2025《高光谱图像的预处理以及处理技术研究国内外文献综述》4700字.docVIP

致谢

PAGE6

PAGE7

高光谱图像的预处理以及处理技术研究国内外文献综述

1.1基于高光谱影像的数据处理现状

高光谱影像不仅包含图像的空间特征，由于其波段数众多，包含了大量的光谱维信息。因此对高光谱数据也被称为“图像立方体”。常见的高光谱影像处理有高光谱图像降维、高光谱图目标检测和高光谱图像分类等[20]。刘春红等提出了一种自适应波段选择(ABS)的降维方法，其充分考虑了高光谱图像的空间相关性和谱间相关性，通过不同波段的指数选择包含信息量大且与其它波段相关性小的波段。随后他们将降维后的图像进行贝叶斯监督分类获得了比原始图像数据更高的分类精度和更低的计算复杂度，验证了该方法的有效性[21]。孙俊等使用PCA对大米高光谱图像进行降维处理并通过主成分权重系数图挑选出了6个特征波段作为后续研究的基础，减少了数据的冗余度和噪声对研究的影响[22]。王敏等提出了一种基于神经网络的高光谱图像异常目标检测方法，首先使用RBF网络对高光谱图像进行非线性映射，随后使用传统的RXD目标检测算法检测异常目标，提高了目标检测的性能[23]。谷延锋等针对机载高分成像获取的高光谱图像中的目标检测问题提出了一种基于张量表示的目标检测新框架和稀疏目标检测新方法。该方法能有效挖掘和利用局部区域目标的空谱联合信息，提高高分条件下复杂场景目标检测的性能降低虚警率[24]。叶珍等提出了两种基于Gabor特征与局部保护降维的高光谱图像分类算法，利用嵌入PCA的Gabor变换进行特征提取，利用局部Fisher判别分析或局部保护非负矩阵分离对Gabor特征进行降维，最后使用高斯混合模型对降维后的特征进行分类。该方法不仅充分挖掘了高光谱图像的谱间-空间特征，也有效保护了高光谱图像的局部特征和多模型结构[25]。张明华等提出一种基于三维Gabor和残差三维卷积神经网络分类方法，提取高光谱数据的深层纹理-光谱信息，并在PaviaU、Indian和Salinas三个数据集上进行实验，其平均分类精度分别达到99.17%，97.40%和98.56%。，与普通3DCNN相比能有效提高高光谱图像地物分类的精度[26]。李丹等微量进一步提高高光谱数据处理的效果，提出了一种基于局部高斯混合特征提取的分类（LGMFEC）方法。LGMFEC方法基于高光谱图像的空间结构构建局部邻域集合并从中提取高斯混合特征来最后将局部高斯混合特征融入包含黎曼核函数的支持向量机（SVM）分类器中。结果表明：系统处理高光谱数据GMFEC方法优势更加明显[27]。罗红玲等提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法，该算法通过数据间的全局线性结构，提取局部线性结构中的判别信息，得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。

1.2基于光谱数据枯死木识别现状

森林是全球陆地生态系统最重要的组成部分之一，约占地球陆地面积的三分之一。林木是城市森林重要的组成部分，但由于干旱、病虫害等胁迫往往会造成林木的枯萎死亡，因此，枯死木的准确识别是森林资源可持续经营管理和保护的必要条件。尹华阳等基于松材线虫病疫点的枯死松树，采用采用无人机监测、影像采集和计算机软件勾绘分析等手段对目标地枯死松树进行标记，利用人工地面随机调查的方式对无人机监测枯死松树的准确度进行验证，无人机监测枯死松树识别精度达到了95%[29]。黄焕华等利用小型固定翼无人机采集了广东省河源市新丰江库区松材线虫病疫点的航摄影像，计算归一化植被指数(NDVI)，并根据植被指数(NDVI)对图像进行分类，结果显示，枯死松树识别准确率达到80%以上[30]。刘金沧等小型无人机为影像获取平台，航摄获取可见光ＲGB影像，基于高分辨率影像进行松材线虫病松树提取方法研究。根据影像特点，提取影像中地物颜色、纹理特征，并采用CＲF方法进行分类，识别出病害松树。通过比较多种分类方法的提取结果，验证了基于多特征CＲF方法在松材线虫病监测中的可行性和有效性[31]。张瑞瑞等使用无人机航拍获取大区域染病松林可见光影像，结合深度学习分割网络U-Net开展染病松材变色木图像分割研究。使用制作的样本数据训练U-Net网络，得到训练精度和验证精度分别为98.74%和97.76%。使用混淆矩阵评估U-Net网络分割精度，表明变色木图像分割的用户精度和生产者精度分别达到93.51%和97.30%，误报率6.49%，漏报率2.70%。U-Net分割网络运用于松材线虫病变色木图像识别较随机森林方法能更有效地降低误报，减少分割噪音[32]。刘遐龄等基于无人机采集的高分辨率影像和eCognition遥感图像处理软件，采用目视判读、模版匹配2种方法分别对疫区松材线虫病危害木进行遥感识别。发现相较于目视解译