高光谱遥感图像最大似然分类问题及解决方法

利用最大似然分类器对高光谱遥感图像分类时,由于波段数目多、波段间的相关度大,使协方差矩阵的行列式近似于奇异,因而导致了不合理的分类结果。本文调整了波段协方差矩阵对分类的影响。改进了最大似然分类判决函数,利用改进后的判决函数进行分类,试验证明这种方法是有效的。另外,根据图像特征和经验对图像进行波段选择,也是改善高光谱遥感分类效果的有效途径。     

高光谱遥感波段选择的非线性投影寻踪方法

针对高光谱遥感波段选择问题，提出了一种非线性投影寻踪指标，构造了投影寻踪迭代算法．对植被高光谱遥感图像的实验分析表明，该方法所选出的三个特征波段基本上相当于三个主成分方向所包含的信息量，特别是提高了易混类别的分类精度．     

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.     

一种基于图像熵的密度峰值聚类波段选择方法

基于将图像熵引入到密度峰值聚类算法中以确定波段信息量,提出一种基于图像熵的密度峰值聚类波段选择方法.通过构建衡量波段重要性得分,解决了传统密度峰值聚类方法在波段选择时未考虑波段信息量的问题.实验结果表明,该方法的分类精度较传统密度峰值聚类方法平均提高2.12%.     

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.     

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。     

基于近邻子空间划分的高光谱影像波段选择方法

在降低高光谱遥感影像数据的冗余度方面,波段选择一直是一种有效的方法.近年来,提出了许多用于高光谱波段选择的聚类算法,但大多数算法只有在选择足够多的聚类中心时才能够表现出良好的性能.在选择少量波段时,往往效果很不理想,不能满足实际使用的目的.而且,随着聚类中心数量的增加,大多数波段选择算法的精度存在不同程度的下降趋势.针对当前基于聚类的波段选择方法存在对聚类中心数的强敏感性和选择的特征波段子集高相关性的问题,提出了一种基于近邻子空间划分的波段选择方法(SEASP).该方法主要包括近邻子空间划分和特征波段选取两个步骤.考虑到高光谱波段之间的有序性,SEASP首先计算出相邻波段之间的相关系数,得到相关系数向量.若两个波段之间的相关性在某个区间内最小,即相关系数的变化率在该区间内最大,说明这两个波段在很大概率上不属于同一组,为两个相邻分组之间的分割点.因此,在相关系数向量的基础上,计算出其对应的若干个极小值,通过极小值的选取来确定最终划分的子空间.最后以信息熵为度量标准从划分的子空间中选出特征波段子集.在3个公开数据集的实验结果表明,提出的SEASP算法与其他算法相比,不仅原理简单,而且在精度...     

基于上下文多字典学习的高光谱波段选择

高光谱图像存在大量冗余信息,波段选择是一种有效的减少冗余、降低光谱维数的方法.提出一种基于上下文多字典学习的高光谱图像波段选择算法.该算法使每个波段的图像都可以通过其他波段图像的线性组合来近似表示,而且能够保证相邻波段图像具有相似的性质.同时通过稀疏求解方法求出每个波段对应整个原始图像的权重,便可按照权重来选择波段.实...     

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.     

基于多特征图像集成的高光谱图像分类方法

对于多波段、高维度的高光谱图像,不同的地物有着不同的特征表示,单独的一种特征可能无法全面覆盖所有的地物信息。因此,希望获得多特征以尽可能的覆盖所有地物信息,以期有效地选择和利用多种类型的特征。本研究提出了一种基于多特征图像的集成学习方法(MFI-EL)用于高光谱图像分类。首先,不同的特征提取方法获得反映不同地物信息的特征图像。其次,每一种特征图像采用支持向量机分类,选择其中最优的作为基本核之一。最后,利用自适应增强方式不断进行学习,获得多个最优的基本核,根据每个核的重要性将其集成为最终的分类结果。采用三幅真实的高光谱图像进行实验,实验结果表明,提出的方法优于其他的集成方法。     

基于TM数据的敦煌绿洲土壤盐碱化信息提取研究

干旱、半干旱地区的绿洲盐碱化威胁着生态环境.随着空间信息技术的发展,遥感已被广泛应用于土壤盐碱化监测与制图.当前基于遥感技术的盐碱化信息提取方法主要归为基于图像光谱的直接提取方法和基于辅助数据的间接提取方法两大类.间接提取方法精度相对较高,但在缺乏辅助信息时并不可行,此时提高基于图像光谱特征的直接提取精度就尤为重要.本研究提出了一种优化波段组合的盐碱地提取方法,并引入了热红外波段,提高了直接提取方法的精度.以敦煌绿洲为研究区域,基于Landsat TM遥感图像中盐碱地的光谱特征,采用最佳指数因子确定盐碱化信息提取的最佳波段,结合图像变换及数据融合等图像处理方法,利用最大似然分类器进行了图像分类,提取出了敦煌绿洲盐碱地的分布区域.将不同波段组合、不同图像处理方法的分类精度检验结果进行比较得知,陆地卫星TM3,5,6和7波段组合的总体分类精度和盐碱地提取精度最高,增加热红外波段可使总体分类精度提高9%,盐碱地提取用户精度改善最高可达18%.     

面向多光谱生态遥感观测目标的波段配组方法

机载多光谱遥感是一种实现自然生态资源高精度定量监测的有效途径。随着观测目标数量和种类的不断上升,传统多光谱传感器固定的泛用波段不能完全满足观测需求,需要针对特定的生态目标选择特定的波段配组方案,发展可定制波段的多光谱传感器。提出一种面向多光谱生态遥感观测目标的波段配组方法,主要包括波段提取和带宽分析两部分。针对目前波段提取方法单一且未考虑生态参量的问题,提出一种混合的波段选择方法,综合考虑高信息量波段和与生态参量之间的关系。考虑波段带宽对定量反演的影响,提出一种综合考虑最大最小带宽的分析方法。以水质遥感为例,分析了针对化学需氧量和氨氮定量遥感的波段配组方案,并验证了本方法的可行性。本研究可为特定目标生态参量的遥感精确观测提供理论依据。     

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.     

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.     

基于ETM+遥感图像的图像融合试验及评价方法

为了对比分析不同方法在融合ETM+遥感图像的高空间分辨率全色波段和多光谱波段的效果,选取基于彩色技术的IHS和RGB变换、基于图像变换技术的PC变换、Gram-schmidt变换和基于算数技术的Brovey变换4种融合方法,对研究区域ETM+图像进行了融合,并采用衡量信息量的信息熵、标准差及衡量光谱保真能力的偏差指数和相关系数进行了融合效果评价。融合结果表明:依Brovey、IHS、PC、Gram-Schmit方法融合后的图像,其光谱保真程度逐渐降低。Brovey变换最大限度保持了原始图像的光谱信息,而空间信息的详细程度较差;IHS变换空间融合后的图像空间细节信息最大,但光谱保真能力差;PC变换和Gram-schmidt变换后融合图像的光谱保真和空间信息详细程度介于Brovey和IHS之间;Brovey和IHS有较好的融合效果。     

基于色彩空间变换的目标检测算法研究

对高光谱遥感图像的目标进行检测,通常采用异常检测算法.异常检测算法常在检测到目标的同时出现较多大噪声点和非目标异常点,为解决这一问题提出了一种基于HSV色彩空间的目标检测算法.利用背景和目标的光谱曲线特征,找到三个差异最大的特征波段子集进行平均,再进行假彩色合成并正变换至HSV色彩空间,以H分量为阈值进行目标检测.对仿真数据和真实高光谱数据进行了实验,实验结果证明了本算法的有效性.     

基于卷积神经网络和稳定性选择的农作物植被光谱分析方法

光谱特征提取是遥感植被精细化识别研究的关键.现有光谱分析方法大多无法直接高效的提取特征波段用于分类,往往依赖特征选择和预处理操作,目标识别精度不高.本文整合卷积神经网络(CNN)和稳定性选择改进光谱分析方法实现统一高效的光谱分析,以玉米、大豆、豆角、葡萄、大枣、辣椒、秋葵、芥蓝、韭菜和草皮10种农作物植被叶片光谱为实验对象,构建适用于农作物分类的CNN模型,获得植被分类结果.利用稳定性选择方法可视化CNN卷积-池化过程的特征选择结果,获得表征不同植被生化参数的特征波段.结果表明:1)改进的光谱分析方法很好的适用于光谱识别,分类准确率维持在97%～100%之间;2)该方法对光谱预处理依赖性最小,对光谱识别表现出较强的鲁棒性和泛化能力;3)特征波段的可视化结果证明了改进的光谱分析方法能够精准的提取农作物植被的敏感特征波段,间接说明了CNN模型卷积池化操作能够准确地提取光谱重要特征波段用于农作物光谱分类.     

基于ETM+遥感影像的森林植被信息提取方法研究

以南京市区的遥感影像图为研究对象,对基于ETM 遥感影像的森林覆盖面积提取的一般方法进行研究.笔者分析了ETM 影像波段的特征值和相关性,得出TM3、TM4、TM5之间的相关性小,包含信息量丰富;采用Brovey变换将TM3、TM4、TM5与PAN波段融合,并提出用融合后的波段TM4R和TM3R作归一化植被指数,得到NDVIR;然后利用最大似然法对融合图像和NDVIR的组合图像进行分类,根据分类结果计算出南京市森林覆盖率为38.63%.     

插值算法在高光谱数据中的应用

针对高光谱遥感数据具有波段多,各光谱通道间连续,含数据信息量大,像元光谱曲线交叉并不甚多等特点,就分析光谱曲线特点之后,选择性的运用波段插值方法进行光谱重建,利用MAT-LAB平台对多种插值算法进行了拟合实现。通过对比实验插值结果与原始数据,以及各插值算法插值精度,均方差和峰值信噪比等图像参数相互比较,显示用二次拟合的方法能够得到较好的拟合效果。     

一种基于宽度学习系统的谱-空高光谱图像分类方法

宽度学习系统(BLS)通过扩展网络结构的宽度有效地克服了深度学习中训练耗时的问题.由于在分类过程中缺失了空间信息的使用，BLS往往不能获得满意的分类结果.为了改善BLS的分类性能，提出了一种基于BLS的光谱-空间高光谱图像分类方法(PBLSS).该方法利用主成分分析方法对波段子集进行特征提取，然后用主成分代替原来通过随机特征映射得到的特征节点，从而丰富了特征节点的信息；利用超像素对分类图进行后处理，明显地改善了BLS的分类性能.3个常用的数据集的实验结果表明，PBLSS方法比BLS的分类精度有了明显的提高.