【摘 要】
：
成像光谱仪的出现使遥感跨入高光谱遥感时代.高光谱遥感数据为用户同时提供空间域和光谱域的信息,从而可使用户从影像中获得更多的信息.然而受到地表复杂度以及成像光谱仪分辨率的影响,传感器的一个遥感视场单元内普遍存在多种地物,因此混合像元普遍存在于高光谱影像中.混合像元的存在影响高光谱遥感图像信息提取的精度,因此对混合像元的解译成为国内外研究的热点.本文根据高光谱图像中端元之间的不相关性，利用定义的光谱协
【机 构】
：
中国科学院遥感与数字地球研究所 北京市朝阳区大屯路中国科学院遥感与数字地球研究所,100010
【出 处】
：
第三届全国成像光谱对地观测学术研讨会
论文部分内容阅读
成像光谱仪的出现使遥感跨入高光谱遥感时代.高光谱遥感数据为用户同时提供空间域和光谱域的信息,从而可使用户从影像中获得更多的信息.然而受到地表复杂度以及成像光谱仪分辨率的影响,传感器的一个遥感视场单元内普遍存在多种地物,因此混合像元普遍存在于高光谱影像中.混合像元的存在影响高光谱遥感图像信息提取的精度,因此对混合像元的解译成为国内外研究的热点.本文根据高光谱图像中端元之间的不相关性，利用定义的光谱协方差函数，提出了一种度量光谱不相关性的函数:函数值越小，光谱间的相关性越小。通过联合最小化光谱不相关函数和非负矩阵分解误差函数，获得具有最小相关性的光谱集合，最终同时得到端元光谱集以及组分信息。实验结果表明:相对于经典的MVCNMF, ASCNMF和SISAL，本文提出的算法具有较大的优势。
其他文献
高光谱遥感目标探测主要是利用目标与背景在光谱特征上存在的差异进行检测识别.但由于遥感成像系统的设计限制,为保证一定信噪比,高光谱遥感成像系统中空间分辨率往往不高,目标通常处于亚像元级.目标丰度过小,会造成目标光谱特征不明显,探测精度下降.尤其是受到背景光谱的影响,不同空间尺度下目标的光谱特征会产生变化,因而对于不同背景下的高光谱目标探测,足够的空间分辨率通常是保证较高探测精度的必要条件.本文以绿色
传统的光谱分类方法和光谱—空域联合分类方法,其本质都是寻求一种合理有效的相似性度量,实现准确的目标分类.光谱分类方法基于光谱相似性度量进行分类;而光谱—空域分类方法在考虑光谱相似性的同时,还利用了空域相似性.这种空域相似性依赖空域邻域信息,如组合核方法中的邻域均值相似性、图像分割和形态学方法中的邻域像素连通性等.从本质上来看,这些光谱—空域分类方法都在试图描述邻域像素所构成的局部区域之间的某种相似
近几年,形态学成份分析作为一种空间信息提取技术而广泛应用于遥感图像分类等应用中.然而,传统的形态学成份分析只是把图像分解成卡通和纹理成份,而忽视了在遥感图像中还包含了各种不同类型的纹理特征.因此本文在传统形态学成份分析的基础上,提出了一种多形态学成份分析方法,该方法可以基于不同的纹理特征,从而把一幅遥感图像分解成多对形态学成份,使得每一对形态学成份代表了一种特定类型的纹理特征.
针对难于获得足够多的高光谱图像训练样本的问题,基于流形学习标准、Fisher标准和最大边缘标准,提出了一种适用于高光谱图像小样本问题的近邻保持线性判别嵌入(NPLDE)监督线性流形学习特征提取方法.类内的紧性和类间的可分性通过类内近邻图和类间近邻图刻画,该方法有效地避免了因类内离散度矩阵奇异导致的小样本问题,具有更好的判别性能,更适合于分类问题.通过不同情形下高光谱数据的分类实验验证该方法的有效性
高光谱遥感影像具有图谱合一的有点,能够以较高的光谱争端能力对地物目标进行精细分类与识别,大大增强了地物信息的提取能力.近年来,随着对地观测传感技术的不断发展,高光谱遥感影像的空间分辨率正在逐步提升,影像空间细节特征得到更加精确表达,地物的纹理、形状、次存以及相邻地物的拓扑关系得到更清晰的呈现.利用空-谱关系构造多源遥感特征能够有效的提高高光谱遥感影像的解译精度.在本文中作者将进一步构造混合字典-分
高光谱遥感数据具有光谱分辨率高、图谱合一、光谱波段范围广等优点,在对地观测时可以获得许多连续的波段,携带的地物信息非常丰富,可以更加精细地刻画地物的细节信息,进而准确地识别地物.近年来,如何准确、高效地对高光谱遥感影像进行分类,已经成为了研究热点.半监督分类研究在少量的训练样本条件下,利用大量的未标记样本来提高分类精度成为了一种很好的解决方法.Zhou等提出tri_training算法,该算法与其
In this paper, a new marker selection technique is proposed using SVM over-fitting. The technique is implemented when both spatial and spectral information are extracted for hyperspectral i
本文提出了一种结合混合像元分解与主动学习的半监督分类算法:该算法将高光谱研究中的混合像元分解技术与机器学习领域中的主动学习策略进行有机结合，充分利用了各像元的丰度信息来辅助分类决策;同时，算法中设置了权重系数，用来调节“丰度最均匀”与“最易误分”像元比重。该算法可有效提高分布较少的类别的识别精度，利用更少的标记样本实现更高的总体分类精度，有效减轻样本标记工作量，这对于大尺度的作物识别与监测具有重要
高光谱遥感能够在电磁波谱的紫外、可见光、近红外和短波红外区域获取上大量的连续光谱数据,具有高光谱分辨率、图谱合一、光谱连续成像等特点.然而,由于空间分辨率的限制、以及地物分布复杂多样,高光谱遥感影像中存在大量混合像元.如何有效识别混合像元中的地物及确定其分布情况成为提高高光谱遥感应用精度的关键问题之一.混合像元分解技术是解决这一问题的有效途径,也是当前高光谱遥感影像处理的研究热点.本文针对传统方法
稀疏解混算法旨在从一个光谱库中寻找最优的端元组合来模拟高光谱图像中像元,从而求得混合像元中各端元的丰度.然而,光谱库的高相关性降低了稀疏解混算法的精度及运算效率.因此本文提出一种光谱库的简化方法,既能减弱光谱库的相关性,又能保证光谱库的相对完备性,进而提高稀疏解混算法的精度及计算速度.