1 香港理工大学武汉大学 空间信息联合实验室,湖北 武汉 430079
2 武汉大学 遥感信息工程学院,湖北 武汉 430079
3 香港理工大学土地测量与地理资讯学系, 中国 香港 999077
提出了一种借助多偏移遥感图像来改进基于BP神经网络(BPNN)的亚像元定位新方法.不同于原BPNN方法使用单幅低空间分辨率观测图像, 新方法利用多幅带有亚像元偏移的低空间分辨图像来确定亚像元属于各类的概率, 然后根据概率值和地物覆盖比例确定亚像元类别, 以降低BPNN定位模型中的不确定性和误差.实验表明, 提出方法在视觉和定量评价上, 均能获得更高精度的亚像元定位结果, 验证了提出方法的有效性.
遥感图像 亚像元定位 BP神经网络(BPNN) 多偏移图像 remote sensing images sub-pixel mapping back-propagation neural network(BPNN) multiple shifted images
1 哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨 150001
2 国家知识产权局专利局, 北京 100088
光谱解混是高光谱数据分析的重要技术之一.全约束(即非负性约束和归一化约束)最小二乘线性光谱混合模型(FCLS-LSMM)具有模型简单和物理意义明确等优点而得以广泛使用.然而, FCLS-LSMM的传统优化求解方法的迭代过程非常复杂.近年提出的几何方法为降低LSMM的求解复杂度提供了新思路, 但是所获得的结果并非真正意义上的全约束最小二乘解.为此, 建立了一种完全符合FCLS要求的LSMM几何求解方法, 具有复杂度低和可以获得理论最优解等优点.实验表明了所提出方法的有效性.
高光谱 光谱解混 全约束最小二乘(FCLS) 线性光谱混合模型(LSMM) hyperspectral spectral unmixing fully constrained least squares (FCLS) linear spectral mixture modeling(LSMM)
哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨150001
提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法, 该方法无需降维预处理, 且采用低复杂度的距离尺度代替复杂的体积尺度；证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性, 并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明, 基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.
高光谱图像 端元选择 支持向量机 单纯形增长算法 光谱解混 hyperspectral imagery endmember selection support vector machine simplex growing algorithm spectral unmixing
