近红外高光谱大米典型特征提取分类识别

针对大米近红外高光谱特征轮廓不清导致有效信息损失与有损化品质检测的问题, 提出一种基于掩膜下能量泛函活动轮廓波的大米高光谱典型特征区域提取算法组合模型. 该方法对目标样本形态学区域与几何形心点进行高光谱谱段信息对比寻优建模, 对4个产地、3种品质大米进行泛化性可视判别. MATLAB实验结果表明, 对不同品质大米典型特征区域的光谱信息进行建模对比, 形态学感兴趣区域识别准确率更高, 泛化预测集精度为94.84%, 优化了近红外高光谱大米典型特征区域择优建模问题, 实现了大米快速无损化品质检测.     

基于多尺度LBP和复合核的高光谱图像分类方法

为了更好地利用高光谱图像的纹理特征信息,提出了一个基于多尺度LBP和复合核的高光谱图像分类方法.利用LBP的两个最佳尺度来提取高光谱图像的纹理特征,将得到的空间纹理信息输入高斯核函数中,得到两个空间核,与直接提取光谱信息得到的光谱核结合在一起组成一个复合核,将这个复合核输入支持向量机(Support Vector Machine,SVM)进行分类得到分类结果.结果表明,在Indian Pines和Pavia University这两个真实的数据集上分类精度分别达到0.994 8和0.991 8,明显优于其他同类杰出的高光谱图像分类方法.     

采用双通道时间稠密网络的高光谱影像分类方法

针对多数高光谱影像分类方法提取信息不够充分导致分类准确率不够高的问题,提出了一种双通道时间稠密网络的高光谱影像分类方法。该方法利用时间卷积网络模型提取高光谱数据的光谱特征信息,利用稠密网络模型提取高光谱影像数据的空间信息特征,然后将两个网络各自提取到的特征进行融合,最后将融合后的特征送入Softmax分类器进行分类。在Pavia大学经典数据集上进行了仿真实验,将该方法分别同传统高光谱影像分类方法、单空间信息高光谱影像分类方法、单光谱信息分类方法进行了对比。实验结果表明,与多种经典分类方法相比,所提出的方法可以有效地从空间结构和光谱通道提取目标的特征信息,在常用的经典数据集上分类精度可达到99%分,较其他方法高出2%～3%。     

多层局部感知卷积神经网络的高光谱图像分类

针对高光谱图像分类中光谱特征的高度非线性问题,提出一种基于多层感知器卷积层和批标准化层的改进卷积神经网络模型,提高模型在光谱域处理的非线性特征提取能力.该算法通过构建七层网络结构,实现多层局部感知结构,逐个像素对光谱信息开展分析,区分不同目标物的光谱信息,将全光谱段集合作为输入,舍去空间信息,利用动量梯度下降训练算法对多层局部感知卷积神经网络训练,实现对不同目标物体光谱特征的提取与分类.实验中,采用两组高光谱遥感影像进行对比分析,以Pavia University数据集为例,在3 600个训练样本情况下,测试集为1 800个样本,本文方法正确率为90.23%,LeNet-5正确率为87.94%,Linear-SVM正确率为90.00%;在21 000个训练样本情况下,测试集为全部样本,本文方法正确率为97.23%,LeNet-5正确率为96.64%,Linear-SVM正确率为92.40%.实验结果表明,在训练集较小的情况下,本文方法优于传统神经网络,能有效提取数据特征,并且在精度上和计算成本上略优于在小样本分类中具有高效和鲁棒性良好的SVM算法.在大规模训练集时,本文方法表现出良好的学习能力,在分类精度上优于LeNet-5.本文提出的多层局部感知网络结构增强了对非线性特征的学习能力,无论训练集规模大小,都比传统的SVM和一般的深度学习网络更能有效的利用高光谱图像中的逐像素点的光谱域信息,能有效提高分类精度.     

基于高光谱成像技术的红景天品种神经网络模式识别方法

采用高光谱成像技术采集大花红景天和狭叶红景天的近红外高光谱图像(935～1 720 nm),并从中提取出感兴趣区域的平均光谱作为大花红景天和狭叶红景天的原始光谱.在采用多元散射校正(MSC)进行光谱预处理后,运用载荷系数法(X-LW)、连续投影算法(SPA)和竞争自适应重加权算法(CARS)分别提取了红景天近红外高光谱9、20和33个特征波长,最后基于全波长和特征波长建立偏最小二乘判别分析(PLS-DA)、概率神经网络(PNN)和广义回归神经网络(GRNN)分类判别模型.结果表明,基于CARS提取的特征波长建立的PLS-DA、PNN和GRNN模式识别模型优于基于X-LW、SPA提取特征波长建立的识别模型.而且,基于全波长和CARS提取的特征波长建立的PLS-DA、PNN和GRNN判别模型均能很好地区分大花红景天和狭叶红景天,对训练集和测试集样本分类的正确率全部达到100%.因此,高光谱成像技术结合PLSDA与神经网络模式识别分析方法,能够实现大花红景天和狭叶红景天的无损、快速和准确的分类与鉴别,为红景天药材的质量控制、品种鉴别和临床应用奠定基础.     

结合Gabor滤波和同质性判定的高光谱图像分类

针对传统高光谱图像分类算法多利用目标类别光谱信息而忽略空间信息的问题,提出了一种综合利用空间信息与光谱信息的分类算法．首先,利用主成分分析（PCA）和无参数加权特征提取（NWFE）分别对高光谱数据进行特征提取;然后,在PCA第一主成分的基础上进行二维Gabor滤波得到像元纹理特征,结合纹理信息与光谱信息利用支持向量机对图像分类;最后利用多尺度区域同质性判定进一步改进图像分类精度．实验表明,该算法能够消除“噪声”像元,有效地提高图像分类精度．     

基于高光谱成像技术的水果品质无损检测

高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的.综述了国内外将该技术应用于水果品质检测方面的研究进展,提出了利用高光谱图像技术检测苹果轻微损伤的方法,利用500～900 nm的高光谱图像数据,通过主成分分析提取547 nm波长下的特征图像.     

基于联合结构化稀疏表示的高光谱图像分类

为了实现精确的高光谱图像分类,结合稀疏表示及光谱信息提出基于联合结构化稀疏表示的高光谱分类算法,该算法能够同时利用像元的空间语义信息和字典集内部样本结构性.建立了联合结构化稀疏表示模型,并利用交替方向迭代算法设计求解方案.在此基础上,设计了基于联合结构化稀疏表示的高光谱分类框架,其中利用类特定残留来判定被测试像元的类别.实验结果表明所提算法相比其他经典或前沿算法具有更高的分类精度.     

加权空-谱自适应近邻聚类的高光谱图像分类

高光谱图像聚类算法可以对海量的高光谱图像数据进行信息提取,完成地物类别的初步分类。自适应近邻聚类(clustering with adaptive neighbors,CAN)作为一种新型的聚类算法,利用样本间的局部连通性实现聚类,聚类效果较好,但是该算法的性能受样本间相关性的影响较大。基于此,文章提出了一种新的融合高光谱图像的空间信息和光谱信息的分类方法,即加权空-谱自适应近邻聚类(weighted spatial and spectral clustering with adaptive neighbors,WSS-CAN)法,该方法通过引入样本点的近邻窗口尺度和光谱因子2个参数对高光谱图像进行重构,增强了样本间的相关性,对重构后的图像进行CAN聚类,有效提高了分类精度。在Indian Pines和Salinas-A数据库上的实验结果表明,由WSS-CAN得到的总体精度分别为56.33%、77.90%,分别比其他聚类算法提升了11.52%~18.47%、10.1%~14.79%,聚类效果较好。     

基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究

针对肉类掺假的定量检测问题,建立了基于高光谱图像技术结合波长选择方法以及偏最小二乘(PLS)法的羊肉掺假无损检测方法.试验搭建了羊肉-猪肉的高光谱图像采集系统,对选取的99个样本进行高光谱图像(390~1040nm)采集并提取感兴趣区域光谱.比较了多种预处理方法对全波长模型的影响,标准正态变量校正(SNV)为最优光谱预处理方法,校正决定系数R2CV达到0.93,预测决定系数R2P达到0.96,校正均方根误差RMSECV为8.33%,预测均方根误差RMSEP为6.18%.采用多种波长选择方法对光谱全波段520个变量进行变量选择,最终确定基于竞争性自适应重加权算法(CARS)的简化模型最优,其R2C=0.96,R2CV=0.94,R2P=0.96,RMSEC=6.55%,RMSECV=7.66%,RMSEP=6.10%.高光谱图像技术结合CARS能够对掺假羊肉进行准确的定量检测,可为羊肉掺假的在线无损检测提供理论依据.     

基于随机森林算法的航空高光谱数据分类方法研究

高光谱数据具有光谱范围广,光谱分辨率高等优势,可以用于不同地物的分类识别,为近年来遥感领域的研究热点。采用随机森林算法对机载高光谱数据进行了地物分类识别研究,首先选取不同种类的地物样本,并对每类样本打上类别标签,每个像素包含的波段数即为样本的特征数,送入随机森林分类器进行训练;然后将训练好的分类器对待分类的高光谱影像数据进行分类,待分类的数据初始化为统一的类别标签;并根据袋外数据自变量的扰动对分类精度的影响,计算不同波段特征对分类效果的重要性系数。实验采用C++语言结合Intel Open CV计算机视觉库,编写了高光谱影像分类识别程序,对机载AISA高光谱传感器获取的甘肃省张掖市农村与城市影像数据进行分类,结果表明本文算法具有较高分类精度和可靠性。     

联合空谱信息和Gabor特征的高光谱人脸识别算法

提出一种采用高光谱图像的人脸识别算法.根据人脸肤色在可见光范围内的光谱特征进行波段选择并依据人脸结构特征,对选定波段的灰度图像进行Gabor特征提取.最后分别进行特征层上的融合识别和决策层上的融合识别.特征层融合的权重系数由反射率和正确识别率共同决定,决策层融合算法采用"最高票当选制"原则.利用香港理工大学的高光谱人脸数据库对进行验证.结果证明,本文算法在识别速度和正确识别率方面都得到了显著改善,在3幅训练样本情况下,正确识别率达到96.5%.相对于全波段参与识别,识别速度提高了约3倍.      

用于高光谱遥感图像分类的空间约束高斯过程方法

高光谱遥感图像分类是遥感图像处理的一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征的变化将使得仅从标记训练样本得到的分类器分类精度不会太高.为了提高分类的精度,一方面应对光谱信息的合理利用;另一方面,对空间信息的利用也非常重要.高斯过程(Gaussion process,GP)是一种贝叶斯统计学习方法,能够建立概率模型,并且使得分类结果更易于解释.传统GP分类方法中核函数的构造仅利用光谱信息.本文提出了一种加入空间关系的新分类方法.利用遥感图像空间相关性,在GP分类方法中通过构造新的核函数(spatial Gauss kernel,SGK)来实现空间约束,部分消除了同物异谱和同谱异物造成的分类错误.实验结果表明,该方法对于提高高光谱遥感图像的分类精度具有积极意义.     

基于广义判别分析的高光谱影像特征提取

为提高高光谱影像地物识别的精度与速度,采用基于核方法的广义判别分析进行高光谱影像的非线性特征提取.研究了广义判别分析的数学模型、模型求解方法及特征提取过程,并进行了高光谱影像特征提取与分类实验.结果表明:样本点在特征空间中,同类目标大体聚集成团,异类彼此分离,具有良好的紧致性,特征提取结果优于线性判别分析结果.     

融合植被指数的3D-2D-CNN高光谱图像植被分类方法

对于基于高光谱图像的植被分类,利用三维卷积神经网络和空谱结合可以取得良好的效果。但存在计算代价大、参数过多容易过拟合等问题。基于此,设计了一种三维卷积与二维卷积相结合的深度网络,通过数据分块的思想减小了计算量;并提出了一种融合植被指数的特征提取方法,改善了现阶段因高光谱图像样本数量少、光谱层间信息相关度高,造成的容易过拟合的问题。在植物园数据集、IP数据集和PU数据集上的实验结果表明该算法以较低的计算复杂度取得了出色的分类效果,具有较好的应用价值。     

基于光谱主次吸收谱带组合特征相似性测度的高光谱遥感矿物信息提取

吸收谱带组合特征是识别和区分具体矿物类型的重要参量。研究表明,地物单一光谱特征不稳定性无法全面反映地物光谱间的相似性,直接影响识别效果。提出一种基于矿物光谱的主次吸收谱带组合特征的相似性测度方法;该方法基于光谱主次吸收特征的最小二乘相似性拟合法,对光谱特征较稳定的主、次吸收特征参量赋以不同的权重系数,将图像光谱与标准光谱库中各个参考光谱分别在主吸收特征与次级吸收特征波段进行加权比较,从而得到识别结果。基于CAIS/SASI机载高光谱数据,IDL编程实现光谱主次吸收特征最小二乘相似性拟合算法对实验区的绢云母、绿泥石蚀变矿物信息提取,并与常规光谱角制图处理结果的比较分析,发现新算法能更细致地进行高光谱遥感地物信息提取,有较强的实用性。     

基于集合论的光谱相似性度量及在影像检索中的应用

将高光谱遥感中光谱向量相似性度量转换为相应的集合相似性度量,提出了两种适用于光谱的相似性度量方法,即基于光谱多边形面积和基于特征波段位置匹配度量.实验结果表明,基于光谱多边形的方法能够更有效地综合应用反射率和波长二维信息,有效度量光谱向量相似性.