基于视觉显著性波段选择的高光谱分类

波段选择是一种能够减少高光谱图像数据量的同时不改变其物理信息的处理方式,然而,大部分波段选择方法都以选择信息量最大的波段子集为思路,而信息量最大的波段子集却并不一定在后续的分类中有着最佳表现.为达到更好的高光谱分类效果,引入视觉显著性方法,定义基于显著图的波段评价指标,以充分利用各波段图像的空间信息,结合固有的光谱信息...     

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...     

基于自适应波段聚类PCA的高光谱图像压缩

对高光谱图像进行有效压缩已经成为高光谱遥感领域的研究热点。针对现有高光谱图像压缩算法谱间特性利用不够充分的问题,提出了一种自适应波段聚类PCA(principal component analysis)与JPEG2000相结合的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段聚类,对聚类后的各个波段组分别进行PCA运算,最后利用JPEG2000标准对所有主成分进行编码压缩。对高光谱图像进行波段聚类,不仅能更有效地利用谱间相关性,提高压缩性能;还可以降低PCA的运算量。实验结果表明,该算法在相同压缩比下,其信噪比、异常检测、光谱角性能相比对比算法均有所改善。     

近邻系数协同强化人脸图像子空间聚类法

针对最小二乘回归子空间聚类法没有考虑近邻样本对求解表示系数的影响这一不足,提出近邻系数协同强化子空间聚类法.该方法利用近邻样本相似导致表示系数接近的思想定义近邻系数协同强化项.通过近邻样本的系数强化表示系数,从而得到更能反映样本相似度的相似矩阵,进而提高聚类准确率.在6个人脸图像数据集上的实验表明该方法是有效的.     

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%.     

基于子空间距离的高光谱图像光谱解混算法

高光谱图像中的混合像元由固定的端元按照一定的比例含量（丰度）线性混合而成,在像元中分解出端元以及各端元的丰度是高光谱图像分析中具有挑战性的任务,这一过程称为光谱解混．高光谱图像的一个重要几何特征是在高维特征空间中体现为单形体．在三角形中,平行线分线段等比定理揭示了计算丰度最基本的几何关系一距离比,文中把它推广到高维空间中的单形体情况,在此基础上提出了基于子空间距离比的光谱解混算法,该算法能快速、有效地获得丰度．     

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MapReduce的并行子空间聚类算法

随着现有数据体量的迅速增长,超大规模中高维数据集的聚类问题变得越来越重要;而现有的子空间聚类算法大多是单机串行执行,处理此类问题效率极低。讨论了利用MapReduce对这类数据集进行并行聚类的方法,提出了基于MapReduce的抽样-忽略子空间聚类算法(sample-ignore subspace clustering using MapReduce,SISCMR)。该算法将串行聚类算法用作插件,具有很好的通用性。在人造和真实数据集上进行了大量实验,其中最大为0.2 TB的数据集在128个核心的集群中仅用不到10 min就完成了聚类,验证了该算法良好的聚类质量、近线性的可扩展性和高效的聚类性能,证明了基于MapReduce的并行聚类的可行性。     

基于复值特征子空间的高光谱图像去噪

针对传统的高光谱图像去噪方法忽视高光谱图像强烈的谱间相关性和图谱合一的问题,提出了一种基于复值特征子空间的高光谱图像去噪方法.该方法首先基于光谱数据的相似性对复域信号进行奇异值分解(Singular Value Decomposition,SVD)分析,选择最能代表信号子空间的最优低维特征子空间,然后基于非局部复域块匹配3D(Complex-Domain Block-Matching 3D,CDBM3D)滤波器对特征图像进行滤波.实验结果表明,本文算法对噪声具有较强的鲁棒性,可以有效恢复低信噪比的高光谱数据.与其他方法相比,本文方法在所有波长的RRMSE值最小的情况下准确性最佳.     

基于子空间追踪算法的稀疏子空间聚类

稀疏子空间聚类是处理高维数据聚类的有效途径,而相似度矩阵的构造是稀疏子空间聚类的关键一步。文章引入子空间追踪算法来构造相似度矩阵,并由此给出了保证特征选择和特征再选择的充分条件。数值实验表明,子空间追踪算法所选择的原子相比经典的正交匹配追踪算法,其选择的原子更具代表性,精确特征选择率更高,聚类误差也得到了保留甚至更低。     

基于光谱差异均衡区间筛选的高光谱目标检测

如何快速、准确地进行目标检测,是高光谱遥感图像在实际应用中面临的关键问题.波段选择是提高高光谱数据利用效率的途径之一,针对目前基于光谱匹配的高光谱目标检测算法数据利用率低,易受冗余信息干扰导致检测率不理想的问题.在构建光谱区间差异均衡化计算模型的基础上,提出差异均衡化的光谱子区间提取方法.使用实测高光谱遥感影像数据集对方法进行验证.结果表明,相比于采用全谱段数据以及其他波段选择方法的目标检测结果,所提出的方法在计算耗时、检测准确率方面均取得更理想的结果,可高效实现高光谱图像的目标检测.      

基于属性最大间隔的子空间聚类

子空间聚类能有效的发现各簇与所属于的子空间的联系,同时减少高维数据中因为数据冗余和不相关属性对聚类过程产生的干扰.已有的子空间聚类方法强调各子空间中簇的发现,往往忽略子空间的划分.提出了基于属性最大间隔的子空间聚类,该方法主要思想是对子空间的划分时信息的丢失达到最小,从而子空间聚类的结果的效果比较好.主要工作包括:第一,建立了子空间划分的目标函数,也就是使各划分的子空间相互依赖达到最小,第二,设计了基于属性最大间隔的子空间聚类算法Maximum Margin Subspace Clustering(MMSC)进行子空间聚类集成.最后,采用UCI和NIPS2013比赛等数据来做实验,结果表明,在大多数数据上MMSC算法比其他子空间算法能得到更好的聚类结果.     

基于K近邻字典的协同表示高光谱图像分类方法

近年来基于协同表示的分类方法在高光谱图像分类领域取得很大的成功.但在重建测试样本时,由于用全部训练样本充当字典,导致一些差别较大的样本参与表示,不仅影响分类的精确度,还浪费分类时间.在实施空-谱联合后,用K近邻对重构字典做出二次选择,并参照最近正则子空间的做法提出基于K近邻字典的协同表示分类器.通过在两个基准HSI数据集上的实验证明,所提分类器既提高了分类精度,还节省了分类时间,特别对小样本类别的分类效果改善更明显.     

基于HJ-1A高光谱数据的有效波段批量提取方法研究

遥感图像数据的质量好坏会直接影响到高光谱数据应用时的有效性.我国环境一号卫星2级高光谱数据中的条带噪声极大地影响了图像的质量.为解决快速批量剔除干扰严重波段的问题,提出了一种基于向量夹角的有效波段批量提取方法,并与传统方法进行了性能对比分析,包括方法的准确性、鲁棒性、对图像计算区域的要求、运算速度等.在原理和实验的基础上分析了这些方法的优劣势以及适用范围.实验结果表明向量夹角法有效性最佳.     

基于候选对象裁剪的密度子空间聚类

针对目前子空间聚类算法存在精度差、效率低的问题,设计了一种子空间聚类算法DSUB.提出了裁剪候选对象的方法,减少了候选聚类对象的个数且对候选对象分组,使得待搜索的聚类簇只能是某个组的子集,可降低后续聚类处理的复杂度.此外,提出了新的邻域查询方法和抽样覆盖策略用以提高密度聚类的处理速度.实验结果表明:DSUB算法精度高,能够发现任意形状的聚类簇;计算复杂度与数据量呈线性关系;抗噪声性能强;聚类结果与处理顺序无关.DSUB算法非常适合处理子空间聚类.     

多光谱遥感数据最佳波段选择的研究

分析了最佳波段选择的最佳指数方法,并指出该方法的不足之处.在实践过程中,根据多光谱遥感数据各波段用途、研究区地物的光谱特征及最佳指数来考虑最佳波段的选择,取得了比较好的效果.     

GETM 多光谱遥感数据最佳波段选择方法研究

分析了最佳波段选择的各种理论模型,利用相关性比较法,最佳指数法和多光谱遥感数据各波段用途、研究区地物光谱特征结合的方法来选择最佳波段,得到了较好的结果.     

基于子空间融合的多视图聚类算法

提出一种新颖的多视图子空间聚类算法,不再对包含各种噪声以及冗余信息的原始数据进行特征融合,而是通过对不同视图的低维子空间表示进行融合,得到一个公共的低维子空间表示.将这个子空间表示作为相似度矩阵进行谱聚类,以得到更优的聚类效果.在3个广泛使用的多视图基准数据集上进行了实验,实验结果证明了所提出算法的有效性.     

基于论域划分的无监督文本特征选择方法

由于缺乏类信息,使得无监督文本特征选择问题一直未较好地加以解决。为此,对该问题进行了研究并提出了一个基于论域划分的无监督文本特征选择。该方法主要是把论域划分的思想引入到无监督文本特征选择之中,其首先使用一种新型无监督文档进行文本特征初选以过滤低频的噪声词,然后再使用所给的基于论域划分的属性约简进行文本特征优选。实验结果表明这个方法能够克服文本聚类时缺乏类的先验知识的不足,可以较好地解决无监督文本特征选择问题。     

一种改进的稀疏子空间聚类算法

在现有的稀疏子空间聚类算法基础上提出了一个改进的稀疏子空间聚类算法。首先,利用高维数据可以通过同一子空间的低维数据稀疏地表示这一理论,建立一个稀疏最优化模型,获得稀疏矩阵。然后把稀疏矩阵应用到一个正则化谱聚类算法中,从而有效地把数据聚类到子空间中。最后,该算法应用到一个视频序列中,对每个视频帧里的运动物体进行识别,并与现有的子空间聚类算法相比较。实验结果表明,该算法能够有效地识别运动物体,具有良好的实时性和有效性。