高光谱遥感辅助教学系统的开发与应用

一、高光谱遥感辅助教学系统的开发及应用（论文文献综述）

苍圣^[1]（2021）在《基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究》文中研究指明高光谱遥感技术不仅在军事领域有着举足轻重的地位,同时也被广泛地应用于气象预报、国土普查、作物估产、森林调查、地质找矿、海洋预报、灾害监测、城市规划、地图测绘等各个方面,并且与全球遥感卫星、通信卫星和定位导航卫星相配合,为国家经济建设提供了多方面的信息服务。在林业遥感应用上,高光谱遥感技术也凭借具有大量的光谱信息这个特点在森林树种分类、森林病虫害监测评估、火灾监测、森林资源变化信息提取的方面得到了广泛的应用。遥感技术为森林经营与管理提供了一种新的科学的有效的管理新手段。虽然我们可以通过分析植被的反射光谱来得到高光谱的特征,但是由于高光谱存在信息量大、数据冗余等问题,影响了高光谱数据信息的处理。如何解决该问题已经成为了高光谱遥感研究的热点及未来遥感技术的发展方向。从我国森林林业的发展趋势来看,在高光谱遥感技术数据处理的全过程中,高光谱图像的存储存在“休斯状态”、“同谱对映异构”、“同构异构”等问题。另外,由于大量的数据处理以及高光谱数据信息的收集和传输速度慢等问题,对中后期的图像和图像分辨率造成了一定的影响。本文在对高光谱图像研究现状进行详细分析和总结之后,在压缩感知和稀疏表示基础理论的指导下,开展了高效高光谱分类方法的科学研究。通过对真实的乌伊岭高光谱遥感图像的森林类型分类和树种分类实验,表明了该方法在分类问题上的有效性。具体的研究如下:（1）对研究区的高光谱遥感影像进行了图像预处理,具体包括数据读取、去条带、坏线修复、大气校正、几何精校正、裁剪与镶嵌等。通过HJ-1A卫星获得的高光谱遥感数据共有115个波段,波段间相关程度很大,冗余信息多,同时众多的波段数量对数据处理速度和数据处理质量产生一定的影响。（2）针对高光谱遥感影像数据冗余问题,本文利用分块压缩感知思想并结合TV方法,建立了一种新的基于GISMT压缩感知和谱间预测的高光谱遥感影像重构模型。首先基于分块采样方式,将降维后的遥感图像划分为若干个互不重叠的等尺寸图像块,再根据遥感图像的基本先验知识得到改进的联合稀疏表示模型,分别对各个子图像块进行随机采样;最后结合TV方法的ALM重构算法,实现了从所有图像块压缩采样得到的少量测量值中重构出降维后的高光谱遥感图像。所研究的重构算法与单一的ALM重构算法相比较,时间复杂度更小。GISMT压缩感知和谱间预测的高光谱遥感影像降维方法可以与森林分类相结合。经过重构处理后的高光谱遥感影像的稀疏性更加明显,为后续的基于压缩感知与稀疏表示的分类算法打下基础。（3）提出了一种基于多特征降维与谱间预测重构的高光谱遥感影像森林分类方法。该方法首先利用核函数将样本映射到高维空间,在高维特征空间内根据稀疏表示系数进行特征选择。在分类过程中,采用基于谱间预测重构与多核支持向量机的高光谱分类算法。通过在标准高光谱数据（集）库上的实验研究表明,该算法在小样本学习情况下,大大提高了分类精度。该算法可用于一般性的实验数据,且分类效果较好,达到95%以上,但对于森林类型分类仅达到90%以上,还有待改进。（4）提出了一种基于压缩感知与稀疏表示的窗口自适应的遥感影像森林分类方法。该算法针对高光谱遥感图像“同谱异物、同物异谱”、“维数灾难”等现象导致的难以高精度分类问题,以及无法发挥重构后的图像的稀疏性的问题,提出了解决方案。一方面,研究形状自适应搜索算法来充分挖掘图像光谱结构信息,将其用于稀疏表示模型的系数求解优化,提升表示的准确性。同时,相似像元的联合分类能够有效去除孤立像元分类产生的类似“椒盐噪声”的分类结果,从而提升整体分类性能。实验中,对比了经典的高光谱图像分类方法,实验结果表明提出方法在解决高光谱图像森林大类分类问题上有很高的分类精度,平均分类精度可达到90%以上,甚至个别分类精度超过96%。（5）提出了一种基于压缩感知与稀疏表示的无监督字典学习高光谱遥感影像森林分类方法。该方法是一种无监督的分类方法,采用基于压缩感知的字典学习方法代替基于训练样本光谱的字典构造方法,有助于构建结构紧凑、表示性能更强的字典,从而提升对复杂光谱结构的精确表示能力。实验结果表明,所提出的方法在分类性能上有较大优势,该方法应用在乌伊岭树种识别中,可以得到较好的森林树种分类的效果。与其他字典学习分类方法相比,该算法不仅在分类精度上有显着提升,达到95%以上,且也有效减少了算法的运行时间。

梁宏博^[2]（2021）在《基于GAN网络的邻域自适应高光谱遥感图像分类方法的研究》文中研究说明高光谱图像（hyperspectral image,HSI）具有丰富光谱信息及图谱合一的光学特性,可以准确解译地物材料,为目标监测、矿物质反演、农作物精细分类等遥感应用提供有力的技术支持。然而,受到高维数据冗余、复杂光谱分布以及标记样本有限等缺陷,严重影响传统HSI分类模型提供精准分类制图。针对上述问题,本文引入计算机视觉领域中的生成对抗网络（generative adversarial network,GAN）,围绕邻域自适应的HSI分类算法开展研究。主要工作如下:1)提出一种面向超像素的半监督光谱-空间注意力特征提取生成式对抗网络（spectral-spatial attention feature extraction based on generative adversarial network,SSAT-GAN）,改善光谱-空间特征提取有效性。该方法以超像素为媒介构建自适应邻域扩展可训练的无标签样本,在SSAT-GAN中引入无监督优化方法,有效抑制生成模型过拟合问题。此外,利用光谱-空间注意力机制,提升模型对邻域光谱立方体的特征表示和学习能力,在小样本情况下实现精准分类。实验结果表明,SSAT-GAN比其他基于GANs算法的分类效果更优异,且训练更稳定。2)提出一种面向空谱信息融合的自适应加权特征融合对抗生成预测模型（adaptive weighting feature fusion approach based on generative adversarial network,AWF2-GAN）,以分离式双通道滤波器组为基础,学习全局光谱特征和空间上下文。为探索空谱融合的适应性,引入特征融合模块合并高阶特征,并提供了4组特征融合方式,完成空谱信息的学习和分类。针对邻域空谱学习,提出自适应加权机制预测空谱融合特征,使用中心损失约束潜层类特征分布,降低光谱复杂性。模型考虑了邻域光谱依赖性,进行融入空间信息的光谱生成。同时,在特征学习过程中,使用自适应加权特征融合网络进行分类。实验结果表明,与支持向量机、基于GAN算法以及SSAT-GAN算法相比,AWF2-GAN拥有更显着的分类效果,且时效更高。本文在Indian Pines、Pavia University和Kennedy Space Center三种真实高光谱数据集上进行实验,采用总体精度（overall accuracy,OA）,平均精度（average accuracy,AA）以及Kappa系数作为度量指标。定量结果表明,相比目前最新的联合空谱特征提取算法和基于GAN的高光谱分类算法,本文所提出来的方法均表现出优越的性能。

李皎皎^[3]（2021）在《超光谱数据无损压缩及CUDA并行加速研究》文中认为本文研究的超光谱数据具体指高光谱遥感图像和极光光谱数据。高光谱遥感图像在农林业、军事侦察、城市规划、污染监测等领域都有广泛应用。研究极光对研究太阳活动及其对地球的影响有重大意义。但是高光谱遥感图像和极光光谱数据的数据量都很大。例如一幅由AVIRIS采集的高光谱遥感图像的大小超过148 MB,并且随着空间分辨率和谱间分辨率的不断提高,高光谱遥感图像的大小还在不断增大。而极光是动态变化的,探测设备在持续不断的采集,一天采集的极光光谱数据总量可达数GB。巨大的数据量给存储、传输和处理都带来极大挑战,因此必须通过数据压缩技术减小数据量。另外,因为数据量巨大,压缩也非常耗时。对于高光谱遥感图像来说,压缩引入的巨大时间开销是一些对实时性有要求的应用场景所无法接受的;对于极光光谱数据来说,如果要实现极光光谱数据从极地科考站到国内的实时传输,压缩引入的巨大时间开销也是无法接受的。因此必须对高光谱遥感图像和极光光谱数据的压缩进行加速。本文利用GPU来并行加速高光谱遥感图像和极光光谱数据的压缩。GPU具有强大的并行计算能力,可以在不影响压缩性能的前提下大大提高压缩速度。本文的主要研究内容及特色如下:1.研究了C-DPCM高光谱遥感图像无损压缩算法,对算法的压缩性能进行了测试并与其它几种优秀的无损压缩算法进行了对比。实验结果表明,C-DPCM高光谱遥感图像无损压缩算法具有优秀的压缩性能,但在CPU上串行压缩一幅高光谱遥感图像的时间在大约17～38分钟之间。为了提高高光谱遥感图像的压缩速度,本文采用GPU来并行加速C-DPCM算法,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对C-DPCM算法的CUDA实现进行优化。最终将高光谱遥感图像的压缩时间缩短为2秒左右,加速比最高接近700倍。2.研究了基于在线线性回归预测的极光光谱数据无损压缩算法,对算法中的预测系数计算和残差编码进行了改进,并通过实验验证了所提出的改进措施对提高压缩性能的有效性。另外,由于在预测系数计算过程中存在大量重复计算,不仅浪费计算资源,还严重影响压缩速度,因此本文提出了预测系数的分解计算方法,消除了重复计算,大大提高了计算速度。经过测试,在CPU上串行压缩时一幅极光光谱图像的压缩时间大约为11秒。为进一步提高压缩速度,本文采用GPU来并行加速极光光谱图像的压缩,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对CUDA并行程序进行优化。最终,将极光光谱图像的压缩时间缩短为大约620毫秒,加速比约为18倍。虽然加速比不高,但极光光谱图像数据量巨大,因此并行压缩相比于串行压缩依然可以节省大量时间。3.将深度神经网络应用于极光光谱图像压缩,设计了一个基于LSTM的极光光谱数据无损压缩框架。压缩的时候,首先用训练好的神经网络预测极光光谱图像中的每一个像素,然后原始的极光光谱图像减去预测图像得到残差图像,最后对残差图像熵编码。实验结果表明,本文设计的LSTM神经网络具有良好的压缩性能,平均压缩码率比本文的在线线性回归预测算法低0.11 bpp,有效提高了极光光谱图像的压缩性能。

胡晓勇^[4]（2021）在《基于高光谱图像的水稻营养元素检测方法及应用研究》文中认为本文面向水稻领域,分析了水稻施肥量与其叶片营养元素含量的关系,提出了一种基于水稻叶片高光谱图像分析的营养状况诊断方法。利用无人机搭载高光谱摄像仪采集水稻的高光谱图像数据;使用ENVI5.3、Hi Spectral Stitcher（Beta）等工具对采集的原始图像进行处理分析,进而构造了水稻高光谱数据集;搭建了基于SAE-FNN（Stacked Autoencoder Fully-connected Neural Network,堆叠式自编码器与全连接神经网络）的VW-SAE-FNN（Variable-Wise Weighted Stacked Autoencoder Fully-connected Neural Network,可变加权堆叠式自编码器与全连接神经网络）水稻叶片营养检测模型,实现了水稻叶片氮素浓度预测。具体研究成果如下:（1）构造了宁夏水稻高光谱图像数据集。利用无人机搭载高光谱摄像仪采集宁夏农科院水稻试验田水稻高光谱图像,通过对高光谱图像校正、拼接等分析处理,提取了水稻光谱图像的平均光谱值,生成了宁夏水稻高光谱图像数据集。（2）搭建了SAE-FNN水稻营养检测模型。利用SAE以无监督的方式从高光谱图像像素谱中自动学习深光谱特征,将其反馈给FNN,以监督的方式定量预测相应的氮浓度。（3）提出了VW-SAE-FNN的水稻营养诊断模型。调用变量加权方法重构了每个变量中不同权重的数据,使提取的每一维光谱特征都与输入、输出变量具有相关性,从而使原始光谱数据所包含的特征信息被尽可能完整地提取出来,进而提升水稻的氮素含量预测的准确率。（4）开发了水稻营养诊断的实验系统。综合采用spring-boot、IDEA、Python等语言工具搭建了系统平台,调用VW-SAE-FNN算法实现了水稻叶片营养检测,依据检测结果结合已构建的宁夏水稻施肥标准,为农业生产者提供施肥指导。

白丽^[5]（2020）在《基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究》文中研究说明当今国际现代农业越来越关注作物生产的精准诊断和管理,在拥有高产的同时更注重高效精准管理。遥感观测通过提供准确的作物生物物理和生物化学变量,对精准农业发展起到关键的技术支持作用,如叶面积指数（Leaf Area Index,LAI）和叶片叶绿素含量（Leaf Chlorophyll Content,Cab）。因此定量估算作物的理化参数含量对监测作物生长状况、生态环境变化以及研究全球气候变化等都具有重要意义。近年来高光谱遥感技术被大量的运用于作物生产管理中,而辐射传输模型也已成为广泛使用的一种物理反演方法,但是针对有穗一类作物在运用辐射传输模型时是否需要考虑雄穗对冠层辐射传输特性的影响还有待研究,叶绿素含量和叶面积指数在冠层内部的垂直分布的时空动态变化是否对遥感监测产生一定的影响还需进一步研究,以及是否有其他更好的反演办法可以运用于无人机高光谱遥感对作物理化参数的反演中还不确定。本文以玉米为主要研究对象,通过对目前国内外研究主要使用的4种作物理化参数反演方法（植被指数回归方法、非参数回归方法、物理方法和混合方法）的分析研究,开展了基于ASD近地面多角度冠层高光谱的玉米抽穗期雄穗对冠层辐射传输特性的影响研究,以及基于ASD近地面多角度冠层高光谱遥感观测技术和UHD185无人机高光谱遥感观测技术的叶绿素含量和叶面积指数遥感反演方法的研究等三部分的研究工作,得到的主要结论如下:（1）基于近地面多角度高光谱的玉米雄穗对抽穗期冠层反射率辐射传输特征的影响研究结果如下:a)对玉米抽穗期的辐射传输模型进行全局敏感性分析发现,叶面积指数和叶绿素含量对模型的总敏感度均在80%以上,是主要的影响因素。对玉米整个抽穗期实测的LAI和Cab分析得出,LAI和Cab变化差异均较小,LAI变化区间为1.231.53 m2/m2,各样点整体形状趋向于直线;样点间的Cab变化区间为1.256.7μg/cm2;b)比较抽穗期不同时间冠层反射率的模拟值和实测值得出,在抽穗初期实测值高于模拟值,随着生育期的推进,模型模拟值逐渐高于实测值。但在可见光波段整个抽穗期实测值均高于模拟值,在近红外波段模拟值总体高于实测值;c)分析不同穗梯度冠层二向反射率得出,在可见光波段和近红外波段,在两个散射方向上观测反射率与垂直观测方向上总体均呈现无穗>1/2穗>全穗;d)PROSAIL模型模拟值与LAI和Cab在全波段呈显着负相关,无穗实测值和模拟值与LAI和Cab相关性表现较一致;e)在玉米整个抽穗期雄穗总鲜质量变化差异较大,而总干质量变化差异不大。雄穗含水率从抽穗初期的80%左右到抽穗末期降低为10%左右。所以综上所述,作物抽穗期运用辐射传输模型进行冠层反射率模拟时,应该对模型进行修订,考虑可以将雄穗含水率与PROSAIL模型输入参数叶片等效水厚度相关联作为抽穗期新的输入参数参与模型模拟运算;（2）基于近地面多角度冠层高光谱数据集,运用自动辐射传输模型（ARTMO）软件对比分析了4种反演方法对叶面积指数（LAI）和叶绿素含量（Cab）反演的潜力。结果表明:a)机器学习回归算法（MLRAs）和辐射传输模型（RTMs）混合的方法（MLRARTMs）和MLRAs的反演精度最高,性能最好;植被指数反演方法次之,但运算速度最快;基于查找表（LUTRTM）的物理模型的反演精度最低;b)植被指数反演方法在后向散射方向（-50?）对LAI和Cab有较好的反演结果,而基于LUTRTM反演方法的冠层叶绿素含量（CCC）在多角度观测下反演结果最好;c)在3种非参数回归方法中,核岭回归（KRR）和高斯过程回归（GPR）对LAI、Cab和CCC的估算结果均较好,3个农学参数的反演精度在0.680.83之间。特别是基于单角度观测时,在后向散射方向（-50?）的KRR和GPR分别对对LAI和Cab有最佳的反演结果,而在前向散射方向（+50?）的GPR对CCC有最佳的反演结果;d)基于MLRARTM的混合方法在4种反演方法中的反演结果最好,并且基于多角度（0?、-50?和+50?）观测数据的KRRRTM和GPRRTM两种混合反演方法均提高了3个参数的估算结果,但同时都降低了运算速度;（3）通过对无人机高光谱数据集质量进行多种方法的验证分析,得出该数据集质量可靠,可以作为玉米理化参数的遥感反演;随后运用4种反演方法对LAI、Cab和CCC进行反演,得到的研究结果如下:a)基于MLRAs对3个玉米农学参数反演精度均最好,MLRARTMs的混合方法次之,而基于LUTRTM和SI的反演精度相当且最低;b)植被指数反演方法运算速度最快,MLRARTMs混合方法次之,MLRAs和LUTRTM反演方法运算速度相当且最慢;c)植被指数模型确定性最高,GNDVI与3个参数的相关性均最好,决定系数分别为0.769、0.818、0.888;多项式模型对LAI估算效果最佳,乘幂模型对Cab和CCC反演效果最佳,且运算速度最快;d)在运用RTMsLUT方法进行玉米理化参数反演中添加一些噪声和多个解等数值优化调整方法,可以显着减少相对误差;并且当数据归一化时,使用Mestimate方法中的L1estimate可以获得最佳的Cab估算结果（7%多解和20%噪声时,NRMSE为18.33%）;然而数据归一化不利于反演LAI,使用非归一化数据时LSE对LAI产生了最佳反演结果（2%多解和13%噪声时的NRMSE为14.12%）;同样的方法用于CCC反演时得到了和LAI近似的反演结果;e)GPR对Cab和CCC估算结果均较好,KRR对LAI有较好的估算结果;（4）通过使用模型验证试验区的验证数据集,对已经建立的基于近地面多角度观测数据集和无人机高光谱图像数据集的玉米LAI和叶绿素含量遥感反演的最优模型进行验证和评价。得出基于多角度的混合算法的KRRPROSAIL和GPRPROSAIL分别为玉米叶面积指数、叶片叶绿素含量和冠层叶绿素含量的最佳遥感反演模型;而基于无人机高光谱观测条件下的机器学习回归算法中的核岭回归（KRR）和高斯过程回归（GPR）为玉米叶面积指数、叶片叶绿素含量和冠层叶绿素含量的最佳遥感反演模型。研究结果还表明机器学习回归算法（MLRAs）在两种平台下的反演能力均是最佳的,这种反演方法运用于无人机高光谱图像中进行玉米LAI和叶绿素含量反演具备一定的应用潜力。

朱婷娜^[6]（2020）在《基于联合空间感知协同表示的高光谱遥感图像分类算法研究》文中认为高光谱图像分类是遥感图像区分地物和判读地物目标的主要方法之一,也是遥感领域中热点研究问题之一。高光谱图像通常包含丰富的连续窄波段和光谱信息,可以广泛的应用于矿物勘探、农业和环境监测等领域。这些应用促进了高光谱图像分类算法的优化和完善,其中基于协同表示的分类算法使用带标记的训练样本线性表示测试样本,并根据表示残差确定测试像素的类标签,整个分类过程不需要假设任何数据密度分布,也不需要用训练样本训练分类器模型。因此,协同表示算法在遥感图像分类领域备受关注。但传统的协同表示算法仅仅将光谱信息和空间信息作为分类特征输入到模型中进行分类,没有对分类模型进行优化。针对协同表示算法分类模型需要优化的问题,本文提出了两种基于联合空间感知协同表示（joint spatial-aware collaborative representation,JSaCR）的高光谱图像分类方法。针对高光谱图像分类中以纹理信息作为分类特征存在的分类信息不全面的问题。本文提出了基于纹理正则的联合空间感知协同表示方法（texture regularized-based joint spatial-aware collaborative representation,TRJSaCR）。首先,算法获取去噪后的高光谱数据集、高光谱图像坐标值和纹理先验数据。其次,将纹理特征作为正则项加入JSaCR的目标函数中约束表示系数,通过求目标函数的解析解来重构测试样本。最后,根据表示残差确定测试像素的类标签来实现分类。实验结果表明,TRJSaCR比JSaCR算法的分类效果更好,且更具普适性。针对分类器在对图像分类后仍然存在误分类像素的问题。本文将空间信息辅助判别规则（spatial information-assisted discrimination rules method,SIDR）加入TRJSaCR算法。该算法在TRJSaCR的后处理中结合SIDR,进一步提出了结合空间信息辅助判别规则的纹理正则联合空间感知协同表示（TRJSaCR-SIDR）分类算法。首先,算法在拆分完数据集后根据测试样本对应的坐标封装其邻域光谱信息。其次,由TRJSaCR确定测试样本及其邻域样本的类别标签。最后,在TRJSaCR-SIDR算法的后处理中通过考虑邻域标签的分布来确定测试样本最终类别标签。实验结果表明,与支持向量机、协同表示、稀疏表示、正则化子空间、空间感知协同表示、联合空间感知协同表示、JSaCR、TRJSaCR算法相比,TRJSaCR-SIDR算法分类效果最好。本文的创新之处在于,从纹理特征作为正则项改进JSaCR算法,以及针对分类后仍存在误分类像素问题,通过结合纹理正则改进JSaCR算法,对分类过程中、后两个方面进行算法的改进与优化。研究工作的意义,在高光谱分类中利用空间信息拓展JSaCR分类方法的思路。即使在训练样本是小样本的情况下,仍能保证分类结果的准确性。在两个标准高光谱数据集Indians Pines和Pavia University上的实验结果表明,所提出的算法优于其它最新分类器。

刘苗^[7]（2019）在《基于多源遥感影像时空尺度特性的南方破碎种植区植被精细分类研究》文中研究指明植被资源是人类赖以生存的物质基础之一,同时为人类的生产、生活提供重要的生态系统服务功能,充分监测植被资源是辅助决策和跟踪管理的重要先决条件。遥感技术因具有现势性强、覆盖范围广、时效快等优势,而成为植被资源监测的有效手段。由于不同植被类型的反射率存在高度相关性,在植被遥感分类过程中,能识别的类型数量和分类精度仍有待提高,尤其在植被分布破碎、类型繁杂、多云多雨的南方地区,遥感观测的不确定性和植被精细分类的复杂性显着提升,使得植被识别的有效谱段设置及其组合模式不明确、南方破碎种植区植被遥感分类的适宜空间尺度不确定、区域尺度南方植被分类精度提升难等问题日益突出。随着遥感数据向着高空间、高光谱、高时间及多平台方向快速发展及遥感智能处理技术的日益进步,遥感技术可望在南方破碎种植区植被精细分类中取得更多突破。本文以S185无人机高光谱影像、高分一号、高分六号、Sentinel-2航天遥感影像为主要数据源,以广西来宾市兴宾区作为研究区,充分利用多源遥感影像的时空尺度特性,分别从光谱维像元尺度分析、融合高光谱及高空间特征的小尺度分类、融合多时相及红边特征的中大尺度提取三个层次进行由点及面再到区域范围的植被精细分类,实现南方破碎种植区植被光谱可分性能溯源、影像适宜空间尺度可考证、大范围精细提取有进益,促进星地多源遥感影像,特别是自主卫星数据在南方破碎种植区植被精细分类中的应用和技术能力提升。（1）揭示了多种波段组合模式及变换光谱对植被类型识别的响应特征。为解决植被识别的有效谱段设置及其组合模式不明确问题,从像元尺度光谱维角度,以S185无人机高光谱遥感影像像元尺度反射光谱作为数据源,从基本成像单元尺度出发,进行了基于波段组合与变换分析的反射光谱植被类型识别响应特征研究,提出了一种基于多模式分析与变换的像元尺度反射光谱植被类型识别波段响应分析方法,从模式的创建、载荷的模拟、光谱的变换三个层级逐级递进,形成了有益于植被类型识别的特征谱段及其组合模式,提高了植被类型的光谱可分性,并通过分析获得以下结论。首先,通过筛选后的23个特征波段的识别效果达到基于全部101个波段的效果,有效降低数据冗余、提升处理效率。其次,通过详细分析各波段组合模式的植被识别结果,发现红边波段与绿峰红谷边缘波段、黄橙波段相比,更能在蓝、绿、红、近红外波段基础上提升植被识别能力,因此进一步通过模拟实验说明,高分六号谱段设置在植被类型精细识别中具有应用潜力。最后,验证了光谱变换特征对识别精度提升的有效性。（2）构建了耦合特征空间与尺度参量的高空间分辨率多尺度遥感影像植被精细分类模型。为解决南方破碎种植区植被遥感分类的适宜空间尺度不确定问题,从融合高光谱及高空间特征的小尺度分类角度,以S185无人机高光谱遥感影像多尺度序列作为数据源,进行了南方破碎种植区植被遥感分类的空间尺度适宜性研究,将尺度参量优化、特征有效性度量及其耦合关系加以整合,从厘米级-亚米级-米级共7个尺度构建了耦合特征空间与尺度参量的高空间分辨率多尺度遥感影像植被精细分类模型,揭示了高空间分辨率多尺度遥感影像特征空间分布及分类精度变化规律,为尺度特性研究提供厘米级影像空谱联合特征范围有效性及尺度适宜性新证据。多尺度影像模型分类精度达84.3%-91.3%,与采用同一模型框架相同条件下的随机森林（Random Forest）分类器分类结果相比,精度提升1.3%-4.2%;与基于全部特征的支持向量机（SVM）分类器分类结果相比,精度提升2.5%-8.3%。研究结果表明,最佳的分类精度出现在中间层级空间分辨率,而不是原始影像,适宜的空间尺度范围对植被分类具有较强的促进作用。研究还发现,不同尺度影像的适宜特征参量有所变化,随着影像空间分辨率的降低,植被指数特征、纹理特征重要性呈相反趋势,适宜的分割尺度逐步降低,适宜的特征数量为30-40个。（3）建立了协同多时相及红边特征的多光谱遥感影像植被类型信息提取模式。为解决区域尺度南方植被分类精度提升难问题,从中大尺度植被信息提取角度,基于高分一号、高分六号及Sentinel-2遥感影像,进行了南方区域植被遥感分类的多时相及红边波段组合特征研究。通过对多光谱影像光谱特征和时谱特征的充分捕捉,从逐层递进的三层结构（单时相→多时相→红边特征）构建了协同多时相及红边特征的多光谱遥感影像植被类型信息提取模型,揭示了时相与红边特征的紧密联系。与基于单一时相的植被分类精度相比,高分一号多时相影像分类精度提升3.77%-14.22%;Sentinel-2多时相影像分类精度提升5.59%-19.07%。与未使用红边特征的分类结果相比,红边波段/红边指数促进Sentinel-2单/多时相遥感影像植被分类精度提升1.51%-6.84%,最高分类精度达86.09%。研究发现,高分一号及Sentinel-2卫星4月影像识别精度最高且精度差异不大,较适于进行南方破碎种植区植被精细分类,各时相影像分类精度与植被类型的季相变化规律相一致。高分六号与Sentinel-2影像对比分析表明,二者的相同谱段具有较强的相似性,在0.45μm-0.85μm范围内,高分六号的7个谱段和Sentinel-2的7个谱段植被类型识别能力相当。

迟晓杰^[8]（2020）在《基于高光谱遥感的紫花苜蓿修复金属尾矿效果研究》文中研究说明矿山开采在促进我国经济发展的同时,也给生态环境造成了严重破坏。为了实现矿业可持续发展,矿区生态修复势在必行。植物修复因其成本低、环保等优点在矿区生态修复中展现出良好的应用前景。高光谱遥感技术可以高效、无损、实时地获取植物及尾矿光谱信息,可为评价植物修复效果提供技术支撑。以钒钛磁铁尾矿为研究对象,紫花苜蓿为修复植物,通过筛选尾矿适生紫花苜蓿品种,分析有机改良剂辅助紫花苜蓿对尾矿环境的改良效果,研究紫花苜蓿-丛枝菌根真菌联合修复尾矿机制,并通过高光谱数据建模估测植物及尾矿主要参数含量信息。结果表明:旱地、新疆大叶及WL363品种紫花苜蓿作为修复植物适宜在实验金属尾矿上生长;施加1%、3%玉米生物炭可以有效地促进紫花苜蓿在尾矿上生长;接种微生物菌剂及微生物和生物炭可以促进紫花苜蓿的生长发育;高光谱遥感能够估测紫花苜蓿叶绿素、全氮含量及尾矿速效氮、速效磷、有机质含量,其决定系数R2范围为0.25～0.85,均方根误差范围为0.07～5.06。筛选优势紫花苜蓿品种,施加玉米生物炭及接种丛枝菌根真菌能促进紫花苜蓿在尾矿的定殖,改善矿区生态环境。高光谱遥感可以反演紫花苜蓿生理参数含量及尾矿理化参数含量,对矿区生态修复效果评价具有重要意义。图41幅;表12个;参98篇。

王雪^[9]（2019）在《基于深度生成对抗模型的高光谱遥感影像分类研究》文中认为高光谱遥感影像具有较好的光学特征和丰富的光谱信息,其图谱合一的特性使得高光谱影像能够为精细分类、遥感反演和目标探测等任务提供新的研究方式。分类是高光谱数据分析中的基本问题之一,虽然高光谱影像中含有丰富的地物信息,但其数据冗余、空间分辨率不足、标记样本缺乏等因素,限制了高光谱影像分类的应用与发展。针对上述问题,引入在计算机视觉任务中的深度生成模型,围绕高光谱影像光谱生成、紧耦合式分类训练和空-谱特征提取等方向开展研究。主要创新工作如下。（1）提出了一种面向光谱生成有效性的条件式变分对抗网络（Conditional Variational and Adversarial Autoencoder,CVA2E）,解决了光谱特征有效性学习的问题。在分析生成模型的训练不稳定、模式坍塌、生成样本质量低等问题形成原因的基础上,在生成对抗网络中引入变分推理过程,提升了模型的学习能力。此外,通过添入两个惩罚项,提高了生成样本的多样性和生成样本的光谱形状特征。三个标准高光谱数据集的实验结果表明,CVA2E在光谱合成能力上优于其他方法。在使用ROSIS和AVIRIS数据集时,引入全损失惩罚的CVA2ESADFVA表现最佳,精度依次为96.74%和89.7%,引入了特征角损失的CVA2EFVA在HYSPEX数据集上表现最好,精度为98.33%,证明了CVA2E在挖掘分类特征方面更有效。（2）提出了一种面向分类任务的多组分对抗生成胶囊网络（Capsule Triple Generative Adversarial Network,Caps-TripleGAN）,通过引入向量神经元和多组分对抗训练结构进行紧耦合式训练,进一步提高了深度生成框架的判别能力。针对CVA2E弱耦合训练过程进行优化,引入TripleGAN结构,将生成对抗训练过程,分为分类器、生成器和判别器三组分紧耦合式训练。引入胶囊神经元对光谱特征进行提取,在提取特征时充分考虑特征及其位置和方向信息,提取更加有效的高阶可分特征。实验结果表明,胶囊网络的性能优于对比实验中的深度学习方法,同时TripleGAN可以提高CapsNet在少量训练样本的分类性能。（3）针对高光谱分类过程中空谱信息融合问题,以分离式双通道学习过程和伪标签辅助思想为基础,提出了两种基于深度生成模型的高光谱影像空谱特征学习方法。首先,基于紧耦合对抗机制,将空间信息和光谱信息进行分离式输入,在高阶特征提取层进行合并,提出一种面向空谱特征的双通道多组分生成对抗网络（Dual Triple Generative Adversarial Network,Dual-TripleGAN）,完成空谱特征学习和分类。另外,为探索空谱数据块完整性的生成方法,提出一种基于伪标签的多尺度生成辅助分类方法（Multiscale Generative Assistant Capsule Network,MS-GA-CapsNet）。针对空谱数据块的学习过程,使用差异化加权思想,增加中心像素的网络权重,模型考虑了邻域像元类别信息,对网络的光谱特征进行混合式生成。同时,在空谱特征提取过程中,使用多尺度胶囊网络进行分类。实验结果表明,提出的多尺度生成辅助分类方法在四种数据上优于其他算法。该论文有图71幅,表27个,参考文献170篇。

薄纯娟^[10]（2019）在《基于空谱联合模型的高光谱图像分类方法研究》文中认为高光谱图像分类问题是高光谱遥感领域中非常重要的研究课题,在民用和军用等方面均具有广泛的实用价值和应用前景。如何有效地综合考虑像元的光谱特征信息和空间结构信息是提升高光谱图像分类算法精度的关键。本文对基于空谱联合模型的高光谱分类算法进行了深入研究,主要创新工作如下:首先,本文将最近子空间算法扩展到高光谱图像分类领域,提出了联合鲁棒最近子空间分类模型。该算法通过在联合子空间模型中引入加性稀疏噪声来考虑邻域像元矩阵中的异常噪声,并定义鲁棒最近子空间距离来度量邻域像元样本矩阵与每类训练样本集合间的差异。在此基础上,本文提出了鲁棒语义原型学习算法通过迭代优化的方式获得对训练样本更加有效的原型表示。实验结果表明,本文所提出的联合鲁棒最近子空间距离和鲁棒语义原型算法均能逐步提升高光谱图像分类算法精度。其次,本文针对如何有效获得及利用表示系数的问题,提出了基于两阶段空谱联合表示模型的高光谱分类框架。本文提出了联合协同表示模型和联合结构化稀疏表示模型,并给出了相应的优化求解方案。在此基础上,本文将上述模型获得的表示系数作为新的特征用来训练分类器模型。在测试过程中,将联合表示模型的分类概率输出和分类器模型的分类概率输出相融合,以获得最终的分类输出。实验结果表明,本章所提出的算法具有良好的精度优势和泛化能力。再次,本文通过引入集合到点的距离将传统K近邻算法扩展到高光谱图像分类领域,提出了基于空谱联合K近邻的高光谱分类框架。该算法定义了一种新颖的集合到点的距离以最小均方回归形式来刻画邻域样本集合到每个训练样本的距离。从子空间角度,该距离可以解释为训练样本点距离测试样本子空间的远近。随后,本文将上述距离和加权K近邻分类算法相结合提出最终算法框架,从而实现精确的高光谱图像分类。最后,本文将测试样本集合和每类训练集合矩阵分别看作两个凸包,并利用凸包表示模型来刻画两个集合之间的距离,提出了基于集合度量的高光谱图像分类算法。与本文提出的其他算法相比,该算法能够同时建模邻域像元的空谱信息和训练样本的结构信息。此外,本文还提出了一种基于能量最小化的标签优化算法,该算法针对传统高光谱分类算法获得的分类概率进行优化,从而进一步提升分类算法的精度。

二、高光谱遥感辅助教学系统的开发及应用（论文开题报告）

（1）论文研究背景及目的

此处内容要求：

首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。

写法范例：

本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。

（2）本文研究方法

调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。

实证研究法：依据现有的科学理论和实践的需要提出设计。

定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。

定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。

跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。

模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

三、高光谱遥感辅助教学系统的开发及应用（论文提纲范文）

（1）基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究（论文提纲范文）

（2）基于GAN网络的邻域自适应高光谱遥感图像分类方法的研究（论文提纲范文）

（3）超光谱数据无损压缩及CUDA并行加速研究（论文提纲范文）

（4）基于高光谱图像的水稻营养元素检测方法及应用研究（论文提纲范文）

（5）基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究（论文提纲范文）

（6）基于联合空间感知协同表示的高光谱遥感图像分类算法研究（论文提纲范文）

（7）基于多源遥感影像时空尺度特性的南方破碎种植区植被精细分类研究（论文提纲范文）

（8）基于高光谱遥感的紫花苜蓿修复金属尾矿效果研究（论文提纲范文）

（9）基于深度生成对抗模型的高光谱遥感影像分类研究（论文提纲范文）

（10）基于空谱联合模型的高光谱图像分类方法研究（论文提纲范文）

四、高光谱遥感辅助教学系统的开发及应用（论文参考文献）

• [1]基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究[D]. 苍圣. 东北林业大学, 2021(09)
• [2]基于GAN网络的邻域自适应高光谱遥感图像分类方法的研究[D]. 梁宏博. 北方民族大学, 2021(08)
• [3]超光谱数据无损压缩及CUDA并行加速研究[D]. 李皎皎. 西安电子科技大学, 2021(02)
• [4]基于高光谱图像的水稻营养元素检测方法及应用研究[D]. 胡晓勇. 北方民族大学, 2021(08)
• [5]基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究[D]. 白丽. 石河子大学, 2020(08)
• [6]基于联合空间感知协同表示的高光谱遥感图像分类算法研究[D]. 朱婷娜. 北方民族大学, 2020(12)
• [7]基于多源遥感影像时空尺度特性的南方破碎种植区植被精细分类研究[D]. 刘苗. 中国科学院大学(中国科学院空天信息创新研究院), 2019(06)
• [8]基于高光谱遥感的紫花苜蓿修复金属尾矿效果研究[D]. 迟晓杰. 华北理工大学, 2020
• [9]基于深度生成对抗模型的高光谱遥感影像分类研究[D]. 王雪. 中国矿业大学, 2019(04)
• [10]基于空谱联合模型的高光谱图像分类方法研究[D]. 薄纯娟. 大连理工大学, 2019(06)