基于梯度一致性约束的多光谱/全色影像最大后验融合方法

多光谱/全色影像融合可以得到高空间分辨率的多光谱影像,在影像解译和分类等方面具有十分重要的意义。提出一种基于梯度一致性约束的遥感影像融合方法。该方法在最大后验概率框架下,通过梯度一致性约束建立理想高空间分辨率多光谱影像和全色影像之间的关系,并结合多光谱影像观测模型和Huber-Markov影像先验,构建融合目标函数,最后采用梯度下降法求解得到融合影像。本文方法在目标函数中引入了梯度一致性约束,克服了现有的同类方法受限于波段数量的缺陷,同时在求解中自适应确定每个波段的迭代步长,充分顾及了各波段的光谱特性,从而既确保了融合影像的光谱信息保真度,也提高了融合影像的空间信息融入度。通过IKONOS和WorldView-2影像对该方法进行了验证,并和GS,AIHS和AMBF等融合方法从定性和定量两方面进行了比较分析。实验结果表明,相比于其他方法,该方法可以在更好保持光谱信息的同时增强影像的空间分辨率,具有更广泛的适用范围和更佳的融合效果。     

高光谱图像降维的判别流形学习方法

本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点,引入改进的流形学习方法对高光谱遥感数据进行降维处理,以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类中训练样本的判别信息,将输入样本的类别信息加入到常规流形学习方法的框架中,从本质上提高输出的特征在低维空间中的判别力.同时,引入线性化模型以解决流形学习方法中常见的小样本问题.对高光谱遥感图像自动分类的实验表明,基于判别流形学习的高光谱遥感图像自动分类方法能够显著地提高图像分类准确度.     

一种基于核特征空间的鲁棒性高光谱异常探测方法

传统高光谱异常探测器的背景统计信息易受异常目标干扰,鲁棒性较差,且难以探测非线性混合的异常目标.针对此问题,运用核特征投影理论,在异常探测器的背景信息构建中引入鲁棒性分析方法,提出了一种在核特征空间中具有鲁棒性的异常探测方法.该方法可以在不需要确定具体的非线性映射函数下,将高光谱数据从低维空间映射到高维特征空间,背景和目标在特征空间中可以用线性模型表示,并在特征空间中构造鲁棒性的探测器.该方法揭示了地物光谱间的高阶特性,可以较好地反映地物分布复杂的目标光谱特性.通过高光谱真实影像和模拟数据的实验证明:1)本文提出的异常探测方法具有更优的受试者工作特征曲线和曲线下面积统计值,目标和背景的分离度更大;2)在核特征空间内,排除异常目标对背景统计信息的干扰,有助于进一步提高探测准确度;3)特征提取可以更好地利用目标和背景的光谱区分性,是异常探测的重要步骤.     

图像超分辨率重建技术与方法综述

图像超分辨率重建可以利用多幅具有互补信息的低分辨率图像重构一幅高分辨率的图像,该技术已经成为图像处理领域的研究热点。介绍了图像超分辨率重建的基本原理,阐述了超分辨率重建技术与其它相关图像处理技术的关系;系统地总结了图像超分辨率重建中常用的运动估计方法、运算方式和质量评价方法。     

基于纹理特征和形态学特征融合的高光谱影像分类法

针对传统融合空间和光谱特征方法仅使用单一空间特征,并未充分利用其双高分辨率的特点,提出了一种基于纹理特征和形态学特征融合的高光谱影像分类方法.首先利用传统主成份分析变换降低高光谱影像的维数,消除空间相关性,然后对每一主成分采用灰度共生矩阵提取纹理特征,获得扩展纹理特征,最后结合形态学特征和部分光谱特征进行高光谱影像的分类.实验证明,本文提出的方法能更好地克服传统光谱特征分类的局限性,提高高光谱影像的分类准确度.     

人工神经元网络在光谱识别中的应用

本文利用人工神经网络原理设计了一神经元网络,进行了光谱识别实验,当训练光谱与待识别光谱具有相同的定标情形下,网络具有较高的识别率,可以实用。