针对基于高光谱数据的悬浮物浓度反演问题,提出一种利用预训练神经网络(PNN)进行有监督波段选择的方法,并使用随机森林和神经网络建立悬浮物浓度反演模型。 PNN算法需进行多次重复实验以获得低噪声且充分的波段重要性表达,在每次实验时选取适当数量的波段作为神经网络输入数据的特征,训练一个神经网络,并利用最后一期训练时第一层权重的L1范数、L2范数和ReLU(Rectified Linear Unit)函数来表示波段的重要性。实验结果表明,相比其他常用的波段选择算法,使用L1范数、L2范数的PNN算法能够得到信息量更大的波段集合,且其用于悬浮物浓度反演时,能够获得更优的效果。

针对复杂海面地貌、云雾背景下的光学遥感图像舰船目标检测问题,提出一种结合空域和频域视觉显著性特征的无监督舰船目标检测算法。基于图像的RGB颜色空间和ITTI模型,利用图像亮度特征图、颜色特征图、亮度特征的一阶梯度组合构建图像特征,并基于图像区域与整幅图像的协方差矩阵计算图像区域的差异性。然后由协方差矩阵之间的广义特征值构建空域显著特征图,并加入PQFT(phase spectrum of quaternion Fourier transform)模型的频域显著特征图。最后利用元胞自动机融合空域显著特征和频域显著特征。实验结果表明,所提算法检测舰船目标时的性能要优于其他常用的视觉显著算法。

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和Haar特征,检测效果良好,准确率和召回率得到较大的提升。

针对单模型评价图像质量容易产生过拟合的问题,提出基于多模型融合的高光谱图像质量评价算法。以图像噪声、模糊度和云含量为降质特征,建立遥感图像主观评价库,分别选用支持向量回归方法和集成决策树方法对带有评价值的训练集图像建立质量评价单模型。将两个单模型评价结果线性回归拟合,得到模型融合的图像质量评价结果。同时,以广义回归神经网络模型作为参照,分别从均方误差、回归拟合指标、分类准确率、训练时间4个方面对几种模型进行对比。实验结果表明,所提模型融合算法具有较高的拟合精度、较强的泛化能力,并且所需的训练时间相对较少。

基于光谱反射特性,研究了多种背景下的快速云检测方法。将光谱反射特性与云的纹理特性相结合,提出了基于动态分形维数和辐射量特性相结合的云检测综合算法。以EO-1卫星Hyperion传感器拍摄的高光谱遥感图像为例,研究了不同下垫面的含云遥感图像,并检测与分析了厚云区和薄云区。对比遥感图像云检测的两种算法,所提算法可以更加精确地识别薄云区,极大地提高了遥感图像云检测精度,同时又可满足星载高光谱图像快速云检测的要求。

针对高光谱图像和高空间分辨率图像配准过程中,各波段之间差异较大难以选择高精度配准波段的问题,提出一种基于Cram'er-Rao下限(CRLB)理论的高光谱图像高精度匹配波段选择算法。利用波段选择的方法选出高光谱图像中若干信息量大、相关性小的波段;将其分别与高空间分辨率图像做配准,并计算配准结果相应的CRLB;根据CRLB选择高精度配准波段。通过比较配准后的CRLB和均方根误差,验证CRLB具有较好配准质量评价性能。通过CRLB与其他方法的选择波段配准结果比较可知,本文算法选择的波段配准精度较高。上述波段为高光谱图像和高空间分辨率图像的配准提供更好的数据。

为了有效缓解海量高光谱数据存储与传输压力并快速精确检测异常目标, 提出一种以滑动阵列窗像元为局部背景的高光谱图像非因果实时RXD异常检测方法.利用随数据逐像元接收而滑动的阵列窗确定局部背景像元, 运用Woodbury引理, 通过矩阵与向量的乘法和矩阵的加减实现局部背景协方差矩阵的求逆运算, 在逐像元接收数据的同时实现阵列窗口中心像元的异常检测.模拟和真实高光谱图像实验结果表明, 与现有实时检测方法相比, 所提方法在检测性能或运行效率上有所提升; 相比非实时的滑动阵列RXD异常检测, 所提方法时间复杂度更低, 处理大小为200×200含189波段的图像, 其加速比达到近26倍.实验结果验证了该方法能在不降低检测精度的同时满足低运算量和低存储空间的实时性要求.

单形体体积生长算法（SGA）是一种比较有效的高光谱图像端元提取算法。为了解决多次顺序计算单形体体积所造成的高计算复杂度的问题，基于高维空间单形体体积计算公式实现SGA（NSGA），推导出两种NSGA的快速实现算法：基于矩阵三角分解的NSGA算法（FNSGACF）和基于分块矩阵行列式的NSGA算法（FNSGA）。FNSGACF主要利用改进Cholesky分解方法，将单形体体积的计算转化为矩阵的三角分解，从而降低了计算复杂度，提高了算法的效率。FNSGA引入分块矩阵的思想来简化矩阵行列式的计算，很大程度降低了计算的复杂性。基于仿真实验研究和真实高光谱图像实验研究的结果表明，这两种快速实现算法都在保持NSGA结果的基础上运行更快，达到了快速实现的目的。

通过波段选择可以显著提高高光谱遥感图像分类与解混的效率。提出了两种改进的线性预测（LP）波段选择方法，用图像的偏度或峰度度量波段信息量，结合互信息（MI）或K-L散度度量波段间的相似性，选择本身信息量大，且彼此间最不相似的两个波段作为初始波段，再通过改进的线性预测选择后续波段。噪声波段的存在会影响波段选择的效果，导致分类或解混精度低于预期。为了减弱噪声波段的不利影响，进一步提出噪声波段去除的方法，基于小波域的熵估计每波段的噪声，去除噪声较大的波段后进行波段选择。真实高光谱图像波段选择后分类和解混实验结果表明，改进的基于线性预测的波段选择方法能明显提高分类和解混的精度和效率，是一种有效的高光谱图像降维方法。

针对非线性混合的高光谱图像目标检测问题，在核信号空间正交投影法（KSSP）的基础上，提出了一种光谱和空间信息结合的组合核信号空间正交投影方法（CKSSP）。分别基于边缘序和像元距离为序尺度函数的导出序将灰度形态变换扩展到多值图像空间中的形态变换，利用多结构元素组合的扩展数学形态学方法提取高光谱图像的空间信息。根据核函数定义，结合光谱信息和空间信息构造出组合核函数并加以证明，通过组合核信号空间正交投影实现目标检测。该方法在充分利用光谱信息的同时，合理利用了空间信息。仿真数据实验结果表明CKSSP的均方根误差比KSSP小0.03，真实高光谱图像数据实验和ROC曲线均表明CKSSP目标检测结果优于KSSP。