分类方法是以经验风险最小化为归纳原则,只有当训练样本数趋于无穷时,其性能才能达到理论上的最优。当样本不足时,传统的分类方法往往不能达到理想的分类精度。与传统的人工神经网络相比,支持向量机理论体现了结构风险最小化原则,它不仅结构简单,泛化能力强,而且能较好的解决小样本、高维数据和局部极小等实际问题。本文以试验区的地物分类为研究背景,建立了支持向量机的算法框架,并分别使用多项式核函数,径向基核函数、Sigmoid核函数以及线性核函数四种核函数对图像进行了多类别分类实验。

基于粒子群算法的高光谱影像端元提取技术

基于凸面几何学理论,由端元作为角点的单形体的体积应该是最大的。著名的N-FINDR和SGA算法正是基于以上理论,通过在数据云中寻找体积最大的单形体来实现端元的自动提取。本文利用粒子群优化(PSO)技术,基于凸面几何学理论,设计了一个新的端元提取算法。利用模拟和真实高光谱影像对其进行了实验,并将其结果与N-FINDR和SGA算法的结果进行了比较分析。

基于支持向量回归的高光谱影像目标探测

高光谱影像目标探测可视为一个分类问题,本文通过揭示支持向量回归(SVR)与支持向量分类(SVC)之间的关系,证明了SVR用于分类的可行性,并以此为根据提出了一种基于SVR的目标探测算法,该算法利用虚拟维数得到端元个数的估计,结合端元选择和线性混合模型生成训练样本替代从影像中选择的训练样本,因而减少了对影像先验知识的依赖。采用模拟数据和由AVIRIS获得的高光谱影像对本文算法进行了检验,结果令人满意。