Signal-Dependent Noise Parameter Estimation of Hyperspectral Remote Sensing Images

In new-generation hyperspectral sensors, the electronic noise is not dominant and the photon noise has to be taken into account. Therefore, a parametric model that accounts for both signal-dependent and signal-independent noise on the useful signal is established. A novel algorithm to estimate the parameters of the model is proposed, which consists of two steps. First, the residual image is calculated by the multiple linear regression in spectral domain to decouple the strong spectral correlation. Then, local sample statistics of the hyperspectral image and its residual image are calculated, and the system of linear equations with respect to the signal-dependent and signal-independent noise variances is established. The least square solution of the equations is the estimation of the signal-dependent and signal-independent noise variances. Experiments on the simulated hyperspectral data analyze the accuracy of the method and experiments on the real-life data show its effectiveness.     

基于经验模态分解的高光谱遥感数据去噪方法

经验模态分解(EMD)是一种新的时频分析方法,经EMD分解后的各个固有模态函数(IMF)突出了原始信号的局部特征,从而可以区分噪声和有用信号。基于此,结合高光谱遥感数据的光谱变化特征,提出了一种基于经验模态分解的高光谱遥感数据去噪方法。通过对理论数据的实验表明,数据中的噪声无论是高斯分布还是均匀分布,数据经EMD分解后,噪声都主要集中在前几个特定的IMF,对相应的IMF进行滤波处理后并与其他IMF分量进行重构就可得到去噪信号,与小波去噪结果相比较,这种方法效果更好。最后把该去噪方法应用于野外实测的油膜高光谱数据去噪,实验结果表明,该方法能准确、有效地去除高光谱遥感数据的噪声。     

一种双正则项全变差高光谱图像去噪算法

受传感器特性影响,高光谱图像中的噪声在各个维度都有体现。噪声的存在降低了高光谱图像中信息的有效性,在进行地物分类前必须采用适当的算法对噪声予以去除。文章针对高光谱图像的噪声特性,提出了一种基于全变差的高光谱图像去噪算法。该算法将经典二维图像全变差去噪模型推广至三维形式,提出了采用双正则项及相应的调整参数的目标函数,在三维空间中完成新目标函数的离散化,并采用基于优化-最小化算法的迭代方法对目标函数进行优化与求解。对星载Hyperion成像光谱仪数据的实验表明,适当的设置调整参数,该方法可很好地提高高光谱图像的各波段信噪比、平滑光谱曲线并保留细节特征,其去噪效果优于经典的MNF去噪算法及Savitzky-Golay滤波方法。     

基于投影寻踪的高光谱典型目标识别算法

针对典型目标识别问题,提出了一种基于投影寻踪的高光谱目标识别算法。先对高光谱图像进行最小噪声分离变换,计算出本征维度,同时对图像去噪,然后采用信息散度作为投影指标,对投影指标值自适应分割,得到所要提取的波谱曲线,最后用光谱角匹配识别出目标及其位置。高光谱图像验证结果表明,该方法有效地去除了图像噪声,而且能够快速、可靠地提取端元并识别出目标。     

高光谱遥感图像的小波去噪方法

高光谱遥感图像是由二维空间信息和一维光谱信息组成的三维数据。普通的去噪方式通常是分别对空间信息或光谱信息进行去噪,其主要缺点是忽视了高光谱图像强烈的谱间相关性和图谱合一的特点。针对这些特点,文章提出一种基于小波变换的高光谱遥感图像去噪方法。该方法对各波段高光谱图像逐一进行二维小波变换,根据含噪声大的波段与噪声小的波段的波长关系,对小噪声波段的高频系数加权求和,代替噪声大的波段的高频系数,通过小波逆变换得到去噪后的重构图像。该方法运算速度快,能有效地降低噪声。对机载可见红外成像光谱仪数据(AVIRIS)实验表明,与经典的BayesShrink图像去噪方法相比,方法重构图像的信噪比(SNR)高出3.8～10.6 db,节省运算时间一半以上。     

基于PCA和SVM的高光谱遥感图像分类研究

支持向量机(SVM)是根据统计学习理论提出的新的研究方法,它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势,在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。     

Classification of visible and infrared hyperspectral images based on image segmentation and edge-preserving filtering

The classification of hyperspectral images with a few labeled samples is a major challenge which is difficult to meet unless some spatial characteristics can be exploited. In this study, we proposed a novel spectral-spatial hyperspectral image classification method that exploited spatial autocorrelation of hyperspectral images. First, image segmentation is performed on the hyperspectral image to assign each pixel to a homogeneous region. Second, the visible and infrared bands of hyperspectral image are partitioned into multiple subsets of adjacent bands, and each subset is merged into one band. Recursive edge-preserving filtering is performed on each merged band which utilizes the spectral information of neighborhood pixels. Third, the resulting spectral and spatial feature band set is classified using the SVM classifier. Finally, bilateral filtering is performed to remove “salt-and-pepper” noise in the classification result. To preserve the spatial structure of hyperspectral image, edge-preserving filtering is applied independently before and after the classification process. Experimental results on different hyperspectral images prove that the proposed spectral-spatial classification approach is robust and offers more classification accuracy than state-of-the-art methods when the number of labeled samples is small.     

高光谱遥感图像微分域三维混合去噪方法

高光谱遥感图像是一种三维数据,由二维空间信息和一维光谱信息组成。普通的对二维静态图像或一维光谱信息去噪的算法忽视了高光谱图像强烈的谱间相关性和图谱合一的特点,无法取得令人满意的效果。同时现代的高光谱遥感图像噪声级别相对较低,噪声方差随波段不同而不同。针对以上特点,提出一种微分域三维混合去噪方法。首先将高光谱遥感图像变换到光谱微分域,使细微的噪声变得显著。然后在微分域中,对二维空间域采用基于小波的非线性阈值去噪BayesShrink算法。为克服噪声方差不同的特点,对光谱维不再采用小波阈值去噪方法,而采用Savitzky-Golay滤波进行平滑。最后对微分域去噪平滑处理后的图像进行光谱积分,并进行积分修正,消除光谱积分中引入的积累误差。对信噪比为600∶1的机载可见红外成像光谱仪数据(AVIRIS)实验表明,该算法能有效地降低噪声,将信噪比提高到2 000∶1以上。     

复杂混合溶液成分高光谱分析的可行性

采用高光谱技术对复杂混合溶液进行检测分析,同时利用被测物质的吸光度和散射特性信息以提高光谱的信噪比。实验设计了高光谱采集装置,采集生物组织模拟液(Intralipid-10%)的漫反射高光谱图像,并用Monte Carlo方法和漫射近似理论对其进行了正向和反向推导,获得了632nm波长下,Intralipid-10%吸收系数为0.002 0cm-1,与标准参数相对误差为11.1%;约化散射系数为63.35cm-1,与标准参数相对误差为6.49%,基本符合标准参数的误差范围,验证了该高光谱检测系统的准确性。还利用该高光谱系统对不同厂家出品的牛奶、果汁等样本进行了高光谱采集,得到不同样本间差异较传统二维光谱更为明显的结果,充分证明了高光谱方法在复杂混合溶液成分分析中具有很强的可行性。     

基于加权块稀疏联合非凸低秩约束的高光谱图像去条带方法

针对高光谱图像(hyperspectral images,HSI)去条带易引起影像结构细节丢失问题,提出一种基于加权块稀疏(weighted block sparsity,WBS)正则化联合最小最大非凸惩罚(minimax concave penalty,MCP)约束的HSI去条带方法.本算法采用加权?2,1范数和MC...     

分数阶微分技术在机载高光谱数据估算土壤含水量中的应用

无人机高光谱遥感为精准农业和农业信息化监测提供崭新视角。高光谱传感器具有厘米级空间分辨率和精细的光谱分辨率,可获取高质量的高光谱数据。然而,高光谱数据通常伴随噪声和数据冗余,高光谱信息利用效率低,常规预处理难以满足精准估算的需求。因此,为解决上述现实问题,针对机载高光谱影像的数据挖掘必不可少。利用分数阶微分(FOD)技术逐像元处理机载高光谱数据(步长为0.1)。通过对比FOD技术与整数阶技术对高光谱数据的改善能力,从光谱层面探寻最佳FOD阶数。在梯度提升回归树(GBRT)算法下构建土壤含水量(SMC)估算模型,最终在最佳模型下评估SMC的空间分布。结果表明：FOD技术提高光谱与SMC的相关系数(r_max=0.768),与原始光谱、一阶微分和二阶微分处理后的光谱同SMC相关系数相比,分别提升0.168,0.157和0.158。FOD技术提升模型估算精度的主因是突出有效光谱信息的作用,特别是与水分胁迫密切敏感的叶绿素、植物结构和水分响应波段(430,460,640,660和970nm)。即使FOD技术取得理想的结果,不同阶数的效果仍有差异。高阶FOD对影像增加了一定噪...     

高光谱小波能量特征估测土壤有机质含量

土壤高光谱在采集过程中难以避免噪声干扰,造成高光谱数据信噪比较低,影响土壤有机质含量估测精度。尝试探究小波能量特征方法,降低高光谱噪声,提升土壤有机质含量高光谱估测模型性能。选取湖北省潜江市运粮湖管理区为试验区,于2016年9月采集80份深度为0~20 cm的水稻土样本;土壤样本经风干、碾磨、过筛等一系列处理后,在实验室内采集样本光谱,并通过重铬酸钾-外加热法测定土壤有机质含量;利用浓度梯度法,将总体样本集（80个样本）划分为建模集（54个样本）和验证集（26个样本）;以mexh为小波基函数进行连续小波变换（continuous wavelet transformation）,将土壤高光谱转换为10个分解尺度的小波系数（wavelet coefficients）;逐尺度计算小波系数的均方根作为小波能量特征（energy features）,将10个尺度的小波能量特征组成小波能量特征向量（energy features vector）;逐尺度逐波长计算小波系数与有机质含量的相关系数,将达到极显著水平（p<0.01）的小波系数作为敏感小波系数（sensitive wavelet coefficients）;利用主成分分析法（principal component analysis）分别计算土壤高光谱和小波能量特征向量的各主成分载荷,通过比较两者第一主成分贡献率的高低和两者前三个主成分得分的空间离散程度,判断小波能量特征转换前后建模自变量的主成分信息变化趋势;基于小波能量特征向量和敏感小波系数分别建立多元线性回归和偏最小二乘回归土壤有机质含量估测模型。结果表明,土壤有机质含量越高,全波段反射率越低,但不同土样的光谱反射率曲线特征相似,近红外部分的反射率（780~2 400 nm）高于可见光部分（400~780 nm）;敏感小波系数对应的波长为494,508,672,752,1 838和2 302 nm;土壤高光谱与小波能量特征向量的第一主成分贡献率分别为96.28%和99.13%,小波能量特征向量的前三个主成分散点较土壤高光谱的主成分散点在空间上更为聚集,表明小波能量特征方法有效减少了噪声影响;比较全部土壤有机质含量估测模型,以小波能量特征向量为自变量的多元线性回归模型具有最佳估测精度,其验证集决定系数（R2）、相对估测误差（RPD）和均方根误差（RMSE）分别为0.77,1.82和0.82。因此,小波能量特征方法既能够提高数据的信噪比,提升土壤有机质含量的估测精度,又实现了土壤高光谱数据降维,降低了模型复杂度,可用于土壤有机质含量快速测定和土壤肥力动态监测等研究。     

基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术

针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法.利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余.并且采用了最小二...     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

推扫型高光谱数据光串扰校正方法研究

串扰是成像光谱仪非理想成像特性中的一种,分为电串扰和光串扰,它广泛存在于现有的成像光谱仪之中。推扫型高光谱数据的光串扰使目标像元受到临近像元的影响,目标像元光谱曲线发生变化,图像的清晰度降低。基于推扫型成像光谱仪的成像原理,提出一种针对推扫型高光谱数据的光串扰校正方法。从高光谱数据中选取包含白色定标布地物的区域作为参考数据,通过行间差值方法得到所有白色定标布像元产生的总光串扰量;对总光串扰量进行拟合以抑制噪声,并通过递归方法计算单个白色定标布像元所产生的光串扰量;使用该串扰量对整景数据进行光串扰校正。选用三景不同地物类型的PHI数据进行光串扰校正,结果显示,校正后数据的光串扰现象得到明显的抑制,数据质量在光谱维和空间维均得到有效提升。在光谱维,由光串扰引起的光谱曲线变化得到校正;在空间维,图像清晰度提高50%以上的波段数占总波段数的83%。校正方法直接从高光谱数据本身提取光串扰量,并对数据光串扰现象进行校正,不依赖于其他外部数据,且适用于不同的地物类型。该光串扰校正方法亦对实验室测定成像光谱仪的光串扰量具有借鉴意义。     

融合自适应稀疏表示和相关系数的高光谱伪装分类方法

目前比较成熟的高光谱成像手段有卫星遥感和航空成像技术,这两种成像方式侦察时间大致相同,入射光方向基本一致,因而地物的光谱曲线比较固定;在陆基条件下,地物的光谱曲线受成像环境的影响凸显,因此应该对适用于陆基条件下的高光谱图像分类方法进行研究。在陆基高光谱图像中,对每个地物进行类型以及种类的判别有利于后续对目标的识别和处理,不同于传统遥感图像分类,陆基条件下的高光谱图像目标分类训练样本不仅较难获得,并且在陆基条件下的高光谱图像中,训练样本之间的相关性随着目标类型、探测器参数以及成像环境等因素时刻发生变化。基于稀疏性表示的分类方法已经被广泛应用于处理图像问题以及各种机器视觉问题。对于陆基高光谱图像来说,基于固定范数约束的稀疏编码策略无法适应陆基条件下高光谱成像多变的环境,而自适应稀疏表示可以根据样本相关性自适应的调节范数约束,相关系数可以提高图像中的破坏因素（阴影、噪声点等）的识别精度。通过引入正则化参数,融合了自适应稀疏表示和相关系数,提出了一种新的高光谱图像分类方法。为了验证所提方法的有效性,分别在绿色植被背景和荒漠背景中设置伪装物,通过不同的分类方法对图像进行分类,实验结果表明,不管是分类精度还是分类一致性,该方法都有明显的优势,可以应用于陆基条件下的高光谱图像分类,为目标分类提供了理论基础。     

基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究

为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。     

基于正交投影散度的高光谱遥感波段选择算法

由于高光谱数据的海量高维特征,对其进行降维处理成为高光谱遥感研究的一个重要问题.波段选择算法由于能够有效地保留原始数据的信息,在高光谱数据降维及后续的遥感识别与分类等方面具有明显的优越性.文章提出了一种基于正交投影散度(OPD)的波段选择方法,该方法继承了正交子空间投影(OSP)算法的特点,通过把原始数据投影到特征空间...     

凡纳滨对虾新鲜度的高光谱检测方法

以凡纳滨对虾为研究对象,探索一种高效快速无损的新鲜度检测方法。挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标,然而传统方法耗时耗力,限制了大批量的实时检测。高光谱技术是一种集成图像和光谱信息的分析技术,高光谱图像上的每个像素包含整个波段的光谱信息,近年来,该技术已经被应用于肉类新鲜度检测。连续8 d采集了样品的860～1 700 nm高光谱数据,在去除异常样本后确定150组试验样本,每组采集254维光谱数据,对原始的高光谱图像进行黑白校正,并从高光谱图像中提取光谱数据。为确保所提取的光谱数据和TVB-N指数之间有对应关系,所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。计算了感兴趣区域的平均光谱以获得光谱数据矩阵,该矩阵被转换成ASCII码并保存。同时,通过凯氏定氮法获得TVB-N真实值含量。为减少环境和虾表面的高含水量的干扰,有效地消除不相关的信息和噪声,预处理方法是多元散射校正(MSC)算法,并选择出7个敏感波段,分别为875, 894, 919, 953, 983, 1 024和1 094 nm。最后,以120组训练集样本,建立了凡纳滨对虾TVB-N总量的定量预测...     

基于快速层次交替最小二乘非负张量Tucker分解的干涉高光谱图像光谱信息压缩方法

提出一种基于快速层次交替最小二乘非负张量Tucker分解的高光谱图像光谱信息压缩算法。首先,将干涉高光谱图像光程差方向的三维信息采用三维光程差方向提升小波变换(3D OPT-LDWT)进行分解,将三维小波子带系数看作三阶非负张量,采用快速层次交替最小二乘非负张量Tucker分解(FHALS-NTD)算法对进行分解,得到核心张量和模式矩阵。对每个模式矩阵进行量化,对核心张量采用比特平面重要系数编码算法进行编码,得出最终的压缩码流。结果表明,此压缩算法可以稳定可靠地工作。与传统压缩算法比较,平均信噪比提高了1.23 dB。有效的提高了干涉高光谱图像压缩性能。