基于高光谱图像的协同分层波谱识别——以兰州、榆林地区为例
发布时间：2021-08-07 03:24
提出协同分层波谱识别法,分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类,并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点:光谱信息高保真融合、敏感谱段提取、"椒盐效应"去除、消除"同物异谱"现象导致的误判,协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点,并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类,然后根据目视评判和定量评价,与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化;4尺度面向对象分割抑制"椒盐效应"的效果优于Savitzky-Golay卷积滤波、移动均值滤波;多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法,兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89. 52%、0. 852,较SVM分类分别提高18. 68%和17. 52%;榆林市H...
【文章来源】：红外与毫米波学报. 2020,39(01)北大核心EISCICSCD
【文章页数】：12 页
【部分图文】：
兰州、榆林两地EO-1/Hyperion图像（a）兰州市七里河区图像（b）榆林市榆阳区图像（c）面向对分割操作界面
图2 分层波谱识别法的技术路线
当前，Gram-Schmidt光谱锐化融合是高光谱遥感图像最常用的融合方法[16,19-20]（算法过程如图3(a)),WP-GS方法针对该方法在处理模拟全色图像和实际全色图像时存在的2个问题进行了改进：（1)Gram-Schmidt光谱锐化融合通常以Hyperion图像的152个波段的平均值[19-20]作为模拟全色图像，再与Hyperion图像152个波段重新组合后进行GS变换，并作为第1分量（即GS1分量）被实际全色图像ALI-band 1替换（GS变换前、后，GS1分量，即模拟全色图像不发生变化）。然而，以152个波段的平均值作为模拟全色图像，其光谱信息与实际全色图像ALI-band 1存在显著差异，当它作为GS1分量被ALI-band 1替换后再进行GS反变换，生成融合图像，融合图像各波段的光谱信息与源Hyperion图像相比，会存在一定程度失真，进而导致目标地物的波谱特征发生畸变，影响后续波谱识别算法的准确性和可靠性。鉴于此，本文提出WP-GS方法，对Hyperion图像152个波段进行主成分变换，然后提取主成分变换生成的第一分量（PCA1）作为模拟全色图像，之后以PCA1作为GS1分量进行GS变换，并被实际全色图像ALI-band 1替换。由于PCA1占源Hyperion图像152个波段总体方差信息的80%以上，反映了Hyperion图像总体亮度特征[20-21]，较之152个波段的平均值，其空间结构特征与实际全色图像ALI-band 1的空间结构特征更为接近，信息量特性差异更小。当用ALI-band 1替换PCA1后再进行GS反变换，进而生成融合图像，会减小融合图像各波段的光谱信息失真程度。(2)Gram-Schmidt光谱锐化在融合过程中，不对实际全色图像ALI-band 1做任何滤波处理，就直接用其替换Hyperion图像经GS变换后的GS1分量，这会使得融合后图像各波段包含较多的ALI-band 1的低频光谱特征，导致融合图像光谱信息失真。为此，WP-GS方法先利用小波变换的分频功能（单尺度），把ALI-band 1和GS1都分解出水平、垂直、对角线这3个方向的高频带小波系数（表达图像3个方向上空间结构特征），和1个低频带小波系数（对应图像DN值缓慢变化的成分，表达图像整体光谱特征）；再以ALI-band 1的各高频带小波系数替换GS1分量对应的各高频带小波系数（如图3(b）），从而形成新GS1分量。如此，仅使得ALI-band 1中决定图像清晰度的高频空间结构特征调制到新GS1分量中，而把ALI-band 1的低频光谱特征排除在外。之后，再让新GS1分量和其余的GS分量重新组合进行GS反变换，生成融合后的Hyperion图像。融合后的Hyperion图像的152个波段则仅继承了ALI-band 1的高频空间结构特征，以提升其图像清晰度。
【参考文献】：
期刊论文
[1]基于子空间中主成分最优线性预测的高光谱波段选择[J]. 吴一全,周杨,盛东慧,叶骁来. 红外与毫米波学报. 2018(01)
[2]三江源典型区草地退化Hyperion高光谱遥感识别研究[J]. 安如,陆彩红,王慧麟,姜丹萍,孙梦秋,Jonathan Arthur Quaye Ballard. 武汉大学学报(信息科学版). 2018(03)
[3]基于高光谱影像的SG滤波算法的研究[J]. 何英杰,谢东海,钟若飞. 首都师范大学学报(自然科学版). 2018(02)
[4]一种基于局部密度的高光谱异常检测背景纯化方法（英文）[J]. 赵春晖,王鑫鹏,姚淅峰,田明华. Journal of Central South University. 2018(01)
[5]公路路面质量遥感监测研究进展[J]. 潘一凡,张显峰,童庆禧,孙敏,罗伦. 遥感学报. 2017(05)
[6]一种新的用于高光谱图像小目标探测的目标光谱学习算法[J]. 钮宇斌,王斌. 红外与毫米波学报. 2017(04)
[7]高光谱遥感图像非线性解混研究综述[J]. 杨斌,王斌. 红外与毫米波学报. 2017(02)
[8]红外高光谱成像仪的系统测试标定与飞行验证[J]. 王建宇,李春来,吕刚,袁立银,王跃明,金健,陈小文,谢峰. 红外与毫米波学报. 2017(01)
[9]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福. 遥感学报. 2016(05)
[10]若干高光谱成像新技术及其应用研究[J]. 王跃明,贾建鑫,何志平,王建宇. 遥感学报. 2016(05)
本文编号：3326980
【文章来源】：红外与毫米波学报. 2020,39(01)北大核心EISCICSCD
【文章页数】：12 页
【部分图文】：
兰州、榆林两地EO-1/Hyperion图像（a）兰州市七里河区图像（b）榆林市榆阳区图像（c）面向对分割操作界面
图2 分层波谱识别法的技术路线
当前，Gram-Schmidt光谱锐化融合是高光谱遥感图像最常用的融合方法[16,19-20]（算法过程如图3(a)),WP-GS方法针对该方法在处理模拟全色图像和实际全色图像时存在的2个问题进行了改进：（1)Gram-Schmidt光谱锐化融合通常以Hyperion图像的152个波段的平均值[19-20]作为模拟全色图像，再与Hyperion图像152个波段重新组合后进行GS变换，并作为第1分量（即GS1分量）被实际全色图像ALI-band 1替换（GS变换前、后，GS1分量，即模拟全色图像不发生变化）。然而，以152个波段的平均值作为模拟全色图像，其光谱信息与实际全色图像ALI-band 1存在显著差异，当它作为GS1分量被ALI-band 1替换后再进行GS反变换，生成融合图像，融合图像各波段的光谱信息与源Hyperion图像相比，会存在一定程度失真，进而导致目标地物的波谱特征发生畸变，影响后续波谱识别算法的准确性和可靠性。鉴于此，本文提出WP-GS方法，对Hyperion图像152个波段进行主成分变换，然后提取主成分变换生成的第一分量（PCA1）作为模拟全色图像，之后以PCA1作为GS1分量进行GS变换，并被实际全色图像ALI-band 1替换。由于PCA1占源Hyperion图像152个波段总体方差信息的80%以上，反映了Hyperion图像总体亮度特征[20-21]，较之152个波段的平均值，其空间结构特征与实际全色图像ALI-band 1的空间结构特征更为接近，信息量特性差异更小。当用ALI-band 1替换PCA1后再进行GS反变换，进而生成融合图像，会减小融合图像各波段的光谱信息失真程度。(2)Gram-Schmidt光谱锐化在融合过程中，不对实际全色图像ALI-band 1做任何滤波处理，就直接用其替换Hyperion图像经GS变换后的GS1分量，这会使得融合后图像各波段包含较多的ALI-band 1的低频光谱特征，导致融合图像光谱信息失真。为此，WP-GS方法先利用小波变换的分频功能（单尺度），把ALI-band 1和GS1都分解出水平、垂直、对角线这3个方向的高频带小波系数（表达图像3个方向上空间结构特征），和1个低频带小波系数（对应图像DN值缓慢变化的成分，表达图像整体光谱特征）；再以ALI-band 1的各高频带小波系数替换GS1分量对应的各高频带小波系数（如图3(b）），从而形成新GS1分量。如此，仅使得ALI-band 1中决定图像清晰度的高频空间结构特征调制到新GS1分量中，而把ALI-band 1的低频光谱特征排除在外。之后，再让新GS1分量和其余的GS分量重新组合进行GS反变换，生成融合后的Hyperion图像。融合后的Hyperion图像的152个波段则仅继承了ALI-band 1的高频空间结构特征，以提升其图像清晰度。
【参考文献】：
期刊论文
[1]基于子空间中主成分最优线性预测的高光谱波段选择[J]. 吴一全,周杨,盛东慧,叶骁来. 红外与毫米波学报. 2018(01)
[2]三江源典型区草地退化Hyperion高光谱遥感识别研究[J]. 安如,陆彩红,王慧麟,姜丹萍,孙梦秋,Jonathan Arthur Quaye Ballard. 武汉大学学报(信息科学版). 2018(03)
[3]基于高光谱影像的SG滤波算法的研究[J]. 何英杰,谢东海,钟若飞. 首都师范大学学报(自然科学版). 2018(02)
[4]一种基于局部密度的高光谱异常检测背景纯化方法（英文）[J]. 赵春晖,王鑫鹏,姚淅峰,田明华. Journal of Central South University. 2018(01)
[5]公路路面质量遥感监测研究进展[J]. 潘一凡,张显峰,童庆禧,孙敏,罗伦. 遥感学报. 2017(05)
[6]一种新的用于高光谱图像小目标探测的目标光谱学习算法[J]. 钮宇斌,王斌. 红外与毫米波学报. 2017(04)
[7]高光谱遥感图像非线性解混研究综述[J]. 杨斌,王斌. 红外与毫米波学报. 2017(02)
[8]红外高光谱成像仪的系统测试标定与飞行验证[J]. 王建宇,李春来,吕刚,袁立银,王跃明,金健,陈小文,谢峰. 红外与毫米波学报. 2017(01)
[9]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福. 遥感学报. 2016(05)
[10]若干高光谱成像新技术及其应用研究[J]. 王跃明,贾建鑫,何志平,王建宇. 遥感学报. 2016(05)
本文编号：3326980
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3326980.html
