第ｌ期路威等：基于分布异常的高光谱遥感影像小目标检测算法４１２高光谱遥感影像小目标自动检测蠹互意裟妻警篙勰菜需喜鐾本文的高光谱影像小目标自动检测算法主要上的分布差异，较好地分离目标和背景信息。
包含３个部分（见图１）。第１部分完成高光谱影
像的特征初选工作；第２部分对特征初选后的数
据进行实码遗传优化投影寻踪（ＲＣＧＯＡ．ＰＰ），将
高维特征空间中的小目标结构信息集中投影在低
维特征空间上，突出目标信息；第３部分借助图像
分割算法对第２部分产生的特征影像进行目标分
割，确定目标在影像中的位置。
＿二二＿延＿：Ｉ一一ｉ兰堡竺些苎墅兰堡Ｉ｛Ⅱ
ＩＩ二二照二ＩＩ—
臣亟叵｜ＩＩＩ
一一一．一一．．．．一一．一一一一一．．．．．．一一一一一一．．．．一一一一一一一ｊ
图１高光谱遥感影像目标检测流程Ｆｉｇ．１Ｔｈｅｆｌｏｗｏｆｔａｒｇｅｔｄｅｔｅｃｔｉｎｇｆｏｒｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｒｙ
２．１高光谱数据特征初选
文献［２］指出，对某一具体分析任务而言，目标信息在高维特征空间中并不是均匀分散于每个特征方向上，而是分布得非常离散和不均衡；通过特征变换，可以将兴趣信息集中在低维特征空问中。
研究不同波段上高光谱影像间的相关性可以发现：高光谱影像在不同的成像谱段间有较大差别，地物信息分布差距较大；而在同一谱段内各波段间相关性较大，地物信息变化相对平缓。图２是ＡＶＩＲＩＳ获取的影像问的相关性图示，其中白色表示高相关区，黑色表示低相关区。图中可以看出，从可见光到近红外光谱范围，同一成像波段范围内，影像问的相关性大；不同成像波段范围问，影像间的相关性小，这主要由传感器的响应能力和获取入射能量的差异引起。在进行目标检测时，特征变换的输入数据应在去除相关冗余的情
图２ＡＶｌＲＩＳ数据波段相关性示意图
Ｆｉｇ．２ＴｈｅｒｅｌａｔｉｖｉｔｙｏｆｂａｎｄｆｏｒＡＶＩＲＩＳｉｍａｇｅ
本文高光谱影像特征初选的步骤如下：
１．按相关系数大小划分成像光谱范围，实验中发现，组合后波段子群的分布基本满足蓝、绿、红和近红外的光谱划分特点；
２．用平均法将每个波段子群组合为一个特征波段。
２．２实码遗传优化投影寻踪（ＲＣＣ抑Ａ。ＰＰ）投影寻踪（简称ＰＰ）的主要思想【４ｊ是将高维数据中的兴趣结构线性投影到低维空间中，进而通过分析和研究低维投影数据以达到了解原始高维数据的目的，其中兴趣结构通过设置投影指标函数来描述。其处理流程见图３。
一
同投最原
维影佳低始
数兴趣指优化投数据维数握数
据结构标方法影变换数分析据
空函方据特
间数向征
图３投影寻踪数据处理流程
Ｆｉｇ．３Ｔｈｅ
ｄａｔａ
ｐｒｏｃｅｓｓｉｎｇ
ｆｌｏｗｏｆｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔ在高光谱遥感影像中，大面积均匀分布的背景地物（如土壤、植被、水域）中的独立建筑物、车辆、船只等目标一般属于异常分布的目标点。因此，可以通过投影寻踪的方法，将高光谱影像中蕴含的异常目标结构，集中投影在低维特征影像中，从而突出目标点的属性信息。
２．２．１投影指标
高光谱影像中，大面积的背景地物可近似认
第１期路威等：基于分布异常的高光谱遥感影像小目标检测算法４３
代种群ｙ；｛戈ｉ｝；
５．对步骤４产生的新子群进行交叉操作，生成子代种群ｙ；｛戈ｈ
６．对步骤５产生的新子群进行变异操作，生成子代种群ｙ：｛戈小
７．对步骤４～６产生的子群ｙｊ｛戈ｉ｝计算选择概率，并按照概率进行排序，然后进入步骤３，开始新的一轮遗传优化，直到对种群的遗传操作无意义时退出。
２．３特征影像目标分割
第２部分产生的特征影像中虽然突出了数据中隐藏的小目标结构信息，但目标在影像中的具体位置还未确定，因此，必需借助特定的影像分害Ⅱ算法对特征影像分割，确定目标的具体位置。本文投影寻踪生成的特征影像已将背景信息和兴趣目标信息最大程度地分离，其灰度直方图能很好地表现背景和兴趣目标的分布。另外，在特征影像中背景属于主要地物，而兴趣小目标零星地以点或小区域形状分布于影像中，因此，特征影像的直方图中主体是背景的分布信息，直方图两端次要的部分才是小目标的分布信息（见图４），只要找到直方图主体分布和次要分布的交界点，即可确定分割阈值。
图４直方图中目标和背景分布示意图
Ｆｉｇ．４Ｔｈｅｄｉｓｔｒｉｂｕｔｉｎｇｆｉｇｕｒｅｏｆｔａｒｇｅｔａｎｄｂａｃｋｇｒｏｕｎｄｉｎｈｉｓｔｏｇｒａｍ
具体确定分割阈值的方法为（见图４）：由直方图概率分布最高点所在的灰度级处，按灰度级增大和减小两个方向分别搜索，寻找第一个概率分布为零的位置，这两个位置对应的灰度级即为特征影像分割的阈值，其分割出来的次要分布即是影像中的兴趣小目标。
３实验结果与分析
根据上述原理，本文用ＶＣ”６．０语言开发了此算法的实验程序，选用一景ＡＶＩＲＩＳ传感器获取的高光谱数据进行了小目标自动检测实验，数据由ＮＡＳＡ提供，主要地物类型是农作物和独立房屋，辐射率数据经过ＡＴＲＥＭ大气校正算法得到反射率数据，数据的相关信息见表１。
由于大气吸收的原因，原始数据中的大气吸收和噪声干扰波段被剔除，其余的１６５个波段数据组成本文的实验数据。图５是实验数据中第２０、４５、１２３波段的假彩色合成影像，图中标出了影像中的独立居民地（红方块标示）、道路交叉点（蓝三角标示）和深沟堑（青兰椭圆标示）三种主要兴趣目标，其中有些目标比较小，用人工判读的方法不易发现。
表１数据参数
Ｔａｂ．１Ｐａｒａｍｅｔｅｒｓｏｆｄａｔａ
成像参数参数值
成像时间１９９６—０７．０５
光谱分辨率约１０ｎｍ
波段数２２４
光谱覆盖范围３６９．８５。２５０６．８１ｎｍ
影像大小２００ｄｐｉ×２００ｄｐｉ首先，利用波段组合方法（图１中第１部分），
将原始１６５个波段的数据组合成１２个特征波段；
测绘学报第３５卷
然后，对这１２个波段的数据进行遗传优化投影寻踪，产生兴趣目标的特征影像，图６是用前６个投影方向产生的影像。分析这６幅投影影像后发现：前两幅影像主要突出房屋等小目标的信息，从第３幅影像开始小目标信息开始衰弱，背景信息开始增强；这与迭代过程中，投影指标函数值的变化是一致的。表２是每个投影的投影指标函数值。
图５原始影像中目标分布图
Ｆｉｇ．５Ｔｈｅｔａｒｇｅｔｄｉｓｔｒｉｂｕｔｉｏｎｉｎｏｒｉｇｉｎａｌｄａｔａ
图７是对前３幅投影影像分割的结果，第３幅投影影像已分割不出小目标信息。图８是将图７中前两幅影像合并后的结果，其中红色为第ｌ投影检测的目标，绿色为第２投影检测的目标，可以看出，两个投影方向也分别检测了影像中不同的兴趣小目标。
第１投影第２投影
第３投影第４投影
第５投影第６投影
图６投影寻踪产生的前六幅影像
Ｆｉｇ．６Ｓｉｘｉｍａｇｅｓｏｆｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔ
第１幅投影影像分割结果第２幅投影影像分割结果第３幅投影影像分割结果
图７投影影像分割影像
Ｆｉｇ．７Ｓｅｇｍｅｎｔｏｆｐｒｏｊｅｃｔｉｏｎｉａｍｇｅ
表２投影序列Ｉ２
可以看出，数据中的各种兴趣小目标均很好地被检测发现，影像的左上角有几处“虚警”目标点，这主要是由此处草地中的独立树木引起，影像
中分布的其它植被、道路等主要地物均作为背景
第１期
路威等：基于分布异常的高光谱遥感影像小目标检测算法
４５
信息被很好地滤除。本试验的效果用传统的影像分割方法很难达到，这说明基于异常分布的目标
检测方法可以很好地对高光谱遥感影像中的独立
小目标进行探测。算法中最重要的环节是，利用
基于近似相对熵的遗传优化投影寻踪方法搜集高
维数据中蕴含的小目标结构信息。从实验可以看出，这种特征投影方法可以仅用少数（一般３到５个）几个投影方向，便能准确地集中数据中的小目标信息，突出高维数据空间内隐藏的小目标结构信息，这非常有利于对高光谱遥感影像中隐藏的目标信息进行挖掘。
法是一种基于信息分布的目标探测方法，主要依．据信息分布异常原理发现小目标，具有一定的“盲目性”，如实验Ｂ中误将草地中的独立树作为兴趣目标；解决方法是进一步研究更适合于描述兴趣小目标分布的投影指标函数，昭（口）。其次，投影寻踪是一种非监督特征投影方法，它只能发现和突出数据中目标的特征，并不能识别目标的特征，因此，研究需要极少量训练样本的确定性特征提取方法，是提高目标检测效率的进一步工作。
参考文献：
ｔｉｏｎｉｎＨｙｐｅｒｓｐｅｃｔｒａｌ
Ｉｍａｇｅｒｙ［Ｒｊ．Ｏｒｌａｎｄｏ：ＳＰＩＥ
Ｉｎｔｅｒｎａｔｉｏｎ—
ａｌ
Ｓｙｍｐｏｓｉｕｍｏｎ
Ａｅｒｏｓｐａｃｅ／ＤｅｆｅｎｓｅＳｅｎｓｉｎｇ
Ｓｉｍｕｌａｔｉｏｎ
ａｎｄ
Ｃｏｎｔｒｏｌｓ．１９９９．
［２］ＬＡＮＤＧＲＥＢＥ
Ｄ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ
Ｉｍａｇｅ
Ｄａｔａ
Ａｎａｌｙｓｉｓ
ａｓ
ａ
ＨｉｇｈＤｉｍｅｎｓｉｏｎａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ
Ｐｒｏｂｌｅｍ［Ｊ］．ＩＥＥＥＳｉｇｎａｌ
Ｐｒｏｃｅｓｓｉｎｇ，２００２，１９（１）：１７－２８．
［３］ＭＡＮＯＬＡＫＩＳＤ，ＳＩＲＡＣＵＳＡＣ，ＳＨＡＷ
Ｇ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ
Ｓｕｂｐｉｘｅｌ
Ｔａｒｇｅｔ
Ｄｅｔｅｃｔｉｏｎ
Ｕｓｉｎｇ
ｔｈｅＬｉｎｅａｒ
Ｍｉｘｉｎｇ
Ｍｏｄｅｌ
ＥＪ３．１ＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ
ｏｎ
ＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，
２００１，３９（７）：１３９２．１４０９．［４］ＦＲＩＥＤＭＡＮＪ
Ｈ，ＴＵＫＥＹ
Ｊｗ．ＡＰｒｏｊｅｃｔｉｏｎ
Ｐｕｒｓｕｉｔ
Ａｌｇｏ—
ｒｉｔｈｍ
ｆｏｒＥｘｐｌｏｒａｔｏｒｙＤａｔａ
Ａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ
ｏｎ
Ｃｏｍｐｕｔｅｒｓ，１９７４，２３（９）：８８１—８９０．
图８分割影像彩色合成
［５］ＧＥＯＦＦＲＥＹ
ＧＨ?Ｍ“１‘ｉ７８ｒｉａｃｅ
Ｇａ“８８ｉ“ＭＲＦｆｏ。Ｍｕｌｔｉ８ｐｅｃ—
Ｆｉｇ．８
Ｔｈｅｃ。１０ｒｃ。ｍｂｉｎａｔｉ。ｎ。ｆ
ｓｅｇｍｅｎｔｉｍ８９ｅ
ｔｒａｌ
ｓ。８“。ｓ。ｇ“。“‘８‘ｉ。““ｄＡ“。“ａｌｙＤ。‘。‘ｉ。“［Ｊ］?ＩＥＥＥ
。
。Ｔｒａｎｓａｃｔｉｏｎｓ
ｏｎ
ＧｅｏｓｅｉｅｎｃｅａｎｄＲｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，２０００，３８（３）：
ｌ
１９９．１２１１．
４结论
［６］ＪＯＮＥＳ
ＭＣ，ＳＩＢＳＯＮＲ．Ｗｈａｔｉｓ
Ｐｒｏｊｅｃｔｉ。ｎＰｕｒｓｕｉｔ？［Ｊ］’
Ｊｏｕｒｎａｌ
ｏｆ
ｔｈｅ
ＲｏｙａｌＳｔａｔｉｓｔｉｃａｌ
Ｓｏｃｉｅｔｙ，１９８７，１５０（Ａ）：１—３６．
本文在研究了高维数据空间内目标信息的分
［７］ＣＨＩＡＮＧＳＳ，ＣＨＡＮＧＣ
Ｉ，ＧＩＮＳＢＥＲＧＩ
Ｗ．Ｕｎｓｕｐｅｒｖｉｓｅｄ
布特点后，提出一种基于分布异常的高光谱遥感ＴａｒｇｅｔＤｅｔｅｃｔｉ。ｎ
ｉｎ
ＨｙｐｅｒｓｐｅｃｔｒａｌＩｍａｇｅｓ
Ｕｓｉｎｇ
Ｐｒｏｊｅｃｔｉ。ｎ
影像小目标自动检测方法。该算法用基于近似相Ｐｕｒｓｕｉｔ［Ｊ］?ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ
ｏｎ
Ｇｅｏｓｃｉｅｎｃｅａｎｄ
Ｒｅｍｏｔｅ
对熵的遗传优化投影寻踪的方法，有效地将高维８。“８ｉｎｇ，２００１，３９（７）：１
３８０＿１３９１＿
数据中隐藏的目标结构信息集中投影到低维特征［８
３：篡ｏ。ｎｉ。ｇ，。。ｅｔ。ｉａ。ｌ。．ｄＴＧｈ。ｅ。。Ｒｅ。ｓ。篙鼍。Ａ。ｎ。ｏｍｉ。ａｌＨｙ，Ｄ。。ｅ：：：＝ｒ－－－－
空间中，并通过直方图分割法提取特征影像中的ａｇ。，ｙ面．Ｒ。。。ｔ。ｓ。。。ｉ。ｇＴ。ｈ。ｏｌｏｇｙ
ａｎｄ
Ａ品ｈ。。ｔｉ。２００３＇
小目标。数据实验证明，该算法可以较全面地发１８（６）：３７９—３８３．（李智勇，等，基于高维几何特性的高光谱现影像中的独立小目标，并且不需要任何先验知异常检测算法研究［Ｊ］，遥感技术与应用，２００３，１８（６）：３７９一
识，是一种比较实用的高光谱影像目标探测算法。列＿Ｊ
但该算法有两个主要问题需要解决：首先，该方
（责任编辑：张燕燕）
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
硕士学位论文 高光谱图像的异常 目标检测及亚像元定位研究 RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL IMAGERY 朱凤阳 哈尔滨工业大学 2009年6月
国内图书分类号：TN911.73 学校代码：10213 国际图书分类号：621.3 密级：公开 硕士学位论文 高光谱图像的异常 目标检测及亚像元定位研究 硕士研究生：朱凤阳 导 师：张钧萍教授 申请学位：工学硕士 学科：信息与通信工程 所在单位：电子与信息工程学院 答辩日期：2009年6月 授予学位单位：哈尔滨工业大学
Classified Index: TN911.73 U.D.C.: 621.3 Dissertation for the Master Degree in Engineering RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL IMAGERY Candidate:Zhu Fengyang Supervisor:Prof. Zhang Junping Academic Degree Applied for:Master of Engineering Specialty:Information and Communication Engineering Affiliation: School of Electronics and Information Engineering Date of Defence: June, 2009 Degree-Conferring-Institution:Harbin Institute of Technology
第9卷 第5期 2005年9月 遥 感 学 报 JOURNAL OF RE MOTE SENSI N G Vol .9,No .5Sep.,2005 收稿日期:2004204205;修订日期:2004207213 基金项目:地理信息工程国家测绘局重点实验室基金(1469990324233);国家自然科学基金资助项目(60175022);国家高科技发展计划 (863)项目资助(2001AA135081)。 作者简介:曹建农(1963— ),男,副教授,毕业于原武汉测绘科技大学航测系航空摄影测量与遥感专业,获得工学学士学位;毕业于西北大学城市资源系地图制图与遥感专业,获得理学硕士学位;现为武汉大学遥感信息工程学院博士研究生。主要研究方向为遥感图像分析、空间数据挖掘。已发表论文近12篇。E 2mail:caojiannong@https://www.doczj.com/doc/e04387713.html, 。 文章编号:100724619(2005)0520596208 基于DM N 的高光谱图像分割方法研究 曹建农 1,2 ,关泽群1,李德仁 3 (1.武汉大学遥感信息工程学院,武汉 430079; 2.西安建筑科技大学建筑学院,西安 710054; 3.武汉大学测绘遥感信息工程国家重点实验室,武汉 430079) 摘 要: 简述高光谱遥感光谱特征体系(包括光谱曲线特征、光谱变换特征和光谱度量特征3个层面)。研究马尔科夫网的概念和方法,生成基于光谱角(S A )特征度量的DMN,并以DMN 为证据对高光谱图像进行分割;研究和实验表明基于S A 信息的马尔科夫网可以很好地综合高光谱数据空间特征与光谱特征间的关系,为进一步数据处理提供优化控制(其实质是概率神经网络)。最后提出未来应用和研究方向。关键词: 马尔科夫网(DMN );高光谱遥感;S A (光谱角);最大后验概率;空间数据挖掘中图分类号: TP751/P231.5 文献标识码: A 1 引 言 高光谱(Hyper 2s pectral )遥感图像光谱特征的提取和利用是制约高光谱图像应用的瓶颈 [1] 。地物 对象的空间特征和光谱特征分散在几十到上百个波段(图像)之中,其中包括对地物相似性特征的描述数据(例如,光谱角)。高光谱信息的充分性和冗余性是共存的,必须在图像处理之前通过降维来提取主要信息以减少波段(图像)的数量,实现高光谱图像数据的特征提取和信息压缩 [2] 。文献[1]提出的 高光谱遥感数据光谱特征的三层体系较全面的概括了光谱特征的主要方面,但是它没有涉及这些特征的表示问题以及高光谱遥感数据的空间特征与光谱特征的联合与应用方法等研究。本文利用像元的光谱角(S A )相似性特征的空间分布,基于马尔科夫网(Deco mposable Markov Net w ork,DMN )理论与方法, 对这种空间分布的统计概率生成DMN ,以此网络为证据(实质就是概率神经网络)对高光谱图像进行分割。该方法综合了高光谱图像的光谱特征(63个波段的光谱特征)和各相似像素的空间位置分布特征(像素在水平和垂直方向的分布)以及光谱角值 的统计特征(光谱角值的统计分布)。 图像分割的研究历史比较长 [3—5] ,但是利用高 光谱特征进行图像分割的研究不多见,特别是利用 DMN 方法将光谱角余弦(S AC )值的空间特征分布与S AC 值的统计特征的概率近邻关系(DMN )联合处理应该是一种全新的尝试,实验表明该方法是有效的。 可分解DMN 的学习源自于概率网络(Pr obabilistic Net w ork,P N )的研究,特别是贝叶斯 网络(Bayesian Net w ork )的研究[6—8] 。所谓概率网络(P N )是指记录了依赖关系的特征图结构和记录 了依赖强度的量化概率分布的联合模型[9] 。可分 解DMN 是概率网络的一种,一般简称为马尔科夫 网。 马尔科夫网的定义参见文献[9—11],马尔科夫网是对数据集的概率分布的图结构生成和度量投影,事实上,像任何其它函数一样,概率分布能被多种不同处理近似表示 [12] 。 目前,对图像数据“智能化”地处理大都带有“图论的网络”色彩。简单说,马尔科夫网是揭示数 据集内在(概率)联系的图论表达。其实质是生成一种网络图结构和相应的连接权参数(神经网络的
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个
对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
空谱联合先验的高光谱图像解混与分类方法高光谱成像是近年来遥感领域发展较快、较前沿的技术。由于包含丰富的空间、辐射和光谱三重信息,高光谱遥感已被广泛应用于精准农业、矿物勘测、军事目标识别、环境监测、灾害评估等领域。 因此,对高光谱数据的处理与解译具有重要的理论意义和实际应用价值。高光谱解混和分类是高光谱遥感信息处理中的关键科学问题,也是定量分析以及后续应用的重要基础。 由于受仪器、大气辐射、光照不均、地物结构等因素的影响,相同地物的光谱曲线存在一定的差异,使得仅利用光谱信息的解混和分类方法的精度无法得到保障。空间信息可以充分刻画地物结构,有效降低“同质异谱”的影响,空谱联合的方法受到众多学者的重视。 本文研究围绕高光谱线性解混、分类等高光谱数据处理中的热点问题,重点提出基于光谱库的l1/2正则化稀疏回归解混方法、以及空谱联合的高光谱分类方法,并在此基础上设计了相应问题的高效算法。本文所做的主要工作和研究成果如下：1、根据高光谱线性解混模型,利用光谱库作为端元字典,将解混问题转化为稀疏回归问题；针对模型解的唯一性要求进行光谱库预优,利用l1/2范数对丰度系数向量进行稀疏正则化约束,在“和为一”、“非负性”条件下,提出了一种约束的l1/2正则化稀疏回归解混模型,并通过迭代重加权的l1算法进行优化求解。 模拟和真实高光谱数据实验表明,基于光谱库的l1/2正则化稀疏回归解混方法能够有效地从光谱库字典中选择出端元并准确反演出其对应的丰度系数。2、针对高光谱监督分类问题,在贝叶斯最大后验框架下,利用l1-l2正则化稀疏表
示方法对似然概率进行建模,并利用MRF分类标签的空间先验进行建模,提出了稀疏表示和马尔可夫场空间先验相结合的空谱联合分类模型,并通过图割算法进行了快速近似求解。 真实高光谱数据实验表明,基于稀疏表示与马尔可夫场空间先验相结合的高光谱分类模型能够有效地提升分类精度,且分类精度优于主流的分类方法。3、在贝叶斯推断框架下,采用稀疏多项式逻辑回归方法对似然概率进行建模,并将最大后验(MAP)分布的边际概率作为实值的隐形场引入到马尔可夫空间先验中,提出了一种加权马尔可夫场空间先验的高光谱分类方法。 利用最大后验边际概率上的加权TV函数定义该马尔可夫场的势函数,并将MAP分类模型转化为加权TV正则化的变分模型,同时添加“非负性”、“和为一”以及“训练样本类别标签固定”三个约束项,建立约束条件下的空谱分类模型,并利用ADMM方法提出了SMLR-SpATV (sparse multinomial logistic regression based spatially adaptive total variation method)算法对模型进行了快速求解。实验结果表明所提出的基于隐形场空间先验的空谱分类模型对高光谱分类的有效性,对比实验表明该方法优于主流的分类方法。 4、为了充分挖掘特征空间与原始空间、全局分类与局部分类的特点,提出了一种子空间逻辑回归分类器与稀疏表示分类器融合的空谱分类方法。其中,仅利用光谱信息的分类概率是由子空间逻辑回归分类器和稀疏表示分类器以一定的方式融合求得,空间先验信息由边缘保持的马尔可夫随机场进行建模。 最后,空谱模型采用图割算法进行快速优化求解。真实高光谱数据实验表明：多分类器融合能够充分发挥多个分类器的优点,分类结果大大高于单个分类器,且优于大部分主流的高光谱分类方法。
北京揽宇方圆信息技术有限公司 全色卫星影像多光谱卫星影像高光谱卫星影像 随着光谱分辨率的不断提高，光学遥感的发展过程可分为：全色（Panchromatic）→彩色（Color Photography）→多光谱（Multispectral）→高光谱（hyspectral）。 注： 全色波段（Panchromatic band），因为是单波段，在图上显示是灰度图片。全色遥感影像一般空间分辨率高，但无法显示地物色彩。实际操作中，我们经常将之与波段影象融合处理，得到既有全色影象的高分辨率，又有多波段影象的彩色信息的影象。 全色波段，一般指使用0.5微米到0.75微米左右的单波段，即从绿色往后的可见光波段。全色遥感影象也就是对地物辐射中全色波段的影象摄取，因为是单波段，在图上显示是灰度图片。全色遥感影象一般空间分辨率高，但无法显示地物色彩。 多光谱遥感 多光谱遥感：将地物辐射电磁破分割成若干个较窄的光谱段，以摄影或扫描的方式，在同一时间获得同一目标不同波段信息的遥感技术。 原理：不同地物有不同的光谱特性，同一地物则具有相同的光谱特性。不同地物在不同波段的辐射能量有差别，取得的不同波段图像上有差别。 优点：多光谱遥感不仅可以根据影像的形态和结构的差异判别地物，还可以根据光谱特性的差异判别地物，扩大了遥感的信息量。 航空摄影用的多光谱摄影与陆地卫星所用的多光谱扫描均能得到不同普段的遥感资料，分普段的图像或数据可以通过摄影彩色合成或计算机图像处理，获得比常规方法更为丰富的图像，也为地物影像计算机识别与分类提供了可能。
高光谱 高光谱遥感起源于20世纪70年代初的多光谱遥感，它将成像技术与光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖，这样形成的遥感数据可以用“图像立方体”来形象的描述。同传统遥感技术相比，其所获取的图像包含丰富的空间、辐射和光谱三重信息。 高光谱遥感技术已经成为当前遥感领域的前沿技术。 高光谱遥感具有不同于传统遥感的新特点： 1）波段多：可以为每个像元提供十几、数百甚至上千个波段； 2）光谱范围窄：波段范围一般小于10nm； 3）波段连续：有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； 4）数据量大：随着波段数的增加，数据量成指数增加； 5）信息冗余增加：由于相邻波段高度相关，冗余信息也相对增加。 优点： 1）有利于利用光谱特征分析来研究地物； 2）有利于采用各种光谱匹配模型； 3）有利于地物的精细分类与识别； 异同点 国际遥感界的共识是光谱分辨率在λ/10数量级范围的称为多光谱(Multispectral)，这样的遥感器在可见光和近红外光谱区只有几个波段，如美国LandsatMSS，TM，法国的SPOT等；而光谱分辨率在λ/100的遥感信息称之为高光谱遥感(HyPerspectral)；随着遥感光谱分辨率的进一步提高，在达到λ/1000时，遥感即进入超高光谱(ultraspectral)阶段(陈述彭等，1998)。 高光谱和多光谱实质上的差别就是：高光谱的波段较多，普带较窄。（Hyperion有233~309个波段，MODIS有36个波段） 多光谱相对波段较少。（如ETM+，8个波段，分为红波段，绿波段，蓝波段，可见光，热红外（2个），近红外和全色波段） 高光谱遥感就是多比多光谱遥感的光谱分辨率更高，但光谱分辨率高的同时空间分辨率会降低。
基于核方法的高光谱图像目标检测技术研究 ----文献选读综述报告 1前言 20 世纪80 年代遥感领域最重要的发展之一就是高光谱遥感的兴起。从20 世纪90 年代开始，高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。高光谱遥感图像目标检测在民用和军事上都具有重要的理论价值和应用前景，是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。 2 研究目的及意义 高光谱遥感图像是在电磁波谱的紫外、可见光、近红外和中红外区域，利用成像光谱仪获取的许多非常窄且光谱连续的图像数据（如图1.1所示）。成像光谱仪为每个像元提供数十至数百个窄波段（通常波段宽度小于10 nm）的光谱信息，能产生一条完整而连续的光谱曲线。 图1.1 成像光谱仪探测地物目标示意图[1] 高光谱遥感技术主要利用各种地物（例如某种土壤、岩石和作物）对不同的光谱波长具有各不相同的吸收率和反射率的原理，根据每种物质所拥有的独特光
谱反射曲线来进行检测和分类。 利用高光谱遥感技术，能够很好地提取目标的辐射特性参量，使地表目标的定量分析与提取成为可能。然而，高光谱遥感成像机理复杂、影像数据量大，这导致影像的大气纠正、几何纠正、光谱定标、反射率转换等预处理困难。由于成像光谱仪获取的地物光谱特征曲线近乎连续，波段间相关性很高，数据冗余信息很多。在使用传统目标检测方法对高光谱影像中感兴趣目标进行检测时，波段多且相关性高，会导致训练样本相对不足，致使分类模型参数的估计不可靠，检测分类存在维数灾难现象。 因此，高光谱影像给地物分类识别带来了巨大机遇，同时给传统的目标检测方法也带来了挑战。为了充分发挥高光谱遥感技术的优势，必须在影像检测分类基本算法的基础之上，结合高光谱影像分类的特点，研究新的适用于高光谱影像的理论、模型和算法〕。在国内外，许多研究机构在理论和应用上进行了探索，取得了不少成果。 自从上世纪90年代中期核方法在支持向量机分类中得到成功应用以后，人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况，在理论和应用中都有许多成果，引起了继经典统计线性分析、神经网络与决策树非线性分析后第三次模式分析方法的变革，成为机器学习、应用统计、模式识别、数据挖掘等许多学科的研究热点，在人脸识别、语音识别、字符识别、机器故障分类等领域得到成功应用[2]。 基于核方法的非线性特征提取与分类，为高光谱影像分析提供了一条新的途径。 3 核方法理论发展概况 3.1 核理论基础 核的理论比较古老，Mercer定理可追溯到1909年，早在20世纪40年代，A.N.Kolmogorov和N.Aronszajn就已经开展了有关再生核理论的研究。该理论最早被引入机器学习领域是在1964年，M.Aizermann、E.Bravermann和L.Rozoener在势函数方法中应用Mercer定理把核解释为特征空间中的内积。1975年Poggiio首次用到了多项式核函数，然而一直到20世纪90年代中期，B.Boser、I.Guyon和V.N.Vapnik提出支持向量机（SVM）算法后，该理论的实际价值才开始被人们所广泛认识。并且在经过 B.Scholkopf等人后续的工作以后，逐渐形成了如下的“核技巧”：任何一个只依赖于内积的算法都可以被“核化”[3]。 近年来核方法和基于核函数的算法在许多领域都获得了重要的应用。这些应用主要包括图象和计算机视觉(人脸识别、手写体识别等)，文本分类，生物信息
高光谱遥感实习报告 目录 一．数据预处理 (2) 1. 数据说明 (2) 2.数据转换 (3) 2.FLAASH大气校正 (4) 3.图像裁剪 (7)
二．光谱识别与地物分析 (8) 1.波段相关性分析 (8) 2.MNF变换 (8) 3.端元提取 (10) 3.1 2-D散点图法 (10) 3.2基于PPI的端元提取（N维散点图法） (13) 三．实习心得 (19) 一．数据预处理 1.数据说明 环境与灾害监测预报小卫星星座A、B星（简称环境小卫星，简写HJ-1A /1B）于2009
年3月30日开始正式交付使用，HJ-1-A星搭载了CCD相机和超光谱成像仪（HSI），HJ-1-B 星搭载了CCD相机和红外相机（IRS）。HJ-1A /1B卫星是继我国继气象、海洋、国土资源卫星之后一个全新的民用卫星。卫星投入使用后，对自然灾害、生态破坏、环境污染进行大范围、全天候、全天时的动态监测，对灾害和环境质量进行快速和科学评估，提高灾害和环境信息的观测、采集、传送和处理能力，为紧急救援、灾后救助及恢复重建和环境保护工作提高科学依据。 HSI 对地成像幅宽为50 km, 星下点像元地面分辨率为100 m，115个波段，工作谱段：459~ 956nm。具有30度侧视能力和星上定标功能。HJ-1数据应用于自然灾害、生态环境之前，需要进行几何及光谱方面的预处理。ENVI在数据读取、图像配准、精确大气校正等方面提供了非常好的工具。 2.数据转换 目前，网上免费获取的HJ-1A /1B卫星CCD和HSI影像的分发的格式主要有两种：CCD 为Geotiff，每一个波段为一个Geotiff文件，并提供一个元数据说明（.XML）; HSI为HDF5格式，也提供一个元数据说明（.XML）。 使用HJ-1数据读取补丁，启动ENVI->File->Open External File->HJ-1->HJ-1A /1B Tools工具。直接读取CCD、HIS、IRS数据，之后选择Basic Tools->Convert Data(BSQ,BIL,BIP)，将刚才生成的文件转成BIL储存顺序的文件。至此，已经将HSI数据转成BIL储存顺序、带有中心波长信息、波段宽度信息的ENVI格式文件。 图1.1 HJ-1A /1B Tools面板
遥感图像处理 实训指导书 单位：测绘学院测绘工程1102班 姓名：王文兵 学号：1110020213 指导教师：陈晓宁、黄远程、竞霞、席晶、史晓亮 测绘科学与技术学院
2013 年12 月 实习一遥感图像处理实训概述与ENVI软件介绍 一、实验内容： 随着遥感技术日新月异的发展，伴随近年来我国高分辨率传感器的发展，在地物识别方面取得了巨大的成就和进步。根据陕西省地理国情白皮书的内容，发现我省各城市城区面积呈连年扩大之势，本次实验利用ZY-3卫星获取的2012年7月28日西安地区的高分辨影像为主要的数据源，通过对图像的光谱、空间和纹理信息的分析，采用多尺度分析和面向对象的分析方法，运用遥感影像自动分类方法，包括SVM、knn算法实现城市地物高精度的分类为主要目标。 本次试验加强深入了解ENVI软件的基本操作步骤以及各部分功能的使用方法，并对ZY-3卫星获取的西安市高分辨率影像图加以剪切，即剪切生成图名为g042016的实验图区，其覆盖范围为108°56’15”~109°00’ 00”； 34°15’ 00”~34°17’ 30”；之后对图区地物进行简单描述。 二、实验目的： 1.深入了解ENVI软件的各部分功能以及基本操作步骤，加深理解，增强动手能力； 2.学会对所需图区进行符合要求的剪切操作； 3.学会在高分辨影像图上识别地物并做简单描述；
三、实验步骤： 1.打开ENVI软件，打开File--Open Image File ,加载正视影像图ZY3_01a_mynnavp_017139_20120728_113641_0007_SASMAC_CHN_sec_ rel_001_1208096324.tif； 2.进行所需图区的截取；打开Basic Tools--Resize data(Spatial/Spectral)，之后选中此图像进行截取； 3.单击Spatial Subset--map，之后在空格内输入所需图区的两个对角（左上和右下）经纬度坐标，即（108.9375,3 4.29）；（109,34.25），单击OK确定后点Choose并建立文件夹进行保存，截取图区操作完成； 4.重新加载正视影像图区g042016,肉眼对图像进行简单的地物判别描述； 四、实验结果： 1.截取的全色影像图区g042016结果：
高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.doczj.com/doc/e04387713.html,。
实验二高光谱遥感数据的大气校正 --GIS0901 赵建平 2009303200901 一. 基本概念: a)大气散射 辐射在传播过程中遇到小微粒而使传播方向改变，并向各个方向散开，称为散射。大气散射是电磁波同大气分子或气溶 胶等发生相互作用，使入射能量以一定规律在各方向重新分布 的现象。其实质是大气分子或气溶胶等粒子在入射电磁波的作 用下产生电偶极子或多极子振荡，并以此为中心向四周辐射出 与入射波频率相同的子波，即散射波。散射波能量的分布同入 射波的波长、强度以及粒子的大小、形状和折射率有关。 b)大气吸收和地面遥感可以利用的主要大气窗口 对遥感传感器而言，只有选择透过率高的波段才对观测有意义。电磁波通过大气层较少被反射、吸收和散射的那些透射 率高的波段成为大气窗口。通常把太阳光透过大气层时透过率 较高的光谱段称为大气窗口。大气窗口的光谱段主要有: 微波波段（即0.8~2.5cm），由于微波穿云透雾能力强，这一区间可以用于全天候观测，而且是主动遥感方式。 远红外波段（即8~14μm），主要通透来自地物热辐射的能量，适用于夜间成像。 中红外波段（即3.5~5.5μm），该波段除了反射外，地面物体也可以自身发射热辐射能量。 近、中红外波段（即1.5~1.8μm和2.0~3.5μm），是白天
日照条件好时扫描成像的常用波段。 紫外、可见光和近红外波段（即0.3~1.3μm）这一波段是摄影成像的最佳波段，也是许多卫星传感器扫描成像的常用波段。 c)天空为什么是蓝色的？太阳升起和落下时天空为什么是红色 或橘红色？ 我们所看到的蓝天是因为空气分子和其他微粒对入射的太阳光进行选择性散射的结果。当微粒的直径小于可见光波长时，散射强度和波长的4次方成反比，不同波长的光被散射的比例不同。当太阳光进入大气后，空气分子和微粒(尘埃、水滴、冰晶等)会将太阳光向四周散射。组成太阳光的红、橙、黄、绿、蓝、靛、紫7种光中，红光波长最长，紫光波长最短。 波长比较长的红光透射性最大，大部分能够直接透过大气中的微粒射向地面。而波长较短的蓝、靛、紫等色光，很容易被大气中的微粒散射。因此晴天天空是蔚蓝的。 当太阳将要落山时，太阳光穿透大气层到达观察者所经过的路程要比中午时长得多，更多的光被散射和反射，所以光线也没有中午时明亮。因为在到达所观察的地方，波长较短的光——蓝色和紫色的光几乎已经散射殆尽，只剩下橙色和红色的光，所以随着太阳慢慢落下，天空看起来也从橙色变成红色。 同样道理，当太阳升起的时候，也是橙色或者红色的。 d)为什么要进行大气校正？
第35卷第3期 地球科学———中国地质大学学报 Vol.35 No.32010年5月 Earth Science —Journal of China University of G eosciences May 2010 doi :10.3799/dqkx.2010.050 基金项目:教育部新世纪优秀人才计划资助项目(No.NCET 20720772);国家重点“863”项目(No.2007AA120503). 作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E 2mail :cuggaowei @hot https://www.doczj.com/doc/e04387713.html, 一种改进的高分辨率遥感影像分割方法 高 伟1,2,刘修国1,2,彭 攀1,2,陈启浩1,2 1.中国地质大学信息工程学院,湖北武汉430074 2.地理信息系统软件及其应用教育部工程中心,湖北武汉430074 摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高, 而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15 An Improved Method of High 2R esolution R emote Sense Image Segmentation GAO Wei 1,2,L IU Xiu 2guo 1,2,PEN G Pan 1,2,CH EN Qi 2hao 1,2 1.Facult y of I nf ormation Engineering ,China Uni versit y of Geosciences ,W uhan 430074,China 2.Engineering Research Center f or GIS S of t w are and A p plications ,Minist ry of Education ,W uhan 430074,China Abstract :Fractal net evolution approach (FN EA )is a relatively mature one among the object 2oriented image segmentation algo 2rithms ,but its efficiency is to be improved.Quad 2Tree segmentation is a kind of effective image segmentation method.In this paper ,an improved object oriented multi 2scale image segmentation method based on the quad 2tree pre 2segmentation and FN EA is introduced.The experiment shows that the effect of its segmentation result is almost the same as that of traditional FN EA method.Moreover ,It saves time. K ey w ords :image segmentation ;f ractal net evolution approach ;high 2nesolution remote sense ;quad 2tree ;geographic informa 2tion system (GIS ). 0 引言 近年来,以I KONOS 和Quick 2Bird 为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,使得在较小的空间尺度上观察地表细节变化,进行大比例尺遥感制图,以及监测人为活动对环境的影响成为可能.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨 率影像信息不断增长的应用和研究需要(Chen et al .,2009). 面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(Blaschke and Hay ,2001;陆关祥等,2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步. 目前分形网络演化算法(Baatz and Schape ,
遥感图像的主要分割技术 摘要：遥感图像都是一个地区自然与人文景观全貌的综合反映。每一幅遥感图像的覆盖面积是有限的，其包含的内容是多方面的、综合的。在对图像的应用中，多数情况下可能只对其中的某些部分感兴趣。例如，一幅遥感图像，从军事的角度看，可能只对机场、导弹基地、兵工厂的军事目标比较关心。这些目标在图像中具有独特性质，为了对此进行识别和分析，需要将其分离出来，提取其所具有的特征，进而进行识别分类。本文主要系统分析介绍了各种常用图像分割算法和技术，并简单评论了这些方法和技术的优势和不足之处。之后，对图像分割的发展趋势进行了展望。 关键词：图像分割；阈值法；分水岭算法；边缘检测；区域生长法；数学形态学。 引言： 图像分割就是指把图像分成互不重叠的区域并提取出感兴趣的目标的技术和过程。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记的过程，即将属于同一区域的像素赋予相同编号的过程。图像分割的目的是将一幅图像分为几个区域，这几个区域之间具有不同的属性，同一区域中各像素具有某些相同的性质，这里的特性可以是灰度、颜色、纹理等。 遥感图像以其良好的时相性和丰富的信息量和逐步提高的分辨率等特点逐步在国民生活的各个领域发挥了极大作用，例如，震灾评估中对建筑物和生命线工程受损情况的了解，洪水检测中对洪水的淹
没范围的评估。为了识别和分析目标，需要将这些区域从整幅图像中分离并提取出来，然后做进一步的分析与处理，如进行特征提取、测量描述等。图像分割可以把原始图像转化为更抽象、更紧凑的形式，使得更高层次的图像分析与理解成为可能。因此，我们利用图像分割技术对其进行深入的研究、发掘其中隐含的信息具有非常重要的意义。分割的好坏直接影响到后续分析、识别和解译等的精度，由于遥感图像的复杂性和图像分割自身的不确定性，遥感图像的准确分割成为遥感图像处理研究的热点和难点之一。 以下内容主要分析图像分割的各种方法和技术。 一、图像分割的方法和技术 图像分割有4种不同的常用方法：阈值法、边界法、区域法、混合法，但没有唯一标准的方法。我们根据所获得的数据和所要达到目的，选择比较适合的一种分割方法进行分割。 1、阈值法 阈值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值分割法是通过设定不同的特征阈值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。阈值分割法主要有全局阈值法、自适应阈值法。 阈值法的分割描述：设（x,y）是二维数字图像的平面坐标，图像灰度级的取值范围是G{0,1,2，…L-1}（习惯上0代表最暗的像素点，L-1代表最亮的像素点），位于坐标点（x,y）上
https://www.doczj.com/doc/e04387713.html, 中国科技论文在线高光谱遥感影像的光谱匹配算法研究 蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感 通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt@https://www.doczj.com/doc/e04387713.html, （1. 中国矿业大学环境与测绘学院，江苏徐州 221008； 2. 江苏煤炭地质勘探四队，南京 210046） 摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C++平台实现了最小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。 关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码 中图分类号：TP751 The Study on the Spectral Matching Technique of hyperspectral romote sensing Cai Yan1, Mei Ling2 (1. School Of Environment Science and Spatial Informatics China University of Mining and Technology, JiangSu XuZhou 221008;
2. JiangSu Geological Prospecting Team Four, NanJing 210046 Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes. Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding 0 引言 高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱 维上进行图像信息的展开和定量分析。 高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小 距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。