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.     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

基于加权仿射变换算法的高光谱数据降维

提出一种基于噪声白化和端元提取的加权仿射变换算法用于高光谱图像数据降维,相比较于基于端元提取的仿射变换算法,通过该算法降维后数据的信噪比更高,同时对原始信息的保存量更大,波段之间的相关性更低,从而表明了该算法的有效性.     

分块PCA在脸像识别中的应用

鉴于整幅人脸图像主成分提取（PCA）特征脸算法的高计算复杂度,本文提出了基于分块PCA的脸像识别算法,先对每幅脸像等分成相同的块,再对各子块图像预处理,采用像素均值法的降采样和能量归一化处理以降低维数和消除光照的影响,再合并成一个向量,将预处理得到的向量进行PCA降维,最后采用k-近邻分类器进行分类识别。在Yale人脸库中实验结果表明该方法的有效性。     

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.     

基于支持向量机的快速高光谱分类研究

提出了一种基于支持向量机的快速高光谱分类方法.首先采用基于主成分分析和Bhattacharyya距离的方法进行特征降维,然后通过二叉树的支持向量机(Binary tree of SVMs,BTS)来减少一次分类所需的两类支持向量机个数,最后采用简化支持向量技术进一步减少支持向量的数量.实验采用真实高光谱数据,并与4种其他方法进行比较.结果表明,该方法能有效地加快分类速度.     

基于1mm精度路面三维图像的裂缝自动并行识别算法

为了快速、准确、完整地识别裂缝,基于1 mm/像素的路面三维图像提出了具有并行结构的裂缝自动识别算法.首先,进行降维处理,分别以像素(0,0)和(4,4)为起点将源图像划分为8×8像素的子块,获得2幅部分重叠的降维图像;然后,基于降维图像进行裂缝种子识别和裂缝连接,形成10个并列的子流程,从而产生10幅初步裂缝图像;最后,对10幅图像进行裂缝融合与滑动窗口去噪处理,获得裂缝图像.测试结果表明:提出的算法具有较高的准确率(平均92.56%)和召回率(平均90.59%),并以90.59%的F值优于Otsu阈值分割及Canny边缘检测算法;该算法的并行结构有利于程序并行化,能有效提高运算速度.     

流动人口城市融入的复杂性逻辑

为实现高光谱影像数据快速降维,基于nVidia 的图像处理单元(graphic processing unit, GPU)研究最大噪声分数变换（Maximum Noise Fraction Rotation,MNF Rotation）降维算法的并行设计与优化,通过对加速热点并行优化,择优整合,设计并实现基于CUBLAS(CUDA Basic Linear Algebra Subprograms)库的MNF-L（MNF-on-Library）算法和基于CPU/GPU异构系统的MNF-C(MNF-on-CUDA)算法.实验结果显示MNF-L算法加速11.5~60.6倍不等,MNF-C算法加速效果最好,加速46.5~92.9倍不等.研究结果表明了GPU在高光谱影像线性降维领域的巨大优势.     

基于语义相似度的文本表示降维方法

数据降维是文本表示中不可或缺的一个环节,有效的数据降维方法不仅能够减少计算量,同时有助于文本处理精度的提高.不同于传统的利用统计信息进行降维的方法,本文提出了一种基于词汇的语义相似度的文本表示的降维方法,该方法结合自然语言处理的知识,在降维环节考虑了特征词的语义信息和词性信息.实验结果表明:该方法能够有效地降低文本表示的维数,并在降维后的空间获得较高的文本处理精度,基于语义相似度的降维方法是一种适合文本处理的降维方法.     

一种自适应产生超像素个数的道路图像分割算法

针对超像素分割算法需要人为设置初始超像素个数和目标边缘分割不精确等问题,提出一种自适应产生超像素个数的道路图像分割算法。该算法主要包含超像素的获得和超像素的合并两阶段。在超像素的获得阶段,首先通过计算图像区域数对应的图像颜色分量直方图峰值个数自动获得初始超像素个数,然后基于简单线性迭代(SLIC)算法在图像过分割的基础上利用颜色分量最大差值对过分割超像素块进行欠分割检测与处理,实现超像素的精确分割。在超像素的合并阶段,通过融合超像素颜色和纹理特征建立超像素间相似度信息表,最后在结合空间位置相邻性的基础上实现超像素的合并。实验在自动驾驶场景评测数据集KITTI上对本文算法进行验证和测试。结果表明,本文提出的算法与其他道路图像分割算法相比,在总体精度、平均召回率以及F1值3个指标上均有较好的效果。     

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CUBLAS和CUDA的MNF并行算法设计与优化

为实现高光谱影像数据快速降维,基于nVidia的图像处理单元(graphic processing unit,GPU)研究最大噪声分数变换(Maximum Noise Fraction Rotation,MNF Rotation)降维算法的并行设计与优化,通过对加速热点并行优化,择优整合,设计并实现基于CUBLAS(CUDA Basic Linear Algebra Subprograms)库的MNF-L(MNF-on-Library)算法和基于CPU/GPU异构系统的MNF-C(MNF-on-CUDA)算法.实验结果显示MNF-L算法加速11.5~60.6倍不等,MNF-C算法加速效果最好,加速46.5~92.9倍不等.研究结果表明了GPU在高光谱影像线性降维领域的巨大优势.     

一种基于超像素的户外建筑图像布局标定方法

提出了一种提取户外建筑目标图像中布局信息的方法.首先,基于超像素技术对所给的图像进行大致区域划分.超像素技术是基于一个测度谓词,其利用图像的基于图论的表示法来判定两区域的边界;其次,以划分后的区域(称为超像素)为单位,利用颜色、位置、纹理等信息对其进行标记.在标记纹理特征时,采用了基于3D基元的纹理识别方法.最后,定义规则整合各项标记,实现了对图像内容的划分,提取其布局信息.实验结果表明,该方法应用于常见几种布局的户外建筑目标图像都能收到较好的效果.     

一种利用单形体体积自动提取高光谱图像端元的算法

高光谱数据端元的提取是理解高光谱数据、继而对数据进行进一步分析（比如解混、填图等）的前提.基于高光谱数据在特征空间的几何特性提出了一种基于高维单形体体积的自动提取高光谱数据端元的快速算法，与N-FINDR方法中所用单形体体积公式受限于数据维数的缺陷相比，该方法适用于任何维数的数据，因而也更加合理和有效.利用在Cuprite获取的AVIRIS数据来验证此算法.     

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.     

基于SLIC和动态区域合并的岩屑图像分割

岩屑图像分割要求精度高、速度快和鲁棒性强。针对这些要求,提出了基于SLIC(simple linear iterative clustering)和动态区域合并的分割算法。SLIC算法能产生形状规则、大小均匀、排列紧凑的超像素区域。但是SLIC分割后的图像过分割问题严重,为了降低过分割率,提出了基于NNR的动态区域合并算法,将超像素区域进行相似性合并。实验结果表明,将该算法用于岩屑颗粒图像分割,能够取得较好的效果。     

基于多特征光谱融合的蔬菜农药残留检测模型

针对蔬菜农药残留检测问题,提出一种基于多特征光谱融合准则的蔬菜农药残留检测模型.该模型对蔬菜的光谱图像特征进行主成分降维分析,分别基于全光谱和特征光谱进行不同线性判别特性的检测性能分析.最后,针对单一特征检测和多特征融合检测的检测效果进行了充分的仿真分析.实验结果表明,基于多特征光谱融合的蔬菜农药残留检测方法明显提升了农药的检测正确率.     

基于组合降维及旋转SVM的高光谱图像分类

高光谱图像的超多波段可以描述丰富的地物信息,但是也带来了维数灾难的问题。文章提出了主成分分析(principal component analysis,PCA)与线性判别式分析(linear discriminant analysis,LDA)组合降维方法,使类内距离最小化、类间距离最大化,有效地消除数据冗余并保留主要信息量,保证了降维后的数据具有最佳区分度;旋转森林是一种先进高效的集成学习算法,将基分类器由决策树改进为支持向量机(support vector machine,SVM),并将组合降维后的数据应用于旋转SVM分类器,分类精度有了显著的提高。实验对比分析表明,该方法具有较好的分类效果。     

基于LLE降维方法的Pareto优劣性预测

对于一个昂贵多目标优化问题,为了提高在决策空间Pareto优劣性类比不均衡情况下,Pareto优劣性预测的准确率,本文提出了一种基于LLE降维的Pareto优劣性预测方法.首先,根据决策空间等价维的划分,对LLE算法中最近邻的选取、最近邻个数k的确定以及降维后决策空间的维数进行了改进.然后,利用改进后的LLE算法,对决策空间进行分组降维.采用最近邻的框架,对降维后的决策空间进行Pareto优劣性预测.对比实验表明,本文所提出的方法,在决策空间Pareto优劣性类比不均衡情况下,Pareto优劣性的预测正确率有了明显的提升.     

基于简单线性迭代聚类算法和动态区域合并的岩屑图像分割

岩屑图像分割要求精度高、速度快和鲁棒性强。针对这些要求,提出了基于SLIC(simple linear iterative clustering)和动态区域合并的分割算法。SLIC算法能产生形状规则、大小均匀、排列紧凑的超像素区域;但是SLIC分割后的图像过分割问题严重,为了降低过分割率,提出了基于NNR的动态区域合并算法,将超像素区域进行相似性合并。实验结果表明,将该算法用于岩屑颗粒图像分割,能够取得较好的效果。