下载文档原格式
第31卷 第3期2009年2月武 汉 理 工 大 学 学 报JOURNAL OF WUHAN UNI VERSITY OF TECHNOLOGYVol.31 No.2 F eb.2009DOI:10.3963/j.issn.167124431.2009.03.003一种新的高光谱遥感图像纹理特征提取方法研究冯 静1,2,舒 宁2(1.武汉理工大学计算机科学与技术学院,武汉430070;2.武汉大学遥感信息工程学院,武汉430079)摘 要: 提出了一种新的基于自相关的高光谱遥感图像纹理特征提取算法,该算法通过引入核函数技术,将单波段纹理窗口的空间自相关函数,扩展到多波段遥感图像的纹理描述。
然后对特征矢量进行无监督C 均值聚类实验和有监督RBF 神经网络分类实验,在分类实验中确定了最佳窗口尺寸。
实验结果表明,该文提出的自相关特征可以有效地描述高光谱遥感图像的纹理。
关键词: 高光谱遥感; 纹理; 特征提取中图分类号: TP 75文献标识码: A文章编号:167124431(2009)0320010204A Novel Texture Feature Extraction of HyperspectralRemote Sensing ImageFENG Jing 1,2,SH U Ning 2(1.School of Computer Science and Technology,Wuhan University of Technolgy,Wuhan 430070,China;2.School of Remote Sensing Information Engineer ing,Wuhan University,Wuhan 430079,China)Abstract: A novel texture featur e extraction method of hyperspectr al remote sensing image was propo sed based on autocor 2relation function.T he concept of space autocorrelation function was expanded form texture window of single 2band image to that of multi 2band remote sensing image by introducing kernel function technique.The optimal size of texture window was deter 2mined during classification experiments.T he results of C 2means clustering and RBF neural networks classification exper iments show that,the proposed texture feature based on autocorrelation can effectively describe the texture of hyperspectral remote sensing image.Key wor ds:hyperspectral remote sensing; textur e; feature extraction收稿日期:2008209229.基金项目:国家自然科学基金(40371079).作者简介:冯 静(19712),女,博士生,讲师.E 2mail:fengjing1805@纹理反映了图像或物体表面的一种自然属性,如云彩、树木、砖、草等物体表面所呈现出来的一种空间信息特征。
高光谱图像特征提取方法的研究与应用一、引言高光谱图像是一种具有连续光谱信息的遥感图像，其特点是波段数量多且连续。
高光谱图像的分析和处理旨在提取图像中的有效特征，以实现对地物分类、目标检测和环境监测等应用。
本文旨在综述当前高光谱图像特征提取方法的研究进展，并探讨其在实际应用中的潜力。
二、高光谱图像特征提取方法1. 光谱特征提取方法光谱特征提取是高光谱图像分析的基础，通过利用图像中不同波段的光谱信息来揭示地物的特征。
常见的光谱特征提取方法包括像元光谱特征、平均光谱特征和主成分分析等。
像元光谱特征是指通过对图像中单个像素的光谱进行分析，来获取地物光谱特征的方法。
平均光谱特征则是对图像中某一区域内的像素光谱进行求平均，以得到该区域的光谱特征。
2. 空间特征提取方法除了光谱信息外，高光谱图像还包含丰富的空间信息。
因此，空间特征提取方法在高光谱图像处理中也起着重要的作用。
常见的空间特征提取方法包括纹理特征提取和形状特征提取。
纹理特征提取通过分析地物的纹理分布来揭示其特征。
常用的纹理特征提取方法包括灰度共生矩阵（GLCM）和小波变换等。
形状特征提取则通过对地物的外形进行分析，以提取地物的形状特征。
3. 混合特征提取方法为了更准确地描述地物的特征，研究者们也提出了混合特征提取方法，将光谱特征和空间特征相结合。
例如，光谱–空间特征提取方法可以通过光谱相似性和空间相似性来同时描述地物的特征。
此外，也有研究者提出了基于深度学习的特征提取方法，通过深度神经网络模型自动学习并提取高光谱图像中的特征。
三、高光谱图像特征提取方法的应用高光谱图像特征提取方法在许多领域中都有广泛的应用，下面分别介绍其中的几个应用场景。
1. 地物分类地物分类是高光谱图像处理中的重要应用之一。
通过提取地物的光谱特征、纹理特征和形状特征，可以将高光谱图像中的地物按照类别进行分类。
这在土地利用监测、环境保护和农业管理等领域中都有重要的作用。
2. 目标检测高光谱图像中的目标检测是指通过提取图像中目标的特征，以实现对目标的自动识别和检测。
一种利用单形体体积自动提取高光谱图像端元的算法
耿修瑞;赵永超;周冠华
【期刊名称】《自然科学进展》
【年(卷),期】2006(16)9
【摘要】高光谱数据端元的提取是理解高光谱数据、继而对数据进行进一步分析(比如解混、填图等)的前提.基于高光谱数据在特征空间的几何特性提出了一种基于高维单形体体积的自动提取高光谱数据端元的快速算法,与N-FINDR方法中所用单形体体积公式受限于数据维数的缺陷相比,该方法适用于任何维数的数据,因而也更加合理和有效.利用在Cuprite获取的AVIRIS数据来验证此算法.
【总页数】5页(P1196-1200)
【作者】耿修瑞;赵永超;周冠华
【作者单位】中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101;北京师范大学地理学与遥感科学学院,北京,100875;中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101;中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101
【正文语种】中文
【中图分类】O4
【相关文献】
1.一种基于端元投影向量的高光谱图像地物提取算法
2.一种基于高维空间凸面单形体体积的高光谱图像解混算法
3.一种基于三维激光点云数据的单木树冠投影面积
和树冠体积自动提取算法4.一种基于最大体积单体的端元自动提取算法5.一种高光谱遥感影像端元自动提取方法
因版权原因，仅展示原文概要，查看原文内容请购买。
第34卷第4期2009年4月武汉大学学报#信息科学版Geo matics and Informat ion Science of W uhan U niver sity V ol.34N o.4A pr.2009收稿日期:2009-01-18。
项目来源:国家973计划资助项目(2006CB701303);国家自然科学基金资助项目(40371079)。
文章编号:1671-8860(2009)04-0379-04文献标志码:A高光谱影像纹理特征编码分形特征研究舒 宁1 苏俊英1(1 武汉大学遥感信息工程学院,武汉市珞喻路129号,430079)摘 要:提出了一种基于分形测度分析高光谱影像纹理的技术。
根据高光谱影像纹理单元中相邻光谱矢量的相关关系构造方向性纹理特征,得到了一组纹理特征编码值,从纹理特征编码值本身、相同地物纹理特征编码自相似性和使用不同尺度测量纹理特征编码值构成的曲线所表现出来的幂指数关系三个方面,说明高光谱影像纹理特征编码曲线具有分形特征。
设计了纹理特征编码曲线构建模型,采用纹理编码曲线的分形维值表征不同的纹理特征,达到区分和判别不同纹理的目的。
试验表明,该方法对提取地物纹理特性具有可行性。
关键词:高光谱影像;纹理编码;分形分析中图法分类号:P237.3影像纹理是影像的一个重要属性,在影像分析中占据十分重要的地位。
高光谱影像亦具有纹理,高光谱影像纹理分析可通过对光谱响应曲线的相似性编码、主成分分析编码、光谱空间密度分析编码等方法[1],将高光谱数据映射为纹理特征编码影像,并在此基础上进行分类。
因此,可将高光谱影像和光谱数据转化为数据代码,以代码向量匹配来推断影像的纹理类别,进行影像的纹理分析,为高光谱影像地物目标类别分析和识别奠定基础[2]。
光谱数据源自非线性的光谱成像过程,高光谱影像一个像元的纹理编码一般是通过光谱数据计算得到,这些编码可以看作一个不连续点的集合。
采用分形测度对点集进行计算和分析,发现其具有分形特征,从而可以计算其分形维值,在分形维特征空间实现纹理特征编码的分析,来提高纹理编码的分析效率。
收稿日期: 2012-11-19; 改回日期: 2013-05-30项目资助: 中国地质调查局“机载高光谱测量项目”(编号: 基[2011]02-21-04)资助 第一作者简介: 任广利(1984–), 男, 博士, 矿床学专业。
Email: renguangli9977@ 卷(Volume)37, 期(Number)4, 总(SUM)139 页(Pages)765~776, 2013, 11(November, 2013)大 地 构 造 与 成 矿 学Geotectonica et Metallogenia高光谱遥感异常提取在甘肃北山金滩子-明金沟地区成矿预测中的应用任广利1, 杨军录1, 杨 敏1, 李健强1, 高 婷1,易 欢1, 韩海辉1, 赵英俊2(1.中国地质调查局 西安地质调查中心, 陕西 西安 710054; 2.核工业北京地质研究院 遥感信息与图像分析技术国家重点实验室, 北京 100029)摘 要: 利用机载高光谱遥感数据(CASI/SASI), 对甘肃北山成矿带金滩子-明金沟一带的蚀变矿物异常信息进行提取和分析, 总结了区内蚀变矿物异常信息的分布规律及成因; 结合典型岩石、矿物ASD 地面光谱测量, 对不同地质体中蚀变矿物的光谱曲线特征进行分析、总结; 选取研究区北部明金沟金矿床的矿化蚀变地质剖面开展光谱测量, 结合成矿地质条件分析, 建立基于区内金矿床的高光谱遥感找矿模型。
以找矿模型为指导, 综合成矿地质背景及地球化学异常特征, 筛选出成矿有利区段, 进而通过野外查证检验高光谱异常信息在成矿预测中的应用效果。
野外查证表明圈定出的找矿预测区金矿化发育, 成矿潜力较好, 说明高光谱遥感能为找矿提供较为准确且可靠的信息。
关键词: 高光谱遥感；蚀变矿物；CASI/SASI ；找矿模型；甘肃北山中图分类号: P627 文献标志码: A 文章编号: 1001-1552(2013)04-0765-0120 引 言从20世纪70年代末美国提出高光谱遥感概念模型并研制出成像光谱仪以来, 高光谱遥感技术已形成涵盖不同光谱波段、具有不同空间分辨率的技术体系。
地理空间信息GEOSPATIAL INFORMATION地理空间信息GEOSPATIALINFORMATION第5期m的大气窗口上设置了128个探测波段，大小为200200。
成像区域为洞庭湖区域，成像时间2001年4月26日，具体波长情况如表1所示。
表1omis影像参数表光谱范围取样间隔波段数0.46m～1.7um40nm65～802.0m～5um250nm113～1208)采用的离散小波基)为：（1）则光谱曲线分解公式为：（2）其中，j为分解层数；k为小波位移项；cj,k为分解系数[7]。
用Lipschitz指数[8-9]把小波变换尺度与分形关联起来，取光谱曲线小波变换各尺度小波分解系数c j,k的一范数，并在半对数坐标系下与分解尺度拟合求得直线斜率r，则分形维D＝2Ｏｃｔ．，２０１０Ｖｏｌ．８，Ｎｏ．５地理空间信息GEOSPATIALINFORMATIONr 求取分维值D ；4)线性拉伸后得到分维图。
将此算法在matlab 中实现后可得到分维图，如图3所示。
3结果评价采用支持向量机监督分类，分成水体(包括河流与池塘)、人工地物(包括道路和居民地)、植被(包括草地和农田)等3类，其中蓝色有水体、绿色为植被、红色为人工地物，得到的分类图（如图4所示）。
图3小波系数法分维图图4小波法分类图得到的误差矩阵如表2所示。
表2小波法特征影像分类误差矩阵Class 人工地物植被水体未分类0.2500人工地物46.570.19 2.4植被34.7499.810.22水体18.4497.394结语利用小波变换，能较好地降低噪声。
将小波变换结合分形维，能较好降低噪声对分维特征值的影响，提高了分形维表征光谱信息的能力。
此方法中对人工地物与植被的区分度较低，但植被和水体的精度较高。
此方法得出的分形特征影像综合了omis 影像的所有波段信息，具有较强的光谱特征。
主要提供光谱维信息参考，再结合其他影像或空间相关影像等，可提高图像的最终应用效果。
高光谱遥感数据特征约简技术研究的开题报告一、选题背景高光谱遥感技术是当前遥感领域的热门研究方向之一。
高光谱遥感相比传统遥感，不仅能够提供地表的空间信息，还能够同时提供高光谱信息，即可以获取地物的光谱反射率，从而获得更加丰富的地物信息。
然而，高光谱遥感数据具有大量的波段和高维数据的特点，如何从海量数据中提取有用的信息，是高光谱遥感技术研究的重要课题。
二、研究意义与目的高光谱遥感数据的特点使得数据处理和分析变得复杂和困难，因此需要针对高光谱数据的特点进行专门的研究。
特征约简技术是一种有效的数据预处理方法，通过减少高维数据中的冗余信息，提高数据的可解释性和分类准确率。
因此，本研究旨在探究在高光谱遥感数据处理过程中特征约简技术的应用，以提高高光谱遥感数据的分类准确性和提高数据处理效率，同时提高数据的可解释性，为高光谱遥感数据的科学研究和工程应用提供技术支持和理论依据。
三、主要研究内容本研究的主要内容包括以下方面：1. 高光谱遥感数据特征分析，探究高光谱遥感数据在波段和维度上的特点，包括波段相关性、波段重要程度、数据冗余性等；2. 特征约简方法的探究，包括主成分分析、线性判别分析、信息增益等约简方法的优缺点、适用范围和算法原理；3. 特征约简方法在高光谱遥感数据处理中的应用，分析不同的特征约简方法对高光谱遥感数据处理的影响，实现特征约简和数据分类集成的算法设计；4. 算法实现与实验验证，通过实验验证和对比分析，评估不同的特征约简方法在高光谱遥感数据分类中的作用，并探究优化高光谱遥感数据分类效果的可能性，从而提高数据分类的准确性和数据处理效率。
四、拟采用的研究方法本研究拟采用以下研究方法：1. 文献综述法。
通过对高光谱遥感数据处理领域的相关文献进行深入阅读和总结，对高光谱遥感数据特征分析和特征约简方法进行概括和总结，构建研究框架和分析思路；2. 数据采集法。
通过网络收集高光谱遥感优秀数据集和相关实验数据，拟采用经典算法和方法实现高光谱遥感数据处理和分类；3. 实验仿真法。
2005年第26卷第6期中 北 大 学 学 报V ol.26 N o.6 2005 (总第104期)JOURNAL OF NORTH UNIVERSITY OF CHINA(Sum No.104)文章编号:1673-3193(2005)06-0451-04高光谱遥感数据光谱曲线分形特征研究周子勇1,李朝阳2(1.中国石油大学资源与信息学院教育部石油与天然气成藏机理重点实验室,北京102249;2.山西省通信公司,山西太原030012)摘 要: 提出一种基于分形分析的高光谱遥感数据处理方法.从反射光谱的产生机理、全色影像与单色影像表现出来的自相似现象以及用不同尺度量尺测量曲线所表现出来的幂指数关系三个方面,说明高光谱遥感数据中像元中光谱曲线具有分形的特征,简述了研究光谱曲线分形特征在高光谱遥感数据处理中的意义.关键词: 遥感数据;光谱;分形中图分类号: T P751 文献标识码:AFractal Feature of Hyperspectral RemoteSensing Spectral CurvesZHOU Zi-yong1,LI Zhao-yang2(1.Co lleg e of R eso ur ce and Info rmat ion T echnolo gy,K ey L abor ato ry for Hydro car bonA ccumulation M O EP.R.China,China U niver sity o f Pet ro leum,Beijing102249,China;2.Shanx i Pr o vince Comunicatio n Company,T aiy uan030012,China)Abstract:The hyperspectral remo te sensing data pro cessing metho ds include three sorts,i.e.endm em-ber-based metho ds,spectral matching methods and spectralcurve-based processing metho ds.A new pro-cessing method-fr actal-based method is presented in this paper.A brief description is g iven to ex plain the nonlinear mechanism resulting in fractal o f spectr al curves,a SPOT panchro matic imag e and a T M1 image are pr esented to show the self similar,and some co mputatio nal results are given to show ex po nen-tial relation betw een the total leng th of curves and the spectr al band w idths.T he three aspects give a po ssibility that hyperspectral curves show fractal feature,thus a fractal analysis method may be used to study hyperspectr al remote sensing data.Key words:remo te sensing data;optical spectra;fractal高光谱遥感具有像谱合一的特点,其图像处理方法也与常规遥感影像有很大的不同,根据这一特点,选择适合于高光谱遥感数据特点的数据处理方法才能充分地挖掘出高光谱数据中的有用信息.然而相对于高光谱图像获取技术的快速发展以及高光谱数据的快速增加,对于高光谱数据处理技术的研究要滞后得多.因此如何快速、有效地从高光谱遥感数据中提取更多有用的信息,是一个急待解决的问题.高光谱遥感信息提取研究始于20世纪90年代初,到90年代中期有关文献逐渐增多,在近几年相关的文献才大量涌现,研究的焦点大都集中在高光谱遥感数据的处理方面,即如何快速、有效地从高光谱遥感数据中提取出有用的信息.目前,高光谱遥感图像处理的方法可分为以下几类:1)基于纯像元的分析方法.如研究植被指数,对特征吸收波段的分析[1],利用统计分析对图像进行分类和处理[2],主成分分析进行降维处理[3,4],图像滤波处理[5]等.这类方法的优点是技术比较成熟,处理相对简单;不足之处是对于高光谱数据中重要的光谱曲线特征考虑得少些,因面少了很多的信息.a收稿日期:2005-04-30 作者简介:周子勇(1965-),男,副教授,博士.主要从事遥感与地理信息系统应用研究.2)“光谱匹配”方法.由于考虑了高光谱图像的谱曲线特征,并与光谱数据库中典型地物的光谱曲线进行对比,理论上这种方法可以准确地提取遥感影像的信息,但是由于地物的复杂多样性,该方法常常难以实施,工作量也相当大.3)以像元光谱曲线为主要处理对象的数据处理方法.该方法可用来减弱大气对目标光谱特征的影响[7,8],去除噪声[3],研究波段特征[9]等,还有光谱曲线直接编码技术.而高光谱遥感影像中混合像元的分离技术是目前研究得较多的一个问题,文献[10,11]从不同的角度对这一问题进行了探讨.但是高光谱遥感海量数据的特征,如果需要大范围地研究高光谱数据,上述很多方法都难以达到目的.如果能够对每一像元的光谱曲线提取出一个特征值,利用该特征值对像元进行分类划分并提取出相关的信息,而后再对有异常的像元进行详细分析,将大大提高数据处理的效率.基于这种思路,本文提出一种新的、基于分形分析的高光谱遥感光谱曲线处理方法.1 高光谱遥感曲线的分形特征在遥感影像的解释中,可以用分形的方法来提取遥感影像中的纹理,这方面的研究有很多[12～17],但所研究的都是遥感影像的空间分形特征.初步的研究表明:遥感影像不但在空间上具有分形特征,而且高光谱数据的光谱曲线同样也具有分形的特点,这种分形特点可以从以下几个方面得到体现.1)地物反射太阳光是一个典型的非线性过程,当太阳光照射到地物后,太阳光与地物发生一系列复杂作用后,反射光进入遥感器被记录而形成遥感影像.尽管为了研究方便,把这一过程简化为一个线性过程,但其实质是一个复杂的非线性系统.分形是非线性系统的一种反映,因此从反射波谱的形成过程来看,应该也会具有某种分形的特征.2)在研究地物波谱特征时,更多的是研究植物内部结构对反射率的影响,然而植物从其空间几何形态上看是具有分形特征的,甚至可以通过分形迭代系统模拟出来.实际上光的反射不仅与植物的内部结图1 全色影像与单波段影像的自相似现象Fig .1 T he s elfs imilar b etw een SPOT an d T M 1构有关,还与植物的空间形态有关,由于植物的空间形态常常具有分形的特征,这种特征也应该反映到其反射率的变化.3)Mandelbrot 于1986年给分形一个非常实用的定义,即称组成部分以某种方式与整体相似的形体为分形.因此分形的一个重要性质是分形的局部以一定的方式与整体相似.如果高光谱曲线具有分形特征,那么也应该存在某种统计自相似现象.通过分析对比发现,高光谱曲线的自相似现象可以在SPOT 全色影像及TM 的多波段影像中得到很好的体现.图1为某地区的SPOT 全色影像及TM 1单色影像.由图1可以看出:两幅图像非常相似(由于空间分辨率不同,影像的清晰度不一样,但并不影响对问题的说明).SPOT 影像是全色影像,利用了可见光的所有光谱,是一个整体的概念;而T M 1只是利用了可见光的蓝色波段,是一个局部的概念,但所获得的地物的遥感影像却是非常地相似.也就是说,光谱的局部与整体存在某种相似,这是分形的一个重要特征.因此,从遥感图像的直观观察以可以说明光谱曲线具有分形的特征.4)初步计算的结果也表明:光谱具有分形的特征.分形维的大多数的定义都是基于“用尺度D 进行测量”这样的指导思想.当用不同的尺度D 对分形体进行测量时,如果测量的结果M D (F )与D 存在幂指数的关系,即M D (F )～k D -d ,则所测量的形体是分形的,其分形特征可以用分形维d 进行描述.M andelbrot 最初用分形来研究英国海岸线的长度及其特征[18],由于海岸线的不规则形状,当采用不同的测量尺度对海岸线进行测量时,海岸线的总长度与测量尺度之间存在幂指数的关系,这个指数即是分形维.他的研究还发现,不同的海岸线其分形维也是不同的.这样利用拓扑学无法区分的海岸线,通过分形维却可以很好地描述.452中北大学学报2005年第6期同理,分形维也可以描述不同像元的光谱曲线特征.从光谱曲线本身来看,光谱曲线的“粗糙”程度与所用的测量波段的宽度即光谱分辨率有密切的关系.当采用不同宽度的波段来“测量”波谱曲线时,其长度也是不一样的.取不同的波段宽度K 对像元中光谱曲线进行测量,设其总长度为Q (K ),如果Q (K )=k K d ,即波谱曲线的总长度与测量波段的尺度存在着幂指数关系,那么波谱曲线就可以用分形维进行描述;如果不同性质的像元具有不同的分形维,那么利用分形维就可以刻划每一个像元的光谱曲线的特点.图2 高光谱影像中像元的谱曲线及其分形特征Fig .2 Spectrum curve and fractal character of hyp ers pectral pixel高光谱曲线是否存在这种关系呢?为此本文利用ERDA S 6.0遥感图像处理软件所提供的高光谱遥感影像数据进行了初步处理,处理方法如下:首先通过ERDAS 从高光谱影像中提取出每个像元的高光谱曲线,然后利用统计分形维计算方法求得曲线的分形维.具体的计算方法是:用不同波段长度K 测量波谱曲线总长度Q (K ),最后作log (K )-log (Q (K ))关系曲线图,如果log (K )-lo g (Q (K ))存在线性关系,则说明K 与Q 具有幂指数关系,即曲线具有分形特征.图2为部分计算结果.由图2(d)可知,在一定的测量区间(log (K )<0.9),log (K )与log(Q (K ))基本上是一种线性关系,直线的斜率就是与分形维密切相关的一个量.由图2可知,不同像元的谱曲线,log (K )与log (Q (K ))存在不同的线性关系,即有不同的分形维.这样根据像元光谱曲线的分形维特征,就有可能对不同的像元进行比较,并提取出异常像元.综上所述,从反射光谱产生的机理,全色影像与单色影像表现出来的自相似现象以及用不同尺度的量尺测量曲线所表现出来的幂指数关系,都说明高光谱曲线具有分形的特征.2 高光谱曲线分形特征的研究意义1)为高光谱数据的处理,提供一种新的方法;2)通过计算像元光谱曲线分形维研究像元的特征,计算相对简单,可大大提高数据处理的效率;3)结果直观.每一个像元都可以得到一个分形维,分形维可以构成一幅新的图像,与高光谱图像结合起来,可以充分地把高光谱图像的谱特征与像特征充分结合起来进行研究,更好地提取出有用信息;4)可以通过对比像元的空间分形特征与光谱分形特征提取像元信息;453(总第104期)高光谱遥感数据光谱曲线分形特征研究(周子勇)454中北大学学报2005年第6期5)对于混合像元,本文认为lo g(K)-log(Q(K))的关系应该是一种分段线性的关系,即光谱曲线具有多重分形的特点,借助于多重分形的概念,可能可以对混合像元进行分离.参考文献:[1] Fr eek van der M eer.A na ly sis of spect ral absor pt ion featur es in hypers pectr al imager y[J].International Journal ofA pplied Ea rth O bser vat ion and Geoinfor matio n,2004,5:55-68.[2] Jun Zheng,Emma Regento va.W avelet ba sed feat ur e reduction m ethod fo r effect ive classifica tio n of hyperspectral da-ta[C].International Co nference on Infor mation T echnolog y:Computers and Co mmunicatio ns,2003.28-30,L as V eg as,N evada.[3] Clo utis E A.Hy per spectr al geo lo gical r emot e sensing:ev aluation analytical t echniques[J].Int J.Remo te Sensing,1996,17(12):2215-2242.[4] P eter F,T ommy L,Cather ine O.St atistical analy sis of hyper spectr al data fr om tw o Sw edish lakes[J].T he Scienceo f the T o tal Env ir onment,2001,268:155-169.[5] Bakker W H,Schmidt K S.Hyper spectr al edg e filtering fo r measur ing homo geneit y o f surface co ver ty pes[J].IS-P RS Jo urnal of P hoto gr ammetr y&Remo te Sensing,2002,56:246-256.[6] Hug uenin R L,Jone J L.I nt ellig ent infor matio n ex tr actio n fr om r eflectance spectr al absor ptio n band posit ions[J].Jo f Geo phy sical R esea rch,1986,91:9585-9598.[7] P hilpo t W D.T he derivat ion r adion algo rithm:av oiding a tmospheric effects in remo te sensing[J].IEEE T ransactio no n Geocsciencean Remot e Sensing,1991,29(3):350—357.[8] Dick K R,M iller J.Der iv ativ e analysis applied to hig h r esolut ion optical spectra of fr eshw ater lakes[C].P ro ceeding sof thr14th Csnadian Sympo sium on Remo te Sensing,Calga ry Albert a,1991.400-403.[9] F uan T,W illiam P.Der ivat ive a nalysis o f hyper spectr al data[J].Remo te Sensing o f Env ir onment,1999,66:41-51.[10] M er cier G,M o uchot M C,Hubert-M o y L.Spectr al unmix ing o f hy per spectr al images w ith the independent compo-nent a nalysis and wa velet pa ckets[J].Inter natio nal G eoscience and Remo te Sensing Sy mpo sium(I GA RSS),2001, 6:2896-2898.[11] N eville R A,L ev esque J,Staenz K.Spect ral unmix ing o f hy per spectr al imag er y for miner al ex plo ration[J].Canadi-an Jo ur nal o f Remo te Sensing,2003,29(1):99-110.[12] De Co la L.Fr actal analysis of a classified L andsat scene[J].P hoto gr ammetr ic Eng ineering and R emote Sensing,1989,55:601-610.[13] 舒宁.卫星遥感影像纹理分析与分形分维方法[J].武汉测绘科技大学学报,1998,23(4):370-373.Shu N ing.R emote sensing image tex ture analysis and fra ct al assessment[J].Journal of Wuhan T echnical U niv er si-ty o f Sur v ey ing and M apping,1998,23(4):370-373.(in Chinese).[14] Emerso n C W,Lam N S N,Q uattr ochi D A.M ult i-scale fr act al analy sis of imag e tex tur e and patter n[J].P ho-tog r ammetr ic Eng ineer ing and Remot e Sensing,1999,65:51-61.[15] Q iu H L,L am N S N,Q uattr ochi D A.Fr actal character ization o f hy perspect ral imager y[J].P ho to gr ammetr ic En-gineer ing a nd Remo te Sensing,1991,65:63-71.[16] W eng Q.F ractal analy sis of satellit e-detected urban heat island effect[J].Pho tog ram metric Engineer ing and Re-mot e Sensing,2003,69:555-566.[17] 陈云浩,史培军,李晓兵.城市空间热环境的遥感研究-热场结构及其演变的分形测量[J].测绘学报,2002,31(4):322-326.Chen Yunhao,Shi P eijun,L i Xiaobing.Resear ch on or ban spatial thermal envir onment using remo te sensing imag e [J].A cta G eodaetica at Car to gr aphica Sinica,2002,31(4):322-326.(in Chinese).[18] M andelbr ot B B.Ho w lo ng is the coast o f Brit ain?St atistical self-similar ity and fractional dimension[J].Science,1967,155:636-638.。
