罗甫林[1]2016年在《高光谱图像稀疏流形学习方法研究》文中研究表明高光谱图像是由成像光谱仪记录地物对电磁波的反射值而获取,包含从可见光到近红外范围内的数十上百个连续且狭窄的波段。高光谱图像光谱分辨率高,可辨识细微差异的地物,目前已广泛应用于环境监测、精准农业、目标识别和地物分类等领域。在高光谱图像分类中,传统分类方法因数据量大、波段数多、波段间的相关性强而导致“维数灾难”。因此,如何减少波段数且不丢失有用信息是目前高光谱图像分类领域的研究前沿与热点。特征提取是减少高光谱图像波段数的有效方法,能获得有用的内在信息,可有效改善分类结果。论文在流形学习、图嵌入和稀疏表示等理论的基础上,重点开展了基于稀疏流形学习的高光谱图像特征提取方法研究。主要研究工作如下:(1)根据高光谱图像的特点及其面临的挑战,引出特征提取在高光谱图像分类中的优势。然后系统地介绍了高光谱图像的特征提取和分类方法,并回顾了特征提取和分类方法的发展历程。重点介绍了流形学习、图嵌入和稀疏表示的基本原理和相关方法,为论文奠定了坚实的理论基础。最后总结了高光谱图像分类的精度评价指标和常用的高光谱数据集。(2)深入研究了基于流形学习的高光谱图像特征提取方法。通过对流形学习方法的分析,引出图嵌入框架,并详细分析了该框架下的边界Fisher分析(MFA)算法。针对MFA不能有效表达具有大量同质区域的高光谱图像内在结构的问题,提出局部几何结构Fisher分析(LGSFA)算法。LGSFA利用数据的邻域和各邻域的类内重构点来揭示高光谱图像的内在流形结构,增强了特征的表达性能。在Salinas和Indian Pines高光谱数据集上展示了LGSFA算法的有效性。(3)研究了基于稀疏表示的高光谱图像特征提取方法。对于图嵌入框架在构图时面临近邻选取困难的问题,提出稀疏保持分析(SPA)算法。SPA根据稀疏表示的自然鉴别力,能自适应地揭示出数据间的相似关系,并通过稀疏系数构建稀疏图,提取出更有效的鉴别特征。针对PaviaU和Urban高光谱数据的分类实验,SPA比其他相关方法具有更好的分类结果。在SPA的基础上,根据高光谱数据的类别信息,提出稀疏鉴别学习(SDL)算法。SDL通过稀疏表示揭示出数据间的相似性,构建类内稀疏图和类间稀疏图,并增强同类数据的相似权值,进而改善非同类数据间的可分性。在Indian Pines和Urban高光谱数据集上的分类结果表明,SDL能更好地表征数据的内在属性,提升分类精度。(4)根据流形学习和稀疏表示,开展了稀疏流形学习方面的研究。根据稀疏流形编码具有自适应地选取来自同一流形数据的特点,提出稀疏流形嵌入(SME)算法。SME通过构建稀疏流形图来揭示出数据的稀疏流形结构,进而有效地表达数据的内在特性。结合高光谱图像的类别信息,提出稀疏鉴别流形嵌入(SDME)算法。SDME增强了同类数据的聚集性,提取出更有效的鉴别特征。在Indian Pines和PaviaU高光谱数据集上的实验结果表明,SME和SDME比相关方法具有更好的分类精度。为同时利用高光谱数据的标记样本和无标记样本,结合稀疏流形编码,提出半监督稀疏流形鉴别分析(S3MDA)算法。S3MDA利用标记样本和无标记样本的稀疏系数分别构建了类内图、类间图和非监督图,在低维空间中,聚集类内图的特性,分离类间图的特征,同时聚集非监督图的相似性,进而得到更好的低维特征。对于PaviaU和Salinas高光谱数据集的分类实验,与其他特征提取方法相比,S3MDA能得到更好的分类精度。综上所述,论文主要开展了高光谱图像特征提取方法的研究,在流形学习、图嵌入和稀疏表示的基础上,逐步深入地构建了基于流形学习、稀疏表示和稀疏流形学习的高光谱图像特征提取方法,并通过高光谱数据集对各方法的有效性进行了验证。
吴琼[2]2012年在《基于高光谱成像技术的小麦苗期监测研究》文中指出小麦幼苗的发育好坏直接影响最终的产量、品质及安全性，苗期长势是农艺学家、育种家、生物化学家非常关注的作物特性。目前，作物长势无损监测研究大多侧重于采用光谱技术获取中后期的群体参数（叶面积、生物量、覆盖度等）实现。而幼苗的光谱检测研究还较少，除了限于个体分析，在大范围无损监测方法方面更缺乏。光谱成像技术具有“图谱合一”的特性，它能同时获取观测对象的光谱与图像信息，且有很高的光谱分辨率和更精细的波段，海量的图谱信息在研究作物个体差异性方面具有得天独厚的优势。论文利用高光谱成像仪，开展了盐、冻害、干旱等不同胁迫类型下的苗期小麦长势监测研究及穗发芽程度识别研究，初步探索了基于高光谱成像技术的小麦苗期长势监测方法，这为地面、航空和卫星遥感监测小麦苗情提供了理论依据。研究的具体内容如下：1.利用高光谱成像诊断小麦苗期盐胁迫程度。通过对中国春（对盐敏感）、洲元9369（普通高产）、长武134（耐盐）的小麦幼苗进行盐胁迫处理，活体采集126个小麦叶片样本在400～1000nm波段范围内的成像光谱数据，分析小麦幼苗叶片光谱与相对叶绿素含量值（SPAD）间的相关性，利用成像光谱仪图谱合一的优势，对盐胁迫状态下小麦幼苗的冠层、单株、叶片的不同尺度、不同区域的特征进行分析，对其叶绿素组分分布情况进行诊断。结果表明在693nm处相关系数绝对值最大，筛选为小麦幼苗的特征波长，通过建立回归模型，进行叶绿素反演填图，从填图结果中可以直观看出叶片不同部位叶绿素的分布情况。为了提高模型预测效果，更充分利用光谱信息，采用偏最小二乘法（PLS）建立预测模型，其相关系数R=0.8138，标准差SEC=4.7552。表明成像光谱能够预测不同盐胁迫处理下的小麦幼苗的组分信息，从而根据组分含量高低对盐胁迫程度进行诊断。2.利用高光谱成像监测小麦苗期冻害胁迫。2010年冬季在北京种植30个南方地区主栽的抗冻性较差的小麦品种，在三个不同时期进行冻害程度检测。采集小麦叶片样本在450～900nm波段范围内的成像光谱，并利用多酚测定仪测量小麦的氮平衡指数。结果表明，随着冻害程度的加深，在450～650nm波段，光谱的反射率逐渐增加，而在700～900nm波段，光谱反射率逐渐减小。通过提取光谱图像中小麦的平均光谱，对小麦幼苗冠层的光谱反射率与氮平衡指数进行相关性分析，最大负相关系数出现在650nm～700nm之间的红边位置，相关系数约为-0.7。在680nm处，三个时期冻害胁迫下的相关系数绝对值均为最大，筛选为小麦幼苗冻害诊断的特征波长，根据特征波长下的光谱图像，可直观看出小麦受冻害的区域及程度。研究表明基于高光谱成像技术监测小麦幼苗冻害胁迫是可行的，能够精确反映小麦幼苗受冻害的部位。3.利用高光谱成像监测小麦苗期干旱胁迫。分别在三个时期采集小麦幼苗发生干旱胁迫时的成像光谱数据，并记录相应的苗期单株叶片的SPAD值，发现随着干旱胁迫程度的加重，扬麦15、扬麦158、京冬8三个抗旱性较差的小麦中，测得的单株叶片的SPAD平均值逐渐减小，而抗旱性较好的农大211所测得的叶片SPAD值在两个时期的测量值相近，差异不大。分析发现在450nm～700nm光谱波长范围内，小麦干旱胁迫最严重时，其冠层平均光谱反射率最高，且不具有明显的绿色植被的光谱反射率特征波峰。通过对苗期干旱胁迫下的冠层高光谱反射率进行一阶微分，并与所测的叶绿素SPAD平均值建立相关系数曲线，发现在700～780nm范围内光谱与SPAD值正相关，表明干旱胁迫可能对光谱曲线的红边产生了较大的影响，其他波段区内，相关系数均较低。上述结果表明成像光谱能够反映小麦幼苗干旱胁迫下的长势状况。4.利用高光谱成像监测小麦苗期的田间长势状况。获取大田正常生长的小麦的成像光谱，基于遗传算法挑选的6个特征波长，分别与小麦幼苗单株叶片的含氮量、叶绿素两个营养组分信息进行预测，采用PIS方法建立相关模型，进行相关分析结果表明：基于遗传算法结合PIS方法建立的小麦氮素、叶绿素GA-PLS模型，均优于基于全谱波长范围的FS-PLS模型和基于经验选择波长范围的ES-PLS模型。预测小麦苗期氮素的GA-PLS模型相关系数R=0.9，校正标准差SEC=0.0841，预测标准差RPD=1.4358，相对百分值RSEP=9.3893%。小麦叶绿素的GA-PLS模型相关系数R=0.8303，校正标准差SEC=0.1169，预测标准差RPD=0.8064，相对百分值RSEP=13.899%。5.利用高光谱成像识别小麦穗发芽程度。应用成像光谱仪分别对四种不同水分处理下的120个小麦穗进行分析，采集小麦穗部及籽粒的平均光谱反射率，并进行对比分析研究，结果表明：基于高光谱成像特征波段提取的RGB合成彩色效果图要优于基于机器视觉的小麦穗发芽成像图。小麦穗部发芽与否会在其光谱特性上有所反映，特别是在675nm处，发芽小麦与未发芽小麦的光谱反射率存在明显差异，小麦穗发芽的部位在675nm处会出现吸收谷，而未发芽部分则没有，以此通过光谱曲线在675nm处的变化情况，可判断小麦穗部是否发芽。从而说明，成像光谱可以较好的区分不同水分处理下的小麦穗发芽情况，表明利用高光谱成像技术对小麦穗发芽进行无损监测具有可行性。
胡昊[3]2009年在《基于可见光—近红外光谱的冬小麦氮素营养诊断与生长监测》文中研究指明本文分析了冬小麦冠层及叶片不同光谱特征参量在不同氮素水平下的变化,考察了不同光谱数据来源(高光谱、主动光谱以及成像光谱)提取的光谱特征参量与氮素及生长参数之间的相关关系,在实测数据验证的基础上,提出了不同光谱技术进行冬小麦氮素诊断与生长监测的最佳光谱参量与生育时期,建立了能够用于田间实际应用的估算与监测模型。主要结论如下:冬小麦冠层高光谱不同波段位置及组合形式对氮素的敏感程度不同,并且不同光谱特征与氮素、生长参数的相关性存在差异。冬小麦冠层光谱R550(550 nm处光谱反射率)与R680能区别不同处理氮素含量并对氮素含量进行估算。冬小麦冠层光谱随施氮量与生育期的变化出现“红移”与“蓝移”现象。红边特征参数与氮素含量呈极显著相关,通过REP(红边位置)、Lo(红谷位置)可对氮素进行估算,此外REP可以用于叶绿素含量、地上部生物量、产量的估算与监测,并且模型精度较高。施氮量与Area672(672 nm处的反射峰面积)、ND672(672 nm处的归一化反射峰深度)呈极显著相关,通过Area672、ND672可以对冬小麦氮素含量进行反演。利用GreenNDVI对单株叶鲜重进行监测效果较好。拔节期冬小麦冠层高光谱特征参量与叶氮含量的相关性优于其他生育期,对冬小麦氮素估算及生长监测选择拔节期最佳,直线回归方程是描述基于冬小麦冠层光谱特征与氮素及生长参数之间相关关系的主要数学形式。施氮对冬小麦叶片不同颜色空间内的特征值及其组合形式影响显著。氮素对RGB、HIS、OHTA颜色空间的红光值R、绿光值G、亮度I、饱和度S、洋红色值M以及OHTA颜色参量I1、I2、I3值影响较大。通过HIS颜色空间可以对冬小麦叶氮含量进行估算与监测。除个别参数外,RGB、HIS、OHTA、CMYK、Lab等5种颜色空间各颜色特征参量及转换形式均与叶绿素含量呈极显著相关,其中OHTA颜色空间与叶绿素含量的相关系数较大。各颜色空间多数颜色特征均与地上部生物量、单株叶鲜重显著相关。直线与指数方程是各颜色空间描述叶氮含量的最主要也是最佳形式。CMYK、RGB颜色空间与地上部生物量的相关性优于其他颜色空间。SPAD-502的SPAD值、GreenSeeker的NDVI读数、叶氮含量以及生长参数的生育期变化与作物的生长发育过程密切相关,拔节期是基于SPAD-502估测叶绿素含量与GreenSeeker进行氮素营养诊断的最佳时期,抽穗期是不同氮处理的生长参数差异最为明显的生育期,并且是基于SPAD-502与GreenSeeker进行生长监测的最好时期。利用SPAD-502可以对冬小麦叶片的叶绿素含量状况进行诊断,GreenSeeker可以对冬小麦的叶氮营养进行诊断。通过抽穗期的叶SPAD值或冠层NDVI值可以对生长参数进行估测。利用高光谱特征参量进行氮素诊断可以选择的参数较多,而且模型精度较高。与高光谱相比,SPAD与NDVI有很强的针对性,利用SPAD估算叶绿素含量精度较高,NDVI对氮素营养诊断较好。高光谱技术适合在作物的拔节期测定,相比而言,SPAD、NDVI的氮素诊断选择在拔节期、生长监测选择在抽穗期最佳。总体上看,SPAD更适宜监测作物的个体指标,NDVI主要可以监测群体指标。与高光谱与主动光谱相比,成像光谱可以进行叶绿素、氮素的监测与估算,但对生长参数的监测还需要进一步研究。
王学良[4]2000年在《基于成像光谱图像特征的处理方法研究》文中进行了进一步梳理成像光谱仪（Imaging Spectrometer），作为地球观测系统（EarthObserve System）的设备之一，是遥感技术发展趋势的重要体现，是遥感技术发展中取得的显著成果。它集光谱与成像为一体，具有获得高度的空间和光谱分辨率、超多波段光谱图像的技术能力，用途广泛，将成为未来二十年中主要的光学遥感器。 本文首先简要地介绍了成像光谱仪的发展概况，介绍了国内外在成像光谱技术方面的最新进展。 本文从图像相关性和信息熵两方面的基本理论出发，详细论述了成像光谱图像的特征，指出了成像光谱图像不但具有强烈的空间相关性，而且具有高度的谱间相关性这一不同于其它数字图像的本质特征。而在成像光谱图像信息熵的分析方面，利用了高斯和拉普拉斯两种噪声概率密度分布函数模型，并从单一光谱通道和所有光谱通道分组两个方面，对成像光谱图像信息熵进行了分析，确定了成像光谱图像信息熵的下限，即在图像无损压缩的情况下所能达到的最小比特率。 在分析了成像光谱图像特征之后，根据成像光谱图像具有高度空间和谱间相关性的特点，对暗条带校正进行了研究，提出了基于成像光谱图像相关性的暗条带曲面拟合校正方法，既消除了图像中的随机暗条带干扰，又有效地保留了原始图像中的光谱信息，提高了光谱图像的质量。 根据成像光谱图像的空间、谱间相关性和信息熵的特征，提出成像光谱图像序列的三种表示方法，分析了不同表示方法的相关系数和图像信息熵的变化，并研究出了成像光谱图像的无损压缩方法，即利用D~2PCM方法对光谱图像序列进行去相关处理，同时降低图像的空间和谱间冗余，在提高了无损压缩的压缩比和压缩效率的同时，算法具有简单快速的优点。
董广军[5]2004年在《高光谱与高空间分辨率遥感信息融合技术研究》文中研究指明本文以高光谱和高空间分辨率影像的处理及应用技术为研究对象，重点对IKONOS、QuickBird等高空间分辨率卫星影像以及机载高光谱数据的融合与应用处理技术进行理论分析和实验研究。 本文首先对色彩空间法、PCA变换法、小波变换法、高通滤波法等多种传统像素级图像融合方法进行详细地分析、归纳和算法实现。在此基础上，针对IKONOS、QuickBird等高分辨率卫星影像特性，对小波变换融合进行扩展，提出一种适合高分辨率卫星遥感影像融合处理的基于区域特征的自适应小波包算法。然后系统地归纳了基于图像基本特征、相关系数和边缘信息的影像融合评估指标和模型，并对融合算法结果进行了定量化分析对比。此外基于粗糙集理论与融合分析评价提出了多源遥感信息决策级融合算法，可有效提高融合分析的快速性和准确性。 在分析高光谱传感器系统的成像机理以及高光谱数据处理模型的基础上，对成像光谱数据反射率重建进行了理论探讨，并利用经验线性法对城市区域高光谱数据进行了光谱重建。结合光谱和空间信息的特点对高光谱图像波段选择、光谱融合分类、光谱匹配等应用技术进行了实验研究。最后针对高光谱数据特性，提出了基于ORACLE数据库的面向对象的高光谱数据管理模型，并建立了一个高分辨率、高光谱融合分析原型系统(MRSIFS)。
王同招[6]2006年在《高光谱遥感影像地面伪装目标检测方法的研究》文中研究指明高光谱探测技术已经成为一种重要的军事侦察手段。目标检测算法能够在没有先验光谱信息的情况下检测到与周围环境存在光谱差异的目标，具有较强的实用性，并成为了一个重要的研究热点。本文在深入分析高光谱数据特点的基础上，系统地研究了基于光谱维的图像目标检测方法。根据光谱揭露伪装的检测机制，对目前国内外的许多绿色伪装材料和多种绿色植被背景的光谱特性进行分析，探索实验目标光谱模拟伪装材料的检测技术。通过光谱特征选择及空间降维处理，建立判别函数，确定判别规则。寻找适合区分人工目标与背景光谱的最佳分类特征和判别函数。
杨燕[7]2012年在《基于高光谱成像技术的水稻稻瘟病诊断关键技术研究》文中指出精细农业技术体系包括数据获取与数据采集、数据分析与可视化表达、决策分析与制定和精细农田作业的控制实施等主要组成部分,其中植物生长信息的快速获取与生长状况快速诊断,对提高农作物的产量和质量具有重要意义。传统的水稻稻瘟病病害检测主要基于分子生物学检测方法,不利于在线实时水稻稻瘟病病害识别。本研究论文主要围绕植物生长信息检测与解析中的病害胁迫信息快速获取和识别关键技术展开,利用光学成像传感装置快速无损获取水稻稻瘟病早期病害信息,通过研究不同的病害检测预报模型,及时监控水稻稻瘟病发生发展状况,构建稻瘟病预测预报系统,为变量施药决策系统的实施提供决策支持。本论文的主要研究内容和结论如下：(1)提出了针对稻瘟病病害检测的高光谱特征提取方法,实现了高维光谱数据压缩和特征提取,建立了基于光谱特征的稻瘟病病害识别模型,实现了稻瘟病的精确、无损检测。系统地研究了高斯函数拟合光谱特征提取、植被指数光谱特征提取和小波近似系数光谱特征提取,建立了基于高斯拟合参数、植被指数和小波近似系数的水稻稻瘟病病害分类判别模型。研究表明,3种光谱特征提取方法均可有效提取水稻稻瘟病病害特征光谱信息,其中分析得到的水稻稻瘟病优化识别模型为基于1阶导数光谱高斯拟合参数(峰高、峰宽、峰面积)LDA病害判别模型,该模型在校正集和预测集分类准确率分别为100%和96%。(2)应用数字图像处理技术,实现了水稻稻瘟病高光谱图像特征信息获取,建立了基于高光谱图像统计信息的水稻稻瘟病分类判别模型。系统研究了主成分图像特征提取,概率统计滤波图像特征提取和二阶概率统计滤波图像特征提取方法,得到了基于图像特征提取的优化模型——基于主成分图像统计信息的逐步线性判别模型,该模型在校正集判别准确率为98.3%,预测集判别准确率为97.5%。(3)应用高光谱和高光谱图像技术,提取了对水稻稻瘟病识别敏感的特征波长,建立了基于特征波长下光谱和图像信息的水稻稻瘟病害识别模型,实现基于图像信息稻瘟病病害识别模型的优化。研究应用主成分分析-载荷系数法得到了基于图像特征波长的病害识别优化模型为基于特征波段长(419nm,502nm,569nm,659nm,675nm,699nm,742nm)图像信息构建PCA-LDA分类模型,校正集判别准确率为92.7%,预测集判别准确率为92.5%。(4)首次建立了水稻冠层光谱信息与抗氧化酶活性关系预测模型,实现稻瘟病可见症状显症之前的早期病害识别。应用光谱技术,利用偏最小二乘回归法建立基于冠层光谱信息的抗氧化物酶(POD、SOD、CAT)酶值活性预测模型。基于可见-近红波段(400-1100nm)冠层光谱漫反射信息对POD预测相关系数,校正集为97.57%,预测集为90.79%；SOD预测相关系数,校正集为96.82%,预测集为86.65%；CAT预测相关系数,校正集为85.98%,预测集为66.63%。研究首次建立了基于特征波长光谱信息抗氧化物酶(POD、SOD、CAT)活性预测模型,实现了抗氧化酶活性预测模型的简化。基于特征波长(491nm,545nm,676nm,707nm,741nm)的漫反射值对POD预测相关系数,校正集为83.35%,预测集为75.19%；基于特征波长(526nm,550nm,672nm,697nm,738nm,747nm)的漫反射值对SOD预测相关系数,校正集为69.45%,预测集为54.88%；基于特征波长(491nm,503nm,544nm,673nm,709nm,744nm)漫反射值对CAT的预测相关系数,校正集为66.09%,预测集为46.91%。上述研究成果表明基于高光谱图像技术可以实现水稻稻瘟病病害的快速、无损检测,研究为水稻稻瘟病病害的快速检测仪器和传感器开发奠定了理论基础,具有广阔的应用前景。
张竞成[8]2012年在《多源遥感数据小麦病害信息提取方法研究》文中研究说明随着各类遥感数据源的不断涌现,利用遥感技术进行病害信息提取和监测预报现已成为大范围获取作物病害信息的重要而有效的方式,并将在未来逐步取代传统的目测手查等传统方式。然而,如何选择和采取合适的方法,有效整合、利用多源遥感数据,最大限度地挖掘数据中的信息效益,进行不同层次的作物病害信息提取是一个重要的问题。本研究以小麦白粉病和条锈病为例,围绕着如何将叶片、冠层尺度病害监测的光谱机制和特征推广至田块尺度,进行由点到面的扩展,实现大范围的病害监测及预测预报这条主线,分别在叶片、冠层和田块尺度上基于包括地面成像与非成像光谱数据,航空高光谱数据以及星载多时相光学与热红外数据等多源遥感数据开展小麦病害监测及预测预报的模型和方法研究,具体研究内容和结果如下：(1)在叶片尺度上,系统研究和小麦白粉病的光谱响应特征和病情信息提取方法。基于叶片尺度的成像、非成像光谱数据以及叶片生理生化测试数据,研究小麦白粉病叶片光谱响应机制以及适合病害监测的光谱特征。在此基础上,分别检验包括光谱微分和连续统特征,以及各类植被指数(20个)等传统光谱的病害监测能力。提出基于连续小波分析CWA的病害信息提取方法。采用基于偏最小二乘回归PLSR和Fisher线性判别分析构建小麦白粉病病情反演模型和判别模型。采用交叉验证评价模型精度,反演模型拟合决定系数R2为0.86,标准化均方根误差NRMSE(?)低于0.20；判别模型总体分类精度达到91%。(2)在冠层尺度上,一方面研究小麦白粉病的冠层光谱响应特点以及适于病情监测的光谱特征；另一方面,提出为进行不同年份光谱数据间比较的标准化方法,并研究小麦条锈病和养分胁迫的区分方法。在对小麦白粉病病情敏感的光谱特征中,宽波段植被指数如SR,NLI等对病情存在较强的响应,为采用多光谱影像进行区域尺度的病害监测提供条件。在对比分析病害胁迫和养分胁迫冠层光谱数据前,分别从光照条件、生育时期和环境三个方面对光谱数据进行标准化处理,为获取自不同年份数据间的比较提供基础。通过考察5个时相下38个光谱特征对条锈病病情的响应情况,找出PRI, PhRI, NPCI和ARI能够在多个时相上对条锈病病情产生稳定的响应。进一步考察这些植被指数对养分胁迫的响应情况,发现仅PhRI对病害敏感而对养分胁迫不敏感,因此可利用该指数对小麦条锈病和养分胁迫进行区分和识别。(3)在田块尺度上,将叶片、冠层尺度的光谱特征进行由点到面的扩展,研究利用多时相环境小卫星影像对小麦白粉病进行大面积监测的模型和方法,并提出结合混合调谐滤波算法和偏最小二乘算法的病害信息提取方法。以北京周边的通州、顺义部分区域为研究区,基于地面训练和验证数据,从光谱维和时间维提出单时相和多时相的光谱特征选择方法。在此基础上,分别采用光谱信息散度分析SID、光谱角度制图SAM、偏最小二乘回归分析PLSR以及一种混合像元分解算法—混合调谐滤波算法MTMF分别进行病害信息提取,并采用验证样本数据对四种方法的监测精度和特点进行评价。根据MTMF和PLSR两种算法的特点和各自优势,提出一种结合MTMF和PLSR的病害监测方法,进一步提高模型的精度。模型的总体精度、平均精度kappa系数分别达到0.78,0.71和0.59。在小麦白粉病监测的空间分布格局方面,采用χ2检验的空间样区分析和FRAGSTATS景观软件,得到小麦白粉病在区县尺度上呈相对聚集的分布模式,而在局部田块中呈相对分散的分布模式,为病害防治管理提供依据。(4)在田块尺度的病害预测方面,基于环境星的光学数据HJ-CCD和红外数据HJ-IRS,通过提取表征小麦的生长信息及生境信息,提出一种采用Logistic回归进行小麦白粉病发病概率预测的模型构建方法。病害预测的输入变量包括用于反映小麦前期生长状况的光谱特征,用于反映小麦生境特征的地表温度LST及土壤水分反演结果。经地面实测验证样本数据检验,模型得出的预测概率与小麦白粉病实际发生概率总体一致,样点和地块的预测精度分别为72.22%和71%。在此基础上,从错分概率、漏分概率及防治成本三方面对实际应用中对概率阈值的选取方法进行讨论。(5)在田块尺度上,针对在地面调查数据缺乏情况下的小麦病害监测问题,提出一种基于病害(小麦条锈病)光谱知识库SKB的采用HJ-CCD数据进行病害监测的方法。该方法以包含不同病情严重度的小麦关键生育期PHI航空影像为媒介,利用病情指数DI的经验反演模型和基于波谱响应函数的HJ-CCD波段模拟,建立DI和HJ-CCD波普模拟反射率之间的光谱知识库。在此基础上,结合马氏距离发和光谱角度制图法等光谱匹配方法,分别提出针对病情指数和病情等级的估计方法。经实测数据检验,该方法在病情指数估计方面精度较低,对条锈病DI估计的NRMSE仅为0.46和0.55,而在病情等级判断方面效果较为理想,总体精度达到0.77,kappa系数为0.58。
王凡[9]2017年在《基于深度学习的高光谱图像分类算法的研究》文中提出高光谱遥感图像是遥感图像的一种,主要是通过获取地物反射的不同波长的电磁波经过处理所形成的,一般由几十到几百个波段组成,且含有丰富的光谱信息,是地面环境监控的重要途径,在农作物检测、地质勘测以及军事侦察等方面具有重大的作用。其中,高光谱图像的分类是最为关键和基础的技术。但是,随着高光谱图像数据量的增大,其光谱信息会产生很多冗余,同时增加了“同物异谱”和“异物同谱”现象的出现,对光谱特征的提取和高光谱图像的分类都提出了巨大的挑战。因此,研究高效的高光谱图像分类算法,对于促进高光谱图像具有更加广泛的应用是十分必要的。本文结合高光谱图像的光谱信息和空间结构信息,分析研究了基于深度学习网络PCANetwork和卷积神经网络的高光谱图像分类算法,主要的工作包括:(1)分析了高光谱图像的光谱特征与空间结构特征以及三种特征融合的方式,为高光谱图像的分类算法提供了理论基础。(2)提出了基于PCANetwork的高光谱图像分类算法。分析深度学习模型PCA Network的优势,根据高光谱遥感图像独特特性,研究基于PCA Network高光谱遥感图像的特征提取和分类算法。该方法利用构造好的PCANetwork和高斯SVM多分类器分别进行提取光谱特征和分类。同时结合波段选择和阈值判定的方法加强了分类的稳健性,大大提高了分类精度。(3)分析卷积神经网络的结构特点,实现了利用深层次的卷积神经网络的网络结构获取高光谱图像的光谱特征并进行分类,以及分析了深度学习网络在高光谱图像分类中应用的可行性。综上所述,本文在高光谱遥感图像的光谱特征提取方法的这一核心技术上,研究了如何进一步开发出更合适高光谱遥感图像的分类算法,提出了基于深度学习网络(PCANetwork和卷积神经网络)的分类算法。实验结果表明,基于深度学习模型特的分类方法可以挖掘隐含的深层次的光谱特征、在合理的融合空间结构信息下,能够很大程度上的提高分类精度。
叶传奇[10]2009年在《基于多尺度分解的多传感器图像融合算法研究》文中指出图像融合是信息融合的一个重要分支,也是图像理解和计算机视觉中的一项重要技术。图像融合是将同一场景的多幅图像进行综合以得到关于该场景更为全面、更为准确描述的信息处理过程。图像融合可以为进一步的图像处理,如图像分割、目标检测与识别、战损评估与理解等提供更有效的信息。目前,图像融合技术已广泛应用于遥感、军事、机器人以及医学处理等领域。本论文主要研究了基于多尺度分解的多源图像融合算法。针对现有大多融合算法没有考虑图像固有特性的问题,本论文对图像传感器的成像机理、源图像的成像特性等先验信息进行了综合分析,围绕冗余小波变换及无下采样Contourlet变换等多尺度几何分析工具,提出了多种与源图像特性相适应的图像融合算法。本文的主要研究工作和创新成果如下:1.针对正交离散小波变换中由于移变性而产生振铃效应的问题,提出了一种基于冗余小波变换的灰度多聚焦图像融合算法。在该算法中,根据离焦光学系统具有低通滤波特性,可按照源图像中的高频细节信息来判断源图像中的聚焦区域与离焦区域这一理论依据,在冗余小波变换域引入了区域向量范数和局部对比度量测算子,并分别制定了基于区域向量范数的低频系数融合策略和基于局部对比度的高频系数融合策略。该算法较好保留了源图像中的有用信息,能有效消除振铃效应,得到整幅图像均聚焦清晰的图像。2.结合无下采样Contourlet变换所具有的多尺度性、多方向性以及平移不变性等优良特性,提出了基于无下采样Contourlet变换的图像融合框架,并根据红外图像和可见光图像各自的成像特性,提出了两种基于无下采样Contourlet变换的红外与可见光融合算法。在基于窗口选择的融合算法中,提出了以局部能量和局部方差作为量测算子的低频子带系数融合策略及以局部方向对比度作为量测算子的高频方向子带融合策略,该算法有效融合了红外图像中的热目标信息及可见光图像中的丰富光谱信息。在基于区域分割的融合算法中,采取了区域融合的思想,并定义了区域能量比和区域清晰比量测算子,用以表征区域特征信息,指导无下采样Contourlet变换域融合系数的选取。该算法将具有关联性的多个像素作为一个整体参与到融合过程,与基于像素及基于窗口选择的融合算法相比具有更佳的融合性能。3.通过对遥感图像融合中出现的光谱失真问题的分析,提出了一种基于区域相关系数的无下采样Contourlet变换域多光谱与全色图像的融合算法。在该算法中,按照区域融合的思想,定义了区域相关系数测度算子,将源图像按空间特性划分为相关度不同的区域,根据区域相关度的不同分别制定不同的融合策略。该算法在空间分辨率和光谱特性两方面达到了良好的平衡,融合后的多光谱图像在减少光谱失真的同时,有效增强了空间分辨率,且保留了原多光谱图像中的显著特征信息。4.针对SAR与全色图像的融合,提出了一种基于SAR图像成像特性的融合算法。在该算法中,以区域信息熵和区域均值比作为联合量测算子,将SAR图像区分为粗糙区域、平滑区域以及高亮点目标区域,并针对不同区域采取不同的融合策略。融合图像既有效加入了全色图像中难以辨识的SAR目标信息,又有效保持了全色图像的空间分辨率。
参考文献：
[1]. 高光谱图像稀疏流形学习方法研究[D]. 罗甫林. 重庆大学. 2016
[2]. 基于高光谱成像技术的小麦苗期监测研究[D]. 吴琼. 吉林大学. 2012
[3]. 基于可见光—近红外光谱的冬小麦氮素营养诊断与生长监测[D]. 胡昊. 中国农业科学院. 2009
[4]. 基于成像光谱图像特征的处理方法研究[D]. 王学良. 中国科学院长春光学精密机械与物理研究所. 2000
[5]. 高光谱与高空间分辨率遥感信息融合技术研究[D]. 董广军. 解放军信息工程大学. 2004
[6]. 高光谱遥感影像地面伪装目标检测方法的研究[D]. 王同招. 浙江大学. 2006
[7]. 基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D]. 杨燕. 浙江大学. 2012
[8]. 多源遥感数据小麦病害信息提取方法研究[D]. 张竞成. 浙江大学. 2012
[9]. 基于深度学习的高光谱图像分类算法的研究[D]. 王凡. 中国科学技术大学. 2017
[10]. 基于多尺度分解的多传感器图像融合算法研究[D]. 叶传奇. 西安电子科技大学. 2009
标签：工业通用技术及设备论文; 自动化技术论文; 高光谱成像技术论文; 高光谱图像论文; 光谱分辨率论文; 图像融合论文; 特征提取论文; 光谱论文; 稀疏表示论文; 数据融合论文; 相关系数论文; 区域生长论文;