【摘 要】
：
高光谱遥感技术具有图谱合一的特点,己被用于地物精细分类等领域.然而由于地物的复杂多样性,高光谱遥感影像中普遍存在混合像元现象,严重影响了地物的分类精度.混合像元分解技术能够估计混合像元中含有的地物端元以及组分丰度信息,为解决混合像元问题提供了有效的解决方法.然而,混合像元分解技术仍无法确定各端元地物在混合像元中的空间分布情况.为解决该问题,亚像元制图(Sub-pixel mapping)(又称为亚
【机 构】
：
武汉大学测绘遥感信息工程国家重点实验室 湖北武汉 珞喻路129号
【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
高光谱遥感技术具有图谱合一的特点,己被用于地物精细分类等领域.然而由于地物的复杂多样性,高光谱遥感影像中普遍存在混合像元现象,严重影响了地物的分类精度.混合像元分解技术能够估计混合像元中含有的地物端元以及组分丰度信息,为解决混合像元问题提供了有效的解决方法.然而,混合像元分解技术仍无法确定各端元地物在混合像元中的空间分布情况.为解决该问题,亚像元制图(Sub-pixel mapping)(又称为亚像元定位、超分辨率制图等)理论被提出,该方法将混合像元分割为更小单位的亚像元,并根据空间相关性理论赋予亚像元特定的地物类别,进而确定混合像元中各个端元的空间分布情况,已应用于湖泊边界提取、土地覆盖制图、海岸线提取、植被覆盖制图、变化检测等领域.针对亚像元制图这类欠定问题，本文提出了基于空间正则化的亚像元制图理论和方法，该方法通过空间正则化理论构建亚像元制图模型，采用先验模型对亚像元制图影像的空间分布模型进行约束来得到最优解。
其他文献
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.
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
由于高光谱图像的空间分辨率有限,其像元很少由单一均匀的地表覆盖类型所组成,而是同时包含几种不同的地物类型,使得混合像元成为高光谱图像所固有的特征.如何对高光谱图像中广泛存在混合像元的进行处理已经成为定量遥感分析中最为关键的问题之一.光谱解混技术虽然获得了混合像元中各类地物类别和类别组成比例(即分量图),却无法预测出在混合像元内部各地物类别具体的空间分布位置.亚像元定位技术正是为了解决上述问题而发展