CN108009517A - 一种海洋高光谱遥感影像特征分析方法 - Google Patents

一种海洋高光谱遥感影像特征分析方法 Download PDF

Info

Publication number
CN108009517A
CN108009517A CN201711365732.0A CN201711365732A CN108009517A CN 108009517 A CN108009517 A CN 108009517A CN 201711365732 A CN201711365732 A CN 201711365732A CN 108009517 A CN108009517 A CN 108009517A
Authority
CN
China
Prior art keywords
spectrum
spectral
dimension information
remotely sensed
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711365732.0A
Other languages
English (en)
Inventor
高红民
杨耀
李臣明
蔺硕
樊悦
张振
洪建�
王家伟
沈杨
杨琪
杨佳林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201711365732.0A priority Critical patent/CN108009517A/zh
Publication of CN108009517A publication Critical patent/CN108009517A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种海洋高光谱遥感影像特征分析方法，S1、对海洋高光谱遥感影像特征分类：海面、风场、浪场、流场、潮汐和锋面等等，S2、对步骤S1中的分类后的各遥感影像进行高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息进行分析计算。该海洋高光谱遥感影像特征分析方法，高光谱数据最主要的特点就是将图像维信息和光谱维信息融为一体，在获取地表空间图像信息的同时，得到每个地物的连续光谱信息，通过设置光谱匹配技术，这种光谱的n阶导数实质上表达了目标物吸收波形的变化，是这些吸收物的丰度与状态的光谱指标，从而有效的解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。

Description

一种海洋高光谱遥感影像特征分析方法
技术领域
本发明涉及高光谱遥感影像特征分析技术领域，具体为一种海洋高光谱遥感影像特征分析方法。
背景技术
近年来，遥感技术取得了巨大的进步。高光谱遥感图像在描述地面真实信息方面的优势使其成为目标检测和分类等重要工具。高光谱图像分类是挖掘高光谱数据信息的常用技术。由于高光谱图像中信息量巨大，在分类前需要进行降维处理。
目前，现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低，所以需要一种海洋高光谱遥感影像特征分析方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种海洋高光谱遥感影像特征分析方法，解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种海洋高光谱遥感影像特征分析方法，包括以下步骤：
S1、对海洋高光谱遥感影像特征分类：海面、风场、浪场、流场、潮汐和锋面等等。
S2、对步骤S1中的分类后的各遥感影像进行高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息进行分析计算。
S3、建立计算机图像网络模型。
S4、收集数据进行图像网络模型验证。
优选的，所述步骤S2中高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息分析计算中特定光谱信息被各物质所影响，且所影响的结果被统称为观测矢量，且观测矢量r(x，y)可用线性模式描述:
r(x，y)＝mα(x，y)+n(x，y)
其中(x，y)是像元的空间位置，
m＝(u1，u2，u3，，，ui，up-1，d)是具有线性独立组分的矩阵，
其中d是我们感兴趣的信息，α(x，y)是一个矢量，它的第i个元素代表了像元中第i个信息分量，n(x，y)是一个代表随机噪声的矢量。
优选的，所述S2中光谱信息中任一光谱吸收特征可由光谱吸收谷点与光谱吸收两个肩部组成，光谱吸收指数可表达为:
SAI＝[dωs1+(1-d)ωs2)]/ωm
ω为平均单次散射反射率，
s1，s2为光谱吸收曲线的两个肩部，
m为光谱吸收曲线的谷点，
d为吸收的对称性参数，得到一系列典型吸收特征的SAI图像后，可用最小二乘法反演各种目标物的光谱混合成分的含量。
优选的，所述步骤S2中光谱维信息分析包括光谱微分技术，且光谱微分技术主要是对反射光谱进行数学模拟和计算不同阶数的微分来确定光谱弯曲点及最大、最小反射率的波长位置。一阶、二阶微分光谱的近似计算方法如下：
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2Δλ，
ρ″(λi)＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/Δλ2，
λi为每个波段的波长，
ρ′(λi)，ρ″(λi)分别为λi的一阶和二阶微分光谱，Δλ是波长λi-1到λi的间隔。
优选的，所述步骤S2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱匹配技术，其主要是通过计算景物光谱(像元光谱、测试光谱)和参考光谱(实验室或已知像元光谱)在不同光谱位置(波段波长位置)的交叉相关系数，得到它们的相似性，用光谱匹配来突出感兴趣的光谱特征，其相似程度指标可用夹角余弦来表示:
cos(s1，s2)＝∫s1(λ)s2(λ)dλ/[│∫s1(λ)2dλ│1/2│∫s2(λ2)dλ│1/2]
s1、s2为两个像元的光谱值。
优选的，所述步骤S2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱分类技术，光谱分类技术方法很多，主要有最大似然分类法、人工神经元网络分类法等，下面笔者主要介绍一种正交子空间投影法，其基本原理是把某个像元矢量投影到一个正交于不期望存在的信号的子空间上，通过正交子空间投影抗干扰，增大信噪比，正交子空间投影分类算法可以提供K个感兴趣信号，同时维数减少到K维，并把高光谱图像进行了分类。该方法可用于纯光谱像元和混合像元。正交子空间投影分类算子为：qT＝dTP
其中p＝(1-UU*)
d为感兴趣的信号，
p为最优抗干扰矩阵，
U*＝(UT-U)-1UT是U的伪逆矩阵，其中U是我们不感兴趣的信号。
(三)有益效果
本发明提供了一种海洋高光谱遥感影像特征分析方法，具备以下有益效果：
(1)、该海洋高光谱遥感影像特征分析方法，通过设置观测矢量，高光谱数据最主要的特点就是将图像维信息和光谱维信息融为一体，在获取地表空间图像信息的同时，得到每个地物的连续光谱信息，从而实现依据地物光谱特征的地物成分信息的反演与地物的识别。
(2)、该海洋高光谱遥感影像特征分析方法，通过设置光谱匹配技术，这种光谱的n阶导数实质上表达了目标物吸收波形的变化，是这些吸收物的丰度与状态的光谱指标，从而有效的解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
具体实施方式
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种海洋高光谱遥感影像特征分析方法，包括以下步骤：
S1、对海洋高光谱遥感影像特征分类：海面、风场、浪场、流场、潮汐和锋面等等。
S2、对步骤S1中的分类后的各遥感影像进行高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息进行分析计算，步骤S2中高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息分析计算中特定光谱信息被各物质所影响，且所影响的结果被统称为观测矢量，且观测矢量r(x，y)可用线性模式描述:
r(x，y)＝mα(x，y)+n(x，y)
其中(x，y)是像元的空间位置；
m＝(u1，u2，u3，，，ui，up-1，d)是具有线性独立组分的矩阵；
其中d是我们感兴趣的信息，α(x，y)是一个矢量，它的第i个元素代表了像元中第i个信息分量，n(x，y)是一个代表随机噪声的矢量，通过设置观测矢量，高光谱数据最主要的特点就是将图像维信息和光谱维信息融为一体，在获取地表空间图像信息的同时，得到每个地物的连续光谱信息，从而实现依据地物光谱特征的地物成分信息的反演与地物的识别。
S2中光谱信息中任一光谱吸收特征可由光谱吸收谷点与光谱吸收两个肩部组成，光谱吸收指数可表达为:
SAI＝[dωs1+(1-d)ωs2)]/ωm
ω为平均单次散射反射率；
s1，s2为光谱吸收曲线的两个肩部；
m为光谱吸收曲线的谷点；
d为吸收的对称性参数，得到一系列典型吸收特征的SAI图像后，可用最小二乘法反演各种目标物的光谱混合成分的含量。
步骤S2中光谱维信息分析包括光谱微分技术，且光谱微分技术主要是对反射光谱进行数学模拟和计算不同阶数的微分来确定光谱弯曲点及最大、最小反射率的波长位置。一阶、二阶微分光谱的近似计算方法如下:
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2Δλ，
ρ″(λi)＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/Δλ2，
λi为每个波段的波长；
ρ′(λi)，ρ″(λi)分别为λi的一阶和二阶微分光谱，Δλ是波长λi-1到λi的间隔。
步骤S2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱匹配技术，其主要是通过计算景物光谱(像元光谱、测试光谱)和参考光谱(实验室或已知像元光谱)在不同光谱位置(波段波长位置)的交叉相关系数，得到它们的相似性，用光谱匹配来突出感兴趣的光谱特征，其相似程度指标可用夹角余弦来表示:
cos(s1，s2)＝∫s1(λ)s2(λ)dλ/[│∫s1(λ)2dλ│1/2│∫s2(λ2)dλ│1/2]
s1、s2为两个像元的光谱值。
步骤S2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱分类技术，光谱分类技术方法很多，主要有最大似然分类法、人工神经元网络分类法等，下面笔者主要介绍一种正交子空间投影法，其基本原理是把某个像元矢量投影到一个正交于不期望存在的信号的子空间上，通过正交子空间投影抗干扰，增大信噪比，正交子空间投影分类算法可以提供K个感兴趣信号，同时维数减少到K维，并把高光谱图像进行了分类。该方法可用于纯光谱像元和混合像元。正交子空间投影分类算子为：qT＝dTP
其中p＝(1-UU*)
d为感兴趣的信号；
p为最优抗干扰矩阵；
U*＝(UT-U)-1UT是U的伪逆矩阵，其中U是我们不感兴趣的信号。
S3、建立计算机图像网络模型。
S4、收集数据进行图像网络模型验证，通过设置光谱匹配技术，这种光谱的n阶导数实质上表达了目标物吸收波形的变化，是这些吸收物的丰度与状态的光谱指标，从而有效的解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
综上所述，该海洋高光谱遥感影像特征分析方法，通过设置观测矢量，高光谱数据最主要的特点就是将图像维信息和光谱维信息融为一体，在获取地表空间图像信息的同时，得到每个地物的连续光谱信息，通过设置光谱匹配技术，这种光谱的n阶导数实质上表达了目标物吸收波形的变化，是这些吸收物的丰度与状态的光谱指标，从而有效的解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种海洋高光谱遥感影像特征分析方法，其特征在于：包括以下步骤：
S1、对海洋高光谱遥感影像特征分类：海面、风场、浪场、流场、潮汐和锋面等等；
S2、对步骤S1中的分类后的各遥感影像进行高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息进行分析计算；
S3、建立计算机图像网络模型；
S4、收集数据进行图像网络模型验证。
2.根据权利要求1所述的一种海洋高光谱遥感影像特征分析方法，其特征在于：所述步骤S2中高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息分析计算中特定光谱信息被各物质所影响，且所影响的结果被统称为观测矢量，且观测矢量r(x，y)可用线性模式描述:
r(x，y)＝mα(x，y)+n(x，y)
其中(x，y)是像元的空间位置；
m＝(u1，u2，u3，，，ui，up-1，d)是具有线性独立组分的矩阵；
其中d是我们感兴趣的信息，α(x，y)是一个矢量，它的第i个元素代表了像元中第i个信息分量，n(x，y)是一个代表随机噪声的矢量。
3.根据权利要求1所述的一种海洋高光谱遥感影像特征分析方法，其特征在于：所述S2中光谱信息中任一光谱吸收特征可由光谱吸收谷点与光谱吸收两个肩部组成，光谱吸收指数可表达为:
SAI＝[dωs1+(1-d)ωs2)]/ωm
ω为平均单次散射反射率；
s1，s2为光谱吸收曲线的两个肩部；
m为光谱吸收曲线的谷点；
d为吸收的对称性参数，得到一系列典型吸收特征的SAI图像后，可用最小二乘法反演各种目标物的光谱混合成分的含量。
4.根据权利要求1所述的一种海洋高光谱遥感影像特征分析方法，其特征在于：所述步骤S2中光谱维信息分析包括光谱微分技术，且光谱微分技术主要是对反射光谱进行数学模拟和计算不同阶数的微分来确定光谱弯曲点及最大、最小反射率的波长位置。一阶、二阶微分光谱的近似计算方法如下:
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2Δλ，
ρ″(λi)＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/Δλ2，
λi为每个波段的波长；
ρ′(λi)，ρ″(λi)分别为λi的一阶和二阶微分光谱，Δλ是波长λi-1到λi的间隔。
5.根据权利要求1所述的一种海洋高光谱遥感影像特征分析方法，其特征在于：所述步骤S2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱匹配技术，其主要是通过计算景物光谱(像元光谱、测试光谱)和参考光谱(实验室或已知像元光谱)在不同光谱位置(波段波长位置)的交叉相关系数，得到它们的相似性，用光谱匹配来突出感兴趣的光谱特征，其相似程度指标可用夹角余弦来表示:
cos(s1，s2)＝∫s1(λ)s2(λ)dλ/[│∫s1(λ)2dλ│1/2│∫s2(λ2)dλ│1/2]
s1、s2为两个像元的光谱值。
6.根据权利要求1所述的一种海洋高光谱遥感影像特征分析方法，其特征在于：所述步骤S2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱分类技术，光谱分类技术方法很多，主要有最大似然分类法、人工神经元网络分类法等，下面笔者主要介绍一种正交子空间投影法，其基本原理是把某个像元矢量投影到一个正交于不期望存在的信号的子空间上，通过正交子空间投影抗干扰，增大信噪比，正交子空间投影分类算法可以提供K个感兴趣信号，同时维数减少到K维，并把高光谱图像进行了分类。该方法可用于纯光谱像元和混合像元。正交子空间投影分类算子为：qT＝dTP
其中p＝(1-UU*)
d为感兴趣的信号；
p为最优抗干扰矩阵；
U*＝(UT-U)-1UT是U的伪逆矩阵，其中U是我们不感兴趣的信号。
CN201711365732.0A 2017-12-18 2017-12-18 一种海洋高光谱遥感影像特征分析方法 Pending CN108009517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711365732.0A CN108009517A (zh) 2017-12-18 2017-12-18 一种海洋高光谱遥感影像特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711365732.0A CN108009517A (zh) 2017-12-18 2017-12-18 一种海洋高光谱遥感影像特征分析方法

Publications (1)

Publication Number Publication Date
CN108009517A true CN108009517A (zh) 2018-05-08

Family

ID=62059647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711365732.0A Pending CN108009517A (zh) 2017-12-18 2017-12-18 一种海洋高光谱遥感影像特征分析方法

Country Status (1)

Country Link
CN (1) CN108009517A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147735A (zh) * 2019-04-24 2019-08-20 湖北大学 一种高光谱遥感数据分类方法
CN110212976A (zh) * 2019-06-06 2019-09-06 苏州大学 一种基于人工神经网络的光信噪比监测方法
CN112097679A (zh) * 2020-09-10 2020-12-18 厦门海铂特生物科技有限公司 一种基于光信息三维空间测量方法
CN117554304A (zh) * 2024-01-11 2024-02-13 深圳因赛德思医疗科技有限公司 一种喉镜片材料成分检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147735A (zh) * 2019-04-24 2019-08-20 湖北大学 一种高光谱遥感数据分类方法
CN110147735B (zh) * 2019-04-24 2023-04-07 湖北大学 一种高光谱遥感数据分类方法
CN110212976A (zh) * 2019-06-06 2019-09-06 苏州大学 一种基于人工神经网络的光信噪比监测方法
CN112097679A (zh) * 2020-09-10 2020-12-18 厦门海铂特生物科技有限公司 一种基于光信息三维空间测量方法
CN112097679B (zh) * 2020-09-10 2022-04-19 厦门海铂特生物科技有限公司 一种基于光信息三维空间测量方法
CN117554304A (zh) * 2024-01-11 2024-02-13 深圳因赛德思医疗科技有限公司 一种喉镜片材料成分检测方法
CN117554304B (zh) * 2024-01-11 2024-03-22 深圳因赛德思医疗科技有限公司 一种喉镜片材料成分检测方法

Similar Documents

Publication Publication Date Title
CN108009517A (zh) 一种海洋高光谱遥感影像特征分析方法
CN108647738B (zh) 基于多指数的全球尺度遥感影像水体智能提取方法
Gong et al. Coupled dictionary learning for change detection from multisource data
Song et al. Estimating average tree crown size using spatial information from Ikonos and QuickBird images: Across-sensor and across-site comparisons
Huynh et al. Shape and refractive index recovery from single-view polarisation images
Rodríguez-Caballero et al. Advanced image processing methods as a tool to map and quantify different types of biological soil crust
CN109164459A (zh) 一种结合激光雷达和高光谱数据对森林树种分类的方法
CN103226832B (zh) 基于光谱反射率变化分析的多光谱遥感影像变化检测方法
CN103456020B (zh) 基于treelet特征融合的遥感图像变化检测方法
CN103295241A (zh) 一种基于Gabor小波的频域显著性目标检测方法
Musarella et al. Similarity analysis between species of the genus Quercus L.(Fagaceae) in southern Italy based on the fractal dimension
Iordache et al. Dictionary pruning in sparse unmixing of hyperspectral data
CN103093432B (zh) 基于极化分解和图像块相似性的极化sar图像降斑方法
Oxholm et al. The scale of geometric texture
KR102039048B1 (ko) 모의 위성 영상을 생성하는 장치 및 방법
Qu et al. Dimensionality reduction and derivative spectral feature optimization for hyperspectral target recognition
CN108304881B (zh) 一种基于遥感图像的相似岩性区分方法及系统
Wang et al. Nonlinear joint fractional Fourier transform correlation for target detection in hyperspectral image
CN102231190A (zh) 冲洪积扇信息的自动提取方法
CN105678229B (zh) 一种高光谱影像检索方法
Xu et al. Noise estimation in a noise-adjusted principal component transformation and hyperspectral image restoration
CN107066943B (zh) 一种人脸检测方法及装置
Busuioceanu et al. Evaluation of the CASSI-DD hyperspectral compressive sensing imaging system
Latif et al. Self-Organizing Maps for processing of data with missing values and outliers: application to remote sensing images
Cho et al. Multiple endmember spectral-angle-mapper (SAM) analysis improves discrimination of savanna tree species

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180508