这是15年的文章，具有科普的性质。
摘要部分
第一段
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
面临的问题：
- 高维数据小样本识别分类问题
- 高维数据的实时处理
- 提升光谱类似地物的区分能力
尤其是小样本问题，是我目前面临的最大问题。
本论文通过对高光谱影像自身特性的深入分析，在总结高光谱图像处理研究现状的基础上，研究了多种高性能的特征提取与分类识别技术，并用多个高光谱遥感应用实例验证了本文提出的多种方法。
可以看出文章大概的思路：
- 高光谱影像的特性的深入分析
- 总结高光谱图像处理研究现状
- 多种高性能的特征提取与分类识别技术
- 多个高光谱遥感应用实例
第二段
对于高光谱影像特征提取，本文提出了一种基于图像融合与递归滤波的方法。该方法通过图像融合与递归滤波有效去除高光谱影像中的噪声，强化地物的形状与轮廓等显著空间结构，从而有效降低类内差异，同时增大类间差异。
基于图像融合与递归滤波的方法：
- 原理：通过图像融合与递归滤波有效去除高光谱影像中的噪声，强化地物的形状与轮廓等显著空间结构。
- 结果：降低类内差异，增大类间差异。
第三段
光谱反射值是高光谱影像的关键特征，然而受到传感器成像机理、拍摄环境以及气候条件等因素的影响，遥感高光谱影像中的光谱反射值往往并不纯净甚至可能包含严重的失真与畸变。
这反映了高光谱图像采样时的问题：容易收到外界环境的干扰（在使用同一种采样器的情况下，不考虑采样器带来的差异）。这也是我的导师说的不同批次的采样数据最好不要混用的原因。
按照论文的意思，我觉得可以这么理解：最终采样得到的高光谱图像的光谱反射值主要有两部分组成：
- 光谱反射值：反应被采样数据的属性，不随采样条件改变。
- 随机误差：反应采样条件的改变，随采样条件的不同而不同。
针对这一问题，我们提出了一种基于本质图像分解的高光谱影像特征提取算法。基于人眼视觉感知模型，利用人眼区分亮度特征与光谱反射特征的能力，将高光谱影像分解为亮度成份与光谱反射成份，并将通过本质图像分解获取的影像纯净光谱反射成份用于地物识别分类。
实验中，我们将本质图像分解特征应用于高光谱遥感应用实例并与多种现有的高光谱影像特征提取方法进行了比较。结果显示：基于本质图像分解的特征提取方法能够有效消除多种不利因素(如：场景光照、阴影以及成像噪声等)对影像光谱反射值的影响，提供了更高的分类精度。
- 方法：基于本质图像分解的高光谱影像特征提取。
- 原理：人眼视觉感知模型，利用人眼区分亮度特征与光谱反射特征的能力。
- 理论结果：将高光谱影像分解为亮度成份与光谱反射成份，并将通过本质图像分解获取的影像纯净光谱反射成份用于地物识别分类
- 实际结果：有效消除
多种不利因素(如：场景光照、阴影以及成像噪声等)对影像光谱反射值的影响，提供了更高的分类精度。
…………先略吧，看不下去了。
第一章 绪论
1.1 研究背景与意义
介绍了高光谱图像的发展情况及其意义：
遥感影像光谱分辨率可达到纳米数量级，其光谱通道多达数十甚至数百，地物的成像范围也延伸到人类肉眼不可见的近红外、中红外甚至远红外光谱区间。
这意味着高光谱影像不仅可提供地物的空问几何信息，同时也包含丰富的反映地物特有物理性状的光谱信息。
统计了国内外现有的主要高光谱成像传感系统：
略
1.2 国内外研究现状
1.2.1 高光谱遥感影像特点与面I临的挑战
特点：
- 光谱响应范围广，波段多，采样间隔小，分辨率高。
高覆盖的光谱范围与精细的光谱分辨率意味着地物光谱的全局特征将更加完整而局部细微特征将更加明显。 - “谱像合一”。
以波段数为横轴，灰度值为纵轴建立坐标系，高光谱影像的每个像元在各个通道的灰度值均能表示为一条完整连续的光谱曲线，即所谓的“谱像合一”。 - 信息冗余度大。
高光谱影像数据量大，且相邻高光谱波段的相关性高。</
6146
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
