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．     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

基于分水岭的高光谱图像分类方法

近年来,高光谱图像的分类受到了广泛的关注,许多机器学习的方法都在高光谱图像上得到了应用,如SVM、神经网络、决策树等.为了提高分类精度,通常将图像的光谱信息与空间信息结合起来进行分类.本文提出了如何利用分水岭分割得到的空间信息来得到更精确的分类结果.首先利用分水岭得到图像区域信息,然后根据一个区域中是否含有训练样本而采取不同的策略得到该区域中所有点的类别.本文在两幅图像上分别用SVM和联合稀疏表示对该方法的有效性进行验证,实验结果表明该方法优于其他一些同类方法.     

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.     

基于张量分析和小波包变换的高光谱图像压缩

高光谱图像拥有巨大的数据量,造成其保存和传输非常不便,因此高光谱图像的压缩显得尤为重要.提出一种基于张量Tucker分解和小波包变换的高光谱图像压缩算法.首先,该算法利用Tucker分解的性质,充分提取高光谱图像中各个模式下的信息,并利用其中包含有空间信息的光谱模式对高光谱图像的光谱维进行解相关.然后,运用比经典Mallat小波分解更为有效的小波包变换对光谱去相关后保留下来的主成分进行JPEG2000压缩.实验结果表明,本算法压缩性能远远好于经典的三维小波算法,并且由于张量分解的应用,不论在码率失真表现还是信息保真度上,本算法均比基于一维主成分分析的高光谱压缩算法更具优势.     

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。     

基于多分类器融合的高光谱图像分类研究

针对由于高光谱图像存在数据量大、数据相关性强、图谱合一等特点导致高光谱图像分类难度较大的问题,构建一种基于多分类器融合的高光谱图像分类模型.该模型首先使用双边滤波算法进行去噪处理,然后使用LDA算法与PCA算法相结合、单独PCA算法、Gabor滤波与PCA算法相结合三种方式分别对数据进行降维与特征提取,并分别使用SVM...     

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...     

基于改进标签传播算法的高光谱图像半监督分类

针对标签传播算法缺乏对新生成样本的评价进而影响分类精度的问题,本文提出一种利用阈值的标签传播算法来提高高光谱图像的分类精度。首先,用基于图像融合和递归滤波的特征提取方法对原始高光谱图像进行处理。然后,给出一个阈值并对标签传播算法新生成样本进行评价,保留一些可信度较高的样本。最后,保留的新样本和已标记样本之和作为训练样本,对图像进行分类。实验表明,基于改进标签传播算法优于其他的高光谱图像分类算法。     

一种高光谱遥感影像的三维卷积神经网络语义分割方法

高光谱图像具有丰富的光谱信息和空间信息,综合运用空间特征和光谱特征是提高高光谱图像分类精度的关键.针对传统二维的卷积神经网络无法充分利用高光谱丰富光谱信息的问题,设计一种基于三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)的深度卷积编解码网络,将三维卷积神经网络引入编码结构,同时提取光谱和空间特征,并且在池化层引入池化索引策略;解码部分利用最大池化索引上采样操作.两个高光谱遥感影像公开数据集的分类实验结果表明,实现了高光谱的空间和光谱特征的融合提取,较基于2D-CNN的分类方法能够获得更高的分类精度.     

基于模糊空谱特征的高光谱图像分类

难以兼得高空间分辨率和光谱分辨率的高光谱遥感数据常存在“同物异谱”和“同谱异物”现象，这种光谱异质问题给分类过程带来了一定的不确定性，且现有深度分类网络存在空间信息利用不足和拟合退化问题.提出一种联合空间和模糊光谱特征的双分支高光谱遥感图像分类方法，通过在光谱分支中设计非对称卷积模糊模块增强卷积层的光谱表征能力，解决分类数据中的光谱异质问题，进而对地物特征进行精确的分类描述.采用门控循环单元模型分组获取相邻光谱序列信息，缓解因网络深度增加带来的拟合退化问题，在空间分支中利用波段间的相关性引入卷积长短时记忆模块，充分捕捉空间上下文信息.在三个公开的高光谱数据集上的实验结果表明，双分支结构的模糊分类网络能充分利用光谱和空间包含的细粒度信息，更具判别力的空谱特征有效地克服了光谱异质问题，比流行的深度学习方法取得了更好的分类结果 .     

基于高光谱图像的分类方法研究

随着高光谱图像技术的发展,高光谱图像在众多领域得到了广泛应用.高光谱图像分类是其应用领域的一个重要分支,其中高精度的分类算法则是实现准确分类的前提.高光谱图像分辨率高、波段数多、数据量大等特点给传统分类技术带来了巨大挑战.该文综述了基于高光谱图像的支持向量机分类法、人工神经元网络分类法、决策树分类法、最大似然分类法等监督分类方法以及K-均值聚类法和迭代自组织方法等非监督分类方法,并结合实际高光谱图像数据给出应用实例.基于不同应用需求,以上两类分类方法均能最大程度地挖掘高光谱图像的图谱信息,从而实现更加准确和精细的模式识别.     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

一种基于支持向量机和主成分分析的多光谱图像的分类方法

多光谱图像分类方面,由于普通的SVM方法没有考虑多光谱图像具有高维度和冗余的特点,因此难以实现令人满意的分类精度.本文提出了一种基于SVM和主成分分析相结合的多光谱的图像分类方法.并用5幅6波段两类地形的多光谱图像进行实验.实验结果表明,这种分类方法与普通的SVM方法相比提高了多光谱图像的分类精度.     

一种基于小波PCA的高光谱图像特征提取新方法

针对高光谱图像数据量大、数据维数高、光谱信息丰富的特点,提出一种基于小波分解的主成分分析(PCA)降维的特征提取新方法.该方法充分利用小波变换的优势,在光谱域内针对每个像元进行降维,既减少了数据量,还能保留光谱信号的差别;PCA方法充分利用像元间的相关性,保留不同类在相邻像元间的局部空间信息,弥补了空间域内小波变换类间可分性较差的问题.实验结果表明,小波分解与PCA相结合的特征提取方法能够有效地提高高光谱数据分类效率及分类精度.     

基于自适应核联合稀疏表示的多特征高光谱图像分类

稀疏表示已被证明是高光谱图像(HSI)分类中的有力工具,同时利用多种特征信息进行联合分类的优点在HSI图像分类领域受到关注,但多特征数据的稀疏策略以及数据的非线性是两个棘手的问题.为此提出了自适应稀疏模式的核联合稀疏模型对高光谱图像进行分类.对于几个互补特征(梯度,文理和形状),该模型同时获取每种特征的表示向量,并且通过施加自适应稀疏策略ladaptive,0来有效利用多特征信息.自适应稀疏策略,不仅限制不同特征空间的像素通过来自特定类的原子表示,而且允许这些像素选定的原子不同,从而提供更好的表示方法.此外,提出的核联合稀疏表示模型用于处理数据的非线性问题.核模型将数据投影到高维空间以提高可分离性,实现比线性模型更好的性能.在数据集Indian Pines和University of Pavia的实验结果表明,所提出的算法表现出更高的分类精度.     

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.     

利用特征子空间评价与多分类器融合的高光谱图像分类

为应对高光谱图像分类中的特征高维度问题,提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性,通过自适应子空间分解产生多个特征子空间,进而训练生成子分类器;利用ReliefF-S算法,对各特征子空间进行评价并生成各子分类器的权重,最终通过加权表决融合实现分类决策.实验表明,所提方法可有效规避高维特征问题并提升分类性能.