结合波段选择的差分进化高光谱图像分类

高光谱图像具有数据维数高、有标签样本少的特点,影响了现有分类方法的效果。针对这一情况,提出一种结合波段选择的半监督分类算法。该算法首先通过波段选择方法,去除高光谱图像中的冗余信息,进而降低复杂度和提高泛化能力;然后通过差分进化算法交叉变异无标记样本,选取置信度高的样本扩充入标记样本群以提高分类精度。实验结果表明,该算法能够有效地提升在标记样本有限的情况下分类器的分类精度与分类速度。     

基于切片映射张量分析的高光谱图像压缩

高光谱图像拥有着巨大的数据量,给数据的存储和传输带来了巨大的压力,因此高光谱图像的有效压缩具有重要的实际意义.基于在传统的Tucker张量分解方法,提出一种基于切片映射的张量分解方法,并将其用于高光谱图像的压缩.该方法不仅消除了高光谱图像波段间的谱间冗余,还消除了每个波段上的空间冗余.所提议方法的最大特点是对传统的高光谱图像数据张量逼近方法进行了GLRAM算法三维推广的改进,使其计算复杂度显著减小,从而有效缩短了高光谱图像的压缩时间.同时,在一定的压缩比的情况下,通过所提议的方法可以查询找到一个最佳的核心张量的维度——(K_1,K_2,K_3),使其信噪比达到最大.真实高光谱数据的实验结果表明,所提议的算法较现有方法表现出了更好的压缩效果,并且具有很高的信噪比.     

基于双向波段预测的超光谱图像无损压缩

为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题,将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上,通过双向谱间多波段预测,利用谱间局部统计冗余和结构冗余,建立了对预测树模型误差进行自适应补偿的预测器模型,设计了一种基于“权重”的方法。该方法利用已编码像素对系数进行自适应估计。采用SPIHT (Set Partitioning in Hierarchical Trees)算法对去冗余后的残差图像进行编码。试验结果表明,该算法在较低的计算复杂度下,压缩比优于目前流行的无损压缩算法。     

基于区域的多光谱图像无损压缩

针对多光谱图像的冗余特点,提出一种多方式预测的多光谱图像无损压缩方法.多光谱遥感图像每一波段的图像本身存在空间冗余.不同波段图像之间存在谱间冗余.由于不同波段的成像对象是同一地域,具有相同的物理结构,虽然同一空间位置不同波段的像素值相差很大,但其与邻域的关系却是很相似的,同类地物在图像中占据一定区域,在不同的波段具有相似的纹理.因此,首先选择基于区域生长的分-合算法将多光谱图像分割成若干块互不重叠的均匀子区域;又由于各个子区域的纹理不同,因此对不同区域采用不同的预测方式,从而最大程度去除冗余;同时利用谱间结构相关,令各波段相同区域选用相同的预测方式,共享预测方式图可使多方式预测导致的附加存储代价大大缩小.实验结果表明了该方法的有效性.     

基于自编码的高光谱图像波段加权分类网络研究

高光谱图像(HSI)具有高维度的光谱波段信息,但也包含许多冗余光谱波段.在进行高光谱图像分类时,不同波段对分类任务的贡献存在差异性.为了高效利用光谱波段中的特征信息,提出一种新的编解码波段加权网络(EBW).该网络利用注意机制,根据不同波段对分类性能的贡献自适应地进行波段加权,从而提高输入数据中光谱信息的有效性.在EBW中,首先获取输入HSI的光谱波段信息,再利用自编码器提取的波段相关性和深度特征生成波段权重;然后对输入HSI的光谱波段进行加权;最后将加权后的图片输入到分类网络中得出预测结果.在PaviaU和Salinas数据集上的实验结果表明,与现有基于深度学习的加权方法相比,该方法具有更好的分类性能.     

基于二代Bandelet和主成分变换的高光谱遥感图像融合

针对高光谱遥感图像具有波段多、波段间冗余大的特点,提出一种基于二代Bandelet和主成分(principal components analysis,PCA)变换的高光谱遥感图像融合的方法,利用二代Bandelet变换进行图像的多尺度几何分析,得到每个波段图像的Bandelet系数和几何流,对多个波段Bandelet...     

基于视觉显著性波段选择的高光谱分类

波段选择是一种能够减少高光谱图像数据量的同时不改变其物理信息的处理方式,然而,大部分波段选择方法都以选择信息量最大的波段子集为思路,而信息量最大的波段子集却并不一定在后续的分类中有着最佳表现.为达到更好的高光谱分类效果,引入视觉显著性方法,定义基于显著图的波段评价指标,以充分利用各波段图像的空间信息,结合固有的光谱信息进行波段选择,并提出一种半监督波段选择方法,该方法通过少量标记样本指示各类地物空间位置,通过各波段显著图在不同地物位置处的差异大小判别各波段可分性;考虑到波段间存在重叠信息,引入结构相似度筛去冗余波段.最后在3个高光谱数据集(KSC,pavia, paviaU)上验证了提出方法的有效性.     

基于光谱差异均衡区间筛选的高光谱目标检测

如何快速、准确地进行目标检测,是高光谱遥感图像在实际应用中面临的关键问题.波段选择是提高高光谱数据利用效率的途径之一,针对目前基于光谱匹配的高光谱目标检测算法数据利用率低,易受冗余信息干扰导致检测率不理想的问题.在构建光谱区间差异均衡化计算模型的基础上,提出差异均衡化的光谱子区间提取方法.使用实测高光谱遥感影像数据集对方法进行验证.结果表明,相比于采用全谱段数据以及其他波段选择方法的目标检测结果,所提出的方法在计算耗时、检测准确率方面均取得更理想的结果,可高效实现高光谱图像的目标检测.      

随机森林在高光谱遥感数据中降维与分类的应用

高光谱数据的特征数目庞大,而且波段之间存在冗余信息,对高光谱数据进行分类的成本较高,因此需要提取合适的特征达到提高效率的目的.随机森林作为一种热门算法,广泛应用于各种分类、特征选择等问题中,均取得了良好的效果.本文选择北京小汤山农业试验区的OMIS高光谱影像作为研究数据,利用随机森林算法计算每个特征的重要性指标并对其排序,针对面向精度和效率的特征选择策略,使用RF-RFE波段选择方法去除价值低的特征分别得到最佳波段组合,实现高光谱数据降维,进行随机森林、支持向量机分类.实验结果表明随机森林分类精度为72.82%,SVM分类精度为65.21%,随机森林分类器优于SVM,是一种较好的高光谱数据分类器.     

基于烟花算法降维的高光谱图像分类

为降低高光谱数据量及计算复杂度,避免后续分类中的Hughes现象,提出一种基于烟花算法降维的高光谱图像分类方法.烟花算法采用类内紧密性系数与类间分离性系数的加权和作为波段选择的度量准则,通过在高光谱数据空间内进行搜索,不断更新直至收敛,从而获得最优波段组合.基于印第安纳数据集(AVIRIS)和帕维亚大学数据集(ROSIS)数据对烟花算法、遗传算法和禁忌搜索算法进行波段选择的仿真实验,结果表明:烟花算法选择出的波段组合数目相对较少,具有较低的算法复杂度,减少了耗时;利用获得的波段组合进行高光谱图像分类时,与遗传算法、禁忌搜索算法的波段选择方法相比,文中所提方法在总体分类精度和Kappa系数上分别提高0.06%~4.72%和0.00~0.09,可以得到令人满意的分类结果.