一种改进的高光谱图像波段选择方法

根据高光谱波段选择的基本准则,将子空间划分、基于矩阵模式的高光谱波段选择方法(BSMM)、波段指数(OIF)三者相结合,提出了一种新的波段选择方法ABO。该方法首先根据各波段之间的相关性进行子空间划分;然后,在全波段范围内利用基于矩阵模式的高光谱波段选择方法得到单一量化指标W,选出各子空间中量化指标W取最大值所对应的波段;其次,针对已选波段计算任意3个波段的波段指数(OIF),波段指数最大值所对应的3个波段即为所选波段;最后,利用AVIRIS真实高光谱数据进行仿真实验,对所选3个波段进行RGB合成与HSV变换以及RX异常检测,通过与以往波段选择方法进行对比验证了所提方法的有效性。     

标准化变换对高光谱影像波段选择影响

针对高光谱影像波段选择方法常采用方差大小度量波段信息量、忽略了地物不同波段光谱响应差异的问题,提出了基于标准化变换的波段选择方法。以江苏省里下河地区2009年9月7号的Hyperion影像为例,系统比较了影像标准化变换对3个经典波段选择指数(OIF、SI和CI指数)的影响以及3个指数各自最优波段组合对影像分类结果的影响,同时考虑了波段个数(3、4和5)对分类精度的影响。得出结论:标准化变换提高了OIF和SI指数对应最优波段组合的分类精度;OIF指数随着波段个数的增加表现力下降;CI指数表现最稳定,在波段个数为5时,分类结果达到最好,总体分类精度达到90.06%,Kappa系数为0.871 7。     

基于独立成分分析的高光谱图像有损压缩方法

提出一种结合小波变换和独立成分分析(ICA)的高光谱图像有损压缩方法。采用最大似然估计与最大噪声分离相结合的方法对原始高光谱数据进行维数估计。依据维数估计的结果在光谱方向上采用 ICA,在空间上运用离散小波变换。对于变换后的系数,使用多级树集合分裂算法和算术编码分别进行量化编码和熵编码。在机载可见光/红外成像光谱仪220波段高光谱数据上的实验结果表明,该算法可以在获得较高压缩率的同时,保留高光谱图像的光谱特性。     

基于小波变换理论的影像融合及评价

研究了基于MALLAT小波变换与静态小波变换(SWT)改进的IHS影像融合方案,并与标准IHS,BROVEY,PCA融合算法进行对比,分析了各种融合结果的优缺点。采用信息熵,标准差指标对信息量进行比较。选择平均值,相关系数,标准偏差指数进行融合影像光谱特征评价。针对ETM 全色波段与多光谱波段进行实验分析,结果表明小波变换融合算法总体优于传统融合算法,并能较好的保持光谱特性,但两种不同的离散小波变换方法改进的融合效果各有优缺点。     

波段排序的高光谱影像3维混合树编码方法

目的 高光谱影像压缩的关键技术是对空间维和光谱维的去相关性。根据高光谱影像数据结构的特点,如何有效去除其空间相关性与谱间相关性是高光谱影像压缩中至关重要的问题。对高光谱影像进行编码时,3维小波变换是极为有效的去除冗余的方法。因此提出了一种通过波段排序并结合3维混合树型结构对高光谱影像3维小波变换系数进行编码的算法。方法 首先,将高光谱影像按照自然波段顺序进行波段分组,并对每组影像进行相邻影像的谱间相关性统计;其次,对相关性较弱的波段组,建立以影像波段序号为顶点、影像相关性系数为边的完全图,对这个完全图求其最大汉密尔顿回路。按照求得的最大汉密尔顿回路顺序对该波段组进行重新排序,从而提高波段组的谱间相关性;在此基础上,对重新排序后的波段组进行3维小波变换,并通过3维混合树结构对3维小波变换系数进行零树编码。结果 通过对大量AVIRIS型高光谱影像数据的仿真实验,验证了本文方法的有效性。对相关性较低的波段组,加入排序算法后,其解码影像与未排序时比,峰值信噪比有了一定的提高。通过实验统计,算法平均用时2.7579s。结论 由于采用了对弱相关性波段组的重新排序机制,使得基于混合树结构的3维零树编码出现了更多有效的零树,在一定程度上提高了编码效率。通过实验统计算法用时,表明该方法以较小的时间代价获得了解码效果的提升。     

基于局部方差和高通滤波的小波变换图像融合

在利用小波变换进行图像融合的基础上,针对局部方差和高通滤波各自的优缺点,研究了一种新的融合规则的选择方法,提出了基于局部方差和高通滤波的小波变换图像融合算法.先对各源图像进行小波分解,然后采用局部方差准则融合源图像各分解层的高频信息,再针对参与融合的全色波段图像各分解层的低频信息进行高通滤波,用滤波后的低频细节信息叠加多光谱相应层的低频分量,最后通过小波逆变换得到融合图像.实验结果表明,该方法确实有效,相对单一的利用局部方差,提高了保持细节的能力;相对只用高通滤波,提高了保持光谱信息的能力.     

基于Contourlet的图像PCA去噪方法

提出了一种通过主分量分析(PCA)对Contourlet域中噪声能量的估计来实现去噪的新方法。Contourlet变换是一种结合多分辨率分析和方向性滤波的小波变换,它除了具有一般小波变换的多尺度、时频局域性外,还具有多方向性、各向异性等特征。因此,Contourlet能有效地捕获到自然图像中的轮廓,并对其进行稀疏表示。目前使用的小波去噪方法基本上都是建立在对噪声方差估计的基础上,而在Contourlet变换系数中,通过建立数学模型对噪声方差进行精确的估计是很困难的。算法无需对噪声方差进行估计,更具有实用价值。实验结果显示,与小波软、硬阈值去噪算法和基于小波的图像PCA去噪方法比较,该算法不仅提高了图像的信噪比,而且图像视觉效果也明显改善。     

结合PCA及字典学习的高光谱图像自适应去噪方法

高光谱图像各波段图像噪声分布复杂,传统去噪方法难以达到理想效果。针对这一问题,在主成分分析（PCA）的基础上,结合噪声估计和字典学习,提出一种新的高光谱去噪方法。首先,对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组;然后,根据任一波段图像的信息,利用奇异值分解（SVD）对图像进行噪声估计,再将得到的噪声估计方法与K-SVD字典学习去噪算法结合,提出一种具备自适应噪声估计特性的字典学习去噪算法,并将其应用于信息量较小的含噪图像组进行去噪处理;最后,按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明,与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比,所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB,且具有更多的细节信息和更好的视觉效果。     

基于波段分组的3D-SPIHT高光谱图像

波段间隔为纳米级的高光谱图像具有很强的谱间相关性,但不同频谱波段图像之间的相关性不同,本文提出了一种基于波段分组的3D-SPIHT(set partitioning in hierarchical trees)高光谱图像无损压缩方法.对高光谱图像按照谱段类型进行分组,接着通过3维整型小波变换,对图像组去除空间相关性和光谱维相关性,最后以3DSPIHT的空间方向树组织方式来进行编码,去除小波变换后子带间系数的冗余.实验结果表明,该方法能够有效地去除空间和谱间相关性,在算法复杂度和计算时间上较整体处理有一定优势,同时可获得较好的无损压缩结果.     

基于波段分组的3D-SPIHT高光谱图像无损压缩算法

波段间隔为纳米级的高光谱图像具有很强的谱间相关性，但不同频谱波段图像之间的相关性不同，本文提出了一种基于波段分组的3D—SPIHT(set partitioning in hierarchical trees)高光谱图像无损压缩方法。对高光谱图像按照谱段类型进行分组，接着通过3维整型小波变换，对图像组去除空间相关性和光谱维相关性，最后以3D—SPIHT的空间方向树组织方式来进行编码，去除小波变换后子带间系数的冗余。实验结果表明，该方法能够有效地去除空间和谱间相关性，在算法复杂度和计算时间上较整体处理有一定优势，同时可获得较好的无损压缩结果。     

基于小波变换的高光谱图像消噪

本文主要针对高光谱图像的特点，利用波段间的几何信息高冗余性，通过小波分解去除高频的噪声和几何信息，保留低频的光谱信息。以其他波段的几何信息辅助噪声污染波段重构，经过相应的小波重构滤波器滤波，获得该波段图像的重建以进行消噪。     

Radiation Quality Evaluation of Spark Hyperspectral Satellite Image

The quality evaluation of remote sensing data is a bridge for development of sensor and data application.In this paper,we focused on the hyperspectral data acquired by China's self\|developed SPARK satellite launched in December 2016,and evaluated the radiation quality of SPARK 1A data using four objective indicators,namely radiation accuracy,signal\|to\|noise ratio(SNR),information entropy and sharpness.According to the results of each indicator,variance and information entropy show that the main information of SPARK data is concentrated in 81~152 band(542~985 nm),and the average entropy,signal\|to\|noise ratio and definition of this bands are higher than those of other bands,which are 6.28,47.63 dB and 179.5 respectively.The data quality of this spectral data is better than that of other bands,which is beneficial to the spectral identification and spatial feature extraction of different objects.The average SNR of 1~80 band(411~539 nm) was 38.23 dB,and the entropy was 5.28.Image enhancement can be used before processing for the low gray level and smaller gray range of the image in this bands.Because the 153~160 band(1 000~1 105 nm) was uncalibrated,its average SNR is less than 15 dB,and it has the lowest clarity,the spectrum and spatial information are seriously damaged,it is recommended to remove this bands.     

基于萤火虫算法的高光谱遥感波段选择方法

高光谱图像在遥感领域中的应用越来越广泛,但由于自身的高数据维、波段间的高冗余度等特性给图像处理带来了一定困难,针对这个问题,提出一种基于类间可分性准则的改进萤火虫仿生算法,进行高光谱遥感波段选择。在分析萤火虫算法机理的基础上,阐述了利用该算法进行高光谱波段选择的思路,并构造波段相似性矩阵,选择欧氏距离、JM距离、光谱信息散度和离散度作为可分性准则来设置目标函数,根据目标函数值的优劣选择优势波段。最后,使用HYDICE Washington DC Mall和 HyMap Purdue Campus两个高光谱遥感影像数据进行实验验证,并利用支持向量机分类器对最佳波段组合进行精度评价,证明该算法的可行性和有效性。
     

基于邻域熵的高光谱波段选择算法

为了减少高光谱图像数据中的冗余信息,优化计算效率,并提升图像数据后续应用的有效性,提出一种基于邻域熵(NE)的高光谱波段选择算法.首先,为了高效计算样本的邻域子集,采用了局部敏感哈希(LSH)作为近似最近邻的搜索策略;然后,引入了NE理论来度量波段和类之间的互信息(MI),并把最小化特征集合与类变量之间的条件熵作为选取...     

Band Selection of Hyperspectral Images for Automatic Detection of Poultry Skin Tumors

This paper presents a spectral band selection method for feature dimensionality reduction in hyperspectral image analysis for detecting skin tumors on poultry carcasses. A hyperspectral image contains spatial information measured as a sequence of individual wavelength across broad spectral bands. Despite the useful information for skin tumor detection, real-time processing of hyperspectral images is often a challenging task due to the large amount of data. Band selection finds a subset of significant spectral bands in terms of information content for dimensionality reduction. This paper presents a band selection method of hyperspectral images based on the recursive divergence for the automatic detection of poultry carcasses. For this, we derive a set of recursive equations for the fast calculation of divergence with an additional band to overcome the computational restrictions in real-time processing. A support vector machine is used as a classifier for tumor detection. From our experiments, the proposed band selection method shows high detection accuracy with low false positive rates compared to the canonical analysis at a small number of spectral bands. Also, compared with the enumeration approach of 93.75% detection rate, our proposed recursive divergence approach gives 90.6% detection rate, which is within the industry-accepted accuracy of 90-95%, while achieving the computational saving for real-time processing.     

超光谱图像的三维小波嵌入零块压缩编码

超光谱图像作为一种三维图像,其海量的数据导致在有限带宽信道上传输和存储非常困难,必须对它进行有效的压缩编码.提出了一种基于非对称三维小波变换(3D wavelet transform,简称3DWT)和三维集合块分裂的超光谱遥感图像压缩方法.因为大多数超光谱图像在各个方向上具有非对称的统计特性,所以利用非对称三维小波变换去除图像的谱间和空间冗余.与传统的对称三维小波变换相比,非对称的三维小波变换能够更有效地去除相邻谱段间的冗余.提出了一种改进的3DSPECK(3D set partitioning embedded block)算法--非对称三维集合分裂块算法(asymmetric transform 3DSPECK,简称AT-3DSPECK),并被用于编码变换后的系数.根据变换系数的能量分布特点,三维零块分裂和三维octave子带分裂方法被有效地结合在所提出的AT-3DSPECK算法中.为了优化率失真和加速编码速度,也给出了一种零块优化排序的快速算法.实验测试表明:AT-3DSPECK算法的平均PSNR(peak signal to noise ratio)分别比AT-3DSPIHT(asymmetric transform 3D set partitioning in hierarchical trees)和3DSPECK算法高0.4dB和1.4dB.此外,AT-3DSPECK还具有比零树算法更快的编码速度.     

基于小波变换的图像条带噪声去除方法

条带噪声的存在不但妨碍高光谱图像的目视判读,而且制约高光谱遥感的定量应用。针对小波变换法条带噪声去除过程中遇到的条带噪声和图像有用信息难以有效分离的问题,根据小波变换的方向性和数学显微镜特性,提出了一种新的基于小波变换的条带噪声去除方法。这种方法首先对含有条带噪声的图像进行一定层数的小波分解;然后对每一层分解得到的与条带噪声分布方向相同的子图像再进行一定层数的小波分解,从而实现条带噪声和图像有用信息的有效分离,将含有条带噪声的子图像置零;最后利用小波反变换得到去除条带噪声的图像。以欧洲空间局PROBA卫星上搭载的CHRIS高光谱数据为例,采用相关系数(R)、结构相似度(SSIM)和峰值信噪比(PSNR)3个定量指标,对比分析了新方法与矩匹配法、傅立叶滤波法和小波阈值法的条带噪声去除效果。结果表明新方法去噪后的图像具有最高的R、SSIM和PSNR,新方法能够有效地去除高光谱图像中的条带噪声,同时较好地保留了原始图像的有用信息。
     

Filtering high-resolution hyperspectral imagery in a maximum noise fraction transform domain using wavelet-based de-striping

Ever improving technology and computer processing power and decreasing cost have made hyperspectral image acquisition and analysis affordable in many applications. Hyperspectral images, acquired normally using pushbroom sensing systems, are tainted with noise and nonperiodic stripes. Few methods, including wavelet-based ones, have been proposed for reducing nonperiodic stripes from multispectral images; there are even fewer studies dealing with nonperiodic stripes in high-resolution hyperspectral images. Applying de-striping filters directly to individual hyperspectral image bands can be computationally inefficient and complicated considering the large number of bands in this type of image. This article compares the performance of wavelet-based de-striping algorithms as applied on high-resolution hyperspectral imagery. The algorithms are implemented directly on individual bands in the image domain and on selected bands in the image maximum noise fraction (MNF) transform domain. Two wavelet-based de-striping algorithms were tested and compared. The first algorithm eliminates wavelet detail components in the striping direction, while the second algorithm adaptively filters these components.

The filtering methods are evaluated through visual and quantitative assessments. Quantitative assessment is performed by analysing the autocorrelation coefficient and signal-to-noise-ratio. The results show that images filtered in the MNF domain are superior in reducing stripes and noise while retaining the image information and without introducing distortions. The technique is computationally effective through filtering fewer bands, which reduces the need for filtering parameter determination and fine tuning. Visual and quantitative assessments also show that adaptive filtering of wavelet components is better than eliminating entire components due to the retention of image content.     

分段2维主成分分析的超光谱图像波段选择

目的 超光谱图像具有极高的谱间分辨率,巨大的数据量给分类识别等后续处理带来很大压力。为了有效降低图像数据维数,提出基于分段2DPCA的超光谱图像波段选择算法。方法 首先根据谱间相关性对原始图像进行波段分组,然后根据主成分反映每个光谱波段的信息比重分别对每组图像进行波段选择,从而实现超光谱图像的谱间降维。结果 该算法有效降低了超光谱图像的光谱维数,选择的波段明显反映出不同地物像元矢量的区别。结论 实验结果表明,该波段选择算法相对传统算法速度更快,并且较好地保留了原始图像的局部重要信息,对后续处理有积极意义。