基于多分类器融合的高光谱图像分类研究

针对由于高光谱图像存在数据量大、数据相关性强、图谱合一等特点导致高光谱图像分类难度较大的问题,构建一种基于多分类器融合的高光谱图像分类模型.该模型首先使用双边滤波算法进行去噪处理,然后使用LDA算法与PCA算法相结合、单独PCA算法、Gabor滤波与PCA算法相结合三种方式分别对数据进行降维与特征提取,并分别使用SVM...     

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．     

基于空谱融合与协同表示的高光谱图像分类算法

高光谱图像光谱带间相似度高且存在大量高维非线性样本,传统的基于表示的分类方法无法对同一波段下的不同样本做出有效区分且会造成维数灾难,最终影响分类性能.提出一种空谱融合与协同表示的高光谱分类算法.通过交替学习空间和光谱特征构建具有判别性的特征字典,并用于空间感知协同表示.在分类过程中,计算特征字典与测试样本之间的相关系数...     

运用多光谱图像融合技术增强指纹图像

在不同波段光源照射下,利用数码相机拍摄疑难指纹,图像效果不尽相同,将所获得的多光谱图像进行融合处理,可以有效地改善原始图像的视觉效果,提高指纹图像的辨析程度。实验结果表明,多光谱图像融合技术能够显著地增强指纹图像,适于推广应用。     

基于传感器光谱特性与分类的遥感图像融合

为了提高多光谱图像和全色图像的融合质量,提出了一种基于广义亮度色度饱合度(IHS)变换与分类思想相结合的遥感图像融合算法.在充分考虑各波段传感器的相对光谱响应的基础上,在强度分量的构造和空间细节信息的注入方面进行了改进.改进后的方法首先对图像进行分类,然后采用高斯概率密度函数对分类构造后的影像进行加权融合,有效地改善了...     

一种基于模式识别分类器的图像融合方法

针对传统的模式识别方法使用单特征来确定某一模式的分类效果。提出了一种适合任何分类问题的模式识别方法。该方法与基于分类器直接分类结果的分类器融合方法相比在图像的边缘点具有很好的分类效果等优点。提高了分类精度;它是通过最优决策函数来实现分类的。     

采用ACGAN及多特征融合的 高光谱遥感图像分类

为解决标记样本缺乏、提升分类精度及增强模型容错性等问题,提出一种基于辅助分类器生成对抗网络(ACGAN)的分类方法.首先,将预训练的ACGAN模型作为光谱特征提取器,采用局部二值模式(LBP)算法提取图像的纹理特征;然后,融合光谱特征和纹理特征,由卷积神经网络(CNN)进行分类.在2个广泛使用的数据集上进行实验,结果表明:相较于其他方法,文中方法可显著提高分类精度.     

基于测试分类精度的多分类器融合方法

本文分析了影响分类器精度的因素,并提出了三种基于在测试例集上分类表现效果的多分类器融合方法.这三种方法的基本思想是:当使用多个分类器对未标注文本进行分类时,最终输出在测试例集上表现最好的那个分类器的结果.实验结果表明,这三种融合方法从一定程度上提高了分类器精度.     

一种新的多特征融合图像检索方法

为解决图像检索中单一特征检索性能不佳、多特征融合耗时的问题,提出了一种新的融合颜色特征和形状特征的图像检索方法。检索过程分为两个阶段:首先对图像进行圆环分块,提取图像整体和各圆环子块颜色特征向量,以特征向量间距离大小为准则对图像库分类;然后在类内提取图像的ART形状描述符作为形状特征进行相似性度量以实现检索。形状特征提取只在某一类内进行,减小了运算量,同时弥补了颜色特征对图像空间信息丢失的不足,提高了检索准确率。仿真实验取得了较好的检索效果。     

基于贝叶斯分类器的图像分类

通过对朴素贝叶斯分类器的讨论, 提出将贝叶斯方法应用于医学图像分割后的图像分类思想. 给出一种基于朴素贝叶斯分类器的图像分类方法, 对从尿沉渣图像中识别出的微粒进行正确分割及特征提取与选择, 并利用朴素贝叶斯分类器进行分类. 实验结果表明, 所提出的方法用于解决图像分类有效.     

基于分水岭的高光谱图像分类方法

近年来,高光谱图像的分类受到了广泛的关注,许多机器学习的方法都在高光谱图像上得到了应用,如SVM、神经网络、决策树等.为了提高分类精度,通常将图像的光谱信息与空间信息结合起来进行分类.本文提出了如何利用分水岭分割得到的空间信息来得到更精确的分类结果.首先利用分水岭得到图像区域信息,然后根据一个区域中是否含有训练样本而采取不同的策略得到该区域中所有点的类别.本文在两幅图像上分别用SVM和联合稀疏表示对该方法的有效性进行验证,实验结果表明该方法优于其他一些同类方法.     

一种基于特征融合的图像检索方法

特征提取是图像检索的重要步骤,特征提取的好坏对检索结果至关重要．本文融合颜色和纹理特征来表示图像,并分析了单一特征的适用图像类．实验表明,融合特征方法可以得到更好的检索效果．     

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.     

一种多分类器协同的半监督分类算法SSC_MCC

为了提高半监督分类性能,提出了一种多分类器协同的半监督分类算法SSC_MCC.算法采用双层结构集成,使用多条件判断挖掘未标记样本信息,扩充有标记样本.第一层中,采用三分类器协同投票一致策略实现对未标记样本进行标记,第二层中采用基于正确分类率的分类器加权投票决策标记未标记样本,扩充有标记样本,用最终生成的有标记样本训练分类器,实现半监督分类.最后,使用UCI数据集模拟半监督实验,结果表明SSC_MCCL较好地提高了半监督分类性能.     

基于多级别特征融合的医学图像检索技术

针对医学胸部CT扫描图像,在分别研究单一特征检索算法基础上,提出了基于底层—底层和底层—高层两种级别的特征融合检索方法。据此,用VC#和SQL server2005实现了一个图像检索原型系统,验证了所提方法的有效性。     

基于特征融合的快速图像去雾方法

针对图像去雾问题, 提出一种基于特征融合的快速单幅图像去雾方法, 解决了暗通道方法存在的块效应问题. 该方法先采用基于K均值聚类的暗通道先验求得粗尺度下的透射率, 再通过分析雾对成像的影响, 提取有雾图像自身能反映景深变化的饱和度作为细尺度的透射率, 最后通过图像融合技术得到精确的透射率. 通过对
各种真实有雾场景进行测试的实验结果表明, 该方法简单且有效, 能得到理想的去雾效果.     

甲状腺结节超声图像多特征融合及识别

为更加精确地判别甲状腺结节的良恶性, 提出基于改进的 CLBP(Completed Local Binary Pattern)模型和 GLCM(Gray Level Co-occurrence Matrix)模型相结合的纹理特征提取算法。 首先在传统的 CLBP 模型中引入局部 方差信息, 使 CLBP 算子对局部纹理特征的描述更加精细; 然后与 GLCM 模型描述的全局纹理特征相融合; 最 后结合纵横比、 圆形度、 紧致度等形状特征并将其输入 SVM(Support Vector Machine)分类器。 为进一步提高识 别率, 同时给出基于粒子群算法与网格搜索算法相结合的 SVM 参数优化算法, 以提高识别率。 对比实验结果 表明, 该算法提取的特征用于分类识别时具有更高的识别率, 且提出的参数寻优算法相对于传统寻优算法效率 更高。