留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于高光谱图像解混的海洋绿藻检测算法

潘斌 张宁 史振威 谢少彪

潘斌, 张宁, 史振威, 谢少彪. 基于高光谱图像解混的海洋绿藻检测算法[J]. 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
引用本文: 潘斌, 张宁, 史振威, 谢少彪. 基于高光谱图像解混的海洋绿藻检测算法[J]. 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
Pan Bin, Zhang Ning, Shi Zhenwei, Xie Shaobiao. Green algae dectection algorithm based on hyperspectral image unmixing[J]. Infrared and Laser Engineering, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
Citation: Pan Bin, Zhang Ning, Shi Zhenwei, Xie Shaobiao. Green algae dectection algorithm based on hyperspectral image unmixing[J]. Infrared and Laser Engineering, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001

基于高光谱图像解混的海洋绿藻检测算法

doi: 10.3788/IRLA201847.0823001
基金项目: 

国家自然科学基金(60975003,61671037);上海航天科技基金(SAST2016090)

详细信息
    作者简介:

    潘斌(1990-),男,博士生,主要从事高光谱图像分类和解混方面的研究。Email:panbin@buaa.edu.cn

  • 中图分类号: TP751

Green algae dectection algorithm based on hyperspectral image unmixing

  • 摘要: 提出了一种基于线性混合模型的高光谱图像绿藻面积估计算法。利用端元提取算法,自动获取图像中绿藻端元的光谱曲线,根据得到的端元及原始图像,通过全约束最小二乘算法,求得绿藻端元的丰度图,丰度图作为绿藻面积的估计结果。算法能够有效克服由于高光谱图像分辨率不足造成的绿藻面积估计不准确的问题,实现亚像素水平的绿藻面积估计。利用2013年6月29日获取的GOCI传感器获取的8波段光谱图像展开实验,计算得到当日绿藻覆盖面积为321 km2,与HJ-1B卫星的实测结果高度接近,相比于NDVI等传统算法具有明显优势。方法为绿藻灾害预警和监测提供了一条新的解决思路和技术途径,具有较高的应用价值。
  • [1] Son Y B, Min J E, Ryu J H. Detecting massive green algae (ulva prolifera) blooms in the yellow sea and east China Sea using geostationary ocean color imager(GOCI) data[J]. Ocean Science Journal, 2012, 47(3):359-375.
    [2] Wu Chuanqing, Ma Wandong, Wang Xuelei, et al. Remote sensing monitoring HAB in yellow sea by HJ1-CCD[J]. Environmental Monitoring in China, 2015, 31(3):161-165. (in Chinese)吴传庆, 马万栋, 王雪蕾, 等. 基于环境卫星CCD数据的黄海浒苔遥感监测[J]. 中国环境监测, 2015, 31(3):161-165.
    [3] Wan Zhi, Ren Jianwei, Li Xiansheng, et al. The waveband selection for optical remote sensor designed for detecting marine target[J]. Optics and Precision Engineering, 2008, 16(10):1864-1869. (in Chinese)万志, 任建伟, 李宪圣, 等. 探测海洋目标的光学遥感器工作波段选择[J]. 光学精密工程, 2008, 16(10):1864-1869.
    [4] Wei Yiwei, Huang Shiqi, Wang Yiting, et al. Volume and sparseness constrained algorithm for hyperspectral unmixing[J]. Infrared and Laser Engineering, 2014, 43(4):1247-1254. (in Chinese)魏一苇, 黄世奇, 王艺婷, 等. 基于体积和稀疏约束的高光谱混合像元分解算法[J]. 红外与激光工程, 2014, 43(4):1247-1254.
    [5] Tan Xiong, Yu Xuchu, Zhang Pengqiang, et al. Nonlinear mixed pixel decomposition of hyperspectral imagery based on multiple kernel SVM[J]. Optics and Precision Engineering, 2014, 22(7):1912-1920. (in Chinese)谭熊, 余旭初, 张鹏强, 等. 基于多核支持向量机的高光谱影像非线性混合像元分解[J]. 光学精密工程, 2014, 22(7):1912-1920.
    [6] Deng Chengzhi, Zhang Shaoquan, Wang Shengqian, et al. Hyperspectral unmixing algorithm based on L1 regularization[J]. Infrared and Laser Engineering, 2015, 44(3):1092-1097. (in Chinese)邓承志, 张绍泉, 汪胜前, 等. L1稀疏正则化的高光谱混合像元分解算法比较[J]. 红外与激光工程, 2015, 44(3):1092-1097.
    [7] Winter M E. N-FINDR:an algorithm for fast autonomous spectral end-member determination in hyperspectral data[C]//SPIE's International Symposium on Optical Science, Engineering, and Instrumentation. International Society for Optics and Photonics, 1999:266-275.
    [8] Heinz D C. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(3):529-545.
    [9] Cai Xiaoqing, Cui Tingwei, Zheng Ronger, et al. Comparison of algorithms for green macro-algae bloom detection based on GOCI[J]. Remote Sensing Information, 2014, (5):44-50. (in Chinese)蔡晓晴, 崔廷伟, 郑荣儿, 等. 静止海洋水色卫星(GOCI)绿潮探测算法对比研究[J]. 遥感信息, 2014, (5):44-50.
    [10] Gong Dun. Research and design of mapping space remote sensor optical system[J]. Chinese Optics, 2015. (in Chinese)巩盾. 空间遥感测绘光学系统设计与研究[J]. 中国光学, 2015.
    [11] Zhang Junqiang, Xue Chuang, Gao Zhiliang, et al. Optical remote sensor for cloud and aerosol from space:past, present and future[J]. Chinese Optics, 2015, 8(5):679-698. (in Chinese)张军强, 薛闯, 高志良, 等. 云与气溶胶光学遥感仪器发展现状及趋势[J]. 中国光学, 2015, 8(5):679-698.
  • [1] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [2] 甘士忠, 肖志涛, 陈雷, 南瑞杰.  基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
    [3] 汤毅, 粘永健, 何密, 王倩楠, 许可.  L1/2正则化的逐次高光谱图像光谱解混 . 红外与激光工程, 2019, 48(7): 726003-0726003(9). doi: 10.3788/IRLA201948.0726003
    [4] 徐晨光, 邓承志, 朱华生.  近似稀疏约束的多层非负矩阵分解高光谱解混 . 红外与激光工程, 2018, 47(11): 1117010-1117010(9). doi: 10.3788/IRLA201847.1117010
    [5] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [6] 王忠良, 冯文田, 粘永健.  结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
    [7] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [8] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [9] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [10] 徐融, 赵飞.  典型GEO卫星部件光谱散射特性反演方法 . 红外与激光工程, 2016, 45(S1): 121-126. doi: 10.3788/IRLA201645.S123001
    [11] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [12] 吴静珠, 刘倩, 陈岩, 刘翠玲.  高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
    [13] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [14] 赵慧洁, 李明康, 李娜, 丁昊, 蔡辉.  一种基于改进子空间划分的波段选择方法 . 红外与激光工程, 2015, 44(10): 3155-3160.
    [15] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [16] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [17] 尹继豪, 孙建颖.  基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
    [18] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [19] 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志.  基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
    [20] 丁玲, 唐娉, 李宏益.  基于流形学习的混合光谱解混分析 . 红外与激光工程, 2013, 42(9): 2421-2425.
  • 加载中
计量
  • 文章访问数:  274
  • HTML全文浏览量:  29
  • PDF下载量:  38
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-04-05
  • 修回日期:  2018-05-03
  • 刊出日期:  2018-08-25

基于高光谱图像解混的海洋绿藻检测算法

doi: 10.3788/IRLA201847.0823001
    作者简介:

    潘斌(1990-),男,博士生,主要从事高光谱图像分类和解混方面的研究。Email:panbin@buaa.edu.cn

基金项目:

国家自然科学基金(60975003,61671037);上海航天科技基金(SAST2016090)

  • 中图分类号: TP751

摘要: 提出了一种基于线性混合模型的高光谱图像绿藻面积估计算法。利用端元提取算法,自动获取图像中绿藻端元的光谱曲线,根据得到的端元及原始图像,通过全约束最小二乘算法,求得绿藻端元的丰度图,丰度图作为绿藻面积的估计结果。算法能够有效克服由于高光谱图像分辨率不足造成的绿藻面积估计不准确的问题,实现亚像素水平的绿藻面积估计。利用2013年6月29日获取的GOCI传感器获取的8波段光谱图像展开实验,计算得到当日绿藻覆盖面积为321 km2,与HJ-1B卫星的实测结果高度接近,相比于NDVI等传统算法具有明显优势。方法为绿藻灾害预警和监测提供了一条新的解决思路和技术途径,具有较高的应用价值。

English Abstract

参考文献 (11)

目录

    /

    返回文章
    返回