一种基于FPGA的实时最大体积端元提取算法

来源 :第三届全国成像光谱对地观测学术研讨会 | 被引量 : 0次 | 上传用户:whywhywhy_why
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  基于卫星平台进行数据获取是目前高光谱遥感采用的主要方式之一,但是随着技术的不断发展,高光谱图像的数据量越来越大,而卫星有限的下传信道带宽限制了数据的下传效率,同时也很大程度上影响了高光谱遥感信息服务的时效性和能力。针对这一问题可以采用星载的高光谱遥感图像智能处理系统,通过数据的实时处理和产品生成,实现信息的在轨分发和快速下传。在目前可利用的星上数据处理设备中,现场可编程门阵列(Field Programmable Gate Array,FPGA)具有体积小、功耗低、运行速度快和可重构等诸多优势,成为国内外高光谱图像实时处理技术领域的研究重点。
其他文献
高光谱遥感图像具有光谱分辨率高、图谱合一的特性,自诞生伊始,就受到广泛关注并被应用到各个方面中去,其中目标检测是高光谱遥感应用领域中非常重要的方向之一。目标检测本质上是一种二分类问题,即把高光谱图像区分为目标和背景两类。根据是否具有目标的先验知识,高光谱图像目标检测可以分为以下两种不同类型:异常探测(anomaly detection)和目标探测(target detection),本文主要针对的
高光谱遥感技术出现于20世纪80年代初期,依托于成像光谱仪的成功研制,使得传统的多光谱遥感技术在光谱信息维度上产生了巨大的飞越。高光谱遥感目标探测主要是依据感兴趣目标的反射光谱与其他地物的差异,来对目标进行特定的区分和提取。相较于多光谱遥感目标探测,高光谱遥感所具有的丰富的光谱特征使得目标探测衍生到了更精细的领域。
In order to realize the effective detection of surface structure targets in hyperspectral images,an improved target detection algorithm was proposed in this paper presents to solve the CEM algorithm p
高光谱遥感是将成像技术与光谱技术相结合的多维信息获取技术。高光谱成像仪在电磁波谱的数十至数百个非常窄且连续的光谱段上采样,提供了极其丰富的信息,有助于精细的地物分类和目标识别,从而被广泛应用于地质科学、精准农业以及军事领域等[1]。然而,大量的光谱信息也会带来诸多问题。特别是当同物异谱现象严重时,单纯依靠光谱特征的分类器无法精确地将同一种类的像素划分出来。而像素的分布往往表现出空间上的特性,可以弥
遥感影像分类是遥感学科的重要研究内容之一.高光谱影像在给地物识别带来机遇的同时,其较低的空间分辨率与海量数据也给高精度分类带来挑战.较成熟的传统监督与非监督分类方法都数是以像元灰度或像元光谱为研究对象的空间域分类技术.而在面对高光谱影像丰富的波谱信息时,如果能从光谱频率域角度来研究影像分类新方法将具有十分重要的意义.本研究结合谐波分析理论,提出一种新型非监督分类器,即谐波分析分类器(harmoni
By combining imaging and spectroscopy technology, hyperspectral remote sensing can simultaneously acquire spatially and spectrally continuous image data.With the diagnostic spectral information, hyper
会议
高光谱遥感数据存在数据冗余和维数灾难问题,降维是一种重要的预处理方法。尽管线性降维算法像PCA和LDA实现简单,但是高光谱图像具有非线性特性,流形学习算法可能更好的挖掘高光谱数据的非线性结构,提高数据分析的性能。基于流形学习的非线性降维算法假设高维数据位于一个低维流形中,该低维流形能够表示数据的本征结构和非线性特性,在去除数据冗余的同时保持数据间某些重要关系。
混合像元指的是在一个像元中包含多种不同的物质,混合像元分解的主要目的就是分析出混合像元中包含哪些物质(称为端元)以及它们所占的比例(称为丰度)。由于成像光谱仪空间分辨率的限制,混合像元问题在高光谱遥感图像中广泛存在,混合像元分解方法的研究一直是高光谱图像处理的重要内容之一。
会议
混合像元分解一直是高光谱遥感图像研究领域的一个热门话题。混合像元分解技术主要分为两个过程:端元提取和丰度反演。而混合像元分解的关键技术之一就是端元提取,亦是本文的研究重点。在近几年来,群智能算法逐渐被应用于端元提取技术,比如DPSO-EE和ACO-EE等方法。目前大多数端元提取方法都是基于线性混合模型(Linear Mixture Model ,LMM),但是根据以往的经验,我们发现了一些在混合像
传统的线性光谱解混基本工作分为两个步骤:一个是端元提取(endmember extraction);二是丰度估计(abundance estimation),目前已经出现很多成熟的混合像元光谱分解算法,如纯净像元指数法(PPI)、最大体积法(N-FINDR),顶点成分分析算法(VCA)等。然而这些传统的线性混合像元分解方法作为无监督方法存在诸多不足,首先这些传统的解混算法没有考虑混合像元之间的区别