【摘 要】
：
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。
【机 构】
：
中国科学院遥感与数字地球研究所 北京市海淀区邓庄南路9号100094
【出 处】
：
第三届全国成像光谱对地观测学术研讨会
论文部分内容阅读
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。
其他文献
背景与意义：高光谱成像技术是目前遥感技术发展的一个前沿技术，已被成功应用于许多领域。然而商光谱影像在成像时不可避免的受到各种噪声的干扰，为其后续应用带来了各种困难与挑战。因此，影像质量改善作为高光谱数据的预处理工作具有重要意义。
快速、准确地从遥感影像中提取感兴趣的关键信息是遥感对地观测领域的重要研究内容。随着当代遥感传感器技术呈现出高光谱分辨率、高空间分辨率和高时间分辨率的新特点，传统的人工解译遥感影像的方式已经很难应用，取而代之的是计算机全自动提取遥感影像信息的新方法。虽然现在计算机硬件的发展已经为快速、准确处理海量遥感影像提供了物理基础，但是相应的数据处理算法普遍存在自适应能力不足的缺点。因此，本报告基于机器学习与模
There are two target detection algorithms which are commonly used in various applications.1) Supervised target detection 2) anomaly detection.Both of them works on a similar linear process, which make
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
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。