基于空间预处理联合稀疏表示高光谱图像分类

针对高光谱图像分类时光谱信息和空间信息利用不充分、分类精度低的情况, 提出一种结合空间预处理的联合稀疏表示分类方法。一方面能够弥补联合稀疏表示固定窗口模式中空间信息利用不充分的问题, 另一方面也避免了像元多次参与联合稀疏模型的构建过程。考虑每个像元对联合稀疏模型的贡献不同, 通过赋予邻域像元相应权重以提高稀疏重构精度。最后, 充分利用训练样本的已知信息修正分类结果, 在Pavia University和AVIRIS Salinas两个数据集上进行实验验证。实验结果表明, 所提方法能够有效地提高高光谱图像分类精度。     

基于自适应稀疏表示的高光谱遥感图像分类

针对多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题,从稀疏表示基本理论出发建立了一个基于自适应稀疏表示的高光谱分类模型。利用训练样本构建字典,聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,然后将测试样本看成冗余字典中训练样本的线性组合,令字典能够更适应于样本的稀疏表示。利用华盛顿地区的HYDICE高光谱遥感数据进行试验,并且与主成分分析、线性鉴别分析、支持向量机、神经网络算法进行比较,结果表明,该算法的总体分类精度比其他算法提高了约12%,有效提高了高光谱影像的分类精度。     

基于二级字典的联合稀疏表示高光谱图像分类

针对多数传统分类算法应用于高光谱分类存在的分类精度较低、光谱信息利用不充分的问题,在基于核函数的联合稀疏表示分类方法的基础上提出了一种基于二级字典的联合稀疏表示的高光谱分类算法。在字典原子前加入待测像元与该原子的引力,以达到更快捷地找到与待测像元相匹配的原子的目的。加入的引力值由万有引力公式改进的适应于高光谱图像的公式计算而来。为了使得稀疏重构后的残差波段中包含的具有一定意义的分类鉴别信息被充分挖掘,本文采用指数平滑公式对残差信息进行再利用。通过在Indian Pine数据集和Salina-A数据集上进行实验,验证了所提算法可以提升分类精度。     

基于核函数的联合稀疏表示高光谱图像分类

为了充分利用高光谱图像邻域像元间的相似性与独特性这一特征信息,提出了一种基于核函数的联合稀疏表示分类方法(kernel joint sparse representation classification, K-JSRC)来提高高光谱图像的分类精度。该方法通过一种改进的核函数对每个待测中心像元的所有邻域像元自适应的予以不同权重来测量待测中心像元与邻域像元的相似度从而得到不规则的最优邻域窗口。在Indian Pines和University of Pavia两个高光谱数据集上的实验结果表明,提出的分类算法对高光谱图像进行了很好的分类并且其分类精度优于同类算法。     

基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类

为了充分利用稀疏表示分类算法中重构残差包含的特征信息,将重构残差的波段信息反馈到测试样本中,自适应增强样本的稀疏特征提取。但反馈调整过程可能会出现特征过拟合的问题,为了进一步提高算法的稳定性和分类精度,提出了紧耦合像元生成算法(close coupled set of pixels, CCSP)来平滑特征分布以解决过拟合问题,并最终提出了基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类方法(close coupled set of pixels based adaptive boosting class wise sparse representation classifier, CCSP ABCWSRC)。在Indian Pines,University of Pavia,Salinas三个高光谱数据集上的实验结果表明,提出的算法对高光谱图像进行了稳定有效的分类并且其分类精度优于同类算法。     

基于加权稀疏子空间聚类多特征融合图像分割

提出一种图像分割的多特征融合加权稀疏子空间聚类方法。采用多种属性的特征能够更可靠地描述图像中不同物体的特性,提高分割的准确性和可靠性。定义了加权稀疏度量,即在1 范数中引入权重,权重与数据的相似度成反比,有利于迫使相似的数据尽可能参与到数据的自表示中,从而改善稀疏表示过稀疏并且不稳定的局限性。实验结果和客观指标表明,所提方法能有效地分割自然图像, 获得的结果更加符合人类视觉感知。     

图像分割的加权稀疏子空间聚类方法

在稀疏子空间聚类算法的基础上,提出一种基于加权稀疏子空间聚类的图像分割方法。利用加权的稀疏约束使得特征数据能够更好地被同一子空间内相似性高的特征数据线性表示,系数矩阵在类间更为稀疏。实验表明,给出的加权稀疏子空间聚类方法对于干净数据和带噪声的数据都能得到较高的数据聚类准确率,对自然图像能够得到比较符合人眼视觉特性的分割结果。     

基于稀疏表示分类的雷达欺骗干扰识别方法

为了应对基于数字射频存储的各种欺骗干扰信号, 提出了一种基于稀疏表示分类的欺骗干扰识别算法。通过小波包分解重构把信号划分为不同频段, 然后对信号提取三阶累积量切片特征构造特征矩阵, 并利用奇异值分解对特征进行降维, 提取主要分量。最后利用稀疏表示分类在不同频段上对信号进行分类识别, 利用决策融合的方法对分类结果进行整合。经验证, 该方法具有很好的抗噪性能, 能够有效识别几种常见的欺骗干扰信号, 在信噪比为0 dB时, 欺骗干扰平均识别率达到90%以上, 并与其他欺骗干扰识别方法进行了对比, 显示了所提方法的优越性。     

高光谱图像修复算法的自适应稀疏编码实现

针对高光谱图像(hyperspectral images,HSI)中缺损像元及条带影响图像后续处理及应用的问题,应用稀疏表示理论,将HSI修复问题建模为不完整观测下的信号稀疏重建问题,提出自适应稀疏编码实现的HSI修复算法。首先,对加性噪声假设下的HSI观测模型进行研究。然后,通过引入基于随机近似的在线学习优化方法,提出新的从高光谱数据中直接构造字典的算法,从而获取光谱字典。之后,应用变量分解和增广拉格朗日稀疏回归方法对图像进行稀疏编码求解。最后通过稀疏重构求得修复后的HSI。实验结果表明,相对于现有算法,在不同噪声条件下,所提算法均能够更有效地修复缺损的HSI,且与其他字典学习类修复算法相比计算耗时更短。     

基于三维注意力与混合卷积的高光谱图像分类

针对现有高光谱图像分类模型在特征提取的过程中有效特征关注缺乏的问题,提出了一种基于三维卷积注意力与混合卷积的高光谱图像分类方法。该方法使用三维卷积和二维卷积串联完成对高光谱图像空谱特征的提取,并在三维卷积阶段引入注意力机制,使得模型在提取底层空谱特征的同时实现对有效特征的关注和激活。相对于传统三维卷积模型,提出的分类模型减小了运算复杂度,提升了模型噪声抑制能力,提高了分类效果。针对该方法的消融实验证明了提出的三维卷积注意力机制的有效性,在印第安松树林和帕维亚大学两个公开数据集上与其他5种分类模型的对比实验中取得了最优的分类精度。     

核稀疏概念编码算法及在图像表示中的应用

稀疏编码算法是一种常用的图像数据表示方法.为了处理高度非线性分布的数据,文中提出了一种核稀疏概念编码算法,并应用于图像表示.该算法首先对邻域图进行谱分析,提取数据的几何流形结构信息;然后将原始特征空间数据映射到高维特征空间中,利用谱回归在高维特征空间中来计算基向量;最后在高维特征空间中对每个样本逐个进行表示.文中算法不仅能有效地处理非线性结构数据,而且只需求解一个稀疏特征值问题和两个回归问题,计算简单有效.在Yale、ORL和PIE图像库的聚类实验表明,文中算法的准确率和归一化互信息均优于其它几种对比算法.     

基于多重稀疏表示的声纳图像超分辨率重建方法

提出一种基于多重稀疏表示的声纳图像超分辨率重建方法。该方法针对声纳图像的光滑、边缘和纹理3种结构形态,分别利用离散平稳小波变换、contourlet小波变换和Gabor小波变换建立过完备字典,并对多重稀疏表示的声纳图像进行超分辨率重建。实验结果表明,该方法得到的超分辨率图像能够有效保持原始高分辨率图像的几何特征和纹理特征,可以得到更高的峰值信噪比,并且对噪声具有鲁棒性。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外,针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外,针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。