第8章-高光谱遥感(张良培).pptVIP

* * * * * 位于八领域的中心像素，已知某一类别的组分比例为50%，根据空间分布相关性，距离越近，类别越相似， * * * * * * * * * * * * * * * * * * * * * * 采取多源数据来进行实验，将两幅不通分辨率的影像进行精确的几何配准，误差保持在0.5个像元以内，高分辨率的影像分类结果可以作为低分辨率影像的已知混合成分。 * * * * * * * * * * * * * * * 采用线性分解，全限制性分解，及端元可变分解三种算法比较。 选择性分解时，分为三种情况：1，端元为1，代表纯净的；2，端元为2，分为6种组合情况；3，端元为3，代表饱和情况，即混合的情况最为严重。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 水泥地 植 被 屋 顶 误差图 线性提取 全限制性提取 端元可变提取 从遥感图像中，提取可视目标是一个相对简单的任务 基于传统方法从美国洛杉矶国际机场提取飞机 如何识别那些隐藏和不可视的目标 4、高光谱影像亚像元目标探测 1） 目视不可区分 M1-A1坦克隐藏在丛林中 基于光谱特征的异常目标探测技术 2）目标尺寸小于一个像元 采用背景地物信号可变的亚像元目标探测方法 * Class 2 Target Class 1 地物分类投影方向 目标探测投影方向 特征空间内分类与探测问题 混合像元现象 光谱变化现象 高光谱遥感影像目标探测的困难 发射信号s(t) 传输 接收X(t) 预处理 噪声干扰n(t) 信号检测 二元假设检验 ?H0：信号不存在（ ） ?H1：信号存在（ ） 1）信号检测概述 理论基础 2）高光谱目标探测技术 模拟数据单波段图像60:1和15:1 五种地物光谱曲线 信噪比 60：1 15：1 探测率 95% 95% 虚警数 13 135 真实百分比 估计百分比 60：1 15：1 5、亚像元定位 亚像元定位（Sub-pixel mapping），其目的是在混合像元分解的基础上，进一步确定像元中不同地物类型的具体空间位置，获取更高空间分辨率的地物分类图 。 示意图 硬分类：从硬分类的角度来看，影像中的单个像元处于“非此即彼”的状态。 软分类：通过一定的方法找出组成混合像元的各种“组分”的比例。 亚像元定位： 将混合像元切割成更小的 单元，并将具体地物类别相应的分配到这些较小像元中，进一步了解每一个亚像元的分布情况。 Atkinson于1997年首次提出了亚像元空间分布相关性的理论，这个理论指出：亚像元定位的核心是保证在每一个混合像元当中，相似的亚像元空间相关性最大化。 端元组分百分比(a)和三种不同的亚像元空间分布情况(b) (c) (d) 核心理论 实验数据与验证标准 1）选择多光谱波段的影像来代替高光谱数据 为了减少计算量，说明的是一样的道理。 2）采用合成图像进行实验 所有的实验分析中的数据都是采用合成图像来模 拟混合像元分解后的丰度图。所谓合成图像，是指： 将较高分辨率影像中各类型的硬分类结果，用滤波器 重采样至低分辨率的丰度图。 3）评判标准 原始高分辨率的硬分类结果可作为精度验证的标 准，采用PCC比较，混淆矩阵，Kappa系数。 合成数据制作过程 基于邻近信息的定位方法 是一种简单易行的方法：每一个子像元的值由邻近的像元的值算术计算得到。 A) 尺度S=2：利用与A距离最近的三个像元值取平均 B) 尺度S=3：利用与A距离相近的五个像元取平均 （A） （B） 实 验 尺度为2，降低分辨率 尺度为3，降低分辨率 硬分类 硬分类 方法A 方法B 原始影像 PCC = 0.952 PCC = 0.982 PCC = 0.921 PCC = 0.978 分类参考图 组分比 原始影像 分类参考图 组分比 原始影像 分类参考图 尽管取得了不错的效果，但是，Atkinson的核心理论只适合于地物尺寸大于像元分辨率的情况，下图所示的情况1是适合的。 尺度为8 如果当地物尺寸小于像元分辨率的情况下，并不一定适合，下图所示的情况2并不适合于该理论。 尺度为8 基于神经网络的定位模型 针对各像元与其邻域之间复杂的空间结构 关系，采用监督型神经网络来确定最大空间依 存度，具体演化规则的设定是建立Sub-pixel Mapping 模型的关键。 监督型神经网络包含两大相对独立的模块：模型训练和模拟。这两个模块使用同一网络模型。 字体实验 重采样分类图 BP模型结果 组分比 原始影像 分类参考图 尺度为2，降低分辨率 影像实验 (a)原始影