高光谱遥感图像最优波段选择方法的研究进展与分析

随着成像光谱仪的发展日益成熟,高光谱遥感图像的研究已进入到一个新的阶段--对获取的高光谱数据进行有效处理和利用的阶段。目前的处理方法主要集中在对高光谱图像的数值分析处理上,比如大气校正、降低数据维数、信息提取、分类与目标探测等方面。高光谱图像相邻的波段之间一般具有较大的相关性,并不是所有的波段对于后续处理都有着同等的重要性,通过选择最优波段而组成新的高光谱图像空间,在不损失重要信息的条件下可以代表其他波段的信息。因而需要在更合理的数学模型的指导下,按照一定的准则,来决定最佳波段的选择问题。对目前国内外高光谱图像的各种波段选择方法进行了综合归纳和分析,力图为高光谱图像处理寻找突破点,加强此领域的研究力度。     

基于子空间划分和自我表示学习的高光谱波段选择

基于高光谱图像的应用,在不降低性能的前提下,选择具有信息和代表性的波段是大数据环境下一项具有挑战性的任务.许多波段选择方法忽略波段的有序性,只考虑波段的冗余性,这会导致有价值的波段丢失,而保留无用的波段.针对此问题,提出了一种自适应子空间划分和自我表示学习的高光谱波段选择方法(Adaptive subspace par...     

结合边缘采样与差分进化的高光谱图像半监督协同分类框架

高光谱遥感是对地面观测的一种重要手段,高光谱图像分类技术是高光谱遥感领域内的核心内容。针对在扩充训练样本集的过程中,未能充分结合无标签样本与有标签样本,以及在训练过程中,各个分类器未能很好地进行决策融合等问题,在协同训练Tri-training算法的基础上,提出了一种结合主动学习和群智能算法的半监督分类框架。该分类框架以Tri-training作为半监督分类算法,通过多准则多标准边缘采样(Multi-criteria multi-edge sampling,MCMS)主动学习算法和自适应差分进化算法(Self-adaptive differential evolution,SADE)选择信息量最丰富的无标签样本,并将经过两次寻优的样本标记加入训练样本集中辅助初始化分类器。实验结果表明,该分类框架有效地克服了有标签样本少的问题,充分利用无标签样本提高了分类精度。     

基于改进随机漫步的高光谱图像分类方法

基于改进随机漫步的结合光谱信息和空间信息的高光谱图像分类方法,包括两个主要的步骤:首先,用SVM获得能够反映图像中的每个高光谱像素属于不同类别的分类概率图;然后,用结合高光谱图像空间信息的随机漫步算法对获得的像素级的分类概率图进行优化。该分类方法展示出较高的分类精度,尤其是在训练样本较少的情况下。     

基于3D-CNN的高光谱遥感图像分类算法

现有的三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)模型常有参数过多和特征提取不全面的情况,并且对样本标签有限问题的处理存在不足。针对样本标签有限的问题,采用生成式对抗网络模型对原始数据进行数据增强,解决了个别样本标签少导致分类模型出现过拟合的现象;针对3D-CNN网络提取特征不全面的问题,所设计高效的3D-CNN网络模型,在网络中加入纹理信息增强模型,使网络能更好地提取图像的空谱特征。实验表明,算法在小样本数据情况下比原始网络分类精度更高,能自适应提取高光谱图像的空谱联合特征。     

代价敏感特征选择和半监督学习相结合的乳腺癌辅助诊断

乳腺癌在X光图像下的主要表现是肿块和微钙化点.传统的诊断方法一般假设从图像肿块和微钙化点中提取的特征是正确有效的,且采用监督分类器进行诊断.但在实际中,一方面不能完全保证所有被提取特征的正确性;另一方面,由于高昂的标记代价,导致大量样本无标记.针对上述两个问题,本文提出了一种新颖的诊断方法.一方面,为了消除特征冗余和选择出对分类有用的判别特征,提出改进的代价敏感选择性集成法用于选择特征;另一方面,为了利用未标记样本信息,设计了一致性协同学习半监督分类器.在公共乳腺癌数据库DDSM上的实验表明,所设计的乳腺癌辅助诊断方法与其他方法相比具有更好的诊断性能.     

基于特征变换的高光谱图像压缩快速矢量量化算法

矢量量化能够得倒良好的压缩效果但有着计算复杂度高的缺点.提出了一种基于特征变换的快速矢量量化算法来压缩高光谱图像.该算法利用了高光谱高维空间大都是空的,可以用较低的子空间来表示这一特点.在较低维数的子空间进行矢量量化会大大降低运算的复杂度.所提出的算法在获得和经典的扩展劳埃德算法效果相当的情况下,大大降低了运算时间.     

过滤特征基因选择及演化硬件急性白血病分型

提出一种基于虚拟可重构结构的内部演化硬件癌症分子分型方法. 为有效处理DNA微阵列数据和便于硬件实现,对比研究了5 种基于过滤模式的信息基因选择方法. 演化硬件通过系统学习和系统分类两个阶段对经过特征选择的信息基因进行处理. 对急性白血病数据集的实验结果表明,基于信噪比信息基因选择方法的演化硬件分类器识别率最高. 演化硬件具有和其他传统模式识别方法可比的识别率,识别时间仅需0.12 ms.