高光谱遥感图像
高光谱遥感图像的相关文献在2002年到2022年内共计233篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、测绘学
等领域,其中期刊论文85篇、会议论文25篇、专利文献335480篇;相关期刊64种,包括黑龙江大学自然科学学报、哈尔滨工程大学学报、中国图象图形学报等;
相关会议19种,包括中国电子学会第二十一届青年学术年会、第九届成像光谱技术与应用研讨会暨交叉学科论坛、湖北省计算机学会2013年学术年会等;高光谱遥感图像的相关文献由486位作者贡献,包括王斌、张立明、谷延锋等。
高光谱遥感图像—发文量
专利文献>
论文:335480篇
占比:99.97%
总计:335590篇
高光谱遥感图像
-研究学者
- 王斌
- 张立明
- 谷延锋
- 张兵
- 孙蕾
- 谢雯
- 贾森
- 赵春晖
- 金旭东
- 夏威
- 孙旭
- 普晗晔
- 闫德勤
- 高连如
- 黄世奇
- 冯燕
- 刘代志
- 吴远峰
- 唐林波
- 姚爱欢
- 徐元进
- 李士进
- 梁楠
- 王文正
- 王瀛
- 王艺婷
- 王超
- 胡光道
- 葛亮
- 薛伟
- 邓宸伟
- 郭雷
- 钟平
- 陈昭
- 陈正超
- 马丽
- 齐嘉豪
- WANG Yi-Ting
- 万定生
- 余宇峰
- 刘德山
- 刘志刚
- 姜志国
- 张浩鹏
- 徐金东
- 李宠
- 李志敏
- 杨金花
- 王建宇
- 王毓乾
-
-
吴亚楠;
李西灿;
董士伟;
潘瑜春;
王怡蓉;
牛冲
-
-
摘要:
文中首先构建了高光谱遥感图像空间聚类分析技术框架;其次从距离度量相似性方面进行空间聚类的类别划分,并重点阐述了不同类型的聚类方法原理和研究进展;最后分析了不同聚类算法聚类质量限制因素及解决措施。结果表明高光谱遥感图像空间聚类的类别划分为两大类:直接利用距离度量相似性,如划分聚类;间接利用距离度量相似性,如模糊聚类、密度聚类和谱聚类。另外,针对高光谱遥感图像空间聚类存在的初始点敏感、参数设置敏感、时间/空间复杂度大等聚类质量限制因素,有针对性地提出了改变初始聚类中心的选择方式、寻找自适应参数确定方法、矩阵低秩近似等解决措施。文中研究可为高光谱遥感图像空间聚类的相关工作提供理论基础和技术支撑。
-
-
宁晨;
谢红薇;
孟丽楠
-
-
摘要:
为挖掘高光谱遥感图像的深层光谱特征,获取优化特征空间以提高分类准确率,提出了一种基于视觉词典和复杂网络的高光谱遥感图像分类的光谱特征提取方法。通过改进视觉词典方法,使用K-Means方法计算各类样本的聚类中心作为词典,并计算各待测试样本的光谱像素值与词典光谱向量中相同光谱波段的差值,计算出单个待测样本点的词频直方图。同时,为提升所提取特征关于像素点波段之间关联的表达,引入复杂网络理论,将样本点光谱向量矩阵化,利用像素点的矩阵位置和像素值构建复杂网络,再对网络进行阈值动态演化,并提取各个子网络拓扑特征。融合二者所提取的特征进行分类。在Salinas和KSC高光谱遥感数据集上的实验结果表明,该算法都可以取得更优的分类效果。
-
-
佘海龙;
解山娟;
邹静洁
-
-
摘要:
针对高光谱图像存在Hughes现象,以及空间和光谱特征利用效率低的问题,提出了一种结合标准分数降维和深度学习的高光谱图像分类算法.利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段,结合优化过的3D-CNN(3D Convolutional Neural Network)分类方法,通过使用大步距卷积层替代池化层,引入L2正则化、批量归一化(Batch Normalization,BN)、Dropout等一系列策略,在减少网络参数的同时有效防止过拟合现象.通过Pavia Centre和Pavia University两个公开高光谱数据集的实验测试,该算法大幅度降低了网络模型的参数和计算量,取得了99.01%和95.99%的分类精度.
-
-
李康;
徐金东;
赵甜雨;
刘兆伟
-
-
摘要:
提出一种基于模糊相似性度量的谱聚类算法,将其应用于高光谱遥感图像分类,利用模糊相似性度量获取锚点和样本点与锚点之间的模糊相似度,得到相似矩阵,并利用谱聚类进行图像分类。实验结果表明,所提聚类算法能够成功应用于高光谱遥感图像分类,且模糊相似性度量的引入获得了鲁棒性更好的相似矩阵,与现有方法相比,所提算法具有更好的高光谱遥感图像分类结果。
-
-
闫钧华;
苏恺;
苏荣华;
张寅;
王吉远;
谷安鑫
-
-
摘要:
利用主成分分析法滤除n维高光谱遥感图像中的大部分冗余信息,得到尽可能保留光谱信息的m维高光谱遥感图像,融合其地物空间分布信息,将m维高光谱遥感图像中的每一个像素点构建为一个2维谱-空信息向量.再利用主成分分析法法对m维高光谱遥感图像进行降维,得到q维融合地物空间分布信息与光谱信息的结果图.通过高斯混合模型预测聚类中心,基于改进的迭代自组织数据分析算法ISODATA(Iterative Selforganizing Data Analysis Techniques Algorithm)对高光谱遥感图像进行聚类,得到最终的分类结果.实验结果表明本方法的地物分类精度优于K-means、ISODATA和SVM方法,总体分类精度提升10.14%-13.99%,kappa系数提升3.2%-12.85%.
-
-
李康;
徐金东;
赵甜雨;
刘兆伟
-
-
摘要:
提出一种基于模糊相似性度量的谱聚类算法,将其应用于高光谱遥感图像分类,利用模糊相似性度量获取锚点和样本点与锚点之间的模糊相似度,得到相似矩阵,并利用谱聚类进行图像分类.实验结果表明,所提聚类算法能够成功应用于高光谱遥感图像分类,且模糊相似性度量的引入获得了鲁棒性更好的相似矩阵,与现有方法相比,所提算法具有更好的高光谱遥感图像分类结果.
-
-
袁军民;
王良民;
冯艳顺
-
-
摘要:
针对高光谱遥感图像特征提取在小样本数据时分类精度低这一问题,提出一种基于几何均值特征空间判断的高光谱特征提取方法(Gm-FSDA法),试验结果表明:Gm-FSDA法在平均分类精度、平均分类效力、总体分类精度以及Kappa指标四个分类参数中综合表现最佳,生产者精度和使用者精度分别可达61.73%和74.93%,试验提取得到的分类映射视觉效果最接近于真实地貌,表明该方法在小训练样本高光谱遥感图像特征提取分类中效果较好.
-
-
陈梅森
-
-
摘要:
本文以Geosat、ERS-1/2、Envisat、T/P、Jason-1/2、HY-2等卫星测高数据为数据源,采用SAS法对我国南海区域的海底地形进行分析研究,反演南海地区1'×1'海底地形模型,并详细阐述了基于SAS法的海底地形反演方法,计算反演模型最佳尺度因子S,以ETOPO1模型、DTU10BAT模型为长波参考模型,分别建立南海海域海底地形反演模型,为SAS海底地形模型1和SAS海底地形模型2,并以南海海域高精度船测水深数据为基准,对两种海底地形模型进行精度分析,结果表明:SAS海底地形模型1反演精度高于SAS海底地形模型2,其原因为ETOP01长波参考模型较高,故反演的海底地形模型精度较高;同时SAS海底地形模型精度要高于ETOPO1模型和DTU10BAT模型,其精度提升了近50m,表明基于SAS法的海底地形反演结果优于现有模型,为我国海底地形反演方法的研究发展提供了较好的方向.
-
-
-
-
Lei Sun;
孙蕾;
Defeng Gu;
谷德峰
- 《第五届高分辨率对地观测学术年会》
| 2018年
-
摘要:
现代高光谱遥感图像同时含有能量相当的加性噪声和乘性噪声.针对这种混合噪声,本文提出一种高光谱遥感图像噪声参数估计方法估计加性噪声和乘性噪声的标准差.参数估计前先对高光谱图像进行小波去噪的预处理,然后对去噪后的图像进行无监督分类.对每一类图像分别进行局部统计特征提取,建立关于噪声参数的线性方程组,并在最小二乘意义下求解噪声参数的估计值.该方法采用去噪后的分类技术,克服了简单分块不考虑地物分布的缺点,使得统计特征提取更加精确.仿真实验结果表明,和现有高光谱遥感图像混合噪声参数估计方法相比,本文提出的方法具有更高的估计精度.
-
-
-
郜延龙;
王忠良;
冯燕
- 《第三届全国成像光谱对地观测学术研讨会》
| 2015年
-
摘要:
高光谱遥感图像应用广泛,但其巨大的数据量给传输、存储带来了很大压力.压缩感知中压缩与采样同时进行,编码简单,解码复杂,抗误码率好,可以应用于遥感图像压缩.国内外已经存在一些高光谱压缩感知方案.但常规方案通常将重构转化为凸优化问题,计算量大,求解速度慢.本文提出了一种基于双压缩感知模型的高光谱图像压缩方案,避免了数据重构时的优化问题。在编码端,采用空谱分离的压缩采样模式,在解码端,根据线性混合模型将数据分离成端元和丰度分别进行估计,之后进行合成。实验证明,该方案能够对高光谱图像进行有效的数据压缩,并在低码率的情况下获得相当高的信噪比。
-
-
-
Jia Qi;
贾麒;
Liao Shouyi;
廖守亿;
Zhang Zuoyu;
张作宇;
Yang Xinjie;
杨薪洁
- 《第六届中国激光雷达遥感学术会议》
| 2020年
-
摘要:
近年来基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的高光谱图像解混方法引起了大家的广泛关注.但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小.为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法.首先,考虑到丰度矩阵的稀疏性,稀疏约束被添加到NMF模型中.接着,考虑到问题计算复杂、不易于优化,将其转化为重加权稀疏约束的形式,既实现了的稀疏效果,又解决了范数难以求解的问题.为提高算法收敛速度,采用交替方向乘子算法(ADMM)对模型进行优化,将目标函数拆分成几个子问题进行独立求解.基于仿真数据和真实数据的仿真实验验证了该解混算法的有效性.
-
-
Jia Qi;
贾麒;
Liao Shouyi;
廖守亿;
Zhang Zuoyu;
张作宇;
Yang Xinjie;
杨薪洁
- 《第六届中国激光雷达遥感学术会议》
| 2020年
-
摘要:
近年来基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的高光谱图像解混方法引起了大家的广泛关注.但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小.为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法.首先,考虑到丰度矩阵的稀疏性,稀疏约束被添加到NMF模型中.接着,考虑到问题计算复杂、不易于优化,将其转化为重加权稀疏约束的形式,既实现了的稀疏效果,又解决了范数难以求解的问题.为提高算法收敛速度,采用交替方向乘子算法(ADMM)对模型进行优化,将目标函数拆分成几个子问题进行独立求解.基于仿真数据和真实数据的仿真实验验证了该解混算法的有效性.
-
-
Jia Qi;
贾麒;
Liao Shouyi;
廖守亿;
Zhang Zuoyu;
张作宇;
Yang Xinjie;
杨薪洁
- 《第六届中国激光雷达遥感学术会议》
| 2020年
-
摘要:
近年来基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的高光谱图像解混方法引起了大家的广泛关注.但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小.为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法.首先,考虑到丰度矩阵的稀疏性,稀疏约束被添加到NMF模型中.接着,考虑到问题计算复杂、不易于优化,将其转化为重加权稀疏约束的形式,既实现了的稀疏效果,又解决了范数难以求解的问题.为提高算法收敛速度,采用交替方向乘子算法(ADMM)对模型进行优化,将目标函数拆分成几个子问题进行独立求解.基于仿真数据和真实数据的仿真实验验证了该解混算法的有效性.
-
-
Jia Qi;
贾麒;
Liao Shouyi;
廖守亿;
Zhang Zuoyu;
张作宇;
Yang Xinjie;
杨薪洁
- 《第六届中国激光雷达遥感学术会议》
| 2020年
-
摘要:
近年来基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的高光谱图像解混方法引起了大家的广泛关注.但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小.为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法.首先,考虑到丰度矩阵的稀疏性,稀疏约束被添加到NMF模型中.接着,考虑到问题计算复杂、不易于优化,将其转化为重加权稀疏约束的形式,既实现了的稀疏效果,又解决了范数难以求解的问题.为提高算法收敛速度,采用交替方向乘子算法(ADMM)对模型进行优化,将目标函数拆分成几个子问题进行独立求解.基于仿真数据和真实数据的仿真实验验证了该解混算法的有效性.
-
-
Jia Qi;
贾麒;
Liao Shouyi;
廖守亿;
Zhang Zuoyu;
张作宇;
Yang Xinjie;
杨薪洁
- 《第六届中国激光雷达遥感学术会议》
| 2020年
-
摘要:
近年来基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的高光谱图像解混方法引起了大家的广泛关注.但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小.为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法.首先,考虑到丰度矩阵的稀疏性,稀疏约束被添加到NMF模型中.接着,考虑到问题计算复杂、不易于优化,将其转化为重加权稀疏约束的形式,既实现了的稀疏效果,又解决了范数难以求解的问题.为提高算法收敛速度,采用交替方向乘子算法(ADMM)对模型进行优化,将目标函数拆分成几个子问题进行独立求解.基于仿真数据和真实数据的仿真实验验证了该解混算法的有效性.
-
-
-
-
-
- 中南大学
- 公开公告日期:2020.05.22
-
摘要:
本发明公开了一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法,选择一定数目波段的高光谱遥感图像数据,对所选择的各波段二维图像数据进行空间均值滤波,再将每个像元对应的多波段数据进行格式转换,将一维矢量转换为一个方阵,即每个像元对应一个方阵数据。然后设计了基于深度学习模板的六层分类器,包括输入层,第一卷积层,最大池化层,第二卷积层,全连接层,输出层;提取若干个像元对应的方阵数据作为训练集,输入该分类器并对分类器加以训练;提取若干个像元对应的方阵数据作为测试集,输入至训练完毕的分类器中,观察训练器输出的分类结果,并与真实的分类信息相比对,验证分类器的性能。本发明的分类准确率比现有的5‑CNN方法更高。
-
-
-
-
-
-
- 东华理工大学
- 公开公告日期:2018-01-16
-
摘要:
本发明属于遥感图像处理技术领域,具体为一种基于地物光谱库的高光谱遥感图像混合像元分解方法。包括步骤a,获得高光谱遥感图像的端元光谱库;步骤b,利用步骤a中得到的端元光谱库,采用波段依赖的纠正方法对原始高光谱遥感图像进行波段纠正,得到纠正后的高光谱遥感图像;步骤c,采用SUnSAL+算法,结合步骤a中的端元光谱库对步骤b中纠正后的高光谱遥感图像进行逐像元解混,得到初步解混丰度;步骤d,对步骤c得到的初步解混丰度进行丰度纠正,得到最终的解混丰度。本发明降低了图像和光谱库采集环境不同导致的光谱不一致,提高了解混精度,在高光谱遥感图像的混合像元分解和地物识别领域里具有一定的实用价值和应用前景。
-
-
- 中南大学
- 公开公告日期:2017-10-24
-
摘要:
本发明公开了一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法,选择一定数目波段的高光谱遥感图像数据,对所选择的各波段二维图像数据进行空间均值滤波,再将每个像元对应的多波段数据进行格式转换,将一维矢量转换为一个方阵,即每个像元对应一个方阵数据。然后设计了基于深度学习模板的六层分类器,包括输入层,第一卷积层,最大池化层,第二卷积层,全连接层,输出层;提取若干个像元对应的方阵数据作为训练集,输入该分类器并对分类器加以训练;提取若干个像元对应的方阵数据作为测试集,输入至训练完毕的分类器中,观察训练器输出的分类结果,并与真实的分类信息相比对,验证分类器的性能。本发明的分类准确率比现有的5‑CNN方法更高。
-