【摘 要】
：
遥感影像分类是遥感学科的重要研究内容之一.高光谱影像在给地物识别带来机遇的同时,其较低的空间分辨率与海量数据也给高精度分类带来挑战.较成熟的传统监督与非监督分类方法都数是以像元灰度或像元光谱为研究对象的空间域分类技术.而在面对高光谱影像丰富的波谱信息时,如果能从光谱频率域角度来研究影像分类新方法将具有十分重要的意义.本研究结合谐波分析理论,提出一种新型非监督分类器,即谐波分析分类器(harmoni
【机 构】
：
中国矿业大学(北京),北京市海淀区学院路丁11号,100083
【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
遥感影像分类是遥感学科的重要研究内容之一.高光谱影像在给地物识别带来机遇的同时,其较低的空间分辨率与海量数据也给高精度分类带来挑战.较成熟的传统监督与非监督分类方法都数是以像元灰度或像元光谱为研究对象的空间域分类技术.而在面对高光谱影像丰富的波谱信息时,如果能从光谱频率域角度来研究影像分类新方法将具有十分重要的意义.本研究结合谐波分析理论,提出一种新型非监督分类器,即谐波分析分类器(harmonic analysis classifier, HAC).通过研究谐波分析可知,曲线的波形信息由振幅和相位决定,由于同种地物具有相似的光谱曲线,因此经谐波分析后得到的振幅和相位在同一频率下也具有一定的聚集性,此过程为谐波分析分类器的基本原理.HAC分类器算法首先对影像进行谐波分析,将影像中各个像元的光谱曲线转化到由频率、振幅和相位组成的能量谱特征空间中.其次统计第一谐波分量并绘制其直方图,根据波峰数目及位置确定初始地物类别和聚类中心像元.计算待分类像元与各个聚类中心像元间的欧式距离,根据最小距离原则对待分类像元进行归类.最后,计算聚类中心像元间的欧式距离,通过设置距离阈值完成类间合并,从而实现高光谱影像分类的目的.实验分别提取影像中两种地物的多条光谱曲线,经谐波分析后得到频率、振幅和相位量,通过分析振幅和相位量在不同频率下的分布情况验证了HAC算法理论正确性.同时将HAC算法应用到EO-1卫星的Hyperion高光谱影像得到最终分类结果,通过对比K-MEAN,ISODATA和HAC分类器的高光谱影像分类结果,证实HAC算法作为一种非监督分类方法在高光谱影像分类方面具有较好的应用性.
其他文献
高光谱图像具有丰富的空间和光谱信息，在地物分类、矿物勘探等领域具有广泛应用。由于成像设备等限制，高分辨率的高光谱图像难以获取，较低的空间分辨率会导致光谱混合，进而影响高光谱图像的辨识能力。因此，高光谱图像的超分辨重构具有较大的理论和应用价值[1]。
图像处理系统的实时性是衡量图像处理系统性能的一个重要方面。系统的实时性表示系统对于外来事件必须在限定时间内做出反应。高光谱图像是高分辨率、高带宽数据,对该数据进行实时处理时,要求的处理速度一般在NG bit/s左右,传统的串行软件设计难以满足此要求,FPGA所具有的并行处理特点为解决此类问题提供了新的途径。本课题中涉及的实时图像处理,主要是用MATLAB完成图像的主成分分析,对高光谱图像进行降维处
高光谱遥感影像的成像过程受到多种因素的干扰，包括传感器、大气、地形以及其他因素，导致影像中出现噪声、模糊、混叠、云覆盖、阴影等。通过质量改善算法来去除这些干扰因素，是高光谱遥感影像解译的一个重要步骤。本文从多个层次，较全面地回顾高光谱遥感影像的质量改善方法，利用变分框架构建泛化的重建模型，将多种降质问题统一。为了体现高光谱遥感影像质量改善方法的特殊性，我们根据所采用的高光谱针对性策略，将现有方法划
背景与意义：高光谱成像技术是目前遥感技术发展的一个前沿技术，已被成功应用于许多领域。然而商光谱影像在成像时不可避免的受到各种噪声的干扰，为其后续应用带来了各种困难与挑战。因此，影像质量改善作为高光谱数据的预处理工作具有重要意义。
快速、准确地从遥感影像中提取感兴趣的关键信息是遥感对地观测领域的重要研究内容。随着当代遥感传感器技术呈现出高光谱分辨率、高空间分辨率和高时间分辨率的新特点，传统的人工解译遥感影像的方式已经很难应用，取而代之的是计算机全自动提取遥感影像信息的新方法。虽然现在计算机硬件的发展已经为快速、准确处理海量遥感影像提供了物理基础，但是相应的数据处理算法普遍存在自适应能力不足的缺点。因此，本报告基于机器学习与模
There are two target detection algorithms which are commonly used in various applications.1) Supervised target detection 2) anomaly detection.Both of them works on a similar linear process, which make
高光谱遥感图像具有光谱分辨率高、图谱合一的特性，自诞生伊始，就受到广泛关注并被应用到各个方面中去，其中目标检测是高光谱遥感应用领域中非常重要的方向之一。目标检测本质上是一种二分类问题，即把高光谱图像区分为目标和背景两类。根据是否具有目标的先验知识，高光谱图像目标检测可以分为以下两种不同类型：异常探测(anomaly detection)和目标探测(target detection)，本文主要针对的
高光谱遥感技术出现于20世纪80年代初期，依托于成像光谱仪的成功研制，使得传统的多光谱遥感技术在光谱信息维度上产生了巨大的飞越。高光谱遥感目标探测主要是依据感兴趣目标的反射光谱与其他地物的差异，来对目标进行特定的区分和提取。相较于多光谱遥感目标探测，高光谱遥感所具有的丰富的光谱特征使得目标探测衍生到了更精细的领域。
In order to realize the effective detection of surface structure targets in hyperspectral images,an improved target detection algorithm was proposed in this paper presents to solve the CEM algorithm p
高光谱遥感是将成像技术与光谱技术相结合的多维信息获取技术。高光谱成像仪在电磁波谱的数十至数百个非常窄且连续的光谱段上采样，提供了极其丰富的信息，有助于精细的地物分类和目标识别，从而被广泛应用于地质科学、精准农业以及军事领域等[1]。然而，大量的光谱信息也会带来诸多问题。特别是当同物异谱现象严重时，单纯依靠光谱特征的分类器无法精确地将同一种类的像素划分出来。而像素的分布往往表现出空间上的特性，可以弥