精华内容
下载资源
问答
  • 目标检测是高光谱遥感领域一个重要研究方向,其在矿物勘探和国防侦查等领域都有着广泛的应用。简明、系统地介绍了高光谱图像目标检测中的一些关键算法及其在实际应用中存在的问题,并对未来发展方向进行了展望。
  • 高光谱解混的目的在于提取图像中的端元特征和丰度特征。由于高光谱图像空间分辨率低而存在大量混合像元,因此如何从混合像元中提取光谱特征和空间分布信息是高光谱解混面临的难题。基于非负矩阵分解的高光谱解混是一...
  • 本次数据集是用于高光谱图像分类使用的indian影像数据集,该图像数据集是采用可见光与红外机载式成像光谱仪器(AVIRIS)获取的来自于印第安纳州西北部Indian Pines农业试验场的高光谱图像。用于遥感方向研究使用。
  • 从当前的主流高光谱分光技术、应用情况和发展趋势三个方面进行了全面的分析总结,认为民用高光谱成像系统应该朝着宽幅、定量化和应用细分的方向发展;军用高光谱成像系统的发展重点应该是空间分辨率、宽波段以及...
  • 高光谱成像技术(HSI)是将成像技术和光谱技术相结合的多维信息获取技术,具有图谱合一的重要特征。通过HSI获得的空间分辨光谱成像提供了关于...指明该技术领域今后的重点研究方向,并对其发展前景进行了分析和展望。
  • 农业高光谱遥感论文

    2018-12-17 22:10:32
    关于农业高光谱研究方向的论文精华版,对研究方向会有很大帮助。
  • 数据融合matlab代码具有方向总变化的用于高光谱成像的盲图像融合 该MATLAB代码允许重现具有方向性总变化的用于高光谱成像的盲图像融合结果[1]。 [1] Bungert,L.,Coomes,DA,Ehrhardt,MJ,Rasch,J.,Reisenhofer...
  • 波段选择是高光谱数据降维的重要研究方向。文中结合极地海冰的光谱特性,确定针对不同类型海冰光谱可分性较好的波段范围,提出基于波段相似性度量的非监督波段选择算法,该方法分为两个阶段,首先以熵最大的波段开始...
  • 为了实现声光可调滤波器(AOTF)和液晶可调相位延迟器(LCVR)相结合的新型高光谱偏振成像系统全Stokes参量的快捷准确获取,提出了一种新的测量方法。该方法采用一个驱动信号源同时控制系统中两个LCVR,当LCVR在不同波长...
  • 一个关于高光谱的工具箱,是matlab版本的。研究方向高光谱遥感图像的处理
  • 多模式高光谱成像仪已成为空间大气遥感领域的迫切需求,根据多模式空间大气遥感的研究目标,采用扫描系统、离轴抛物面望远系统和双光谱仪级联色散光谱成像系统匹配的结构型式,设计了一个瞬时视场1.8°×0.045°、...
  • 利用傅里叶红外光谱仪在温度范围为573~953 K、波长范围为3~20 μm下测量Ti-6Al-4V合金在0°~84°下的方向光谱发射率,并系统研究方向变化对其光谱发射率的影响。实验结果表明,在波长小于10.3 μm的短波处,Ti-6Al-4V...
  • 高光谱图像异常探测导读

    千次阅读 2018-12-23 22:44:06
    高光谱影像异常目标探测作为一个小众的研究方向,很少有博客写这方面的文章,因此,对于新手而言,相关的资料非常重要。而国内目前在从事这个方向的人也是屈指可数,本人在思考了很久之后,才决定开一个自己的博客,...

    欢迎学习交流!
    邮箱: z…@1…6.com
    网站: https://zephyrhours.github.io/

    导读

    高光谱影像异常目标探测作为一个小众的研究方向,很少有博客写这方面的文章,因此,对于新手而言,相关的资料非常重要。而国内目前在从事这个方向的人也是屈指可数,本人在思考了很久之后,才决定开一个自己的博客,专注于科学研究方面,将自己这几年来的学习心得分享给大家,希望对你有所帮助。

    高光谱图像处理的两个主要任务

    20世纪80年代以前,由于成像方式的遥感波段太少,因此当时的遥感被称为多光谱遥感,然则,这种成像方式由于波段数目太少,难以将光谱信息匹配到具体的地物身上,因此只是简单的应用其提供的纹理、几何信息。随后发展起来的成像光谱仪在技术上创新,将成像光谱仪的光谱分辨率提升到了纳米级,从而获得了大量的光谱信息,将遥感影像与光谱信息合一。因此这种在技术上和概念上的创新,成为了20世纪80年代以来地球观测技术所取得的重大突破之一,使得光学遥感技术成功的向前迈进了一大步。因而有了后期的高光谱在各个领域的发展。

    高光谱遥感图像以及从每个像元上提取的精细的光谱曲线都包含了丰富的地物信息内容,以往全色或者多光谱图像的一些处理算法甚至主要分析手段都已经难以满足高光谱遥感图像处理的要求。高光谱遥感图像处理是高光谱遥感数据应用的基础,高光谱图像分类与目标探测是高光谱图像处理中的两个主要任务。

    在高光谱图像处理中,分类与目标探测作为两个非常重要的研究方向,它们的发展对于各个领域的应用都有着非常重要的意义。如何从众多的波段、海量的光谱图像数据中通过处理来提取我们需要的信息,又如何平衡光谱的高维数与有限图像训练样本之间的关系,成为当前高光谱遥感技术与应用领域的研究热点。

    高光谱图像异常探测

    基于高光谱图像的目标探测是高光谱遥感应用的重要方向之一,涵盖了环境检测、城市调查、矿物填图和军事侦察等众多领域,与传统的基于高空间分辨率的遥感影像的目标检测算法不同,高光谱遥感图像目标探测主要是依据目标与地物在光谱上存在的差异进行检测识别。由于受到目标尺寸和地物复杂性的影响,感兴趣的目标在高光谱图像中往往处于亚像元级或者弱信息状态,传统的基于空间形态的目视解译方法无法实现对这类目标的探测识别,因此有必要发展适用于高光谱遥感的目标探图像处理技术。

    传统的目标探测算法需要事先知道目标的先验光谱信息,但是在实际操作中,研究者往往很难找到这些信息。因此,如何在没有先验光谱信息的情况下完成目标的探测也就成为了当前研究的重点,这种没有先验知识的目标探测算法,即非监督的目标探测算法又称之为异常探测。

    这里对于刚刚接触的人来说,往往很难理解究竟什么才是“异常”,而异常探测算法中具体探测的“异常”又是什么。下面笔者用一些简单的话来进行介绍。所谓的“异常”其实在高光谱异常探测领域中并没有给出具体的定义,这里是一个泛指的概念,“异常”并不是指某种具体的地物,它可以是一个像素,也可以是多个像素,可以是一种地物,也可以是多种不同的地物,只要是不同于周围背景的地物都可以称之为“异常地物”。举个简单的例子,飞机场中的飞机,高速公路上的汽车,湖泊中的船只等等,这些与周围背景不同的地物都可以称为“异常”。异常探测的原理其实就是根据数学和物理模型来筛选出整个背景中的不同地物。这与在很多黄豆中筛选石头是一个原理,石头就是黄豆中的异常,当然了,如果黄豆中还含有少量不同的豆子,如花生豆,这些少量的花生豆也是所谓的异常。还有一点需要非常注意的是,对于异常地物,它在整幅影像中出现的概率往往是很低的,其所占比例要小于10%,通常要远小于这个数字 。在高光谱异常探测中,所谓的“异常像元”就是指不同于周围背景地物光谱曲线的“像元”,在实际应用中,异常地物是根据需要来进行定义的,异常探测可以作为目标探测的前期筛选工作,在大场景影像中,快速筛选出疑似目标地物,然后根据目标光谱的先验信息进行匹配就可以快速找到需要的目标地物。

    下面介绍两种简单的算法,这是异常探测算法中非常经典的探测算法,也是学习高光谱异常探测必须要掌握的。

    如何将书本中公式转化为代码,也是研究僧的童鞋们科研学习中必备的一个技能!在高光谱异常探测领域,由Reed 和Xiao Yu 在1990年发展起来的RXD(Reed-Xiao Detector, RXD)探测算法作为经典探测算法,几乎在很多论文中都会引用,并将其作为对比实验算法。这个方法非常简单,适合刚刚学习的童鞋们。下面就是这个经典的探测算法的公式:
    RX探测算法
    其中算法的探测过程是按照逐个像元进行的,整幅影像的探测结果是一个二维图像。即每一个像元(一个列向量)在经过上述公式的探测过程后,由原来的输入信息x(一个列向量),转变为一个数字y(这里数值y也可以理解为一个探测的概率,实际上不是概率,因为它的值不是介于0-1之间,但是可以这么理解)。公式中的另miu和delta分别表示整幅影像的均值向量和波段与波段之间的协方差。可能刚刚学习的童鞋门不知如何进行具体的操作,下面是笔者自己编写的关于GRX算法的代码,有需要的可以进行下载,通过代码结合公式来进行学习了解可能效果会更好些!
    具体代码:https://download.csdn.net/download/nbdwo/11830191
    下面是关于LRX算法的公式:
    LRX探测算法介绍
    其中LRX算法不一定是8个像元,这种介绍方法只是其中的单窗口算法,还有一种就是采用双窗口算法的LRX探测公式,其原理是一样的。
    这两种算法是非常经典的探测算法,初学者可以试着自己去操作实现一下,将书本或者论文中的算法实现也是研究生必备的一个基本技能。
    具体代码:https://download.csdn.net/download/nbdwo/11830201

    结束语

    我会将两种算法的matlab代码分享至我的博客中,如果笔者的文章对你有用,或者你需要代码可以到笔者博客主页中相应板块下载代码。
    下面推荐2本书非常适合做高光谱影像异常探测的同学么进行入门的学习!

    [1] 张兵, 高连如. 高光谱图像分类与目标探测[M]. 科学出版社, 2011.
    [2] Chein-I Chang. Hyperspectral Imageing Techniques for Spectral Detection and Classification.

    展开全文
  • 全球主要高光谱遥感卫星介绍

    千次阅读 2021-02-21 18:31:15
    全球主要星载高光谱遥感及其平台介绍与分析1 引言2 全球主要星载高光谱数据介绍2.1 EOS AM-1 MODIS2.2 MightySat-2.1 FTHSI2.3 EO-1 Hyperion2.4 PROBA-1 CHRIS2.5 ADEOS-2 GLI2.6 环境一号 HJ-1A卫星2.7 珠海一号 ...

    1 引言

      上一篇博客(https://blog.csdn.net/zhebushibiaoshifu/article/details/113918917)详细介绍了基于Landsat 7 ETM+影像的单窗算法地表温度(LST)反演过程。作为赫赫有名的多光谱遥感图像数据源,Landsat为多光谱遥感的应用做出了巨大的贡献。而与多光谱数据相比,高光谱数据往往可以在地表参数反演等方面获得更高的精度。为此,接下来准备基于Hyperion这一同样名声显著的高光谱数据加以多种地表参数的反演操作,完成一篇新的博客。而在此之前,有必要先介绍一下目前全球主要星载高光谱遥感数据或相关平台的一些知识。同时在本文最后,也引入了自己对于国内外高光谱遥感发展的一些思考。

    2 全球主要星载高光谱数据介绍

    2.1 EOS AM-1 MODIS

      EOS AM-1卫星,即“大名鼎鼎”的Terra卫星,于1999年12月18日发射,是美国对地观测系统(Earth Observation System,EOS)计划中的第一星,亦是计划中第一颗装载有著名的MODIS传感器的卫星。其由美国国家航空航天局(National Aeronautics and Space Administration,NASA)、日本国际贸易及工业部(Ministry of International Trade and Industry,MITI)与加拿大空间局(Canadian Space Agency,CSA)、多伦多大学(University of Toronto)等共同研制,标志着第一台星载成像光谱仪成功实现在轨运行。
      EOS AM-1卫星于太阳同步轨道运行,轨道高度705 km,其过境时间为各地区地方时的上午10:30左右,因此又称为“上午星”;EOS AM-1卫星搭载云与地球辐射能量系统测量仪(Clouds and the Earth’s Radiant Energy System,CERES)、中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS,由于其数据实时通过X波段向全世界广播,实行全球免费接收政策,因此是全球最为著名的传感器之一)、多角度成像光谱仪(Multi-angle Imaging Spectro-Radiometer,MISR),以及先进星载热辐射与反射测量仪(Advanced Spaceborn Thermal Emission and Reflection Radiometer,ASTER,由日本MITI提供)、对流层污染测量仪(Measurements Of Pollution In The Troposphere,MOPITT,由加拿大提供)等五种载荷[1]。
      针对不同波段,MODIS具有250 m、500 m与1000 m等三种不同的空间分辨率,共具有36个波段;波谱范围为400 nm至14000 nm,从而实现由可见光至热红外的全光谱覆盖;影像幅宽为2330 km。2002年05月04日,Aqua卫星发射升空,其同样搭载有MODIS传感器,进一步拓宽这一高光谱传感器的应用领域。

    2.2 MightySat-2.1 FTHSI

      MightySat-2.1卫星是美国空军Phillips实验室(后其已与Armstrong等其它美国空军实验室合并为美国空军研究实验室,即Air Force Research Laboratory,AFRL)的第一颗MightySat Ⅱ卫星,于2000年07月19日在美国范登堡空军基地发射升空。
      其轨道高度为547 km,搭载有试验成像仪——傅里叶超光谱成像仪(Fourier-Transform Hyperspectral Imager,FTHSI)。这一传感器的覆盖波段范围为450 nm至1050 nm,共分为145个波段[2](亦有部分资料或文献显示波段数为256个或512个[3])。
      其中,FTHSI这一试验成像仪是MightySat-2.1卫星所搭载的十种试验载荷仪器之一。

    2.3 EO-1 Hyperion

      地球观测卫星-1(Earth Observing-1,EO-1)是美国国家航空航天局新千年计划(New Millennium Program,NMP)地球探测部分中第一颗对地观测卫星,其目的即为在21世纪接替Landsat-7卫星,于2000年11月发射升空。除此之外,NMP目前还包括深空探测(Deep Space,DS)、空间技术(Space Technology,ST)两个太空研究部分任务。
      EO-1卫星轨道参数与Landsat-7较为近似,以期实现两颗卫星图像每天具有1至4景的重叠,从而进行二者的对比。EO-1已于2017年02月停止服役。
      EO-1搭载了三种传感器,分别为高光谱成像光谱仪(Hyperion)、高级陆地成像仪(Advanced Land Imager,ALI)与线性标准成像光谱仪阵列大气校正器(the Linear Etalon Imaging Spectrometer Array Atmospheric Corrector,LAC)。一般地,传统的陆地资源卫星只能提供为数不多的多光谱波段,并不能很好满足日常实际研究、运用的需要;而借助具有242个波段、光谱范围为356至2578 nm的EO-1 Hyperion传感器,可获得更具价值的高光谱数据[4]。
      EO-1遥感影像命名格式如下:

    EO1SPPPRRRYYYYDDDXXXML_GGG_VV

      其中,EO1为EO-1卫星代号,S为所用传感器代号(H为Hyperion传感器,A为ALI传感器),PPP为成像时目标所处全球参考系统(Worldwide Reference System,WRS)的轨道(Path),RRR为成像时目标所处WRS的行(Row),YYYY为成像年份,DDD为成像当日在该年份的天数,XXX分别为Hyperion、ALI与AC三种传感器的开关状态(1为开启,0为关闭),M为指向模式【(N为天底模式(Nadir),P为点在轨道模式(Pointed Within Path/Row),K为点不在轨道模式(Pointed Outside Path/Row)】,L为图像长度【F为全景(Full Scene),P为局部景(Partial Scene),Q为次级局部景(Second Partial Scene),S为样例(Swatch)】,GGG为影像地面接收站,VV为影像版本编号。
      一般地,遥感卫星传感器主要有两大类型:摆扫式(Whisk Broom Scanners)与推扫式(Push Broom Scanners);Hyperion属于后者。其242个波段分为可见光近红外波段(V-NIR)与短波红外波段(SWIR);其中,1至70波段属于V-NIR通道,71至242波段属于SWIR通道。两个波段之间具有20个波段的波长数值相互重叠,其分别用两套不同的敏感元件收集各自信号。
      Hyperion产品波段信息如表1所示。
    在这里插入图片描述
      一般地,辐射校正包括辐射定标、大气校正和太阳及地形校正,用来消除辐射误差;而上述“辐射校正”包括正射校正,即使用地形数据的几何校正,不包括大气校正。
      Hyperion产品分为两级,Level 0与Level 1。前者为原始数据,其仅用来生产Level 1产品。Level 1产品则可以继续分为L1A、L1B、L1R、L1Gs与L1Gst(L1T)等。其中,L1B产品与L1R产品分别由美国TRW与USGS处理生成。上述两种产品与L1A产品的最大不同在于,前二者纠正了V-NIR波段与SWIR波段的空间错位问题。
      Hyperion产品图像数据的空间分辨率为30米。

    2.4 PROBA-1 CHRIS

      PROBA系列卫星计划又称“星上自主项目”,是欧洲航天局(European Space Agency,ESA)“通用支持技术计划”(General Support Technology Plan,GSTP)的技术演示卫星;其多为小型、低成本卫星,用来验证其平台适合小型科研和应用任务,包括PROBA-1至PROBA-3与PROBA-V四颗卫星。其中,PROBA-1由比利时设计、建造,并于2001年10月22日发射。
      PROBA-1卫星为太阳同步轨道,轨道高度615 km;其搭载了紧凑式高分辨率成像分光计(Compact High Resolution Imaging Spectrometer,CHRIS)、辐射测量传感器(Radiation Measurement Sensor,SRME)、碎片评估器(Debris Measurement Sensor,DEBIE)等载荷。其中,CHRIS成像光谱范围为400 nm至1050 nm,光谱分辨率为5 nm至12 nm,具有17 m或34 m的空间分辨率,幅宽14 km。

    2.5 ADEOS-2 GLI

      高级地球观测卫星(Advanced Earth Observing Satellite,ADEOS,又称环境观测技术卫星)2号(ADEOS-2),是日本于本世纪初期,对其地球地球观测平台技术卫星( ADEOS)的进一步发展。这一卫星于2002年12月14日成功发射升空。
      ADEOS-2卫星为太阳同步轨道(Sun-Synchronous Subrecurrent),轨道高度为803 km;其搭载有高性能微波扫描辐射计(Advanced Microwave Scanning Radiometer,AMSR)、全球成像器(Global Imager,GLI),以及由日本环境省(Ministry of the Environment)委托研制的改进型大气边缘红外分光计(Improved Limb Atmospheric Spectrometer-II,ILAS-II)、美国国家航空航天局下属喷气推进实验室(Jet Propulsion Laboratory,JPL)研制的海上风观测装置(SeaWinds)、法国空间研究中心(Centre National d’Etudes Spatiales,CNES)研制的地面反射光测定装置(Polarization and Directionality of the Earth’s Reflectance,POLDER)等五种载荷[5]。其主要任务包括执行各类观测任务,例如对异常的天气条件与逐步扩大的臭氧层空洞加以实时大范围监测,从而了解全球环境变化的情况与驱动因素。
      ADEOS-2卫星的GLI传感器共包括34个波段,波段覆盖范围为380 nm至11950 nm,空间分辨率具有250 m与1000 m两种,幅宽可达1600 km。

    2.6 环境一号 HJ-1A卫星

      “环境一号”卫星系统(环境与灾害监测预报小卫星星座,HJ-1)是由中国国务院批准立项、专门用于环境和灾害监测的对地观测系统,由两颗光学卫星(HJ-1A卫星与HJ-1B卫星)及一颗雷达卫星(HJ-1C卫星)组成,拥有光学、红外、高光谱(部分网络资料亦将HJ-1A卫星视作超光谱卫星,但结合其具体参数,个人认为这里还是写作高光谱卫星合适)与微波等多种探测手段,具有大范围、全天候、全天时、动态的环境和灾害监测能力,初步满足我国大范围、多目标、多专题、定量化的环境遥感业务化运行的实际需要,在国家环境监测发展中具有里程碑意义,大大缓解我国对地观测数据的紧缺局面,提高中国环境生态变化、自然灾害发生和发展过程监测的能力,标志着中国环境监测进入卫星应用的时代。
      其中,具有高光谱成像能力的HJ-1A卫星于2008年09月06日在太原卫星发射中心与HJ-1B卫星 “一箭双星”成功发射;HJ-1C卫星则于2012年11月19日在太原卫星发射中心发射。
      HJ-1A卫星搭载了电荷耦合元件(Charge Coupled Device,CCD)相机和高光谱成像仪(Hyper Spectral Imager,HSI,亦有译作超光谱成像仪),轨道高度为649.093 km,重复周期为31天。HIS具有115个波段,覆盖450 nm至950 nm波段范围,空间分辨率为100 m。

    2.7 珠海一号 OHS高光谱卫星

      珠海一号卫星星座(指发射入轨、正常工作的卫星集合)是由我国珠海欧比特宇航科技股份有限公司发射并运营的商业遥感微纳卫星星座,由34颗卫星共同组成,包括视频卫星(OVS-1视频卫星2颗与OVS-2视频卫星10颗)、高光谱卫星(OHS高光谱卫星10颗)、雷达卫星(OSS雷达卫星2颗)、高分光学卫星(OUS高分光学卫星2颗)与红外卫星(OIS红外卫星8颗)。
      其中,OHS(Orbita HyperSpectral)高光谱卫星于2018年04月26日,在酒泉卫星发射中心首次发射,由长征十一号固体运载火箭以“一箭五星”方式送入太空,5颗卫星包括4颗OHS高光谱卫星(OHS-01/02/03/04)与1颗OVS-2视频卫星;这是珠海一号02组卫星,其与在轨的2颗珠海一号01组视频卫星(于2017年06月15日发射)形成组网;2019年09月19日,再一次在酒泉卫星发射中心利用长征十一号运载火箭,采取“一箭五星”方式成功将珠海一号03组5颗卫星发射升空。珠海一号03组卫星同样包括4颗OHS高光谱卫星与1颗视频卫星。
      OHS高光谱卫星搭载多个OHS互补金属氧化物半导体(Complementary Metal-Oxide-Semiconductor,CMOS)传感器,空间分辨率为10 m,成像范围为150 km*2500 km,在400 nm至1000 nm波段范围内共有256个谱段,其中可任选32个作为最终产品中的波段信息。在10颗OHS高光谱卫星全部发射升空后,可实现2天的空间分辨率,对特定区域甚至可达1天内重访。目前,这一由中国首家民营上市公司建设并运营的高光谱卫星星座数据已达世界一流水平,具备对植被、水体、海洋等地物进行精准定量分析能力,已在军民融合、自然资源监测、环保监测、海洋监测、农作物面积统计及估产、城市规划等领域得到示范应用,受到部队、政府、行业等诸多用户好评。

    2.8 高分五号 可见短波红外高光谱相机

      2018年05月09日,高分五号卫星(Gaofen-5,GF-5)在我国太原卫星发射中心由长征四号丙运载火箭搭载,成功发射。
      高分五号卫星是我国“高分辨率对地观测系统重大专项”(即《国家中长期科学和技术发展规划纲要(2006—2020年)》中确定的16个重大专项之一)中7颗民用卫星内唯一一颗高光谱卫星,也是这一重大科技专项中搭载载荷最多、光谱分辨率最高的卫星,同时是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星。
      其设计为太阳同步轨道,轨道高度约705km;搭载了大气痕量气体差分吸收光谱仪(Environmental Trace Gases Monitoring Instrument,EMI)、大气主要温室气体监测仪(Greenhouse Gases Monitoring Instrument,GMI)、大气多角度偏振探测仪(Directional Polarimetric Camera,DPC)、大气环境红外甚高分辨率探测仪(Atmospheric Infrared Ultra-spectral Sounder,AIUS)、可见短波红外高光谱相机(Advanced Hyperspectral Imager,AHSI)与全谱段光谱成像仪(Visual and Infrared Multspectral Sensor,VIMS)等共6台载荷,可对大气气溶胶、二氧化硫、二氧化氮、二氧化碳、甲烷等气体物质,以及水华、水质、核电厂温排水、陆地植被、秸秆焚烧、城市热岛等多个地表环境要素进行实时监测。
      其中,AHSI共具有330个波段,光谱范围覆盖400 nm至2500 nm波长区域,包括150个V-NIR波段(光谱分辨率为5 nm)与180个SWIR波段(光谱分辨率为10 nm);空间分辨率为30 m。

    2.9 ISS DESIS

      由德国航空航天中心(Deutsches Zentrum für Luft- und Raumfahrt,DLR)与美国特利丹公司(Teledyne)运营的地球传感成像光谱仪(DESIS)于2018年07月通过SpaceX Falcon 9火箭发射升空后,抵达国际空间站(International Space Station,ISS),并在ISS Teledyne的“地球传感多用户系统”(MUSES)平台内运行。
      DESIS传感器具有235个波长通道,波长覆盖范围为400 nm至1000 nm,具有30 m的空间分辨率。DESIS扩大人类对农业、生物多样性、地质、水生态系统的认识,并检测地球表面的自然或人为变化。

    2.10 HysIS HysIS

      高光谱成像(Hyper Spectral Imaging Spectrometer,HysIS)卫星是印度空间组织(Indian Space Research Organisation,ISRO)于2018年11月29日发射的地球高光谱观测卫星。
      HysIS卫星在太阳同步轨道运行,轨道高度为636 km,其可对地表可见光、近红外与短波红外区域加以探测;其搭载了超光谱成像光谱仪(HysIS,主载荷与卫星同名),在可见光-近红外区域(400 nm至950 nm)具有70个波段,而在短波红外区域(900 nm至2500 nm)具有256个波段。其空间分辨率为30 m,影像幅宽为30 km。

    2.11 PRISMA PRISMA

      高光谱先驱及应用任务(PRISMA)卫星于2019年03月21日,由意大利航天局(Agenzia Spaziale Italiana,ASI)在法属圭亚那库鲁航天中心发射升空;其升空凸显出意大利提供一站式空间系统的能力[6]。其任务主要为自然资源监测与主要环境过程研究。同时,PRISMA还将在自然灾害预防、人道主义援助等方面发挥作用。
      PRISMA卫星轨道为太阳同步轨道,轨道高度为620 km。这一卫星搭载了一台高光谱成像仪(即PRISMA HSI,主载荷与卫星同名)与一台中等分辨率全色相机(PAN,空间分辨率为5 m)。其中,PRISM传感器具有239个波段通道,波段成像范围为400 nm至2500 nm,光谱分辨率低于12 nm,空间分辨率为30 m,影像幅宽为30 km。
      值得一提的是,PRISMA卫星原计划于2018年发射,但因为一些原因,最终发射日期为2019年。

    3 高光谱卫星纵向对比

      将上述高光谱卫星及其对应传感器、分辨率等参数加以汇总、对比,如表2所示。其中,由于不同高光谱传感器在不同波段对应光谱分辨率变化较大,因此表2未单独列出光谱分辨率。此外,其中还增添了由于相关信息较为缺少,而未在本文第2部分提及的EnMAP HSI、ALOS-3 HISUI资料。
    在这里插入图片描述
      由上述第2部分内容与表2可以看到,在高光谱卫星的基本参数层面,随着时代发展,成功升空的高光谱卫星数量逐渐增多,且在空间分辨率、波段范围与幅宽等方面不断取得突破;尤其是空间分辨率与波段数两个参数,整体发展、进步趋势最为良好。MODIS通过其较高的时间分辨率、较大的图像面积与波段范围,成为21世纪初至今观测地球重要的遥感信息来源之一;但其波段数量并不算充足。EO-1 Hyperion较之MODIS具有更多的波段数量,在21世纪初期便提供了高空间分辨率、多波段数的高光谱数据,极大方便相关科研人员开展研究工作,因此可以看到,基于Hyperion高光谱数据的预处理、反演模型建立等文献十分丰富;但其在图像覆盖范围方面存在一定劣势——图像幅宽仅7.7 km左右,整体呈现细长形态,相对不利于大面积、大尺度区域的高光谱遥感研究。随后,欧盟与中国等陆续发射多种高光谱卫星,并在光谱分辨率、波段数与幅宽等方面具有较之Hyperion同样或更加优秀的性能,尤其是在空间分辨率方面具有较大提升;可以通过较高空间分辨率、时间分辨率的观测方式对较大面积的研究区域加以实时观测。
      在高光谱卫星的功能与作用方面,可以看到随着时间推移、相关科学技术进步,升空的高光谱卫星逐渐承担了更多观测任务——由一开始更多仅仅针对地表影像获取的高光谱发射目的,到我国商用卫星星座珠海一号对农业数据、水利建设的支持,再到目前我国高分五号对地表与大气协同观测、对地表环境要素实时监测的应用范围,可以看到高光谱遥感在环境、地表参数反演、农业、水利等各行各业的价值愈发明显,其数据支持、长期观测的遥感功能逐步在各项利于人类发展的工作中大显身手。
      在高光谱卫星载荷方面,可以看到随着时代与科技的发展,越来越多不同原理、不同针对内容、不同波段的传感器随同搭载于高光谱卫星中,实现由单一的高光谱传感器观测向可见光、热红外、微波等多波段结合观测方向发展,进一步提升了对高光谱数据的挖掘能力。
      在高光谱卫星研制与发射地区方面,可以看到在高光谱卫星研制初期,美国在相关技术、数量与性能方面遥遥领先;但随着时间的推移,欧盟、中国、印度、日本与部分欧洲独立国家等高光谱技术发展逐步加速,由原有“一超”局面逐步转变为“多强”局面。尤其是高分五号的升空,标志着我国高光谱技术的又一发展新阶段。
      在高光谱卫星载荷的国家合作方面,可以看到美国、日本早期高光谱卫星载荷往往是多个国家共同合作研发,如美国EOS AM-1卫星、日本ADEOS-2卫星等,都具有不同国家或地区所研发的不同传感器;而随着时间的推移,这些国家更多开始发射由本国全部自主研制的高光谱卫星载荷;而对于中国,无论是稍早的HJ-1A卫星,还是最近的GF-5卫星,其不同传感器往往均具有我国自主知识产权。由此亦可以看到我国高光谱卫星发展后劲之大。
      当然,在另一方面,高光谱卫星即使在目前依然具有一定局限。尽管随着时间的推移,高光谱遥感技术不断得到发展,但其空间分辨率、光谱分辨率、时间分辨率与影像幅宽等重要参数之间具有矛盾特性,即上述参数往往不可以同时明显提升,而是受到辐射能量等相关因素影响,相互制约。例如我们所熟知的,在提升空间分辨率同时,由于像元所代表实际大小变小,因此瞬时成像时所对应的瞬时视场角(IFOV)亦随之变小;视场角变小,进入传感器端口光线即变少,亦即进入的能量变小;而由于噪声依然存在,为使得信噪比不会因过小而导致无法正常成像,则必须加宽光谱波段所对应长度,从而间接降低光谱分辨率。再比如,有时为了提高成像的信噪比,需要适当提高探测器凝视时间;而这样无形中降低了卫星的时间分辨率。可以看到,尽管是技术十分前沿的高分五号,其同样具有上述这些难点。因此,如何解决上述这些问题——其中由于部分问题是能量平衡等不可改变的理论事实导致,因此亦可以说如何避免这些问题发生,个人认为或许可作为高光谱今后发展的研究方向之一。

    4 高光谱卫星横向对比

      结合前述内容与表2,对国内、外高光谱遥感相关技术加以对比。
      在高光谱卫星数据时间范围方面,可以看到,美国、欧盟等西方国家在高光谱技术发展与卫星升空等方面开始较早,如美国MODIS数据与Hyperion数据均在21世纪初期得以获取,在技术累积与数据累积方面具有一定优势。在我专业前期定量遥感课程中个人就有所体会——若需要获取较长时间序列信息或较早的高光谱遥感数据,往往需借助西方国家、尤其是美国的相关遥感资源。随后,日本的高光谱技术快速发展,紧随美国与欧洲国家,成功发射高光谱卫星,其数据时序较之中国稍早些。而中国的高光谱卫星普遍发射较晚,多数集中于2010年后期;若需获取较早时期的数据,尤其是21世纪前的数据,往往还需要借助西方国家高光谱数据。
      在高光谱卫星参数方面,可以看到以MODIS与Hyperion数据为代表的美国早期高光谱遥感数据已具有一定较好的空间分辨率、时间分辨率、光谱波段数等属性,我国早期高光谱遥感卫星尽管发射时间晚于上述国外数据,但其部分属性较之国外数据提升相对或许并不明显。例如,2000年发射升空的EO-1卫星Hyperion数据已具有30 m级的空间分辨率,而八年后升空的HJ-A卫星空间分辨率亦仅有100 m。当然,这里亦需要明确,在上述不考虑其它性能情况下仅对某单一参数加以对比并不合适。
      但是,可明显看到我国高光谱卫星技术发展速度惊人。通过21世纪前十年的技术积累,我国航天事业飞速发展,进一步带动高光谱卫星的技术前行。珠海一号OHS高光谱卫星具有较之MODIS与Hyperion十分优越的空间分辨率与图像幅宽等属性;高分五号则在波段数、波段范围方面进一步提升,并通过其它载荷,实现对地表与大气环境的实时、高精度监测,进一步拓宽了我国高光谱应用范围。同样,也可看到印度亦作为一个发展中国家,于21世纪以来在航天事业的快速发展。
      此外,如上段所述,我国高光谱卫星往往选择借助其他载荷,提升对高光谱数据的挖掘能力,从而由其中获取更多地物信息。例如,环境一号卫星系统将光学遥感与微波遥感结合,珠海一号卫星系统借助可见光、红外与微波结合方式探测地物等。
      而在高光谱卫星数据交互方面,我国目前高光谱卫星数据在公开共享领域或许整体不如西方国家,尤其是美国数据开放。通过简单的账号注册,即可较为方便的下载大量MODIS、Hyperion等数据;而对于我国多数高光谱卫星数据,其获取具有一定要求与限制,从而使得利用中国高光谱数据的研究依然不是很多。当然,其中一方面原因是因为我国高光谱卫星多数距离发射日期不远,由于国家安全等原因不便公开。相信随着我国高光谱技术进一步发展,越来越多的国产数据将在全球应用领域发挥更大作用。
      在高光谱卫星技术发展方面,综合相关文献[7]可以获知:20世纪80年代初期,美国率先在成像光谱技术领域取得重大突破;高光谱技术则在随后的30多年中不断发展。中国高光谱卫星研究起步稍晚,因此在前期发展过程中相对具有一定滞后;但随着国家科学技术实力进一步提升,我国高光谱研究发展获得巨大突破,并不断取得令世界瞩目的成就。

    参考文献

    [1] 赵希友. Terra卫星及其5种新一代遥感探测仪[J]. 气象科技, 2001(01):55-57.
    [2] 顾先冰. MightySat-2.1卫星发回第一张超光谱图像[J]. 航天返回与遥感, 2000(03):48.
    [3] L. J. Otten III, 顾聚兴. MightySat Ⅱ.1超光谱成像器的工程样机[J]. 红外, 2000(10):20-27.
    [4] 谭炳香, 李增元, 陈尔学, 等. EO-1 Hyperion高光谱数据的预处理[J]. 遥感信息, 2005(06):36-41.
    [5] 熊延龄. 日本环境观测技术卫星搭载用的探测器[J]. 国外空间动态, 1995(03):19-21.
    [6] 岳桢干. 意大利PRISMA高光谱卫星发射升空[J]. 红外, 2019,40(03):37-39.
    [7] 童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016,20(05):689-707.

    欢迎关注公众号:疯狂学习GIS
    在这里插入图片描述

    展开全文
  • 数据融合matlab代码CoSpace:从高光谱-多光谱对应中学习常见子空间 洪丹凤,横田直人,乔瑟琳·尚努索,朱孝祥 此工具箱中的代码实现。 更具体地,其详细如下。 引文 如果此代码对您的研究有用且有帮助,请引用论文...
  • 基于卷积神经网络的高光谱分类 一、研究现状 只考虑到高光谱图像的光谱特征,即:1、提取特征(小波变换、Gabor纹理分析、形态学剖面) ​ 2、利用分类方法分类(支持向量机、决策树、随机森林、神经...

    基于卷积神经网络的高光谱分类

    一、研究现状

    只考虑到高光谱图像的光谱特征,即:1、提取特征(小波变换、Gabor纹理分析、形态学剖面)

    ​ 2、利用分类方法分类(支持向量机、决策树、随机森林、神经网络)

    ​ 缺点:这些特征提取方法需要依据先验知识手动设置,且通过设定参数提取的特征信息通常只能

    ​ 用于区分特定的对象,缺乏灵活性,并且分类性能无法进一步提升。

    本文提出:卷积神经网络的高光谱分类

    ​ 优点:能同时提取图像中的1)光谱信息;2)空间信息;3)能够自动的学习和优化网络中的参数,

    ​ 而不需要过多的人工调整

    二、高光谱图像

    在这里插入图片描述

    在这里插入图片描述

    ​ 高光谱与RGB三通道图像的最大不同是,其具有上百个通道(就是一个三维的数据立方体)假如一个NXNXB 的图像,RGB图像的B维度有三个通道,高光谱图像的B维度有上百个通道(他的光谱维度)

    ​ 高光谱的三维:二维几何空间及一维光谱信息

    ​ 光谱维度展开不仅可以获得图像上每个点的光谱数据,还可以获得任一个谱段的影像信息

    三、降维

    PCA(主成分分析)

    ​ 主成分分析(Principal Component Analysis,简称为 PCA)PCA 变换又称为霍特林变换(hotelling transform)K-L (karhunen-loeve)变换

    ​ 是一种用于多变量数据信息提取的降维算法(提取数据的主要特征分量),离散 K-L 变换是理论基础,PCA 也被称为特征脸方法。其主要思想是通过计算不同维度图像训练样本与各维训练样本均值的差值之间的相关性,评估各维空间特征表征整体空间特征的能力,再将所有图像样本最大特征值对应的特征向量投影到较低维度空间,最终实现降维。

    算法具体描述如下:

    1. 数据预处理。假设有 M 维图像数据,I1, I2, … … I𝑀,作为训练样本,每个图像由 m 行和 n 列像素组成。假设多维信息各维度数据不相关,将所有图像转换为图像向量Γ1, Γ2, … … Γ𝑀,并且每个图像向量的维度为m × n。

    2. 计算特征空间。首先,计算训练样本的平均值。设[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3zVql7aj-1605705887034)(Indian_pines_classification(readme文档).assets/截图20201117080610.png)] 𝑖=1 ,设 Φ𝑖 = Γ𝑖 − Ψ, i = 1,2, … … 𝑀,则所有图像向量的协方差矩阵为[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Y6EiNOoJ-1605705887056)(Indian_pines_classification(readme文档).assets/2-1605571983272.png)] 将 C 对应的特征值按照从大到小的顺序排序,特征值越大,该维度包含的数据特征信息越多,设置阈值 d,最大的 d 个特征值的特征向量u𝑖(𝑖 = 1,2, … … 𝑑)被称为特征脸,即为该数据空间的 d 个主成分。设特征向量集合𝐔 = (u1, u2 … u𝑑),高光谱图像原始数据集合为𝐗,则𝐘 = (Y1, Y2 … Y𝑑)T = 𝐔T𝐗,主成分图像Y1, Y2 … Y𝑑代替原图像表示高光谱数据。

    3. 投影与相似性检验。首先,通过将它们投影到特征子空间来获得较低维度空间中所有训练图像的向量表示Ω𝑖 = [𝑢1𝑢2 … … 𝑢𝑑]ΤΦ𝑖。其次,对于每个测 试 图 像 向 量 Γ𝑡𝑒𝑠𝑡 , 可 以 在 特 征 子 空 间 中 获 得 其 投 影 Ω𝑡𝑒𝑠𝑡 = [𝑢1𝑢2 … … 𝑢𝑑]Τ(Γ𝑡𝑒𝑠𝑡 − Ψ) 。 最后, 将 欧 几 里 德 距 离 ε𝑖 = ‖Ω𝑖 − Ω𝑡𝑒𝑠𝑡‖2, i = 1,2, … … 𝑀作为图像之间的相似性检测。欧氏距离越小,图像越相似,主成分信息表征整体数据的能力越强。

    四、CNN

    ​组成:一般包括全连接层、卷积层、<激活函数层>、池化层(有平均池化、最大池化两种)有了这些层使得卷积神经网络有了可以拟合各种函数的能力。
    作用:通过卷积运算,将图像进行降维,使其可以进行训练
    动图形象理解深度学习卷积
    卷积操作示意(通过3x3的卷积核进行特征提取)

    1)卷积层

    在这里插入图片描述

    通过卷积核(kernel)和原始图像上等同大小的区域进行卷积运算,通过计算得到特征图(与图像等同大小的尺寸的像素点进行对应相乘,再将相乘结果相加得到特征图上的特征值)

    卷积核的参数不同提取到的特征不同,一个卷积层可以有多个卷积核,低层的卷积层提取到的是边框、颜色等简单特征;中层提取到低层特征的集合;高层提取到图像的全局特征

    2)池化层(最大池化Max-Pooling)

    池化有:最大池化,均值池化

    经卷积后,特征表达空间较大,存在较多冗余信息(特征)

    池化操作:缩小参数矩阵(去除冗余信息);从而减小下一层参数的数量;(防止过拟合,减小计算量)
    在这里插入图片描述

    1. 保留特征图中最重要的特征并去除无关的特征。

    2. 减小特征图 (Feature Map) 的维数,从而减小后续的计算量。

    3. 减少了模型需要训练的参数量,降低了模型的复杂度,使得模型更为简单些,起到了稀疏模型的作用,提高了模型的泛化能力。

    4. 引入了一定的不变性,包括平移不变性、旋转不变性以及尺度不变性。

    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述

    池化层是对小区域数据(局部区域)进行将维,因此可以同时在水平方向和数值上进行降维(减小特征图尺寸)

    3)全连接层

    ​ 在卷积神经网络中,卷积层和池化层等操作可以看做是将原始图片映射到一个低维的隐层特征空间,而全连接层则起到将学习到的分布式特征表示映射到样本标记空间的作用

    4)激活函数层

    1、sigmoid
    2、tanh
    3、ReLu

    ​ 只保留响应值大于 0 的数值,并将小于等于 0 的响应值置为 0

    在这里插入图片描述

    ​ ReLU 函数的优点在于它会增加前一层网络乃至整个卷积神经网络的非线性特征,同时因为保留了响应为正的值,不会影响到卷积层提取出的特征,当输入比较大时不会存在梯度消失的情况,成功地解决了因梯度消失而造成的卷积神经网络学习收敛慢的问题。并且只需要一个阈值就可以得到神经网络的激活值,不需要复杂度运算,ReLU 主要用在神经网络中的隐藏层作为激活函数。另外数据通常有很多的冗余,而近似程度的最大化地保留数据特征,可以通过一个绝大多数值为 0 的稀疏矩阵来实现。对于 ReLU 而言,神经网络反复迭代训练的过程,实际上相当于在不断试探如何用一个稀疏矩阵表达图像特征,因为数据的稀疏特性的存在,所以这种方法可以在提高训练速度的同时又保证模型的效果。

    4)dropout层

    ​ 前向传播时,让某个神经元的激活值以一定概率停止工作(使模型泛化性增,因为这样让其不会对某一特征太过依赖)【针对数据不平衡】

    5)Flatten层

    Flatten层用来将输入“压平”,即把多维的输入一维化,常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

    batch理解:

    CNN train 的样张图片 60 张,设置 batch_size = 15;

    理解:训练数据图片一次取15张同时训练,分4次训练完。

    五、数据集

    印度松

    ​ 该场景由AVIRIS传感器收集在印第安纳州西北部的印第安松树测试点上,由145×145像素和224个光谱反射带组成,其波长范围为0.4–2.5 10 ^(-6)米。此场景是较大场景的子集。印度松树景观包含三分之二的农业,以及三分之一的森林或其他天然多年生植物。有两条主要的双车道高速公路,一条铁路线,以及一些低密度房屋,其他建筑物和较小的道路。由于场景是在6月拍摄的,因此目前的一些农作物(玉米,大豆)处于生长的初期,覆盖率不足5%。现有的地面真理被划分为十六个等级,并且并不都是相互排斥的。通过删除覆盖吸水区域的条带,我们也将条带的数量减少到200条:[104-108],[150-163],220。Pursue的大学MultiSpec网站

    在这里插入图片描述

    印度松树数据集的样本带

    在这里插入图片描述

    Indian Pines的Groundtruth数据集

    Indian Pines场景的Groundtruth类及其各自的样本数
    #样品
    1紫花苜蓿46
    2玉米not1428
    3玉米薄荷830
    4玉米237
    5草场483
    6草树730
    7割草草28
    8干草堆478
    9燕麦20
    10大豆芥末972
    11大豆薄荷2455
    12大豆清洁593
    13小麦205
    14树木1265
    15建筑物-草木-树木驱动器386
    16石钢塔93

    六、基于卷积神经网络的高光谱分类

    1、分类算法

    高光谱图像分类的不同算法

    • K-Nearest Neighbors

      K最近邻居

    • Support Vector Machine

      支持向量机

    • Spectral Angle Mapper

      光谱角映射器

    • Convolutional Neural Networks

      卷积神经网络

    • Decision Trees e.t.c

      决策树等

    针对给定输入数据预测类别标签

    分类可分为:

    • Classification Predictive Modeling

      分类预测建模

    • Binary Classification

      二进制分类

    • Multi-Class Classification

      多类别分类

    • Multi-Label Classification

      多标签分类

    • Imbalanced Classification

      分类不平衡

    2、模型搭建

    1)、输入(预处理图像)

    (1)对高光谱图像进行空间取块

    为了与深度卷积神经网络的输入相匹配

    以空间上的一个像元为中心,取周围N X N大小的块 即每个小块大小为N X N X B ;B为图像的通道数

    (2)降维

    对于N X N X B的高光谱图像,由于其有数百维的光谱波段(观瀑维度 即:B),增加了网络训练的难度(计算成本高)

    本文采用pca即主成分分析的方法进行降维

    通过1) 2)操作不仅可以去除光谱中的冗余信息同时又保留了图像的空间信息

    2)、模型结构

    # Define the model structure
    
    model = Sequential()
    
    model.add(Conv2D(C1, (3, 3), activation='relu', input_shape=input_shape))
    model.add(Conv2D(3*C1, (3, 3), activation='relu'))
    model.add(Dropout(0.25))
    
    model.add(Flatten())
    model.add(Dense(6*numPCAcomponents, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(16, activation='softmax'))
    

    在这里插入图片描述

    3、代码结构

    dataset.py

    利用spectral工具包读取数据集,然后对数据集进行预处理,包括进行训练测试集分割 / 序列化和PCA变换,并将其以npy的格式保存到文件中.处理后的数据集保存在predata文件夹中.

    train.py

    利用keras构建卷积神经网络模型,读取与处理的数据集进行训练.

    其中训练过程,使用随机梯度下降法SGD作为优化算法,使用多分类的对数损失函数categorical_crossentropy作为损失函数.

    使用ReduceLROnPlateau回调函数对val_acc(验证集准确率)进行监控,当val_acc不再下降时,减少学习率,直至减少到0.000001.

    使用ModelCheckpoint回调函数,对有好的val_acc的训练过程作为一个检查点保存下来,下一次若有更好的结果则更新.若不好则不更新.

    训练完成后保存模型到文件,并将训练过程中loss和accuarcy的变化情况绘制出来.

    test.py

    对训练的模型的效果进行测试和评价.

    使用sklearn包中的classification_report和confusion_matrix,总结出分类效果报告(包括Test loss Test accuracy以及对测试集中每一类样本的预测结果进行统计)和相应的混淆矩阵.

    使用matplotlib工具包将混淆矩阵可视化,包括原始的混淆矩阵(数据为样本个数)以及标准化后的混淆矩阵(数据为样本比例)

    最后读取原始数据集,对整个数据集进行分类,并使用spectral工具包绘制出预测结果,以高光谱图像的形式表示出来.

    4、训练结果

    下图是训练和测试准确率随着epoch的变化图

    在这里插入图片描述
    下图是训练和测试损失随着epoch的变化图

    在这里插入图片描述

    5、测试结果

    Test loss 25.945746977841722 (%)
    Test accuracy 94.18536585365854 (%)
    
     classification result: 
                                  precision    recall  f1-score   support
    
                         Alfalfa       1.00      0.91      0.95        23
                     Corn-notill       0.92      0.87      0.89       714
                    Corn-mintill       0.92      0.95      0.94       415
                            Corn       0.98      0.92      0.95       118
                   Grass-pasture       0.98      0.98      0.98       242
                     Grass-trees       0.99      0.99      0.99       365
             Grass-pasture-mowed       1.00      1.00      1.00        14
                   Hay-windrowed       1.00      1.00      1.00       239
                            Oats       0.91      1.00      0.95        10
                  Soybean-notill       0.90      0.91      0.91       486
                 Soybean-mintill       0.92      0.95      0.94      1228
                   Soybean-clean       0.94      0.90      0.92       297
                           Wheat       1.00      1.00      1.00       102
                           Woods       0.98      0.98      0.98       633
    Buildings-Grass-Trees-Drives       0.93      0.90      0.91       193
              Stone-Steel-Towers       0.92      1.00      0.96        46
    
                        accuracy                           0.94      5125
                       macro avg       0.96      0.95      0.95      5125
                    weighted avg       0.94      0.94      0.94      5125
    

    使用classification_report函数得到:support列为每个标签出现的次数

    ​ precision列精确度

    ​ recall列召回率

    ​ f1-score列为f1值即精确度和召回率的调和平均

    ​ avg / total各列的均值 support列是总和

    			精确率:精确率越高,代表预测正确的标签的比例越高;【所有预测为这一类的标签中预测正确的标签所占的比例】
    
    			​召回率:召回率越高,模型分类性能越好;【所有这一类标签中被正确分类出来的标签所占比例】
    

    下图是没有经过标准化的混淆矩阵

    在这里插入图片描述

    下图是经过标准化的混淆矩阵

    在这里插入图片描述

    下图是真实分类的高光谱图像

    在这里插入图片描述

    下图是经过上述模型分类的得到的高光谱图像

    在这里插入图片描述

    知识补充

    随机梯度下降(stochastic gradient descent,SGD)

    用于高维的优化

    出处:https://www.zhihu.com/question/264189719/answer/291167114

    • 随机梯度下降:在每次更新时用1个样本,可以看到多了随机两个字,随机也就是说我们用样本中的一个例子来近似我所有的样本,来调整θ,因而随机梯度下降是会带来一定的问题,因为计算得到的并不是准确的一个梯度,**对于最优化问题,凸问题,**虽然不是每次迭代得到的损失函数都向着全局最优方向, 但是大的整体的方向是向全局最优解的,最终的结果往往是在全局最优解附近。但是相比于批量梯度,这样的方法更快,更快收敛,虽然不是全局最优,但很多时候是我们可以接受的。下图是其更新公式:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xpWWC5IP-1605705887090)(Indian_pines_classification(readme文档).assets/v2-b3f14a09ad27df9c66a3af208060f5d7_hd.jpg)][外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fHEIIGBS-1605705887092)(Indian_pines_classification(readme文档).assets/v2-b3f14a09ad27df9c66a3af208060f5d7_720w.jpg)]

    混淆矩阵

    在这里插入图片描述

    如有150个样本数据,预测为1,2,3类各为50个。分类结束后得到的混淆矩阵为:

    每一行之和表示该类别的真实样本数量,每一列之和表示被预测为该类别的样本数量,

    第一行说明有43个属于第一类的样本被正确预测为了第一类,有两个属于第一类的样本被错误预测为了第二类

    欠采样 过采样

    1:为什么类别不平横会影响模型的输出:

    许多模型的输出类别是基于阈值的,例如逻辑回归中小于0.5的为反例,大于则为正例。在数据不平衡时**,默认的阈值会导致模型输出倾向与类别数据多的类别。**

    因此可以在实际应用中,解决办法包括:

    1)调整分类阈值,使得更倾向与类别少的数据。

    2)选择合适的评估标准,比如ROC,AUC或者F1,G-mean,而不是准确度(accuracy)

    3)过采样法(sampling):来处理不平横的问题。分为欠采样(undersampling)和过采样(oversampling)两种,

    **过采样:**重复正比例数据,实际上没有为模型引入更多数据,过分强调正比例数据,会放大正比例噪音对模型的影响。

    欠采样:丢弃大量数据,和过采样一样会存在过拟合的问题。

    由于随机过采样采取简单复制样本的策略来增加少数类样本,这样容易产生模型过拟合的问题,即使得模型学习到的信息过于特别(Specific)而不够泛化(General)

    小tip:过拟合:大家不必深究过拟合只要知道过拟合了,那么模型预测或者分类就和实际的情况相差甚远了,做机器学习的筒子,宁愿牺牲一些accuracy,也要抑制过拟合的情况产生,是一个令人很头疼的问题。

    4)数据合成:SMOTE(Synthetic Minority Oversampling Technique)即合成少数类过采样技术,它是基于随机过采样算法的一种改进方案,SMOTE算法的基本思想是对少数类样本进行分析并根据少数类样本人工插值合成新样本()跟大类样本数据相当)添加到数据集中,构成均衡数据集。

    训练集 验证集 测试集

    训练集

    验证集

    1)确定超参数:在训练过程中,检验模型的状态、收敛情况。通常用来调整超参数,通过几组模型在验证集上的表现确定超参数;

    2)判断何时停止训练:在训练过程中,监控模型是否发生过拟合。一般而言,验证集在表现稳定的情况下,若继续训练,训练集的表现还会继续上升,但是验证集会不升反降,这样一般就是发生了过拟合。因此,验证集通常被用作判断合适停止训练。

    测试集

    回调函数

    1)ReduceLROnPlateau回调函数

    目的:定义学习率之后,经过一定epoch迭代之后,模型效果不再提升,该学习率可能已经不再适应该模型。需要在训练过程中缩小学习率,进而提升模型。如何在训练过程中缩小学习率呢?我们可以使用keras中的回调函数ReduceLROnPlateau。与EarlyStopping配合使用,会非常方便。

    为什么初始化一个非常小的学习率呢?因为初始的学习率过小,会需要非常多次的迭代才能使模型达到最优状态,训练缓慢。如果训练过程中不断缩小学习率,可以快速又精确的获得最优模型。

    monitor:监测的值,可以是accuracy,val_loss,val_accuracy
    factor:缩放学习率的值,学习率将以lr = lr*factor的形式被减少
    patience:当patience个epoch过去而模型性能不提升时,学习率减少的动作会被触发
    mode:‘auto’,‘min’,‘max’之一 默认‘auto’就行
    epsilon:阈值,用来确定是否进入检测值的“平原区”
    cooldown:学习率减少后,会经过cooldown个epoch才重新进行正常操作
    min_lr:学习率最小值,能缩小到的下限
     
    Reduce=ReduceLROnPlateau(monitor='val_accuracy',
                             factor=0.1,
                             patience=2,
                             verbose=1,
                             mode='auto',
                             epsilon=0.0001,
                             cooldown=0,
                             min_lr=0)
    

    2)ModelCheckpoint回调函数:在每个训练期之后保存模型

    keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)
    

    filepath: 字符串,保存模型的路径。
    monitor: 被监测的数据。
    verbose: 详细信息模式,0 或者 1 。
    save_best_only: 如果 save_best_only=True, 被监测数据的最佳模型就不会被覆盖。
    mode: {auto, min, max} 的其中之一。 如果 save_best_only=True,那么是否覆盖保存文件的决定就取决于被监测数据的最大或者最小值。 对于 val_acc,模式就会是 max,而对于 val_loss,模式就需要是 min,等等。 在 auto 模式中,方向会自动从被监测的数据的名字中判断出来。
    save_weights_only: 如果 True,那么只有模型的权重会被保存 (model.save_weights(filepath)), 否则的话,整个模型会被保存 (model.save(filepath))。
    period: 每个检查点之间的间隔(训练轮数)

    动量

    Momentum(动量,冲量): 结合当前梯度与上一次更新信息,用于当前更新, 通常取值 momentum=0.9

    学习率

    学习率:用于控制更新的步长, 通常取值 lr=0.01

    StratifiedShuffleSplit函数的使用

    官方文档
    用法:

    from  sklearn.model_selection import StratifiedShuffleSplit
    StratifiedShuffleSplit(n_splits=10,test_size=None,train_size=None, random_state=None)12
    

    2.1 参数说明

    参数 n_splits是将训练数据分成train/test对的组数,可根据需要进行设置,默认为10

    参数test_size和train_size是用来设置train/test对中train和test所占的比例。例如:
    1.提供10个数据num进行训练和测试集划分
    2.设置train_size=0.8 test_size=0.2
    3.train_num=numtrain_size=8 test_num=numtest_size=2
    4.即10个数据,进行划分以后8个是训练数据,2个是测试数据

    注***:train_num≥2,test_num≥2 ;test_size+train_size可以小于1*

    参数 random_state控制是将样本随机打乱

    2.2 函数作用描述
    1.其产生指定数量的独立的train/test数据集划分数据集划分成n组。
    2.首先将样本随机打乱,然后根据设置参数划分出train/test对。
    3.其创建的每一组划分将保证每组类比比例相同。即第一组训练数据类别比例为2:1,则后面每组类别都满足这个比例

    2.3 具体实现

    from sklearn.model_selection import StratifiedShuffleSplit
    import numpy as np
    X = np.array([[1, 2], [3, 4], [1, 2], [3, 4],
                  [1, 2],[3, 4], [1, 2], [3, 4]])#训练数据集8*2
    y = np.array([0, 0, 1, 1,0,0,1,1])#类别数据集8*1
    
    ss=StratifiedShuffleSplit(n_splits=5,test_size=0.25,train_size=0.75,random_state=0)#分成5组,测试比例为0.25,训练比例是0.75
    
    for train_index, test_index in ss.split(X, y):
       print("TRAIN:", train_index, "TEST:", test_index)#获得索引值
       X_train, X_test = X[train_index], X[test_index]#训练集对应的值
       y_train, y_test = y[train_index], y[test_index]#类别集对应的值
    12345678910111213
    

    运行结果:
    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eMvRtWhX-1609198188273)(Indian_pines_classification(readme文档).assets/20170727120611841)]

    从结果看出,1.训练集是6个,测试集是2,与设置的所对应;2.五组中每组对应的类别比例相同

    numpy.unique

    numpy.``uniquearreturn_index = Falsereturn_inverse = Falsereturn_counts = Falseaxis = None )[资源]

    查找数组的唯一元素。

    返回数组的排序后的唯一元素。除独特元素外,还有三个可选输出:

    • 输入数组的索引给出唯一值

    • 重建输入数组的唯一数组的索引

    • 输入数组中每个唯一值出现的次数

    • 参量

      ar array_like输入数组。除非指定了,否则如果它不是一维的,它将被展平。return_index bool,可选如果为True,则还返回ar的索引(沿着指定的轴,如果提供的话,或者在展平的数组中),这将导致唯一的数组。return_inverse bool,可选如果为True,则还返回可用于重建ar的唯一数组的索引(对于指定的轴(如果提供))。return_counts bool,可选如果为True,则还返回每个唯一项出现在ar中的次数1.9.0版中的新功能。int或无,可选要运行的轴。如果为None,则ar将被展平。如果为整数,则由给定轴索引的子数组将被展平并视为具有给定轴尺寸的一维数组的元素,有关更多详细信息,请参见注释。如果使用kwarg,则不支持对象数组或包含对象的结构化数组。默认为无。1.13.0版中的新功能。

    • 退货

      唯一ndarray排序后的唯一值。unique_indices ndarray,可选原始数组中唯一值的首次出现的索引。仅在return_index为True时提供。unique_inverse ndarray,可选从唯一数组重建原始数组的索引。仅在return_inverse为True时提供。unique_counts ndarray,可选每个唯一值出现在原始数组中的次数。仅在return_counts为True时提供。1.9.0版中的新功能。

    也可以看看

    • numpy.lib.arraysetops

      具有许多其他功能的模块,用于对阵列执行设置操作。

    笔记

    指定轴后,将对由该轴索引的子数组进行排序。通过将指定的轴设为数组的第一维(将轴移至第一维以保持其他轴的顺序),然后将子数组按C顺序展平,即可完成此操作。然后,将展平的子数组视为结构化类型,并为每个元素指定了标签,结果是我们最终得到了结构化类型的1-D数组,该数组可以用与其他任何1-D数组相同的方式处理。结果是,展平的子数组从第一个元素开始按字典顺序排序。

    例子

    >>>

    >>> np.unique([1, 1, 2, 2, 3, 3])
    array([1, 2, 3])
    >>> a = np.array([[1, 1], [2, 3]])
    >>> np.unique(a)
    array([1, 2, 3])
    

    返回二维数组的唯一行

    >>>

    >>> a = np.array([[1, 0, 0], [1, 0, 0], [2, 3, 4]])
    >>> np.unique(a, axis=0)
    array([[1, 0, 0], [2, 3, 4]])
    

    返回给出唯一值的原始数组的索引:

    >>>

    >>> a = np.array(['a', 'b', 'b', 'c', 'a'])
    >>> u, indices = np.unique(a, return_index=True)
    >>> u
    array(['a', 'b', 'c'], dtype='<U1')
    >>> indices
    array([0, 1, 3])
    >>> a[indices]
    array(['a', 'b', 'c'], dtype='<U1')
    

    从唯一值重建输入数组:

    >>>

    >>> a = np.array([1, 2, 6, 4, 2, 3, 2])
    >>> u, indices = np.unique(a, return_inverse=True)
    >>> u
    array([1, 2, 3, 4, 6])
    >>> indices
    array([0, 1, 4, 3, 1, 2, 1])
    >>> u[indices]
    array([1, 2, 6, 4, 2, 3, 2])
    

    交叉熵损失函数

    熵:

    是"无序化"的度量

    信息量

    一件事发生的概率越小,信息量越大;

    发生的概率越大,信息量越小。

    举例理解:“国足踢进世界杯”信息量大 因为这件事发生的概率小;

    ​ “太阳从东方升起”信息量小 因为这件事大家习以为常,概率为一;

    公式:若某事x的发生概率为P(x),则信息量的计算公式为:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XGNkTwGn-1609198188275)(Indian_pines_classification(readme文档).assets/20200905201853770.png)]

    img

    信息熵:

    是“有序化”度量;

    离散随机事件出现的概率

    系统越是有序,信息熵越低;系统越是混乱,信息熵越高;

    交叉熵原理:

    交叉熵是用来衡量两个 概率分布 的距离(也可以叫差别)。[概率分布:即[0.1,0.5,0.2,0.1,0.1],每个类别的概率都在0~1,且加起来为1]。

    若有两个概率分布p(x)和q(x),通过q来表示p的交叉熵为:(注意,p和q呼唤位置后,交叉熵是不同的)

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Xtxsb7Qc-1609198188277)(Indian_pines_classification(readme文档).assets/gif.latex)]

    只要把p作为正确结果(如[0,0,0,1,0,0]),把q作为预测结果(如[0.1,0.1,0.4,0.1,0.2,0.1]),就可以得到两个概率分布的交叉熵了,交叉熵值越低,表示两个概率分布越靠近。

    交叉熵计算实例:

    假设有一个三分类问题,某个样例的正确答案是(1,0,0),某个模型经过softmax回归之后的预测答案是(0.5,0.4,0.1),那么他们的交叉熵为:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GtJRqp3b-1609198188280)(Indian_pines_classification(readme文档).assets/gif.latex)]

    如果另一个模型的预测概率分布为(0.8,0.1,0.1),则这个预测与真实的交叉熵为:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-900m6x17-1609198188284)(Indian_pines_classification(readme文档).assets/gif.latex)]

    由于0.1小于0.3,所以第二个预测结果要由于第一个。

    交叉熵使用背景:

    通过神经网络解决分类问题时,一般会设置k个输出点,k代表类别的个数,如下图:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-reSiqtE3-1609198188285)(Indian_pines_classification(readme文档).assets/20180810104858882)]

    每个输出结点,都会输出该结点对应类别的得分,如[cat,dog,car,pedestrian] 为[44,10,22,5]

    但是输出结点输出的是得分,而不是概率分布,那么就没有办法用交叉熵来衡量预测结果和真确结果了,那怎么办呢,解决方法是在输出结果后接一层 softmax,softmax的作用就是把输出得分换算为概率分布

    高光谱降维方法

    现有降维(Dimensionality Reduction, DR)方法总结
    主成分分析(Principal Component Analysis, PCA)
    线性判别分析(Linear Discriminant Analysis, LDA)维基
    局部线性嵌入(Local Linear Embedding, LLE)
    等距特征映射(ISOmetric feature MAPping, ISOMAP)
    拉普拉斯本征映射(Laplacian Eigenmap, LE)
    t-分布随机邻域嵌入(t-distribution Stochastic Neighbor Embedding, t-SNE)
    局部保持投影(Locality Preserving Projections, LPP)
    邻域保持嵌入(Neighborhood Preserving Embedding, NPE)
    参数化监督t-SNE
    图嵌入(Graph Embedding, GE)——尝试统一多种不同的降维方法
    上述方法的问题是只考虑了光谱信息,没有考虑像元间的空间关联

    空间相干NPE(Spatial Coherence NPE, SC-NPE)
    局部像元NPE(Local Pixel NPE, LP-NPE)
    判别空间-光谱边缘(Discriminate Spectral-Spatial Margins, DSSM) 链接
    上述方法或是只利用空间信息来表征相似度,或是在一个特定的空间窗口中考虑空间关系,而没有从邻接图的角度进行考量。

    精确率和召回率

    精确率,也被称作查准率,是指所有预测为正类的结果中,真正的正类的比例

    召回率,也被称作查全率,是指所有正类中,被分类器找出来的比例。

    F1值:(readme文档).assets/gif.latex)]在这里插入图片描述

    对于上述两个公式的符号定义,是在二分类问题中,我们将关注的类别作为正类,其他类别作为负类别,因此,定义:

    • TP(True Positive):真正正类的数量,即分类为正类,实际也是正类的样本数量;
    • FP(False Positive):假正类的数量,即分类为正类,但实际是负类的样本数量;
    • FN(False Negative):假负类的数量,即分类为负类,但实际是正类的样本数量;
    • TN(True Negative):真负类的数量,即分类是负类,实际也负类的样本数量。
    展开全文
  • 基于高光谱影像的农作物检测应用简介  随着科学技术的发展,现代农业正在朝着更加规模化的方向发展。在传统的小规模农业种植中,管理者凭借经验和肉眼获得的信息即可快速判断农作物的生长状况并迅速采取有效...

     

    声明

    1)本文仅供学术交流,非商用。具体引用的资料请看参考文献。如果某部分不小心侵犯了大家的利益,请联系博主删除。

    2)本人才疏学浅,整理总结的时候难免出错,还望各位前辈不吝指正,谢谢。

    联系方式:kydzzyk@163.com

     					

    随着科学技术的发展,现代农业正在朝着更加规模化的方向发展。在传统的小规模农业种植中,管理者凭借经验和肉眼获得的信息即可快速判断农作物的生长状况并迅速采取有效的措施。然而,对于现代化的大规模的作物种植,采用传统的方式很难全面实时掌握作物的生长状况。大规模的作物种植要求管理者具有快速实时获得作物生长状况的能力和科学的管理机制。通过高光谱仪实现对大规模的作物的生长状况检测分析是一种新型的快速的无损检测方式。近年来,随着高光谱成像技术的发展,基于高光谱影响的植被生长状况检测不断深入,但真正能应用于实际场景的用于检测植被生长状况的高光谱仪相对较少,或者还存在一些缺陷。基于此,本文对基于高光谱影像的植被生长检测做了深入调研,从高光谱成像仪,植被光谱特征,植被光谱特征检测等几个方面描述了基于高光谱影像的植被生长检测的整体现状,并以小麦、番茄等作物的特征检测为例子,对当前基于高光谱影像的植被生长检测研究进展和面临的实际问题做了阐述。最后对基于高光谱影像的植被生长检测面临的挑战和解决的措施做了分析和讨论,为其它的研究者提高参考。
    					

    关键词:高光谱影像;农作物光谱成像;无损检测
    					

    1 高光谱成像技术基础

        高光谱成像是20世纪80年代发展起来的一种新型的成像技术。其基本原理是,不同的物质的表面对不同波段的光谱(或者电磁波)具有不同的反射率和折射率。基于此,根据不同反射(或发射)光谱可以获得待测目标的特征。在成像的过程中,光谱的波段分得越细,得到的物质特征就越多。根据光谱的分辨率,一般认为光谱分辨率在10-1um的光谱影像为多光谱影像,光谱分辨率在10-2um的光谱影像为高光谱影像,谱分辨率在10-3um的光谱影像为超高光谱影像。高光谱成像仪一般提供数百个甚至上千个的波段,传感器的每个像元可以提供一段连续的地物光谱曲线。研究[1]表明,许多地物的吸收峰深度的一半处的宽度为20~40nm,而高光谱成像仪的光谱分辨率一般小于10nm,因此高光谱成像仪可以分辨出不同的物质。基于此,根据地物光谱曲线的差异,可以识别不同的物质,根据成像的高光谱影响,可以从不同的特征角度反映地物的分布情况,故高光谱成像仪具有广泛的应用价值。图1是文献[2]总结的高光谱成像中不同波段的主要应用。从图中可以看出,不同的波段具有不同的应用场景,这是因为尽管不同的地物对不同的波段都会有不同的光谱响应曲线,但是只有在特定的波段才具有最大的光谱能量。

     


    图1 高光谱影像技术在不同波段的主要应用

     

    一个完整的高光谱成像仪应该包括扫描镜等光学器件、分光装置、传感器阵列、成像电路和分析软件。与普通的成像仪相比,高光谱成像仪在分光装置和分析软件上有较大的差别。高光谱成像仪的分光装置一般是光栅或者棱镜,分光装置会将光色散成按波长大小顺序排列的单色光。理想状态下,高光谱成像仪可以接受全波段的光谱,每个波段的光谱分别可以得到一幅特定波段的图像,同时每个像元在不同波段的敷设至可以组成连续的光谱信息。所以高光谱成像仪得到的是一幅立方图像。分析软件是高光谱成像仪中与成像系统一样重要的一个部分,一定程度上而言,目前的高光谱成像分析方法还落后与高光谱成像的硬件系统。这主要体现在两个方面,(1)、高光谱成像仪成的是一幅立方图像,波段数越多需要处理的数据量就越大,高光谱成像仪的硬件系统可以实现数百个甚至上千个通道的高光谱成像,却很难实时实现高光谱数据的有效分析;(2)、高光谱成像仪得到的高光谱图像信息高度冗余,波段的分辨率越高冗余度越突出,如何在大量的具有高度冗余的高光谱图像中提取出有用的信息是软件分析系统的关键。

    2 植被的光谱特性

    地物的光谱特征是高光谱识别地物或检测特征的基础,其研究和意义在高光谱检测当中具有重要地位。同样,要检测农作物的生长状况或者其他特性,需要知道相应农作物的光谱特征。对于健康的绿色植物而言,其光谱曲线主要有一下四个特征:①在可见光波段(0.4~0.76 um)的反射率较大,在0.33~0.45 um和0.67 um处的蓝、红光呈低谷。其原因是植物页面反射的主要因素是叶绿素,而叶绿素对蓝光和和红光强吸收且反射率非常低。同时叶绿素对绿光(0.52 um ~ 0.6 um)有一个弱的反射,所以光谱曲线会出现一个小的局部峰值。②在近红外波段(0.68~0.75),植物叶面的反射率急剧增加,所以对应的光谱曲线在近红外波段出现一个陡坡。同时,不同的植物的光谱位置和斜率基本保持一致。③植物在0.75 um ~1.3 um保持较高的反射率。其主要原因是此时叶面光谱反射特征主要受细胞结构和叶冠结构控制,由于光在叶内反射,所以反射率非常高。同时,一般在0.95 um ~ 1.185 um处有一个典型的吸收峰存在,这是由于植被体内水的吸收和冠层结构引起。④在1.3 um 附近,植物的反射率快速下降,并且在1.3 um ~ 2.5 um范围内保持较低的水平。其中,在1.19 um、1.4 um、1.9 um附近可以明显看到反射率低估,出现了明显的睡吸收带,且跌落程度主要取决于水的含量。图2为典型的植被光谱特征曲线。

     

    图2 典型的植被光谱曲线

     

    随着植被光谱特性的不断深入,根据大部分植物的光谱特征,近年来逐渐形成了如下九个植被光谱的特征参数:

    1. 红边(RE),红边是植被在0.67 um ~0.74 um 反射率最高最快的点,是绿色植被最显著的标志。红边一般用位置和斜率两个参数来描述。一阶导数最大的位置即为红边的位置,红边的斜率与植被的覆盖度、叶面积指数等参数有关,覆盖度越高,叶绿素的含量越高,红边斜率越大。
    2. 蓝边(BE),蓝边是指蓝色光在0.49~0.53 um 之间一阶段数最大值的位置。
    3. 黄边(YE),黄边是指黄色光在0.55~0.58 um 之间一阶段数最小值的位置。
    4. 归一化差异植被指数(NDVI)。NDVI是指两种不同波段范围内植被的关铺反射率差值与其和值的比值,或者是多波段上的光谱反射率的加权差值与加权累计之间的比值。
    5. 植被叶面积指数(LAI),是指单位面积内植被所有叶面积的综合除以单位面积。是植被冠层结构的一个重要指标。
    6. 红边一阶段数最大值(DRE),对植被的叶面指数反映极为敏感,与绿色植被的覆盖度有非常紧密的线性关系。
    7. 叶面叶绿素指数(LCI),LCI 对叶绿素很敏感,但对于叶面积散射和叶面内部结构变化并不敏感,所以LCI最适用于高叶绿素的区域。
    8. 叶面水含量指数(WI)。WI是比较0.97 um 水吸收波段和0.90 um的反射率相对而定的参数。
    9. 归一化差异水体指数(NDWI)。是反应植被叶面水含量的参数,是根据1.24 um水吸收波顿和0.86 um 的反射率相对而定的参数,它随着绿色植被叶面水含量的增加而增加。

    如上列出了评价光谱特性的常用指标,这些指标往往受到多个因素的影响,这些因素主要包括三个方面。第一,不同植被种类间的光谱特征差异,具体而言就是不同的植被具有不同的光谱曲线;第二,季度变化对植被光谱特性的影响,具体而言,同一种植被的生长随着季节发生周期性的而变化,其对应的光谱曲线也会发生相应的变化;第三,水分对光谱特性的影响,具体而言,在红外和短波红外波段的吸收分是由大气中的水蒸气和植被体内的水分决定的,植被水分的变化会其光谱形态发生变化,整体而言,随着植被体内的水分增加,反射率会下降。

        

    3 基于高光谱成像的植被检测应用研究进展

    上一章节详细介绍了植被的光谱特性,评价指标和影响因素。大部分的高光谱成像在植被检测中的研究都会基于以上的因素,即光谱特性、评价指标和影响因素。而这章将对基于高光谱成像的植被检测应用研究进展做深入的调研和总结,并根据检测的目标从三个方面便分别阐述其研究进展,这三个方面分别是作物生长状态检测,作物生化参数检测和作物产量检测。

    3.1基于高光谱成像的作物生长状态检测

    叶面积指数是指单位面积内植被所有叶面积的综合除以单位面积,是植被冠层结构的一个重要指标,为植物冠层表面物质和能量交换的描述提供结构化的定量信息,也是表征作物生长状态的重要指标。自从20世纪70年代,就有研究者开始研究叶面积指数与植被光谱特征的关系,并验证了用高光谱成像推导叶面积指数的可行性[3][4]。与传统的检测方法相比,该方法不仅省时省力,而且可以实现无损检测。今年来,随着高光谱成像技术的快速发展,国内的多个研究小组也进行了基于高光谱成像的作物叶面积检测研究,并取得了一定的成果。早在2004年,南京农业大学农业部作物生长调控重点开放实验室就进行了相关的研究[5],该研究小组重点分析比较了基于 宽波段反射光谱的植被指数与水稻叶面积指数之间的相关性,以探讨预测水稻叶面积指数的最佳光谱,结果表明植被叶面指数与各植被指数均呈曲线相关,与比值植被指数(RVI)、再归一化植被指数(RDVI )和R810/R560显著幂相关,与归一化植被指数(NDVI)、垂直植被指数(PVI)、差值植被指数(DVI)、土壤调整植被指数(SAVI)和转换型土壤调整指数(TSAVI)显著,其中与R810/R560的相关性最好。在谭昌伟的夏玉米叶面积指数的高光谱遥感植被指数研究[6]中也得到了相似的结论,即近红外与绿光波段的比值(R810 /R560)与LAI 呈显著的指数关系,且不受品种类别、生育时期和氮肥水平的影响。就像上面介绍的研究一样,早期的研究主要集中在两个因素的相关性上,但是在实际作物生长张,一个指标可能会受到多个因素的影响,印个因素也可能会影响到多个指标。2013年,农业部农业信息技术重点实验室夏天带领的研究团队通过回归分析法和BP神经网络方分别构建了小麦叶面指数的反演模型[6],并通过预测值和田间的观测值进行分析比较。结果表明利用BP神经网络法比回归分析法有更高的预测精度,其精度可以达到决定系数(R2) 0. 990、均方根误差0. 105。同时,考虑到不同时期的作物指标本身就不同,所以2014年西北农林科技大学农学院的杨凌提出了一种不同生育时期冬小麦叶面积指数高光谱遥感监测模型[7],结果表明不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关;拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好。

    生物量与叶面积指数和产量密切相关的一个指标,因此也常常用来结合叶面指数来评价作物的生长状况。因此研究叶面指数的方法也往往应用于研究作物的生物量,大部分的研究主要是急转在高光谱参数、植被指数与生物量的相关性分析。侯学会的研究[8]表明了麦生物量与冠层光谱在552、721 nm 处呈现最显著相关性,同时也表明了,叶面积指数与冠层光谱的相关性在400~1 100 nm 范围内较显著,红边位置估算小麦总生物量的指数模型最优,增强型植被指数与小麦叶面积指数的指数模型拟合度最强。其它的研究还有柏军华研究小组提出的生物量遥感估算模型[9],唐延林研究小组的水稻、玉米、棉花的高光谱及其红边特征比较分析[10]等。

    3.2基于高光谱成像的作物生化参数检测

    作物的生化参数很大程度上也能反映作物的生长状况,甚至能对作物的生长趋势做出预测。同时,其中的水分含量,叶绿素等指标又具有很强的光谱特性,所以自从基于高光谱成像的精准农业被提出以来,作物的生化参数检测一直受到关注。下面将对基于高光谱成像的生化参数检测研究现状分别介绍和分析。

    3.2.1基于高光谱成像的作物水分含量检测

    在第二节的植被光谱特性介绍说明了,作物对水分含量对1.4~2.6 um波段的反射率有较大的影响,且光谱的反射率随着水分含量的增加而降低,所以基于高光谱成像的作物水分含量检测主要也集中在这个波段。在早期的作物水分含量研究中,国内的田庆久[11],王纪华[12]等以不同的方式研究了近地叶片反射光谱及遥感冠层反射光谱与作物含水量之间的关系,证实水分敏感光谱波段主要集中在1.45 um, 1.94 um和2.50 um。但是在遥感高光谱成型中也面临着一些问题,一个是遥感冠层反射光谱与叶片反射光谱有所不同,另外一个问题是1.45 um 附近的红外波段容易被大气层吸收,遥感高光谱成像存在一些困难。为了消除或尽量减小大气变动,光照变化,受风速影响的冠层变化,受温度影响的土壤蒸腾变化对遥感冠层光谱的影响,一些研究学者提出了大量的植被指数构造方法来消除外界因素对预测模型的干扰。后来有多个研究小组对此进行了改进,并且完成了更深入的研究。文献[13]利用0.86 um和1.2 um 反射率建立的归一化差异水分指数NDWI,可以很好地估算植被等效水厚度(EWT)和冠层水平的植被水分。由于受高光谱卫星影像遥感技术的限制,当前大面积的作物冠层水分遥感监测应用依然主要采用以宽波段为主的多光谱卫星遥感影像数据。Landsat卫星历经系列发射,其搭载传感器TM遥感影像在全世界范围得到广泛应用,并经历实践检验,是当前多光谱卫星遥感应用中的典范。由于TM 影像中有两个短波红外波段(SWIR),即第5波段1.55~1.75 um,第7波段2.08~2.35 um,可用于地表植被水分探测,在区域作物植被水分遥感监测中得到了应用[14]。2013年,为探讨利用近地高光谱和TM 遥感影像数据评估作物冠层水分状况的可行性,北京农业信息技术研究中心的陈晓娟的研究小组以北京顺义通州为研究区域,以冬小麦为研究对象,利用TM5卫星遥感影像数据对研究区域小麦冠层水分含量进行反演与应用[15]。结果表明,利用TM5数据中SWIR第5波段比第7波段构建的水分指数更有优势;WI对估算LWC的效果较好,而NDWI在EWT估算方面效果较好,同时从TM 遥感影像的反演结果来看,开花期的冬小麦冠层水分高于拔节期。图3展示了研究区域的冬小麦LWC空间分布图。从图中而已可以清晰地看出,利用TM5卫星遥感影像数据,可以清晰地看到冬小麦的含水量分布情况,也为大面积麦田的含水量无损监测提供了依据。

     

    图3 研究区域的冬小麦LWC空间分布图

     

    3.2.2基于高光谱成像的作物叶绿素含量检测

    叶绿素是植物光合作用的重要成分,其含量对植物的生长、发育和结果都有重要的意义。监测农作物的叶绿色含量亦即监测了农作物的生长状况。同时叶绿素具有独特的光谱特性,其主要的吸收波段在可见光和近红外波段。其中常见的叶绿素的吸收波段为:叶绿素a(435 nm,670~680 nm, 740 nm 有吸收峰);叶绿素b(480 nm 和 650 nm 有吸收峰)。但是如果只有只用单一波段研究作物的生长状况,容易受到环境的影响,所以一般采用2~3个波段的敏感波段进行研究。2010年,文献[16]以玉米冠层遥感高光谱数据为基础研究了四种植被指数预测叶绿素含量的建模效果,结果表明,四种植被指数建模效果的优劣顺序为CIgreen>EVI>MCARI>NDVI。但是,叶绿素的含量也与水分含量一样受到季节的影响,不同生长阶段的叶绿素含量与对象的植被指数也有所不同。在李树强对玉米苗期冠层反射光谱的研究时就发现NDVI、R550与叶绿素含量有较大的关系,但与RVI相关性较差[17]。此外,其他的一些植被指数也被用于衡量植物中的叶绿素含量。Hunt等研究人员[18]就采用三角绿色指数(TGI)预测玉米冠层的叶绿素含量,其相关系数达到了0.91,表现了很强的预测能力。孙红等研究人员[19]采用差值植被指数(DVI)对玉米生长期的叶绿素含量进行了研究,研究表明基于DVI模型的叶绿素检测模型在拔节期与喇机口期有较大的相关性,其相关系数分别为0.81和0.66。上面提到的用于检测叶绿素含量的研究大部分集中在因素的选取和模型的设计,但是预测模型的精度还可以通过更加合理的预处理方法和计量学方法得到提高。在李庆波的研究[20]就使用了平滑、一阶微分、小波变换等方法对获取的植物叶片光谱进行预处理,再结合偏最小二乘、、算法建立了叶片叶绿素含量与吸收光谱的回归模型,其预测集的相关系数达到0.93。。黄慧的研究小组[21]采用一阶导数、二阶导数及多元散射校正对小麦反射光谱进行预处理,结合最小二乘和多元线性回归建立叶绿素含量预测模型。研究发现,二阶导数结合的预测模型效果最好,其预测均方根误差为0.71,相关系数为0.79。整体而言,基于高光谱成像的叶绿素含量分析是可行的,但是也面临一些困难,比如容易受到季节的影响,环境的影响。但是随着近几年的研究不断深入,通过采用多参数模型,回归模型,提高仪器精度等方法在一定程度上改善了测量的精度,因此相信的不就的将来会能更加准确、高效地确定作物的叶绿素含量。

    3.2.3其它检测

    除了水分含量检测和叶绿素净含量检测,其它的研究还有氮含量检测,如李振研究的基于高光谱玉米氮素营养与生长指标的监测[22],研究结果表明随氮素水平的增加,玉米冠层光谱反射率在可见光区域(350-680nm)降低,在近红外平台(760~1300nm)随氮素水平的增加呈现升高的趋势。在可见光波段,随着生育期的推进,冠层光谱反射率呈现先降低后升高的趋势。而在近红外波段变化趋势相反。冠层反射率一阶微分导数在红边区域出现"双峰"现象,随氮素水平的提高,"双峰"没有出现增强或减弱的现象,但随着生育期的推进, "双峰''呈现先增强后减弱的规律。红边位置随生育期推进出现先"红移一后"蓝移"现象,但对氮素不敏感,随氮素水平的改变而变化不大。红边幅值对生育期及氮素水平表现均较敏感,随氮素水平的升高呈现逐渐升高的趋势,随生育期的推进,呈现规律性先增高后降低的趋势。磷含量检测,如文献[23]对柑橘叶片磷含量估算模型实验,对反射光谱进行各种形式预处理的基础上对柑橘叶片磷含量进行建模 和磷含量预测。模型分别在校正集和测试集上进行评估,取得最佳模型决定系数分别为0.905和0.881,均方误差分别为0.005和0.004,平均相 对误差分别为0.026 4和0.031 2。结果表明基于高光谱反射数据进行磷含量预测是可行的。作物疾病检测,截至2008年,曹入尹研究小组[24]就依托国家高技术研究发展计划项目完成了面向作物病害识别的高光谱波谱库设计与开发,实现了波谱查询、影像管理、用户管理、数据管理、反演模型等功能,为其它面向病害识别的高光谱波谱库提供了依据。

    4.高光谱成像技术在作物检测中的研究现状总结和发展趋势

        自从高光谱成像被提出以来,在精准农业中取得了长足的进步。研究的波段主要集中在可见光和近红外;研究的作物主要包括小麦、水稻、玉米、大豆、番茄等;研究的因素包括作物水分含量、叶绿素含量、氮含量、磷含量、疾病检测、产量检测等;研究的参数包括红边、蓝边、黄边、归一化差异植被指数、植被叶面积指数、红边一阶段数最大值、叶面叶绿素指数、叶面水含量指数、归一化差异水体指数等;研究的方法包括两个指标的相关系分析法,多因素回归分析法,BP神经网络法,主成分分析法,最小二乘法,特征提取法等;研究的结果普遍表明基于高光谱成像的方法检测监测农作物的各项指标是可行的。

        然而基于高光谱成像农作物检测还存在一些困难,这些困难主要来自以下几个方面:

    1. 基于高光谱成像的农作物检测的发展方向是遥感检测,但是由于受到条件的限制,目前的很大一部分研究是在小规模的实验室完成,这些研究在一定程度上为高光谱遥感检测提供了理论基础,但是实验室条件的实验和大规模的外场实验在环境上有较大的差别,所有大量的遥感实验需要去进一步验证。
    2. 大规模的农作物遥感高光谱成像收到环境因素的影响较大,比如天气,背景,光照等因素都会影响检测的效果。所以一个更加完善的检测设备应该能自动检测环境变化并做出相应的调整。
    3. 作物本身的含量包括水分、叶绿素等受到季节性的影响,在不同时期的各成分含量不同,上检测的标准也不同。而如果要获得作物各个时期的各成分含量情况,需要做长时间的检测校准,这是一个耗时费力的过程,各个作物的研究都还需要花费大量的经历。
    4. 高光谱成像获得的结果是一个很大的数据量,这些数据既包含了很多有用的信息,也包括了大量的冗余的信息,如何有效地提取这些有用的信息同时剔除冗余的信息是数据处理过程中最大的一个困难。
    5. 在农作物的生长状况检测当中,一个评价指标可能受到多个因素的影响,一个因素也可能去影响多个参数。所以如何合理的设计反演模型是获得高质量预测模型的基础。目前已经有大量的模型被提出,但是目前除了相关性系数被广泛使用之外,缺乏各个因素各个参数之间的综合影响。
    6. 缺乏统一权威的数据库管理。目前已经有大量的研究小组开展了旨在应用于精准农业的高光谱成像。未来的应用应该涉及大量的农作物种、大量的指标参数。而这些因素没有一个权威统一的数据库很难实现共享,也很难实现快速的应用。

    但经过研究者的不断努力,目前基于高光谱成像的农作物检测已经有了初步成果,在第三节中介绍的一些例子就用一些用高光谱遥感检测的成果。未来的研究或用应该具备以下几个特点:

    1. 目前有一些研究者采用的是一些便携式的高光谱成像仪,方便对农作物的生长状况实现快速的检测是,但是未来的发展趋势应该以遥感高光谱成像为主,这是因为目前的高光谱成像仪成本都较高,对于小规模种植的管理者很难承受。而对于大规模种植的管理者,在管理上确实存在很难用肉眼实现管理等特点。所以未来的发展趋势应该以遥感高光谱成像为主。
    2. 基于各个因素的预测模型得到进一步完善,甚至通过基于深度学习等方法,综合天气、季节、实测信息等自动调整作物生长状况的预测模型,实现更加准确定位作物的生长状况。
    3. 实现权威统一的数据库管理,该数据库对各类作物的在各个因素影响下的光谱特性等详细的分析和介绍。
    4. 未来的农作物高光谱成像仪应该具备从种植、生长、成熟、收获整个过程中作物各个指标的全程全指标监控,并能给管理者自动提供直接的管理建议,大幅度减轻管理者的压力。

       

    参考文献:

    [1] 田庆久. 地物波谱数据库研究现状与发展趋势[J]. 导航定位学报, 2003(3):2-6.

    [2] Farrell, Michael D, Farrell, et al. Analysis of Modeling, Training, and Dimension Reduction Approaches for Target Detection in Hyperspectral Imagery[J]. Ieice Technical Report Ultrasonics, 2005, 105:25-29.

    [3] Wiegand C L, Gausman H W, CuellarJ A,et al.Vegetation density as deduced from ERTS-1 MSS response[C]//Third ERTS Symposia, NASA-SP-351,sectionA,1974:93-116.

    [4] Bunnik N J. The Multispectral Reflectance of Shortwave Radiation by Agricultural Crops in Relation with Their Morphological and Optical Properties[D]. Mededelingen Landbouwhoge School, Wageningen, Netherlands, 1978.

    [5] 薛利红, 曹卫星, 罗卫红,等. 光谱植被指数与水稻叶面积指数相关性的研究[J]. 植物生态学报, 2004, 28(1):47-52.

    [6] 夏天, 吴文斌, 周清波,等. 冬小麦叶面积指数高光谱遥感反演方法对比[J]. 农业工程学报, 2013(3):139-147.

    [7] 贺佳, 刘冰锋, 李军. 不同生育时期冬小麦叶面积指数高光谱遥感监测模型[J]. 农业工程学报, 2014(24):141-150.

    [8] 侯学会, 牛铮, 黄妮,等. 小麦生物量和真实叶面积指数的高光谱遥感估算模型[J]. 国土资源遥感, 2012(4):30-35.

    [9] 柏军华, 李少昆, 王克如,等. 基于近地高光谱棉花生物量遥感估算模型[J]. 作物学报, 2007, 33(2):311-316.

    [10]唐延林, 黄敬峰, 王秀珍,等. 水稻、玉米、棉花的高光谱及其红边特征比较[J]. 中国农业科学, 2004, 37(1):29-35.

    [11] 田庆久, 宫鹏, 赵春江,等. 用光谱反射率诊断小麦水分状况的可行性分析[J]. 科学通报, 2000, 45(24):2645-2650.

    [12] 王纪华, 赵春江, 郭晓维,等. 用光谱反射率诊断小麦叶片水分状况的研究[J]. 中国农业科学, 2001, 34(1):104-107.

    [13] Gao B C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3):257-266.

    [14]Pan P F, Yang W N, Jian J, et al. Remote Sensing Retrieval Model of Vegetation Moisture Content Based on Spectral Index:A Case Study in Maoergai of Minjiang River'Upstream[J]. Remote Sensing Information, 2013, 28(3):69-73.

    [15]程晓娟,杨贵军,徐新刚,.基于近地高光谱与TM遥感影像的冬小麦冠层含水量反演[J].麦类作物学报, 2014, 34(2):227-233.

    [16]Wu C, Wang L, Niu Z, et al. Nondestructive estimation of canopy chlorophyll content using Hyperion and Landsat/TM images[J]. International Journal of Remote Sensing, 2010, 31(8):2159-2167.

    [17]李树强,李民赞,李修华,.玉米冠层叶片光谱反射率与玉米长势空间变异的关系[J].农业工程学报, 2011, 27(12):110-114.

    [18] Hunt E R, Doraiswamy P C, Mcmurtrey J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 21(1):103-112.

    [19]孙红,李民赞,张彦娥,.玉米生长期叶片叶绿素含量检测研究[J].光谱学与光谱分析, 2010, 30(9):2488-2492.

    [20]李庆波,黄彦文,张广军,.基于可见-近红外光谱的植物叶绿素含量无损检测方法研究[J].光谱学与光谱分析, 2009, 29(12):3275-3278.

    [21]黄慧,王伟,彭彦昆,.利用高光谱扫描技术检测小麦叶片叶绿素含量[J].光谱学与光谱分析, 2010, 30(7):1811-1814.

    [22]李振.基于高光谱玉米氮素营养与生长指标的监测[D].山东农业大学, 2012.

    [23]黄双萍,洪添胜,岳学军,.基于高光谱的柑橘叶片磷含量估算模型实验[J].农业机械学报, 2013, 44(4):202-207.

    [24]曹入尹,陈云浩,黄文江.面向作物病害识别的高光谱波谱库设计与开发[J].自然灾害学报, 2008, 17(6):73-76.

    展开全文
  • 利用梅花采样方向滤波器能够提供丰富的方向信息的特点,提出了一种基于此方向滤波器组的多光谱图像融合方法。该方法通过IHS变换,将多波段影像从RGB空间转换到IHS空间,对I分量及全色影像进行梅花采样方向滤波器变换...
  • 论文地址高光谱遥感影像分类研究进展南大、矿大、河海15年的文章比较老,科普文,但是理论总结和语言用词都比较扎实 在总结分类策略的基础上,重点从以核方法(SVM)为代表的新型分类器设计、特征挖掘、空间-光谱...
  • 高光谱图像分类

    千次阅读 2021-01-04 00:40:54
    该博客主要通过阅读《HybridSN: Exploring 3-D–2-DCNN Feature Hierarchy for Hyperspectral Image Classification》,对论文中提出的HybridSN混合网络实现...作者提出HybridSN混合网络用于高光谱图像分类的研究
  • 传统的遥感影像处理技术在分析高光谱影像时面临许多问题和挑战:如何解决高维数据小样本识别分类问题、如何实现高维数据的实时处理、如何提升光谱类似地物的区分能力等等 ...
  • 由于添加了第三维,高光谱数据的压缩是一项挑战。 它具有光谱和空间相关性,利用这两种相关性,可以实现压缩。 FrWF 和 SPIHT 为这些图像提供了良好的压缩,模拟结果已通过绘制 PSNR 和比特率之间的图来显示。 ...
  • 高光谱图像端元提取算法研究进展与比较,高光谱图像中混合像元的存在不仅影响了基于遥感影像的地物识别和分类精度,而且已经成为遥感科学向定 量化方向发展的主要障碍。本文分析和研究了现有的典型端元提取算法,在此...
  • 介绍了武汉大学测绘遥感实验室在高光谱领域的研究及应用方向,对这方面感兴趣的同学可以下载
  • 本文简述了高光谱成像系统,总结分析了其在水果、蔬菜、肉类、谷物等农产品病虫害无损检测中的国内外最新研究进展,提出了农产品病虫害高光谱成像技术检测的未来研究发展方向,以期对相关研究人员的研究工作提供参考...
  • 根据高光谱影像纹理单元中相邻光谱矢量的相关关系构造方向性纹理特征,得到了一组纹理特征编码值,从纹理特征编码值本身、相同地物纹理特征编码自相似性和使用不同尺度测量纹理特征编码值构成的曲线所表现出来的幂...
  • 通过分析近5年来高光谱技术在农作物病虫害研究情况 应用高光谱遥感技术进行农作物病虫害监测的原理 项目 Value 1 原始光谱的导数变换及对数变换 2 光谱位置和面积的特征参数提取 3 光谱吸收特征参数提取...
  • 总结了高光谱遥感在矿山土壤污染物特征光谱的直接识别和矿山土壤污染物的植物光谱效应方面的研究应用近况,分析了其在矿山污染监测、治理方面的优势,并提出了需要改进的方向.
  • 高光谱类型

    2020-11-25 11:25:54
    读“高光谱图像实时目标和异常检测算法研究”(看论文记录自用) 高光谱遥感图像通常包含可见光、近红外、中红外和热红外波段范围内连续的光谱数据,包含了丰富的空间、辐射和光谱三重信息 目前用于高光谱空间成像...
  • 基于高光谱的无损检测技术

    千次阅读 2020-06-10 07:00:00
    点击上方“3D视觉工坊”,选择“星标”干货第一时间送达高光谱图像技术最早应用在遥感军事领域,用于地面目标探测,地面物体分类。由于不同物质的理化性质决定了其对不同波段的光表现出不同的光谱特...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,162
精华内容 1,664
关键字:

高光谱研究方向