最新刊期
2024 年 第 28 卷 第 1 期
-
摘要：高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术，它能够同步记录成像区域内地物的空间信息和光谱信号，故而也称为“成像光谱遥感”。高光谱遥感所获取的数据称为“高光谱遥感图像”，相较于传统的遥感数据，高光谱遥感图像具有光谱分辨率高和“图谱合一”的特点，目前已成为遥感工程应用中的重要支撑数据之一。然而，受空间分辨率限制，混合像元（即某一像元内包含多种类型的地物）问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用。混合像元分解（“解混”）是现阶段处理混合像元问题最有效的分析方法，旨在从亚像元角度出发，获取像元中纯净的光谱信号（“端元”），并分析出各类端元在像元内所占的比例（“丰度”）。在遥感领域，为实现地物信息精细化解译，目前已发展出不同类型的解混方法，在一定程度上解决了混合像元问题对遥感定量化分析的制约。如今，随着深度学习的发展，越来越多的先进理论和工具被用于处理混合像元问题，发展出了一类基于深度学习的新型解混方法。这些新方法以光谱混合模型为桥梁，用深度学习方式来解译光谱混合现象。相比于传统的解混方法，基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势，对先验知识依赖程度相对较低，对复杂场景的适应性更强。近年来，基于深度学习的解混方法发展迅速，并且在植被分布调查、农业产量估算等经常涉及混合像元问题的工作中被逐渐普及，有很好的发展前景和应用价值。本文以光谱混合模型和训练方式为基础，对现阶段基于深度学习解混的研究成果进行归类，并从不同类别的特点出发，对现有基于深度学习的解混方法进行介绍。最后，对当前的技术状况、特点和发展前景进行总结与展望，为今后解混技术的研究与应用提供参考。关键词：高光谱遥感;混合像元分解;深度学习;机器学习;深度神经网络;遥感图像处理;遥感智能解译;亚像元解译- 3229
- |
- 1430
- |
- 0
发布时间：2024-02-29 -
摘要：随着高光谱遥感技术的迅猛发展和应用需求的不断增加，高光谱遥感影像分类成为领域的研究热点。尽管监督学习已在高光谱遥感影像分类中取得了不错的效果，但在许多情况下，获取大规模标记样本来训练监督分类算法是困难和昂贵的。因此，利用半监督分类技术对高光谱遥感影像精准分类是一项重要的研究内容。本文首先简要介绍了高光谱遥感影像发展现状和部分应用场景。其次，本文对近年来高光谱遥感影像半监督分类研究的进展进行了综述，着重讨论了低密度分割法、生成式模型、基于分歧（差异）的方法和基于图的方法四种典型半监督分类方法的关键技术和优劣。最后，进一步讨论了半监督分类技术的潜力，为今后研究工作的优化提供思路。关键词：高光谱遥感影像;半监督分类;低密度分割法;生成式模型;图神经网络- 1118
- |
- 935
- |
- 0
发布时间：2024-02-29 -
摘要：随着航空航天技术与遥感技术的不断发展，遥感影像在诸多领域的应用不断拓展，其中高光谱分辨率遥感影像具有“图谱合一”的特点，即该数据既包含了具有强大区分性的地物光谱信息，又包含了丰富的地物空间位置信息，因此高光谱数据具有非常大的应用潜力。高光谱异常目标检测问题，是在对目标先验信息未知的前提下，根据光谱与空间信息实现对区域中的异常目标的进行“盲”检测，因此其在资源调查、灾害救援等领域发挥了巨大的作用，是遥感领域非常重要的研究课题。本文针对高光谱遥感影像异常目标检测研究方向，首先总结阐述了目前高光谱异常目标检测问题的主要研究进展，根据算法原理的不同对现有主流算法进行了分类与总结，主要分成了基于统计学、基于数据表达、基于数据分解、基于深度学习等不同的种类的方法，并对每类方法的特点进行分析。随后通过对现有方法的调研、分析与总结，提出了数据库拓展、多源数据融合、算法实用化等高光谱异常检测研究未来发展的3个方向。关键词：遥感;高光谱遥感;高光谱异常检测;深度学习;矩阵分解- 1853
- |
- 1473
- |
- 1
发布时间：2024-02-29
综述
-
摘要：高光谱图像异常检测作为一种无监督的目标检测，主要存在异常目标类型多样化、异常与背景不易区分、以及检测精度受场景影响大等难题。针对以上问题，本文提出了一种基于空谱多路自编码器的高光谱图像异常检测方法。首先，提出一种加权空谱Gabor滤波方法，提取高光谱图像的多尺度空谱特征；其次，采用多路自编码器降低多尺度空谱特征在光谱维的冗余度，提取空谱特征中的主要信息；最后，利用得到的主要空谱特征，结合形态学滤波与双曲正切函数进行特征增强，以提高异常与背景噪声的区分度。本文提出的方法是一种即插即用的异常检测方法，无需额外的参数输入；多路自编码器提取了多尺度主要空谱特征，以应对异常目标类型多样化的难题；通过特征增强提高了背景与异常的区分度。将本文提出的方法与9种流行的异常检测方法相比，在5个高光谱数据集上进行验证，通过对比异常检测结果图、接收机操作特性（Receiver Operating Characteristic，ROC）曲线、ROC曲线下覆盖的面积AUC（Area Under Curve）以及异常像元与背景像元的箱型图等评价指标，证明了本文方法优于其他9种方法。关键词：高光谱图像;异常检测;多路自编码器;加权空谱Gabor;双曲正切函数;特征增强- 438
- |
- 618
- |
- 0
发布时间：2024-02-29 -
摘要：在现有基于物理模型的高光谱异常探测HAD（Hyperspectral Anomaly Detection）方法中，低秩表示LRR（Low-Rank Representation）模型以其强大的背景和目标特征分离能力而受到广泛的关注和采用。然而，由于依赖手动参数的选择以及较差的泛化性，导致其实际应用受到限制。为此，本文将LRR模型与深度学习技术相结合，提出了一种新的适用于HAD的基础深度展开网络，称为LRR-Net。该方法借助交替方向乘法ADMM（Alternating Direction Method of Multipliers）优化器高效地求解LRR模型，并将其求解步骤耦合至深度网络中以指导其搜索过程，为深度网络提供了一定的理论基础，具有较强的可解释性。此外，LRR-Net以端到端的方式将一系列正则化的参数转换为可学习的网络参数，从而避免了手动调参。4组不同的高光谱异常探测实验证明了LRR-Net的有效性，与其他无监督的异常探测方法相比，LRR-Net具有较强的泛化性和鲁棒性，能够提高HAD的精度。关键词：高光谱遥感影像;异常探测;深度展开;低秩表示（LRR）;交替方向乘子法（ADMM）- 576
- |
- 650
- |
- 0
发布时间：2024-02-29 -
摘要：目标检测是高光谱领域中一个重要的研究方向，高光谱目标检测（hyperspectral target detection）是根据目标的光谱特征将像素判断为背景或者目标。在过去的几十年中已经提出了很多的检测算法，但是高光谱图像中背景样本的复杂性以及目标样本的有限性，使得检测算法面临着很大的挑战。本文提出了一种基于背景重构的高光谱目标检测算法，利用高光谱图像中背景样本占比较大的特点，训练背景样本自表示模型，然后重构出背景。同时利用约束能量最小化对残差图像进行检测，将重构出的背景用于自相关矩阵计算，避免目标样本参与计算影响目标样本的响应能量，提高了检测的精确度。在真实的高光谱图像数据上结果明显优于对比实验，验证了该方法的有效性和高效性。关键词：遥感;高光谱;目标检测;背景重构;约束能量最小化;自相关矩阵- 284
- |
- 408
- |
- 0
发布时间：2024-02-29
高光谱目标认知
-
摘要：基于遥感图像中的光学信号检测出一定时间内特定区域的变化状态的遥感图像变化检测方法，在国防安全、环境监测、城市建设等领域具有重要应用价值。由于多时相异源图像在成像机理、光谱范围、空间分辨率等方面存在差异，现阶段异源遥感图像变化检测仍存在精度不够高、漏检和误检等问题，本文提出一种基于Transformer网络的异源变化检测网络框架，该框架能够利用不同类别的异源遥感图像获得准确的变化检测结果。首先，所提出检测网络为多时相遥感图像自适应生成对应的光学信号Token（光信Token）；然后，以光信Token作为引导与对应图像块Token进行交互计算，从而对双时相序列特征进行变化分析，并且在交互学习过程中构建了差分放大模块以提高网络对特征间差分信息的提取精度；最后，利用多层感知机对输出的差分Token进行预测并分割出变化区域。采用Sardinia、Shuguang和Bastrop等3个不同类别的异源遥感图像数据集和Farmland同源高光谱图像数据集来验证本文提出的方法，结果证明在选取有限训练样本数据情况下，本文方法与现有主流变化检测方法相比，在多个客观指标以及主观视觉上都表现出先进性。关键词：遥感;异源图像;变化检测;多模态分析;深度学习;Transformer- 339
- |
- 301
- |
- 0
发布时间：2024-02-29 -
摘要：高光谱作为“图谱合一”的遥感技术，具有精细光谱和空间影像的地面覆盖观测与识别优势。然而，高光谱遥感数据的光谱信息表征以及空间信息的利用给双时相高光谱遥感图像变化检测任务带来了巨大的挑战。为此，本文探讨了一种光谱—频域属性模式融合的高光谱遥感图像变化检测方法SFDAPF（Spectral-Frequency Domain Attribute Pattern Fusion）。首先，设计一种基于梯度相关性的光谱绝对距离，使双时相高光谱遥感图像像元对的属性模式从光谱信息表征方面得到了逐级量化；其次，基于傅里叶变换理论提出一种变化像元属性模式显著性增强策略，从全局空间信息利用方面改善了变化与非变化属性像元对的可分性；再次，将全图属性模式显著性水平与梯度相关性的光谱绝对距离进行融合，得到变化检测的综合界定值；最后，依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。将本文提出的SFDAPF方法在开源的双时相高光谱遥感图像河流和农场数据集上进行了变化检测性能验证，结果表明SFDAPF方法能够优于传统的和最新的变化检测方法，变化检测的总体精度在河流和农场数据集上分别达到了0.96508和0.97287（最高精度为1.00000）。证实了本文SFDAPF方法的有效性。关键词：高光谱图像;变化检测;图像融合;特征提取;显著性分析;傅里叶变换- 610
- |
- 672
- |
- 0
发布时间：2024-02-29 -
摘要：随着遥感卫星技术的快速发展，高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而，由于设备误差和大气因素等原因，采集的高光谱图像中常常存在噪声，这会影响后续任务的准确性。因此，高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质，然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息，具有较强的表达能力，但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题，本文利用高光谱图像的空间—光谱低秩特性，提出一种低秩张量嵌入深度神经网络方法，可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示，通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时，将低秩张量分解模块与Unet相结合，对浅层特征进行低秩张量表示，以捕捉高光谱图像的空间—光谱低秩特性，提高了模型的去噪能力。当噪声标准差在［0—95］时，算法可以取得41.02 dB的PSNR和0.9888的SSIM。仿真数据和真实数据实验结果表明，所提出的低秩深度神经网络方法去噪效果优于其他方法。关键词：高光谱图像去噪;深度神经网络;低秩张量表示;知识驱动深度学习;CP分解;U-Net- 428
- |
- 751
- |
- 0
发布时间：2024-02-29 -
摘要：高光谱影像受到高维波段间强相关性的困扰，导致处理应用的困难。而现有高光谱波段选择方法通常以线性角度考虑波段间关系，未充分考虑多尺度的信息且容易受到噪声的影响，导致所选的波段子集性能不佳。为了克服上述问题，本文提出了基于多特征的深度子空间聚类方法进行高光谱影像波段选择。该方法将自表达层嵌入到卷积自编码器中学习子空间自表达系数，充分考虑了空间信息和光谱信息的交互，用非线性的视角思考了波段间关系。为了提高潜在表征的学习能力，提升自表达系数学习的准确性，本文将注意力模块和多特征提取模块与卷积自编码器相结合，进一步降低了异常值的干扰。本文在3个高光谱遥感影像数据集上，将提出的方法与几种经典主流的方法进行多种对比实验，证明了本文方法能够选择具有代表性的波段子集。关键词：高光谱遥感;降维;波段选择;多特征;深度子空间聚类- 393
- |
- 593
- |
- 0
发布时间：2024-02-29 -
摘要：在高光谱解混的过程中考虑影像的空间信息，能够有效提高解混精度。而超像素分割能够划分空间同质区域，为此本文提出一种考虑光谱信息和超像素分割的解混网络（SSUNet）。首先需对原始影像进行超像素分割处理，获得具有空间特征的超像素分割数据，然后采用SSUNet对原始高光谱数据和超像素分割数据进行训练和解混。在线性和非线性混合模型生成的模拟数据集和两个真实数据集上的实验表明，与SUnSAL、SUnSAL-TV、SCLRSU、MTAEU、EGU-Net-pw和1DCNN的解混结果相比，所提网络具有更高的解混精度和较好的鲁棒性。关键词：高光谱图像;高光谱解混;光谱和空间信息;超像素分割;深度学习;卷积神经网络- 431
- |
- 360
- |
- 0
发布时间：2024-02-29
高光谱信息提取
-
摘要：如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来，得益于深度学习强大的特征学习能力，其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而，现有的深度学习模型大多基于监督学习的模式，分类性能依赖标注样本的数量和质量。为此，本文提出了一种基于模态间匹配学习的联合分类方法，充分利用未标注样本的信息，减少对标注信息的依赖性。具体而言，本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法，构造模态匹配标签。然后，利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成，每个分支负责提取单个模态的特征。最后，以该网络为基础，构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化，因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性，在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明，与已有的分类模型相比，本文方法能够获得更高的分类性能。关键词：遥感图像;高光谱图像;激光雷达数据;深度学习;匹配学习;联合分类- 799
- |
- 636
- |
- 0
发布时间：2024-02-29 -
摘要：高光谱遥感能够同步获取目标场景的光谱数据和空间图像，满足对目标物体成分组成和形貌特征的探测需求，已被广泛应用于精准农业、地质勘察、环境监测和生物医学等领域。近几年，得益于优秀的空谱信息表征能力，基于卷积神经网络的高光谱图像分类方法取得了优于传统方法的分类精度。然而，基于一定规则和固定方形窗口的卷积运算无法满足不同对象、不同分布的空谱特征提取需求，当像素位于类别边缘时该模式无法避免其他类别的无关信息，导致类别间的信息扩散以及跨类别像素的误分和错分。针对上述问题，本文提出了一种基于多方向自适应感知的高光谱图像空谱联合分类方法，并通过联合不同邻域范围的空谱上下文信息来改善模型的局部空谱建模能力。具体研究过程如下：首先，将常规卷积网络的全窗口滤波器拆分为不同方向的半窗滤波器，从而设计出侧窗卷积以捕捉具有方向性的空谱特征；然后，在此基础上进一步将不同方向的侧窗滤波核整合到统一的卷积架构中构造空谱分离多方向卷积，并设计方向自适应感知模块，以密集连接构建基于高光谱图像的多方向自适应感知分类网络，赋予模型自适应学习多种空谱结构特征的能力，弥补常规卷积和侧窗卷积只能建模单一方向空谱关系的不足，提升模型对复杂空谱结构的刻画能力。在3个公开数据集上的实验结果表明，本文提出的多方向自适应感知分类方法较常规卷积方法具有更优的分类性能，能增强边缘样本的表征准确性，改善分类中的边缘混淆现象。关键词：遥感;高光谱图像;深度学习;多方向自适应感知;空谱结构建模;空谱联合分类- 469
- |
- 585
- |
- 0
发布时间：2024-02-29 -
摘要：近年来，集成学习成为高光谱遥感影像分类的研究热点，尤其是动态集成算法根据测试样本的特征自适应地选择最佳分类器，其分类性能显著提升。然而现有的动态集成方法仅考虑测试样本与验证样本的光谱信息，忽略了高度规则化的高光谱遥感影像包含的丰富空间信息。为进一步提升高光谱遥感影像动态集成算法分类的准确性和可靠性，提出了联合空间信息的可变K邻域动态集成算法VKS（Variable K-neighborhood and Spatial Information）和联合自适应邻域空间信息的可变K邻域动态集成算法VKSA（Variable K-neighborhood with Shape-Adaptive）。两种算法第一阶段综合考虑分类器精度与相似度自适应地改变测试样本的K邻域，第二阶段分别设计固定窗口和自适应窗口的嵌入方式增加地物的局部空间近邻关系，充分利用高光谱遥感影像地物复杂的空间形态结构信息。实验部分采用3组通用的高光谱遥感影像数据对所提出算法的性能进行综合评价。结果表明相比于传统的动态集成算法，本文提出的联合空间信息的动态集成模型能显著提升分类精度，其中基于自适应窗口方式的VKSA算法明显优于基于固定窗口的VKS算法。关键词：高光谱遥感;动态集成;自适应邻域;协同表示;影像分类- 790
- |
- 415
- |
- 0
发布时间：2024-02-29 -
摘要：深度卷积神经网络在高光谱图像分类任务上取得了优越性能。但是，主流深度学习算法通常采用一阶池化运算，容易忽略光谱之间的相关性，因而难以获取高阶统计判别特征。另外，这类算法往往难以选择最优的窗口大小去捕获不同感受野信息。针对上述问题，本文提出了一种结合协方差池化和跨尺度特征提取的高光谱影像分类方法。该方法设计了跨尺度自适应特征提取模块，能够自动提取多尺度特征，获取不同视野的互补信息，避免了尺度选择问题；进一步利用平均池化和快速协方差池化的联合池化操作，得到一阶统计量和结合空间光谱信息的二阶统计量；最终，将一阶和二阶池化特征进行融合用于分类。在3个公开高光谱数据集Indian Pines、Houston和Pavia University上分别随机选取5%、5%和1%标记样本进行训练，本文算法得到的总体分类精度分别达到97.63%、98.48%和98.21%，分类性能优于主流深度学习方法。关键词：高光谱图像分类;协方差池化;多尺度;特征融合;卷积神经网络- 287
- |
- 502
- |
- 0
发布时间：2024-02-29 -
摘要：自训练方法被广泛应用于高光谱影像分类任务中以解决标记样本获取困难的问题。传统的自训练方法不仅忽略了高光谱影像所能提供的空间信息，导致最终分类精度受到影响；同时在每次迭代过程中都需要完成一次对未标记数据的分类任务，导致需要大量的时间成本。因此，针对上述问题，本文提出了一种基于空间—光谱信息的快速自训练方法用于高光谱影像分类。与传统的自训练方法不同，该方法在迭代过程中使用空间—光谱信息对未标记数据进行筛选完成标记样本的扩充，而不是使用分类器对未标记样本进行分类。首先针对初始标记样本使用空间邻域块选择空间近邻点，然后使用自适应阈值对空间近邻点进行二次筛选得到空谱近邻点赋予标记，最后根据扩充后的标记样本对分类器进行训练完成分类任务。结果表明，在Washington DC Mall Subimage 高光谱数据集中每类分别选择2个和10个训练样本时，整体分类精度分别达到了93.17%和95.43%；而在Indian Pines数据集中整体分类精度分别达到了59.75%和86.13%。我们提出的结合空间—光谱信息的快速自训练方法和对比方法相比，我们的方法有明显的提升。关键词：高光谱遥感;半监督分类;小样本问题;空间—光谱信息;自训练方法- 282
- |
- 397
- |
- 0
发布时间：2024-02-29 -
摘要：高光谱遥感域自适应分类旨在利用有标注样本的源域知识对无标注的目标域场景进行分类，是高光谱跨场景分类的重要方法之一。目前流行的域自适应分类方法利用对抗训练模式实现目标域与源域的特征对齐，但未考虑源域知识是否充分转移至目标域这一关键问题。为了有效提取并迁移源域知识，本文提出一种基于对抗与蒸馏耦合模式的高光谱遥感自适应分类方法UDAACD（Unsupervised Domain Adaptation by Adversary Coupled with Distillation）。该方法采用类内样本自蒸馏方式对源域信息进行提炼，提高自适应分类模型对源域监督知识的提取能力；同时，构建知识蒸馏与对抗耦合机制使目标域与源域特征在对抗与蒸馏中实现对齐，利用对抗与蒸馏耦合机制相互补充、相互促进，提升高光谱遥感知识从源域至目标域的迁移能力，进而完成目标域高光谱影像的无监督分类。本文选用Pavia University、Pavia Center、Houston 2013及Houston 2018高光谱遥感场景数据集进行了4组跨场景图像分类实验，结果表明所提出的模型优于其他高光谱域自适应方法，在相同样本条件下取得了较高的分类精度，准确率分别为91.75%（Pavia University->Pavia Center）、74.41%（Pavia Center->Pavia University）、70.68%（Houston 2013->Houston 2018）及67.76%（Houston 2018->Houston 2013），验证了方法的鲁棒性。关键词：高光谱遥感;图像分类;域自适应;知识蒸馏;生成对抗网络- 606
- |
- 407
- |
- 0
发布时间：2024-02-29 -
摘要：高光谱影像具有丰富的空间和光谱信息，充分提取和利用这两个维度的信息是高光谱分类算法重点关注的问题。目前深度特征提取网络通常利用单分支串行网络连续提取空谱特征或双分支并行网络分别提取空谱特征。由于空间和光谱维内在差异，单分支串行网络连续提取的两类特征之间会互相干扰。并行双分支网络虽然可以减少两类特征之间的干扰，但同时会忽略空间和光谱特征间的潜在相关性。为解决上述问题，本文提出了一种三分支分组空谱注意力深度网络结构。该网络具有3个分支，分别用于提取空间、光谱和空谱联合特征。针对3个分支的不同特性，设计了不同的注意力机制以加强特征的判别性。该网络既可以提取独立的空间和光谱特征，又保留了空间和光谱之间的相关性。在5个数据集上的实验表明，本文所提出的方法要优于现有的一些先进算法。关键词：高光谱影像分类;注意力机制;三分支结构;深度网络- 276
- |
- 389
- |
- 0
发布时间：2024-02-29
高光谱地物识别
-
摘要：准确的湿地分类可掌握湿地时空分异特征，在湿地研究中占据重要地位。针对现有基于小样本学习的湿地分类方法仅局限于利用目标域或单源域数据的问题，本文提出一种3D多源域自注意力小样本学习模型3D-MDAFSL（3D Multi-source Domain self-Attention Few-Shot Learning）。首先，结合卷积和注意力机制的优势，设计基于自注意力机制和深度残差卷积的3D特征提取器；然后，采用对抗域自适应策略实现多源域特征对齐，在每个域分别进行小样本学习；最后，利用训练好的模型提取特征，并将特征输入至K近邻（K-nearest Neighbor）分类器以获取分类结果。结果表明，3D特征提取器相比无特征提取框架的湿地总体分类精度提升约6.79%；当使用多源域数据集时，3D-MDAFSL模型对中山市Sentinel-2湿地数据集的总体分类精度能达到93.52%，相比于现有算法有明显提升。本文所提出的3D-MDAFSL模型在湿地地物高精度提取和分类中有较好的应用价值。关键词：遥感;小样本;湿地分类;多源域;自注意力- 410
- |
- 491
- |
- 0
发布时间：2024-02-29 -
摘要：中国蔬菜产业规模大、产值高，是促进农民增收和农村农业经济发展的支柱产业。快速准确地获取区域尺度蔬菜种植结构信息对于农业现代化、自动化和精细化等具有重要意义。无人机高光谱遥感技术具有快速机动灵活和“图谱合一”的优势，在作物精细分类中具有广泛应用前景。然而蔬菜作物种植规模差异大、农业景观破碎度高，同时还受地膜、大棚和防鸟网覆盖等影响，无人机高光谱图像易产生严重的混合光谱效应，给蔬菜作物精细分类带来了极大的挑战。针对此问题，本研究以湖南省农科院高桥科研基地蔬菜种植区为例，获取无人机高光谱图像，探索采用支持向量机和深度学习方法对不同蔬菜作物进行精细分类。研究结果表明：基于无人机高光谱遥感数据，可以实现不同覆盖背景下的蔬菜作物精细分类；两大分类方法的平均总体精度分别为78.03%和90.75%，平均Kappa系数分别为0.7359和0.8887，相较于支持向量机方法，基于深度学习的分类方法获得的精细分类效果更加理想，三维卷积神经网络和引入注意力机制的卷积神经网络可以有效提取图像中的光谱—空间特征信息，在蔬菜作物精细分类中体现出更好的分类效果；蔬菜作物在大尺度地块上空间纹理特征明显，而在小地块尺度上差异较大，宜采用不同深度学习方法对其进行精细分类；不同覆盖背景与蔬菜作物产生混合光谱效应，对作物精细分类效果影响显著。关键词：精细分类;蔬菜作物;无人机;高光谱;大棚;地膜- 1322
- |
- 803
- |
- 0
发布时间：2024-02-29 -
摘要：准确监测土壤有机碳密度SOCD（Soil Organic Carbon Density）对调控土壤碳汇、合理利用土壤资源具有重要意义。机载高光谱影像为精细化SOCD制图提供了重要数据源。由于机载高光谱在数据收集过程中易受到外部因素的影响，光谱中存在噪声影响SOCD的估算精度。因此，本研究旨在探究基于机载高光谱影像估算SOCD的技术流程。对原始光谱进行预处理，包括一阶微分FD（First Derivative）和包络线去除CR（Continuum Removal）变换。采用遗传算法GA（Genetic Algorithm）选择特征波段，并结合不同回归方法，如偏最小二乘回归PLSR（Partial Least Square Regression）、多元线性回归MLR（Multiple Linear Regression）、支持向量机SVM（Support Vector Machine）和人工神经网络ANN（Artificial Neural Network）估算SOCD。结果表明，在经过GA特征波段选择后，原始光谱、FD光谱和CR光谱预测SOCD的精度均有所提高。使用原始光谱特征波段，PLSR、MLR、SVM和ANN共4种模型预测SOCD的决定系数R²分别为0.672、0.621、0.551和0.678。使用FD与CR光谱特征波段的R²范围分别在0.452—0.593和0.332—0.602，具有较大的误差。利用原始光谱的特征波段进行SOCD数字制图，不同回归模型预测的SOCD在空间上具有较为相似的变化趋势，与SOCD测量值较为相近，绝对误差较大的点多出现在采样点边缘附近。关键词：土壤有机碳密度;机载高光谱;遗传算法;数字土壤制图- 1116
- |
- 449
- |
- 0
发布时间：2024-02-29
高光谱遥感应用
-
摘要：高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势，传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类，并逐步建立完善高光谱遥感场景分类数据集。然而，目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法，主要采用遥感影像的空间信息进行场景类别解译，忽视了高光谱场景的光谱信息。因此，为构建高光谱影像的遥感场景分类数据集，本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据，使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本，结合Google Earth高分影像进行目视筛选，构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验，通过视觉词袋、卷积神经网络等方法的基准测试结果，对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。关键词：高光谱遥感;珠海一号;场景分类;数据集;特征提取- 760
- |
- 886
- |
- 0
发布时间：2024-02-29
高光谱数据集论文
- 地址：北京市海淀区北四环西路19号 《遥感学报》编辑部 邮编：100190
- 联系电话：010-58887052 Email：nrsb@aircas.ac.cn
- 技术支持由北京北大方正电子有限公司提供 京ICP备20021838号-9
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0