首都师范大学三维信息获取与应用教育部重点实验室, 北京 100048
准确及时地预测牧草的地上生物量AGB(above ground biomass)是实现牧草生长监测和合理放牧的前提。 无人机高光谱遥感可快速获取高空间、 光谱和辐射分辨率的遥感影像, 已被广泛应用于精准农业和高通量植物表型等领域。 为探究无人机高光谱影像(unmanned aerial vehicle hyper-spectral image, UAV-HSI)对草原牧草AGB预测的适用性, 获取了青海省典型草场样区的UAV-HSI、 样方牧草AGB和相关辅助数据。 然而, UAV-HSI具有较大的数据量级, 不便于被广泛采集、 存储和传输, 也会显著影响数据处理的效率, 严重制约其被有效利用。 着眼于此, 提出一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法, 以期在有效降低数据量的同时, 保证牧草AGB的预测精度。 首先, 利用残差量化方法对UAV-HSI进行特征参量化处理, 获得低数据量级的多阶二值立方体(Hi)及系数矩阵(βi), 并以此替代原始数据进行存储和传输; 其次, 利用Hi和βi进行光谱重建, 得到初构光谱PRS(preliminarily reconstructed spectra); 最后, 运用Savitzky-Golay滤波对PRS进行优化, 即为OPRS(optimized PRS)。 以样区牧草光谱为例, 对OPRS的光谱保真性, 即OPRS与原始光谱之间的相关系数、 光谱角和光谱矢量距离进行分析, 结果表明, 在3种保真性指标上, OPRS均明显优于同阶的PRS。 进而, 分析了牧草AGB与光谱变量之间的相关性, 结果表明, 与原始光谱和PRS相比, OPRS各波段对牧草AGB的预测能力相对较高且最为稳定。 而后, 利用偏最小二乘法回归构建了牧草AGB的反演模型, 结果表明, 在原始光谱、 1~4阶PRS和1~4阶OPRS等9种光谱中, 4阶和3阶OPRS的AGB预测精度分别达到了最优和次优水平, 二者的AGB预测相对分析误差RPD(ratio of performance to deviation)分别为2.31和2.23, 比原始光谱模型的RPD分别高0.26和0.18。 在降低1个数量级的情况下, OPRS取得了优于原始光谱的牧草AGB预测性能, 说明OPRS兼具数据简化和牧草AGB准确预测性能, 为UAV-HSI估算牧草AGB提供了一种新的有效解决方案。
无人机 高光谱遥感 光谱重建 草地植被 地上生物量 Unmanned aerial vehicle Hyperspectral remote sensing Spectral reconstruction Grassland vegetation Above ground biomass
1 首都师范大学三维信息获取与应用教育部重点实验室, 北京 100048
2 首都师范大学空间信息技术教育部工程研究中心, 北京 100048
光谱二值和多值编码技术能够实现目标光谱的快速匹配、 识别和分类等应用, 但这类量化编码方法会损失大量的光谱细节信息, 且不能解码出与原始光谱近似的重构光谱, 应用有限。 为了解决上述问题, 提出一种高阶残差量化的光谱编码新方法HOBC(high-order binary coding)。 首先, 对光谱向量进行去均值的规范化处理, 得到值域为(-1, 1)的光谱序列; 然后, 求解规范化光谱的±1编码、 编码系数和残差(即一阶残差); 基于一阶残差, 逐阶解算2至K阶残差的±1编码及其系数; 最后得到K个编码序列及其系数, 即为HOBC的编码结果。 选择典型波谱库数据集, 对比光谱0/1二值编码BC01(binary coding with 0 and 1)、 光谱分析编码SPAM(spectral analysis manager)、 二值/四值混合编码SDFC(spectral derivative feature coding)和DNA四值编码等4种方法, 进行了光谱量化编码和解码重构实验, 分别统计了光谱形状特征和斜率特征编码的信息熵和存储量、 光谱形状特征编码与原始光谱之间的光谱矢量距离SVD (spectral vector distance)、 谱间Pearson相关系数SCC (spectral correlation coefficient)和光谱角SAM (spectral angle mapping)。 结果表明, 在编码存储量上, HOBC的1～4阶编码分别与以上4种编码相等; 在编码信息熵上, HOBC的1～2阶编码分别与BC01和SPAM相等, 而HOBC的3～4阶编码分别高于SDFC和DNA编码; 在SCC上, HOBC1阶编码与BC01相等, 而2～4阶编码均分别优于SPAM, SDFC和DNA编码; 在SAM方面, HOBC 1～4阶编码均分别明显优于4种对比方法; 4种对比方法不能明确解码重构, 而HOBC可简便重构出与原始光谱近似的解码序列, 且SVD逐阶递减。 进一步, 基于临泽草地试验站公开光谱数据集, 进行了10类地物目标的光谱编码和监督分类实验, 实验结果表明, 在Kappa系数, 总体分类精度和平均分类精度等3种性能评价指标上, HOBC均明显优于4种对比方法, 尤其是, HOBC 4阶编码优于原始光谱的分类性能; 对样本数量较少且类间相似性较高的难分类地物, HOBC亦具有优于其他算法的鲁棒性。 说明HOBC编码在大幅压缩数据量的同时, 其编码序列能保留较高的信息量, 且具有较高的光谱可分性, 可用于光谱高精度快速识别和分类; 其解码重构序列与原始光谱序列具有较高的相似性, 理论上可适用于目标识别和分类等应用。
高阶残差量化 光谱编码 二值编码 四值编码 DNA编码 High-order residual quantization Spectral coding Binary coding Quaternary coding DNA coding 光谱学与光谱分析
2019, 39(10): 3013
1 首都师范大学三维信息获取与应用教育部重点实验室, 北京 100048
2 首都师范大学空间信息技术教育部工程研究中心, 北京 100048
为了解决地物分类的机载激光雷达(LiDAR)与高光谱特征构造中存在的特征维数过高的问题,提出了一种基于XGBoost与皮尔逊相关系数相结合的特征选择算法——XGB-PCCS,同时设计了XGBoost与序列后向选择相结合的特征选择算法——XGB-SBS与之对比。采用真实数据验证所设计的两种算法,结果表明:两种算法均可在保证分类结果准确率的基础上有效地减小特征集维数;XGB-SBS算法保留的特征维度为33,得到的总体分类精度为95.63%,Kappa系数为0.943;XGB-PCCS算法保留的特征维度为25,总体分类精度为95.55%,Kappa系数为0.942。XGB-PCCS算法的人为干预程度较低,运行时间较短,保留的特征集更精简。此外,对比了两种算法得到的特征子集,并总结了LiDAR点云与高光谱影像多模态特征构造中重要程度较高的24种特征。
遥感 特征选择 XGBoost算法 皮尔逊相关系数 机载激光雷达 高光谱图像
1 首都师范大学 三维信息获取与应用教育部重点实验室, 北京 100048
2 空间信息技术教育部工程研究中心, 北京 100048
传统去噪去混叠算法大多针对单波段图像, 针对于高光谱影像的特点以及噪声、混叠对于图像的影响, 提出了一种结合张量与倒易晶胞的多维滤波算法, 并将其应用在高光谱影像的去噪和去混叠中。该方法引入张量, 将高光谱影像数据视为三阶的张量表达, 以倒易晶胞获取影像混叠和噪声较小的频谱覆盖, 从最小均方误差的角度交替迭代求解三个方向的滤波器, 最终完成影像滤波, 在保证影像空间和光谱信息一致性的前提下, 有效地减少影像混叠和噪声, 提高图像的质量。通过与二维维纳滤波算法、张量多维去噪算法的多组高光谱数据对比实验, 证明了文中算法的有效性。
高光谱影像 张量 倒易晶胞 去噪 去混叠 hyperspectral image tensor reciprocal cell denoising antialiasing 红外与激光工程
2018, 47(10): 1026002
1 首都师范大学 三维信息获取与应用教育部重点实验室, 北京 100048
2 首都师范大学 空间信息技术教育部工程研究中心, 北京 100048
近年来, p值统计量的使用规范引起了统计学界的极大关注和集中讨论, 广泛认为, p值统计量可表达观测数据与备择假设之间的不相容程度。为探究高光谱图像波段的相关分析p值与其样本独立性的联系, 进行了演绎推理和实例验证, 研究表明, 与相关系数r统计量相比, 相关分析p统计量可直接表达波段样本的独立性, 且p值矩阵具有高水平的自稀疏性, 便于建模和计算。进而, 对相关性p值矩阵进行直方图频数统计, 提出一种基于p值的高光谱自适应波段选择方法pSMBS。选取典型数据进行了监督分类实验, 结果表明, 在Kappa系数、总体精度(OA)和平均精度(AA)上, pSMBS均优于同类方法ABS、InfFS和LSFS。说明pSMBS在高光谱波段选择方面具有突出的有效性, 这也佐证了相关性p值对波段独立性的强表征能力。
p值统计量 波段独立性 自稀疏性 非监督波段选择 高光谱 p-value statistic band independence self-sparsity unsupervised band selection 红外与激光工程
2018, 47(9): 0926005
1 首都师范大学 三维信息获取与应用教育部重点实验室, 北京 100048
2 首都师范大学 空间信息技术教育部工程研究中心, 北京 100048
通过非线性函数变换改进后的谱间Pearson相关分析可同时获取高光谱影像光谱间的综合相关系数(rcl)、相关类型和统计显著性水平; 研究发现, 非线性是高光谱影像的谱间相关性的主要类型。基于相关系数的波段相邻相关系数(rac)在自适应波段选择算法(ABS)中是为了表达波段的独立性, 然而发现ABS算法中rac并不能有效表达波段独立性。鉴于此, 提出了一种信息相邻相关系数(riac)和基于此指数改进的自适应波段选择算法(MABS)。使用公共数据和实验室采集数据, 对ABS、基于线性相关系数(rl)的MABS(rl)和基于rcl的MABS(rcl)等三种算法进行实验。结果表明: 在波谱范围和算法有效性及精度方面, MABS均优于ABS; MABS较好地兼顾了大信息量和强独立性原则, 其波段选择结果的光谱范围明显大于ABS; MABS(rcl)的光谱范围略大于MABS(rl); 三种算法的总体分类精度(OA)和Kappa系数的大小顺序均为: MABS(rcl)>MABS(rl)>ABS。
非线性相关 谱间相关系数 信息相邻相关 波段选择 高光谱图像 nonlinear correlation spectral correlation coefficient information adjacency correlation band selection hyperspectral imagery 红外与激光工程
2017, 46(5): 0538001
