以矿区复垦农田土壤为研究对象, 利用实验室获取的土壤重金属元素砷(As)、 锌(Zn)、 铜(Cu)、 铬(Cr)和铅(Pb)的含量与土壤可见近红外高光谱数据建立重金属元素含量的定量估算模型。 为了保证模型预测的精度和稳定性, 首先, 对原始光谱数据进行平滑处理, 并进行光谱变换, 即: 一阶导数, 标准正态变量变换及连续统去除变换;然后, 通过相关性分析提取不同变换光谱的特征波段;最后, 将最小二乘支持向量机与传统的多元线性回归和偏最小二乘回归方法的结果相比较。 研究表明: (1)以不同变换光谱数据建立反演模型均有较好的稳定性并达到一定精度, 其中以最小二乘支持向量机方法优于偏最小二乘回归优于多元线性回归模型(除少数几个情况外);(2)从不同光谱变换数据中提取的光谱特征对反演模型结果有一定影响, 其中以连续统去除和标准正态变量变换建模结果较好, 一阶导数变换稍差。 因此, 利用高光谱遥感技术来定量估算土壤重金属含量是可行的, 而且, 必要的光谱预处理对提高估算模型的精度很有帮助。

针对多源遥感数据分类的需要，提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法.对全极化PALSAR数据进行预处理和极化相干矩阵特征提取，利用灰度共生矩阵计算光学和SAR影像的对比度、逆差距、二阶距、差异性等纹理特征参数，并与光谱特征结合，形成6种组合策略.利用集成学习方法对随机森林分类器、子空间分类器、最小距离分类器、支持向量机分类器、反向传播神经网络分类器等分类器进行组合，对不同组合策略的遥感影像特征集进行分类.结果表明提出的基于多种特征和多分类器集成的新方法很好地利用了主被动遥感数据在不同地表景观类型提取上的潜力，综合了多种算法的优势，能够有效地提高总体精度和各类别的分类精度.

一般的检测假酒中甲醇的化学方法虽然结果较准确，但操作复杂、费用昂贵且对实验的环境条件要求严格.为此，提出了一种基于支持向量机对掺甲醇的假酒光谱进行识别与分类的方法.采用ASD FieldSpec 3光谱仪测量了样品溶液的反射光谱；通过对反射光谱进行平滑、导数等预处理并进行相关性分析和单变量回归分析，得出假酒中甲醇光谱不被乙醇光谱掩盖的特征峰作为特征谱带；最后用特征谱带训练分类模型并得到分类结果.结果表明：以甲醇含量小于等于3%为真酒的总体分类准确度为85%，以甲醇含量小于等于5%为真酒的总体分类准确度为97.5%；证明该方法是可行的且具有较高的分类准确度.

针对传统方法在提取城市不透水层中的许多局限性，采用两种非线性光谱混合分解模型，包括混合调谐匹配滤波和多层感知器神经网络，通过混合像元分解获取城市不透水层.混合调谐匹配滤波利用用户选择的端元，通过最大化端元响应并减少未知背景信息的影响，进行局部分解端元.多层感知器由多个感知器组成，能够很好的进行非线性学习.对Landsat TM遥感影像进行最大噪声分离，使其转换到另外一个特征空间.利用新生成数据集的前三个成分(占90%以上信息量)进行纯净像元提取，并利用N维可视化分析器寻找出四个进行分解的端元：植被、高反射率地物、低反射率地物和土壤。不透水层则由高反射率和低反射率两个分量估算而成。对不同模型提取的结果，利用QuickBird多光谱图像评价其准确性.实验结果表明人工神经网络的精度最高，即非线性光谱混合模型同样可以有效地提取不透水层，精度甚至优于线性模型.

To apply decision level fusion to hyperspectral remote sensing (HRS) image classification, three decision level fusion strategies are experimented on and compared, namely, linear consensus algorithm, improved evidence theory, and the proposed support vector machine (SVM) combiner. To evaluate the effects of the input features on classification performance, four schemes are used to organize input features for member classifiers. In the experiment, by using the operational modular imaging spectrometer (OMIS) II HRS image, the decision level fusion is shown as an effective way for improving the classification accuracy of the HRS image, and the proposed SVM combiner is especially suitable for decision level fusion. The results also indicate that the optimization of input features can improve the classification performance.

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features. Multi-kernel classifiers, however, are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs. Using a support vector machine (SVM) as classifier, different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area, Beijing City. Results show that by integrating spectral and wavelet texture information, multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers. Moreover, when the multi-kernel SVM classifier is used, the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy (97.06%). Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.

多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题.本文从支持向量机基本理论出发建立了一个基于支持向量机的高光谱分类器,并用国产OMIS传感器获得的北京中关村地区高光谱遥感数据进行试验,分析比较了各种SVM核函数进行高光谱分类的精度,以及网格搜寻的方法来确定C和愕闹?结果表明SVM进行高光谱分类时候径向基核函数的分类精度最高,是分类的首选.并且与神经网络径向基分类算法以及常用的最小距离分类算法进行比较,分类的精度远远高于SVM分类算法进行分类的结果.SVM方法在高光谱遥感分类领域能得到广泛的应用.

特征提取、度量与分析是高光谱遥感应用的基础.面?蚋吖馄滓８惺莸奶氐?将光谱特征划分为点尺度、面尺度和体尺度三个尺度的特征.基于特征属性与算法原理,构建了光谱曲线特征、光谱变换特征和光谱度量特征三个层次的高光谱遥感光谱特征体系,并对光谱特征提取与应用进行了深入探讨.光谱曲线特征包括直接光谱编码、光谱反射与吸收特征等,光?妆浠惶卣靼ㄖ脖恢甘⒌际馄椎?光谱度量特征则包括光谱角、SID、相关系数和距离等.在分析特征算法原理的同时对其特点和应用进行了探讨.试验表明四值编码、光谱角和SID在应用中能够取得较好的效果.