1 郑州科技学院，河南郑州450064
2 河南省智能信息处理与控制工程技术研究中心，河南郑州450064
3 军事科学院系统工程研究院，北京100010
4 中国航天系统科学与工程研究院，北京10005
5 陆军装备部驻沈阳地区军事代表局驻长春地区第一军事代表室，吉林长春130000
针对雨雪、雾霾等天气条件下氧气吸收被动测距受大气和气溶胶等复杂背景光谱影响严重的问题，采用混合像元分解技术对提高复杂背景条件下的测距精度进行了研究。分析了高光谱图像像元混合机理，以雨滴端元为例建立了复杂天气条件下目标与背景的混合像元模型；讨论了复杂天气条件下目标光谱的提取方法，提出了复杂天气氧气吸收被动测距的基本流程；最后，对不同距离处小雨、重度霾、中雪3种典型复杂天气条件下的卤钨灯目标进行了被动测距实验。实验结果表明，混合像元分解方法可快速提取目标光谱，与多次循环采集平均法、背景消除法相比测距精度有较大提升，不同的距离及天气条件下的测距精度分别提高到3.39%、5.81%和4.36%，可满足实际飞行目标辐射光谱的快速采集与测距精度要求。
被动测距 氧气吸收 混合像元分解 目标提取 极端天气 passive ranging oxygen absorption mixed pixel decomposition target extraction extreme weather
1 西安航空学院电子工程学院, 陕西 西安 710077
2 西北大学城市与环境学院, 陕西 西安 710127
3 西安石油大学计算机学院, 陕西 西安 710065
提出了一种基于高光谱数据简化的改进非负矩阵分解端元提取方法,通过计算和比较图像的光谱信息熵,划分图像的同质区,只选择同质区中最具代表性的像元参与非负矩阵分解运算,减少了端元提取算法的运算量。实验结果显示,数据简化前后运用非负矩阵分解算法所提取的几种矿物的光谱角均值基本相等,但数据简化后端元提取算法的运行时间减少了4/5,算法的运行效率提高。
图像处理 高光谱遥感 混合像元分解 光谱信息熵 非负矩阵分解 端元提取 激光与光电子学进展
2019, 56(9): 091001
中国石油大学地球科学与技术学院, 山东青岛266580
针对MODIS数据绿潮提取存在大量混合像元导致绿潮覆盖面积偏大这一问题, 基于3 m分辨率的机载SAR高分影像, 结合归一化植被指数(NDVI), 对MODIS研究区中大于NDVI阈值的像元进行混合像元分解得到绿潮的“覆盖面积”; 获取的准同步3 m机载SAR提取的绿潮面积为“真实值”, 然后建立二者之间的关系模型, 并选取不同的样本区域对该模型进行了验证。实验结果表明: NDVI等传统算法所提取的绿潮覆盖面积约为“真实值”的2.68倍; 基于混合像元分解的方法所提取的绿潮面积较“真实值”偏小, 约为“真值”的0.56倍; 与传统的NDVI等多波段比值法相比, 该精细化模型方法提取的绿潮覆盖面积更接近于“真实值”, 与“真实值”误差仅为6.7%。
黄海 绿潮 混合像元分解 机载SAR Yellow Sea green tide mixed pixel decomposition MODIS MODIS NDVI NDVI airborne SAR
1 山东省海洋生态环境与防灾减灾重点实验室, 山东 青岛266061
2 国家海洋局北海预报中心, 山东 青岛266061
3 国家海洋局第一海洋研究所, 山东 青岛 266061
在绿潮遥感业务化监测中, 250 m分辨率的MODIS卫星数据是主要数据源, 归一化差值植被指数(NDVI) 是绿潮卫星遥感信息提取的主要方法。研究发现, 由于MODIS空间分辨率较低, 存在大量的混合像元, 导致提取的绿潮覆盖面积明显偏大。针对该问题, 本文在MODIS绿潮NDVI计算的基础上, 首先对大于NDVI阈值的像元进行混合像元分解, 得到MODIS NDVI混合像元分解后的绿潮面积, 然后以准同步的30 m分辨率HJ-1 CCD影像提取的绿潮覆盖面积为真值, 建立了MODIS NDVI混合像元分解得到的绿潮面积与HJ-1提取的绿潮面积之间的关系模型, 以实现绿潮面积的精细化提取。与传统的NDVI阈值法和混合像元分解法相比, 该方法提取的绿潮覆盖面积更接近于“真值”, 面积约为“真值”的96%, 而传统的NDVI阈值法和混合像元分解方法提取的面积分别为“真值”的2.96倍和45%。另外, 与传统的NDVI阈值法相比, 新方法对NDVI阈值变化不敏感, 在相同的NDVI阈值变化区间内, 前者提取的绿潮覆盖面积变化了41%, 而新方法的变化仅为11%。本文的工作在很大程度上解决了MODIS空间分辨率低导致的绿潮监测结果不准确的问题, 为精细化的绿潮卫星遥感业务监测提供了参考。
混合像元分解 绿潮监测 Mixed pixel decomposition MODIS MODIS NDVI NDVI green tide monitoring
1 信息工程大学, 河南 郑州 450002
2 东华理工大学 江西省数字国土重点实验室, 江西 南昌 330000
针对基于线性模型分解高光谱影像混合像元分解精度低, 而非线性模型难以建立等问题, 提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上, 以线性加权组合核函数代替单核函数, 采用简单多核学习方法迭代解算权系数来实现分类。然后, 通过S型函数将分类器输出值转化为概率; 将两两配对概率转换为多类后验概率。最后, 利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验, 结果表明: 该方法的分类精度分别提高到95.62%和91.51%, 均方根误差(RMSE)最小分别为11.15%和7.55%, 均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响, 提高了分类精度。
混合像元分解 非线性分解 多核支持向量机 高光谱影像 mixed-pixel decomposition nonlinear decomposition Multiple Kernel Support Vetor Machine (MKSVM) hyperspectral imagery
