高空间分辨率与高光谱分辨率遥感数据融合研究

浅谈高光谱图像融合方法
随着遥感技术的进步，高光谱图像融合方法日益成为研究热点。

高光谱图像融合可以将多个波段的数据融合成为一幅图像，提供更全面、更准确的信息。

近年来，针对不同应用需求，研究者们开发了各种高光谱图像融合方法。

本文将从基本原理、分辨率融合和特征融合三个方面，对高光谱图像融合方法进行浅谈。

基本原理：
高光谱图像融合的基本原理是将单一波段的高光谱图像转换成多个对于不同波段数据的图像融合，即将多个波段的信息叠加到一张图像上。

这个过程可以通过基于多尺度特征的过滤方法来实现，也可以通过基于卷积神经网络（CNN）的方法实现。

分辨率融合：
分辨率融合是高光谱图像融合的主要方法。

它将多个不同分辨率的图像融合成为一幅高精度的图像，以提高影像的空间分辨率。

分辨率融合最重要的一个步骤是图像配准。

为了将分辨率不同的图像叠加到一张图像上，需要对图像进行匹配。

常用的匹配方法有基于特征的配准、基于模型的配准、基于灰度值匹配的配准等。

特征融合：
特征融合可以将不同来源的高光谱数据进行融合。

特征融合方法可以通过卷积神经网络实现。

卷积神经网络是一种通过训练产生的层次结构，可以自动提取图像特征。

通过选择不同的网络结构和训练数据集，可以提取不同波段的特征，从而实现高光谱图像融合。

此外，特征融合方法还可以采用像素级别的方法，对每个像素进行处理，同时对不同的特征进行加权，最终获得高光谱图像。

《高光谱分辨率红外遥感大气温湿度廓线反演方法研究》篇一一、引言随着遥感技术的不断发展，高光谱分辨率红外遥感技术已成为大气环境监测的重要手段。

其中，大气温湿度的准确测量对于气象预报、气候变化研究、环境监测等领域具有重要意义。

高光谱分辨率红外遥感技术能够提供丰富的光谱信息，为大气温湿度廓线反演提供了新的可能性。

本文旨在研究高光谱分辨率红外遥感大气温湿度廓线反演方法，以提高大气温度和湿度的测量精度。

二、研究背景及意义大气温度和湿度是气象学、气候学、环境科学等领域研究的重要参数。

传统的温湿度测量方法主要依靠地面观测站、探空气球等手段，这些方法在空间和时间分辨率上存在一定局限性。

而高光谱分辨率红外遥感技术可以通过获取大气中红外辐射的详细光谱信息，实现对大气温湿度的远程、快速、高精度测量。

因此，研究高光谱分辨率红外遥感大气温湿度廓线反演方法具有重要意义。

三、高光谱分辨率红外遥感原理高光谱分辨率红外遥感技术利用红外光谱范围内的电磁波与大气相互作用，获取大气中红外辐射的光谱信息。

通过对这些光谱信息的分析和处理，可以反演出大气的温度、湿度等参数。

高光谱分辨率红外遥感技术具有较高的光谱分辨率和信噪比，能够提供更详细的大气信息。

四、温湿度廓线反演方法目前，高光谱分辨率红外遥感大气温湿度廓线反演方法主要包括辐射传输模型法和机器学习方法。

（一）辐射传输模型法辐射传输模型法是通过建立大气辐射传输模型，将观测到的光谱信息与模型预测的光谱信息进行对比，从而反演出大气的温度和湿度。

该方法需要建立准确的辐射传输模型，并考虑大气中各种气体、云雾等影响因素。

通过优化模型参数，可以得到较高的反演精度。

（二）机器学习方法机器学习方法利用大量观测数据训练神经网络等模型，通过输入观测到的光谱信息，直接输出大气的温度和湿度。

该方法可以自动考虑各种影响因素，具有较高的反演速度和精度。

然而，机器学习方法需要大量的训练数据和计算资源。

五、研究方法及实验设计本研究采用辐射传输模型法和机器学习方法相结合的方式，对高光谱分辨率红外遥感大气温湿度廓线进行反演。

如何进行遥感影像的数据融合遥感影像的数据融合是将多源的遥感信息融合在一起，以提高遥感数据的空间分辨率和地物分类精度。

在综合利用多源遥感数据的基础上，实现对地表覆盖信息的准确提取和监测。

本文将从数据源的选择、融合方法的选择和数据融合的应用领域三个方面，探讨如何进行遥感影像的数据融合。

一、数据源的选择数据源的选择是进行遥感影像的数据融合的第一步，准确选择数据源可以保证数据融合的有效性和准确性。

1. 遥感影像数据遥感影像数据是进行数据融合的基础数据，可以通过卫星、航空摄影等方式获取。

选择高质量的遥感影像数据对融合结果有重要影响，因此在选择遥感影像数据时，要考虑数据的空间分辨率、光谱分辨率和时间分辨率等因素。

同时，还要注意遥感数据的几何校正和辐射校正情况，以保证数据的一致性和准确性。

2. 地面观测数据地面观测数据是进行遥感影像数据融合的重要补充。

常见的地面观测数据包括气象站观测数据、地面遥感观测数据等。

地面观测数据可以提供高时空分辨率的地表信息，与遥感影像数据融合可以提高地物识别的准确性。

二、融合方法的选择数据融合方法的选择是进行遥感影像数据融合的关键环节，不同的融合方法适用于不同的数据和应用场景。

常见的数据融合方法包括像素级融合、特征级融合和决策级融合。

1. 像素级融合像素级融合是将多源遥感影像数据的像元进行组合，生成高光谱或高光谱数据立方体。

常用的像素级融合方法有主成分分析、合成波段和带通滤波等。

像素级融合可以提高遥感影像的空间分辨率和光谱分辨率，对地物分类和变化检测具有重要意义。

2. 特征级融合特征级融合是将多源遥感影像数据的特征进行组合，提取地物的空间、光谱、纹理等特征。

常用的特征级融合方法有多特征组合、特征选择和特征转换等。

特征级融合可以提高地物分类的准确性和分类精度。

3. 决策级融合决策级融合是将多源遥感影像数据的分类结果进行组合，生成最终的分类结果。

常用的决策级融合方法有基于权重的融合、基于逻辑运算的融合和基于模型的融合等。

浅谈高光谱图像融合方法1. 引言1.1 背景介绍随着遥感技术的不断发展，高光谱图像和多光谱图像已经成为遥感领域的重要数据来源。

高光谱图像能够提供丰富的光谱信息，但分辨率较低；而多光谱图像具有较高的空间分辨率，但光谱信息相对较少。

将高光谱图像和多光谱图像结合起来，可以充分利用它们各自的优势，实现更细致的地物分类和识别。

高光谱图像融合方法具有重要的理论和实际意义。

通过将高光谱和多光谱图像融合，可以提高遥感数据的综合信息量，进一步提高遥感图像的分析和应用能力。

研究高光谱图像融合方法不仅有助于丰富遥感技术的应用范围，还可以为环境监测、资源管理、灾害预警等领域提供更加精准的数据支持。

在当前的研究领域中，高光谱图像融合方法已经成为研究热点之一。

通过不断改进和创新，将可以更好地发挥高光谱和多光谱图像的优势，为遥感领域的发展带来新的突破。

1.2 研究意义高光谱图像融合方法的研究意义在于提高遥感图像的分析与应用效率和精度。

随着遥感技术的不断发展，高光谱和多光谱图像在农业、环境监测、城市规划等领域得到了广泛应用。

单独利用高光谱或多光谱图像存在信息不足或信息重复的问题，无法充分表达地物的特征。

高光谱图像融合方法的研究可以克服单一图像的局限性，实现对地物特征的更准确、更全面的描述。

通过融合高光谱和多光谱图像，可以提高地物分类与识别的精度，为环境监测、资源调查、城市规划等领域提供更可靠的依据。

高光谱图像融合方法还有助于减少数据量，提高图像处理的效率，为大数据时代下的遥感应用提供支持。

研究高光谱图像融合方法具有重要的实际意义和应用前景。

1.3 研究现状高光谱图像融合是当前遥感图像处理领域的热点之一，对于提高图像质量、增强信息提取能力具有重要意义。

目前，关于高光谱图像融合方法的研究已经取得了一定的进展。

在传统的融合方法中，基于像素级和特征级的融合方法被广泛采用，通常是通过将高光谱图像和多光谱图像进行简单的加权平均或者特征变换来实现信息融合。

高分辨率卫星遥感立体影像处理模型与算法一、本文概述随着空间技术和遥感科学的迅猛发展，高分辨率卫星遥感已成为地球观测与资源管理的重要手段。

高分辨率卫星遥感立体影像，以其高空间分辨率、高光谱分辨率和高时间分辨率的优势，为地表特征提取、环境监测、城市规划等领域提供了丰富而准确的信息源。

如何高效、精确地处理这些立体影像，以充分发挥其应用潜力，是当前遥感领域面临的重要挑战。

本文旨在探讨高分辨率卫星遥感立体影像处理模型与算法。

本文将回顾高分辨率卫星遥感立体影像处理技术的发展历程，分析现有技术的优缺点。

接着，本文将重点介绍几种先进的处理模型与算法，包括基于深度学习的立体匹配算法、多源数据融合算法以及变化检测算法等。

这些算法不仅提高了影像处理的精度和效率，还拓宽了高分辨率卫星遥感的应用范围。

本文还将探讨高分辨率卫星遥感立体影像处理技术在实践中的应用案例，如城市规划、灾害监测、环境评估等，以展示这些技术的实际应用价值和潜力。

本文将对未来高分辨率卫星遥感立体影像处理技术的发展趋势进行展望，指出可能的研究方向和挑战，以期为相关领域的研究和实践提供参考。

本文将对高分辨率卫星遥感立体影像处理模型与算法进行全面而深入的探讨，旨在推动遥感科学技术的发展，为地球观测与资源管理提供更有效的技术支持。

二、高分辨率卫星遥感技术概述高分辨率卫星遥感技术是指利用卫星搭载的遥感设备获取地球表面的高清晰度图像和数据的技术。

这种技术在地理信息系统、城市规划、农业监测、环境保护、灾害评估和军事侦察等领域具有广泛的应用。

高分辨率卫星遥感技术的关键在于其搭载的传感器和数据处理算法。

传感器必须具备高空间分辨率、高光谱分辨率和高时间分辨率，以确保获取到的图像清晰、详细。

同时，数据处理算法需要能够从这些高分辨率图像中提取有用的信息，进行分类、识别和分析。

立体影像处理是高分辨率卫星遥感技术中的一个重要方面，它涉及到从不同角度获取的两幅或多幅图像中重建地面的三维模型。

浅谈高光谱图像融合方法1. 引言1.1 背景介绍高光谱图像融合方法是一种将高光谱图像和传统图像结合起来，获得更加丰富信息的技术。

在遥感领域，高光谱图像可以提供丰富的光谱信息，但空间分辨率低；而传统图像则具有较高的空间分辨率，但缺乏光谱信息。

高光谱图像融合方法可以充分整合两种图像的优势，实现高光谱图像的空间增强和传统图像的光谱增强。

随着遥感技术的不断发展和应用需求的提高，高光谱图像融合在农业、城市规划、环境监测等领域都有着重要的应用价值。

通过融合不同类型的图像，可以更准确地提取地物信息、监测环境变化、识别目标等。

目前，高光谱图像融合方法已经成为遥感图像处理领域的热点之一，研究者们提出了各种不同的融合方法，并取得了一定的成果。

现有的融合方法仍存在一些问题，如如何有效融合高光谱图像和传统图像、如何提高融合后图像的质量等。

对高光谱图像融合方法的研究具有重要意义，可以进一步完善和提高融合方法的效果，推动遥感图像处理技术的发展。

1.2 研究意义高光谱图像融合方法作为遥感图像处理领域的一个重要研究方向，具有重要的研究意义。

高光谱图像融合方法可以将高光谱图像和传统图像进行融合，从而获得更加丰富和准确的信息。

这对于遥感图像的分析和应用具有重要的意义。

高光谱图像融合方法可以提高遥感图像的分辨率和信息量，使得遥感图像在土地利用、环境监测、农业生产等领域的应用更加有效和精准。

高光谱图像融合方法也可以为地质勘探、灾害监测、城市规划等领域提供更加详尽和全面的信息支持。

高光谱图像融合方法的研究意义不仅在于提高遥感图像的质量和准确性，还在于推动遥感技术的发展和应用领域的拓展。

通过深入研究和探讨高光谱图像融合方法，可以为遥感图像处理技术的进一步提升和应用推广提供重要的参考和支持。

1.3 研究现状高光谱图像融合是遥感图像处理中一个重要的研究领域，目前国内外学者们已经开展了大量相关工作。

当前，针对高光谱图像融合方法主要可以分为基于像素级的融合方法、基于特征级的融合方法和基于深度学习的融合方法三大类。

郑州大学水利与环境学院遥感技术实验报告（适用于地理信息系统专业）专业班级： ***********学生姓名： *******学生学号： ***********指导教师： ******实验成绩：***年***月实验一、遥感图像认知与输入/输出的基本操作一、实验要求1.了解遥感卫星数字影像的差异。

2.掌握查看遥感影像相关信息的基本方法。

3.掌握遥感图像处理软件ERDAS的基本视窗操作及各个图标面板的功能。

4.了解遥感图像的格式，学习将不同格式的遥感图像转换为ERDASimg格式，以及将ERDASimg 格式转换为多种指定的格式图像。

5.学习如何输入单波段数据以及如何将多波段遥感图像进行波段组合。

6.掌握在ERDAS系统中显示单波段和多波段遥感图像的方法。

二、实验内容1.遥感图像文件的信息查询。

2.空间分辨率。

3.遥感影像纹理结构认知。

4.色调信息认知。

5.遥感影像特征空间分析。

6.矢量化。

7.遥感图像的格式。

8.数据输入/输出。

9.波段组合。

10.遥感图像显示。

三、实验结果及分析：简述矢量功能在ERDAS中的意义。

矢量功能可以将栅格数据转化为矢量数据。

矢量数据有很多优点：1.矢量数据由简单的几何图元组成，表示紧凑，所占存储空间小。

2.矢量图像易于进行编辑。

3.用矢量表示的对象易于缩放或压缩，且不会降低其在计算机中的显示质量。

四、实验结果及分析：简述不同传感器的卫星影像的特点和目视效果。

SPOT卫星最大的优势是最高空间分辨率达10m，并且SPOT卫星的传感器带有可以定向的发射镜，使仪器具有偏离天底点（倾斜）观察的能力，可获得垂直和倾斜的图像。

因而其重复观察能力由26天提高到1~5天，并在不同的轨道扫面重叠产生立体像对，可以提供立体观测地面、描绘等高线，进行立体绘图的和立体显示的可能性。

CBRES的轨道是太阳同步近极地轨道，轨道高度是778km，卫星的重访周期是26天，其携带的传感器的最高空间分辨率是19.5m。

㊀２０２３年７月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a J u l y,２０２３㊀㊀第５２卷㊀第７期测㊀绘㊀学㊀报V o l．５２,N o．７引文格式:钟燕飞,王心宇,胡鑫,等．高光谱高空间分辨率遥感观测㊁处理与应用[J]．测绘学报,２０２３,５２(７):１２１２Ｇ１２２６．D O I:１０．１１９４７/j．A G C S．２０２３．２０２２０７１５．Z H O N G Y a n f e i,WA N G X i n y u,HU X i n,e t a l．H y p e r s p e c t r a lw i t hh i g hＧs p a t i a l r e s o l u t i o nr e m o t es e n s i n g f r o m o b s e r v a t i o n, p r o c e s s i n g t oa p p l i c a t i o n s[J]．A c t a G e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a,２０２３,５２(７):１２１２Ｇ１２２６．D O I:１０．１１９４７/j．A G C S．２０２３．２０２２０７１５．高光谱高空间分辨率遥感观测㊁处理与应用钟燕飞１,王心宇２,胡㊀鑫１,３,王少宇４,万瑜廷１,唐㊀舸２,张良培１１．武汉大学测绘遥感信息工程国家重点实验室,湖北武汉４３００７９;２．武汉大学遥感信息工程学院,湖北武汉４３００７９;３．广州市城市规划勘测设计研究院,广东广州５１００６０;４．首尔大学农业与生命科学学院,首尔１５１７４２H y p e r s p e c t r a lw i t hh i g hＧs p a t i a l r e s o l u t i o nr e m o t es e n s i n g f r o m o b s e r v a t i o n, p r o c e s s i n g t oa p p l i c a t i o n sZ H O N GY a n f e i１,W A N G X i n y u２,H UX i n１,３,W A N GS h a o y u４,W A NY u t i n g１,T A N GG e２,Z H A N GL i a n g p e i１１．S t a t eK e y L a b o r a t o r y o f I n f o r m a t i o nE n g i n e e r i n g i nS u r v e y i n g,M a p p i n g a n dR e m o t eS e n s i n g,W u h a nU n i v e r s i t y, W u h a n４３００７９,C h i n a;２．S c h o o l o f R e m o t eS e n s i n g a n d I n f o r m a t i o nE n g i n e e r i n g,W u h a nU n i v e r s i t y,W u h a n４３００７９, C h i n a;３．G u a n g z h o uU r b a nP l a n n i n g a n dD e s i g nS u r v e y R e s e a r c h I n s t i t u t e,G u a n g z h o u５１００６０,C h i n a;４．C o l l e g e o fA g r i c u l t u r ea n dL i f eS c i e n c e s,S e o u l N a t i o n a l U n i v e r s i t y,S e o u l１５１７４２,S o u t hK o r e aA b s t r a c t:H y p e r s p e c t r a l r e m o t e s e n s i n g h a s a l w a y s b e e n a r e s e a r c h h o t s p o t i n t h e f i e l d o f r e m o t e s e n s i n g．H o w e v e r,l i m i t e db y i m a g i n g a p e r t u r ea n de n e r g y,i t i sd i f f i c u l t t oo b t a i n t h e i m a g e r y w i t hh y p e r s p e c t r a l a n d h i g h s p a t i a l r e s o l u t i o na t t h e s a m e t i m e,w h i c h g r e a t l y l i m i t s t h ea p p l i c a t i o no f h y p e r s p e c t r a l r e m o t e s e n s i n g i n f i n eＧs c a l e t a s k s．I n r e c e n t y e a r s,w i t h t h e d e v e l o p m e n t o f h y p e r s p e c t r a l i m a g i n g t e c h n o l o g y a n d n e w o b s e r v a t i o n p l a t f o r m sr e p r e s e n t e d b y u n m a n n e d a e r i a lv e h i c l e s,h y p e r s p e c t r a la n d h i g hＧs p a t i a l r e s o l u t i o n(H２,w i t hb o t hn a n o m e t e r s p e c t r a l r e s o l u t i o na n ds u b m e t e r s p a t i a l r e s o l u t i o n)h a sd e v e l o p e d r a p i d l y,p r o m o t i n g t h e a p p l i c a t i o n o f h y p e r s p e c t r a l r e m o t e s e n s i n g t e c h n o l o g y,b u t a t t h e s a m e t i m e,i t h a s a l s ob r o u g h t m o r e p r o b l e m s．T h ee x t r e m e l y h i g hs p a t i a la n ds p e c t r a l r e s o l u t i o n m a k e st h ed a t a m o r e m a s s i v e a n d h i g hＧd i m e n s i o n a l,i n c r e a s e s t h e s p a t i a l h e t e r o g e n e i t y a n d s p e c t r a l v a r i a b i l i t y o f h y p e r s p e c t r a l d a t a,a n db r i n g s g r e a t e rc h a l l e n g e st oi n t e l l i g e n t i m a g ei n f o r m a t i o n p r o c e s s i n g．T h e r e f o r e,t h i sa r t i c l e r e v i e w s t h ea p p l i c a t i o n a n d d e v e l o p m e n t s t a t u s o f H２r e m o t e s e n s i n g i m a g e f r o m t h r e e a s p e c t s:H２r e m o t e s e n s i n g i m a g eb e n c h m a r k d a t a s e t,H２r e m o t e s e n s i n g i m a g e i n t e l l i g e n t i n f o r m a t i o n p r o c e s s i n g a n d t y p i c a l a p p l i c a t i o n o f H２r e m o t e s e n s i n g i m a g e．K e y w o r d s:h y p e r s p e c t r a la n d h i g hＧs p a t i a lr e s o l u t i o nr e m o t es e n s i n g;H２r e m o t es e n s i n g b e n c h m a r k d a t a s e t;i n t e l l i g e n t p r o c e s s i n g a n da p p l i c a t i o n o f H２r e m o t e s e n s i n g i m a g eF o u n d a t i o n s u p p o r t:T h eN a t i o n a l K e y R e s e a r c h a n dD e v e l o p m e n t P r o g r a mo f C h i n a(N o s．２０２２Y F B３９０３４０４;２０２２Y F B３９０３５０２);T h eN a t i o n a l N a t u r a l S c i e n c eF o u n d a t i o n o f C h i n a(N o s．４２０７１３５０;４２１０１３２７)摘㊀要:高光谱遥感技术是遥感领域的研究热点之一.然而,由于成像口径与能量等限制因素,难以同时获得高光谱和高空间分辨率的图像,这极大限制了高光谱遥感在精细尺度任务中的应用.近年来,随着高光谱成像技术及无人机为代表的新型观测平台的发展,高光谱高空间(双高,同时具备纳米级光谱分辨率与亚米级空间分辨率)遥感技术发展迅猛,推动了高光谱遥感技术的应用,但同时也带来了更多问题.极高的空间与光谱分辨率使得数据更加海量高维,加剧了高光谱数据的空间异质性和光谱变异性,为影像智能信息处理带来更大的挑战.为此,本文将从双高遥感影像基准数据集㊁双高遥感影像智能信息处理㊁双高遥感影像典型应用３个方面论述双高遥感应用与发展现状.Copyright©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用关键词:高光谱高空间遥感;双高遥感基准数据集;双高遥感智能处理与应用中图分类号:T P ７５１ʒP ２３７㊀㊀㊀㊀文献标识码:A ㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２３)０７Ｇ１２１２Ｇ１５基金项目:国家重点研发计划(２０２２Y F B ３９０３４０４;２０２２Y F B ３９０３５０２);国家自然科学基金(４２０７１３５０;４２１０１３２７)㊀㊀看得广㊁辨得清㊁识得多 是光学遥感不断追求的目标.高光谱成像技术作为２０世纪遥感技术最重要的突破之一,具备 光谱连续㊁图谱合一 的特性,可同步获取地物空间维与光谱维的信息.相比于可见光影像 所见即所得 的特点,高光谱影像中每个像元包含了数百个窄而连续波段组成光谱向量,可实现超视觉属性的精细识别,在矿物识别㊁军事侦察㊁城市监测㊁精准农业等众多领域展现出巨大应用价值[１],已经成为人类研究地表生态环境与认识理解地球的重要信息来源.近年来,高光谱遥感技术发展迅猛,美国㊁德国㊁中国㊁意大利㊁印度等国相继发射了搭载高光谱载荷的对地观测卫星,但受限于卫星口径㊁能量㊁体积㊁重量等诸多因素限制,高光谱遥感卫星的空间分辨率普遍较低(数米至数百米)[２Ｇ３].然而,在精细化对地观测应用中,迫切需要同步获取高空间与高光谱分辨率数据,以实现农作物冠层尺度分析㊁林业中单木信息识别㊁军事中伪装目标识别等应用.从观测角度来说,航空遥感(有人机和无人机等)是目前高光谱高空间(双高,同时具备纳米级光谱分辨率与亚米级空间分辨率)数据的主要来源[４].近年来,随着无人机高光谱遥感技术发展迅猛,可实现重点区域的低成本㊁高灵活的双高数据获取,已广泛应用于环境监测㊁灾害险情调查㊁林业虫害监测和精准农业等领域.同时新型光谱成像方式㊁高灵敏探测器㊁多光谱/高光谱影像融合㊁计算光谱成像等技术的发展也将为双高数据获取提供更多有效手段[５].相比于中低分辨率高光谱观测,双高观测可同时实现地物空间细节和光谱属性的全面感知,同时也为高光谱数据处理与应用提出了新挑战.双高观测中可分辨的地物单元与物质组成更加详尽,丰富的空间细节引起了极高的地物空Ｇ谱异质性, 同物异谱 现象大量存在导致地物类内方差显著增大,光谱统计分布特征更加复杂.此外,双高数据空间维与光谱维存在大量的信息冗余,数据海量高维的特点对处理方法的效率也提出了更高要求.本文主要围绕高光谱高空间遥感技术,以观测(标准数据集构建)㊁智能处理(波段选择㊁精细分类㊁目标探测)与地学应用为主线展开讨论(图１),为双高遥感研究与应用发展提供一定的理论支撑.图１㊀双高遥感影像 观测Ｇ处理Ｇ应用 理论体系F i g ．１㊀H ２r e m o t e s e n s i n g f r o mo b s e r v a t i o n ,p r o c e s s i n g t o a p pl i c a t i o n s １㊀双高遥感公开数据集本节从双高(纳米级光谱分辨率与亚米级空间分辨率)遥感数据集的角度出发,综述近几年各大研究单位发布的双高影像基准数据与样本集,归纳与总结成像平台㊁传感器㊁光谱分辨率㊁空间分辨３１２１Copyright ©博看网. All Rights Reserved.J u l y ２０２３V o l ．５２N o ．７A G C S h t t p :ʊx b ．c h i n a s m p ．c o m 率㊁波段数㊁影像大小㊁地物类别㊁发布年份和发布单位等信息,分析双高观测数据特点.(１)航空双高遥感数据集,主要包括徐州H Y S P E X 数据集[６](用于徐州煤矿矿区精细分类,包含裸地㊁湖㊁树㊁农作物和煤等９类地物)㊁A e r o R I T 数据集[７](包含车辆㊁建筑㊁道路㊁水体㊁植被５类地物)㊁马蹄湾村数据集[８](包含水稻茬㊁草地㊁榆树㊁白蜡和国槐等１９类地物)㊁T A I G A林业遥感数据集[９](包含３个类别与１０个林分连续变量信息(树干密度㊁断面面积㊁平均树高㊁叶面积指数等))㊁L u o ji a ＧH S S R 数据集[１０](包含稻田㊁树林㊁灌木林㊁建筑及乡路等２３类地物).(２)无人机双高遥感数据集,主要包括WHU ＧH i 基准数据集[１１](包含简单农业区域L o n gK o u ㊁城乡结合区域H a n C h u a n ㊁复杂农业区域H o n g H u ３个场景的全标注分类数据集(h t t p:ʊr s i d e a ．w h u ．e d u ．c n /r e s o u r c e _WH U H i _s h a r i n g ．h t m ),以及面向目标探测的R i v e r 数据集(h t t p :ʊr s i d e a ．w h u ．e d u ．c n /r e s o u r c e _WH U H i r i v e r _s h a r i n g．h t m )[１２])㊁U A V ＧH S I ＧC r o p 数据集[１３](包含玉米㊁小米㊁大白菜㊁胡萝卜㊁叶芥末等２９个地物).图２与表１展示了WH U ＧH i ＧH o n gH u 数据集的类别标注信息,包含２２种地物类别(１７种农作物),该数据具有细碎化土地利用特点复杂农业场景,农作物嵌套种植且种类相似.图２㊀WHU ＧH i ＧH o n gH u 数据集F i g ．２㊀WHU ＧH i ＧH o n gH ud a t a s e t 表１㊀WH U ＧH i ＧH o n gH u 地物类别标记T a b ．１㊀G r o u n d Ｇt r u t ha n n o t a t i o no fWH U ＧH i ＧH o n gH u２㊀双高遥感影像智能信息处理相比于传统高光谱卫星影像,双高遥感影像可同步获取地物精细光谱与空间信息,可分辨的地物基本单元与物质组成更详尽,同时也带来了数据海量高维㊁空Ｇ谱异质性等新挑战.首先,双高遥感观测获取的数据量巨大,空间维与光谱维存在严重信息冗余,对特征提取与算法处理效率提出了更高要求.其次,如图３所示,双高遥感影像存在严重的空Ｇ谱异质性问题.本文选取了S a l i a n s 高光谱影像和WHU ＧH i 双高影像进行空Ｇ谱异质性分析,采用相对空间异质指数[１４]对比S a l i a n s 与WHU ＧH i 数据的空间异质性,选取从S a l i a n s 花椰菜和青草类别与WHU ＧH i 油菜类别中随机选取的１０００条光谱曲线对比光谱变异性,可明显看出双高数据的空间异质性与光谱可变性更强.本文将上述现象描述为双高数据的空Ｇ谱异质性问题,即分辨率提升㊁地物细节凸显导致双高数据存在严重的 同物异谱 问题,同类地物的类内方差增大,不同地物的类间距离减小,加剧了地物精细分类与目标探测的难度.针对上述代表性问题,本章主要从双高遥感影像的波段选择㊁精细分类与目标探测角度出发,综述双高遥感影像智能信息处理方法.２．１㊀双高遥感影像波段选择不同于特征提取方法,波段选择,旨在从高维数据中筛选出能够反映地物诊断性光谱特征的波段子集,进而降低后续计算负担,提升应用精度与处理效率[１５].本节主要围绕双高波段选择方法展开讨论,依据选择策略讨论基于排序㊁搜索㊁聚４１２１Copyright ©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用类㊁稀疏㊁嵌入㊁深度学习６大类方法.图３㊀S a l i n a s 数据与WHU ＧH I ＧH o n gH u 数据光谱可变性与空间异质性对比F i g ．３㊀T h e v i s u a l i z a t i o no f t h e s p e c t r a l v a r i a t i o na n d t h e s p a t i a l h e t e r o g e n e i t y o f S a l i n a s a n d WHU ＧH I ＧH o n gH u ㊀㊀(１)基于排序的方法,利用预定义的波段优先级标准对每个光谱波段的重要性进行量化,根据量化结果对波段进行排序.根据评估测度是否利用真实地物类别标签,可将其分为无监督测度与有监督测度.最大方差主成分分析(M V P C A )[１６]是无监督中最典型的方法之一,其计算各波段影像的方差,并以主成分组成波段子集.有监督测度方法,如基于互信息(M I )[１７]的方法通过计算各个波段影像与真实类别标签影像之间的联合直方图,获得互信息进行排序.基于排序的方法整体上复杂度较低,但由于各波段大多单独利用特定参数进行评估,仅是优势波段的简单叠加,割裂了波段之间的组合关系[１８].(２)基于搜索的方法,主要思想为在给定评价函数的条件下,按照一定搜索策略迭代波段子集解,使得评价函数达到最优.由于双高影像存在着更强的谱间相关性,解空间呈现出愈发高维多峰的特征,采用高效的更新策略是关键步骤.常见的搜索策略主要包括增删搜索法与更新搜索法.典型的增删搜索法为顺序前向搜索(S F S)[１９],其解集从空集开始,每次选取使目标函数最大的波段进入解集,直至达到最大选取数目.典型的更新搜索法为启发性算法,如二进制的遗传算法(G A )[２０]利用０/１编码表征波段子集解,引入交叉变异算子获取新解,根据适应度函数迭代解种群与输出最佳解.基于搜索的方法整体上易于实现,但需要对波段选择问题进行有效建模.(３)基于聚类的方法,从波段特征相似性的角度出发,在全谱段进行聚类以获得不同的波段子聚类,在每个子聚类中进行筛选获得代表性的波段,构成最终的子集.快速邻域分组方法(F N G B S)[２１]通过计算每个分组内各波段与初始中心波段之间的相似度,迭代获得每个细分组,通过信息熵排序,确定最终的波段子集组成.支配集提取方法(D S E B S )[２２]通过局部空谱一致性算子度量波段的信息量与独立性.基于聚类的方法依赖于波谱相似性对整个高光谱影像进行分析,但如何在每个波段子类中确定代表性波段仍然值得进一步研究,并且基于聚类的方法对于初始的聚类数与位置往往非常敏感.(４)基于稀疏的方法,立足于稀疏性理论,希望将每个波段向量在合适的基字典中使用与原子相关的少数非零系数进行表达.稀疏表示方法(S pa B S )[２３]通过K ＧS V D 获得高光谱数据的稀疏５１２１Copyright ©博看网. All Rights Reserved.J u l y２０２３V o l．５２N o．７A G C S h t t p:ʊx b．c h i n a s m p．c o m表示,揭示了各个波段在形成双高影像时的重要程度.改进稀疏子空间聚类的方法(I S S C)[２４]假设每个波段可以稀疏地表示为其子空间内其他波段的线性或仿射组合.基于稀疏的方法对双高影像进行了稀疏假设,并据此建模成稀疏优化问题,整体上降低了计算复杂度,但对于双高影像的稀疏假设是否全面尚未得到充分的证实.(５)基于嵌入的方法,将整个波段选择和学习模型进行融合,依据学习模型的精度反馈评估波段子集,以实现应用上最佳的波段子集选取.本文主要以分类应用为例,应用最广泛是S VM 分类器[２５],递归特征消除以S VM训练阶段计算出的权重值作为排序准则,去除冗余波段.基于嵌入的方法由于波段选择过程与应用过程耦合,难以直接评估波段选择方法本身的性能,更多地取决于学习算法的表现,复杂度较高.(６)基于深度学习的方法,近年来,随着深度学习技术在高光谱遥感影像处理各领域应用的不断发展,相关研究[２６]结合空间/光谱注意力机制,设计卷积神经网络(C N N),实现对高光谱影像的显著性波段选择.文献[２７]提出了一种端到端的高光谱波段选择框架B SＧN e t s,根据B AM和重建网络实施的不同,B SＧN e t s包括全连接(F C N)与卷积网络(C N N)两种形式.基于深度学习的方法利用深层次的网络结构提取各波段间的非线性依赖关系,可有效提取显著性波段,但也带来了更加庞大的计算量.本节在WH UＧH iＧH o n g H u双高数据集上进行试验,选取了P C A[１５]㊁I C A[１５]㊁M V P C A[１６]㊁M I[１７]㊁S F S[１９]㊁G A[２０]㊁F N G B S[２１]㊁D S E B S[２２]㊁S p a B S[２３]㊁I S S C[２４]㊁B SＧN e tＧF C[２７]㊁B SＧN e tＧC o n v[２７]１２种代表性方法,分类精度变化图和分类精度表分别如图４和表２所示.从分类精度来看,与理论分析一致,特征提取方法(P C A和I C A)在特征数较少时具备显著优势,而特征数较多时,不及其他波段选择方法,基于排序的方法得到的波段子集整体精度较低,其他方法在波段数超过３０后可获得优于全波段的效果,其中,I S S C方法具备明显优势, B S_N e t_F C整体精度优于传统方法.图５展示了在设定波段数为９时选取波段的分布情况,可以发现,MV P C A和M I选取的波段聚集在较紧密的范围内,F N G B S选取的波段最为均匀, D S E B S选取波段密度正比于光谱变化坡度, S p a B S在所有谱段内获取了差异性较大的波段, I S S C均匀分布在曲线变化剧烈区域,B S_N e t_F C 在红光与近红外交界附近选取较多波段.表２㊀波段选择分类精度T a b．２㊀B a n d s e l e c t i o n c l a s s i f i c a t i o na c c u r a c y特征选择/特征提取总体精度O A K a p p a系数均值ʃ标准差最值均值ʃ标准差最值P C A[１５]０．６５ʃ０．０３１０．７００．５９ʃ０．０３５０．６４I C A[１５]０．６５ʃ０．０３１０．６８０．５８ʃ０．０３５０．６２MV P C A[１６]０．４３ʃ０．０７５０．５００．３５ʃ０．０６８０．４２M I[１７]０．３５ʃ０．０５００．４３０．２７ʃ０．０４５０．３５S F S[１９]０．６１ʃ０．０７００．６５０．５４ʃ０．０７６０．６４G A[２０]０．６４ʃ０．０６４０．６９０．５７ʃ０．０６８０．６２F N G B S[２１]０．６５ʃ０．０５７０．６８０．５８ʃ０．０６２０．６２D S E B S[２２]０．６４ʃ０．０６４０．６９０．５８ʃ０．０６９０．６３S p a B S[２３]０．６０ʃ０．０７５０．６６０．５３ʃ０．０７７０．６０I S S C[２４]０．６５ʃ０．０５８０．６９０．５９ʃ０．０６１０．６３B SＧN e tＧF C[２７]０．６７ʃ０．０３９０．６９０．６０ʃ０．０４２０．６２B SＧN e tＧC o n v[２７]０．６２ʃ０．０３５０．６５０．５６ʃ０．０３９０．５８A l l b a n d s０．６７０．６７０．６００．６０图４㊀不同波段选择/特征提取方法分类精度变化曲线F i g．４㊀C l a s s i f i c a t i o na c c u r a c y c u r v e s o f d i f f e r e n t b a n d s e l e c t i o nm e t h o d s ６１２１Copyright©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用图５㊀波段选择方法选取波段对比F i g ．５㊀C o m pa r i s o n o fs e l e c t e db a n d so fd i f f e r e n t b a n d s e l ec t i o nm e t h od s２．２㊀双高遥感影像精细分类高光谱影像分类旨在赋予影像中每个像元唯一的类别标签,其分类精度将直接影响后续处理和解译任务的准确性.然而,相比于中低分辨率的高光谱影像,空间分辨率的显著提升使得双高遥感影像中同物异谱现象大量发生,地物类内方差明显增大,光谱特征统计分布更加复杂,地物光谱信息的统计可分性严重减弱[２８],导致早期支持向量机㊁核极限学习机[２９]和低秩稀疏表示[３０]等分类方法在双高影像分类面临极大挑战.为此,本章综述主要面向基于深度学习的双高分类研究,根据分类网络数据输入的形式划分为基于空间取块(P a t c h Ｇb a s e d )和无须空间取块(P a t c h Ｇf r e e)两大类方法.２．２．１㊀P a t c h Ｇb a s e d 深度学习双高影像分类方法如图６所示,P a t c h Ｇb a s e d 深度学习分类方法以标记像元为中心选取邻域的三维 空间块 作为网络模型的输入,输出中心像元的类别标签.目前,针对双高遥感分类的方法模型主要包括空谱信息融合提取网络和双分支空谱融合网络两大类.(１)空谱信息融合提取网络:该类模型以三维 空间块 为输入数据,利用深层神经网络学习全部光谱信息和邻域的空间信息.该类模型早期利用２D C N N 或３D C N N 提取空谱融合特征进行分类,然后采用条件随机场[１１]等后处理方法消除双高影像分类结果中错分的孤立区域.随着研究的不断深入,基于图卷积网络[３１]㊁联合注意力机制[３２]㊁视觉T r a n s f o r m e r [３３]等优异的网络架构也被开发出来,可以显著提升双高影像的空谱融合特征提取能力.(２)双分支空谱特征融合网络:该类网络构建２个分支分别为侧重光谱信息提取的光谱分支和空间信息提取的空间分支[３４Ｇ３５].光谱分支一般采用光谱注意力机制㊁L S T M 模型挖掘光谱连续特征,空间分支一般采用空间注意力机制[３６]㊁多尺度残差模块等操作捕获降维后双高影像的空间特征,其中降维的方法包括波段选择㊁主成分分析(P C A )和最小噪声分离(MN F )等.最后,双分支分别将提取的空谱特征级联后输入到全连接层进行整合,进而实现空谱信息融合.P a t c h Ｇb a s e d 深度学习分类模型在双高影像上取得了优异的结果,但是该类模型仍存在一些不足:① 空间块 的最优尺寸受到空间分辨率和地物分布等多种因素的影响,导致 空间块 的最优尺寸难以确定,且不同影像的最优尺寸存在差异;② 空间块 输入导致后续的深度学习模型仅利用局部空谱信息,局部空谱融合的方式在空间分辨率极高的双高影像中会产生错分的孤立区域现象;③空间取块的方式使得相邻像元空间块存在着大量的数据冗余,使得网络在模型推理时需要耗费大量的时间和计算成本.图６㊀基于空间取块机制的卷积神经网络分类F i g．６㊀P a t c h Ｇb a s e d c o n v o l u t i o n a l n e u r a l n e t w o r k f o rH S I c l a s s i f i c a t i o n ２．２．２㊀P a t c h Ｇf r e e 深度学习双高影像分类方法为了缓解P a t c h Ｇb a s e d 的方法在双高影像分类的局限性,一些研究学者开始提出无须空间取块(P a t c h Ｇf r e e)的分类方法,其将全局影像(或分７１２１Copyright ©博看网. All Rights Reserved.J u l y２０２３V o l．５２N o．７A G C S h t t p:ʊx b．c h i n a s m p．c o m区裁剪为若干个NˑNˑB的图像块)作为网络的输入,通过全卷积神经网络实现全局空谱信息融合缓解双高影像极高的光谱变异性.相比于P a t c hＧb a s e d的方法,P a t c hＧf r e e的方法避免了空间取块机制最佳窗口选择的难题,并且具有更优的模型推理效率.(１)全局影像输入:当双高影像的数据量较小时,可以直接将全局影像作为模型的输入.文献[３７]首次提出快速全卷积深度网络实时分类框架F P G A,其在编码器中嵌入光谱注意力模块提升特征提取效率,相比于P a t c hＧb a s e d的方法在精度和效率上都有极大的提升.但是,F P G A方法受到卷积核的限制无法捕获长距离像素间的依赖关系,同时难以应对地物尺度多样性的挑战,导致其在对空谱异质性极高的双高影像分类时仍会出现错分孤立区域现象.在此基础上,一些融合多尺度信息㊁长距离上下文信息等双高分类网络相继被提出.在融合多尺度信息方面,文献[３８]通过深层次残差网络空洞卷积空间金字塔池化(a t r o u s s p a t i a l p y r a m i d p o o l i n g,A S P P)提取高层语义信息和多尺度上下文信息,极大缓解了双高影像严重的空间异质性和地物尺度差异的挑战.文献[３９]在A S P P基础上进一步提出了尺度注意力模块,其通过自适应聚合多尺度上下文特征更好解决地物尺度多样性的挑战,并且通过聚合光谱Ｇ空间Ｇ尺度注意力机制实现了地物亚类之间的精细区分.在长距离上下文依赖关系捕获方面,文献[４０]通过图注意力网络对影像长距离空间上下文进行建模,并通过融合卷积神经网络提取的特征,使网络获得了更加优异的地物分类精度.(２)分区裁剪输入:当双高影像的数据量较大时,会采用分区裁剪的输入方式来降低计算代价.文献[７]将A e r o R I T数据集按照５０％重叠率裁剪为空间尺寸为６４ˑ６４的图像块,在U N e t 模型的基础上研发了轻量化的UＧN e tＧm模型,实现了对建筑物㊁道路㊁汽车等５类地物的精细分类.文献[１０]在H R N e t模型的基础上针对双高影像的特点提出３DＧH R N e t,在L u o j i aＧH S S R数据集(６４３８个２５６ˑ２５６图像块)的测试数据中取得了优异精度.文献[１３]利用残差连接的T r a n s f o r m e r层来学习影像的全局上下文特征,其构建的H S IＧT r a n s U N e t模型在U A VＧH S IＧC r o p数据集中(４３３个９６ˑ９６图像块)实现了对２７类作物的精细分类.２．２．３㊀双高分类试验与分析本节以WHUＧH iＧH o n g H u双高数据集进行双高分类方法的对比分析试验,其中训练集为每类１００个样本,其余标记样本作为测试集.试验方法包括:①基于统计学习的方法,如光谱角匹配法(S AM)㊁最大似然分类法(M L C)和支持向量机(S VM);②P a t c hＧb a s e d深度学习方法,如一维卷积光谱特征网络(F EＧ１D C N N[４１])㊁二维卷积空间特征网络(RＧP C A C N N[４２])㊁三维卷积空谱联合特征提取(AＧF CＧ３D C N N[４３]和H y b r i d S N[４４])㊁双分支空谱特征融合网络(S S A N[４５]);③P a t c hＧf r e e深度学习方法,如F P G A[３７]㊁S３A N e t[３９]㊁F u l l C o n t N e t[４６]和S S D G L[４７].可视化分类图和分类精度表分别如图７和表３所示.S AM㊁M L C㊁S VM和F EＧ１D C N N ４类方法由于仅利用双高影像的光谱信息,存在严重的地物错分现象,其分类精度整体在７５％以下.其中,F EＧ１D C N N方法可以挖掘更深层次的光谱信息,其分类性能优于基于统计学习的３种光谱分类方法.RＧP C A C N N㊁AＧF CＧ３D C N N㊁H y b r i d S N和S S A N４种P a t c hＧb a s e d分类方法可以同时利用双高影像光谱信息和空间信息,分类性能得到极大的提升,其中H y b r i d S N精度达到了９０．０２％.然而,该类方法仅能利用局部空间信息难以有效解决双高影像极高的光谱变异性,导致分类结果中仍有大量错分的孤立区域.同时,该类方法逐像元的模型推理方式需要大量的计算时间.相比于P a t c hＧb a s e d分类方法, F P G A㊁S３A N e t㊁F u l l C o n t N e t和S S D G L４种P a t c hＧf r e e分类方法可以融合全局空谱信息,极大地消除了孤立错分情况且分类性能也有着明显提升,总体分类精度均优于９７％,全局输入的方式也极大提升了模型的推理速度.然而,以整张影像作为输入的全卷积网络模型显存占用较大,对计算机的性能要求较高.２．３㊀双高遥感影像目标探测高光谱目标探测旨在确定特定或异常目标在每个像元中存在性问题,通过像元与目标的置信度值进行度量[４８].在传统中低分辨率遥感影像中,通常假设目标具有小尺寸与低比例等特性,甚至假设目标为亚像元.与之相比,双高影像空间分辨率更高,目标通常表现为超像元形式,且具备如纹理㊁形状等空间上下文信息,因此基于空Ｇ谱特征的目标探测方法效果一般由于传统基于光谱８１２１Copyright©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用特征的探测方法.本节根据目标光谱先验信息是否已知,将现有方法划分为已知先验的目标探测方法和先验未知的异常探测方法,并分别进行试验分析.图７㊀不同方法分类结果定性对比(WHU ＧH i ＧH o n gH u )F i g ．７㊀C o m p a r i s o no f d i f f e r e n t c l a s s i f i c a t i o nm e t h o d sb y u s i n g t h eWHU ＧH i ＧH o n g H ud a t a s e t 表３㊀WH U ＧH i ＧH o n gH u 分类精度表T a b ．３㊀C l a s s i f i c a t i o na c c u r a c y o fWH U ＧH i ＧH o n gH u 分类方法推理时间/s 显存占用/M B总体精度/(％)S AM ５３．０１Ｇ４５．６６M L C７８．０６Ｇ５８．５３S VM１０．０３Ｇ７１．３４F E Ｇ１D C N N２４７９．５１１０１９７１．６２R ＧP C AC N N５５８４．３８１１０５７６．１４A ＧF C Ｇ３D C N N １８９９．７５１１０３８３．０９H y b r i d S N ５４７７．４３１０５７９０．０２S S A N２８３７．８０１０２３８４．４６F P G A１１．５１５９０１９７．５６S ３A N e t１１．７７８８４９９７．８２F u l l C o n t N e t １１．８６９７５１９７．９１S S D G L１１．１０１０３６５９８．１６２．３．１㊀已知先验的目标探测已知目标先验时,探测算法利用目标的先验光谱特征将高光谱影像中的目标与其他地物区分[４９].由于目标在高光谱影像中所占比例极小.高光谱目标探测算法可大致分为基于统计的方法㊁基于核的方法㊁基于表示的方法和基于深度学习的方法.基于统计的方法可以细分为结构化背景模型和非结构化背景模型[５０].结构化背景模型使用子空间模型对背景光谱变化进行建模,目标探测问题归结为在式(１)所二元假设中进行选择的问题[５１]H ０:x ＝B a b ＋w目标不存在H １:x ＝S a t ＋B a b ＋w目标存在}(１)式中,矩阵B 和S 分别定义了背景的变化子空间和目标的变化子空间.基于结构化背景模型的典型方法包括:正交子空间投影[５２]㊁匹配子空间探测器[５１]等.非结构化背景模型使用统计分布描述背景变化,一般将背景和噪声进行统一建模为一个均值为０,协方差矩阵为Γb 的多元正态分布,无须对B 和w 进行显式求解.基于非结构化背景模型的典型方法包括:约束能量最小化方法(C E M )[５２],自适应一致性余弦估计(A C E )[５３]等.然而,传统统计方法存在非线性混合建模不足等问题.为此,基于核的方法被提出,该类方法利用核函数将高光谱数据从原始特征空间投影到高维特征空间,使得原始特征空间的非线性混合转化为高维特征空间的线性混合,从而可以利用更简单的判别准则实现探测.基于核的方法包括核匹配子空间探测器[５４]和核正交子空间投影[５５]等.为增强子空间模型表示能力,稀疏表示被引入并应用于高光谱目标探测问题,由此产生了基９１２１Copyright ©博看网. All Rights Reserved.。