基于高光谱激光雷达信号强度免校准的煤岩分类

安全性对于深井开采至关重要。基于激光雷达的扫描探测技术可以有效监测巷道和深部煤矿现场的围岩安全状况。新兴的高光谱激光雷达不仅可以提供空间几何信息还可以提供丰富的光谱数据，在深井煤矿安全检测和精细结构分析方面具有良好的应用前景，而精确的煤岩分类是监测分析的基础。在实际应用中，雷达强度信号易受仪器属性和环境因素的影响，需校准才能使用。由于深井煤矿粉尘污染严重，常规校准方法难以达到理想效果。针对这个问题，提出一种信号强度免校准的方法，从激光雷达回波信号中提取新特征实现煤岩精确分类。首先，使用高光谱激光雷达获得煤/岩石样本的回波强度信息，并计算出波形熵（WE）和联合偏斜度-峰度系数（JSKF）作为新分类特征参数。其次，采用随机森林(RF)与支持向量机(SVM)分类器实现煤/岩石分类。最后，笔者进行了光谱分段测试，对特征分类性能进行优化。结果表明，所提的免校准方法，提高高光谱激光雷达直接应用能力的同时能够保持良好的分类性能。     

高光谱与机载LiDAR结合的树种分类研究

高光谱遥感图像虽然具有较高的光谱分辨率,但只能提供二维光谱信息,而激光雷达(Light Detection and Ranging,LiDAR)可以提供可靠的三维数据和森林的冠层特征,二者结合能够优势互补,协同提高地物分类能力。基于此,本文提出了一种利用高光谱和机载激光雷达数据进行树种识别的方法,探讨了二者协同对树种精细分类的影响,最后通过公开数据的实验来验证方法的有效性。结果表明,高光谱和激光雷达数据结合后,树种分类精度得到了显著提高。通过本文提出的方法,即使使用少量特征也能大大提高分类精度。整体分类准确率最高达到9321,比单个高光谱数据的分类准确率提高931。     

联合NDRI特征和空间相关性的机载MS-LiDAR数据分类

对比仅包含多光谱信息、仅可实现二维土地覆盖分类的传统光学遥感数据,机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)的优势在于同时包含多光谱和空间信息、可实现三维土地覆盖分类,但现有的机载MS-LiDAR数据的土地覆盖分类研究所需特征维度过高、算法复杂度高。因此,提出了一种整合空间相关性和归一化差分比率指数(Normalized Difference Ratio Index,NDRI)特征的逐步分类算法。该算法首先融合机载MS-LiDAR数据的多波段独立点云,获取兼具空间位置及其多光谱信息的单一点云数据;然后利用空间邻域增长下的地面滤波算法分离地面和非地面点;接着基于不同目标的激光反射特性差异设计将草地(树木)自地面(非地面)中分离的NDRI指数,并利用类间方差最大原则下的自适应最优NDRI指数实现地面和非地面点的精细分类;最后利用3D多数投票法优化分类结果。采用加拿大Optech Titan实测MS-LiDAR数据测试提出算法的有效性及可行性,实验结果表明：算法的平均总体精度和Kappa系数分别可达90.17%和...     

基于深度信念网络的烟叶部位近红外光谱分类方法研究

近红外检测作为一种快速无损的检测方法得到广泛关注。但光谱中存在大量噪声以及光谱数据的高维度和非线性等特点影响了分类模型的准确率。将深信网络（DBN）的理论改进并引入光谱特征学习中,解决高维特征间非线性关系的学习问题,采用逐层训练策略和随机梯度上升法分别进行网络预训练和微调获得网络权值;并结合支持向量机（SVM）建立近红外光谱多分类模型DBN-SVM。与基于主成分分析的分类模型PCA-SVM和基于线性判别分析的LDA-SVM分类模型进行应用比较。结果表明:DBN-SVM算法能有效地学习高维数据中的内在结构和非线性关系,由该算法构建的模型具有良好的特征学习能力和分类识别能力,而且在稳健性、各类别的灵敏度和特效度也更优。     

基于多域特征融合的旋翼无人机分类识别

为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波（Continuous Wave,CW）雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图（Cadence?Velocity Diagram, CVD）和节奏频谱图（Cadence Frequency Spectrum,CFS）,然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络（1?D?CNN）提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机（Support Vector Machine, SVM）进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。     

基于近红外高光谱成像技术的塑料分类（特邀）

塑料因其可塑性与低成本在日常生活与工业中被广泛使用,然而这也带来环境污染与资源浪费等问题,因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性,采用近红外高光谱成像技术（NIR-HSI）,比较了1100～1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM(PSO-SVM)、遗传算法优化的SVM(GA-SVM)等机器学习方法。通过验证数据筛选模型准确率后,将其应用于高光谱图像,通过可视化分类对比原始图像评估模型效果。结果显示,基于欧氏距离、余弦相似度的K-NN和GASVM分类效果最佳,验证数据的精度分别达到96.14%、96.21%和98.67%,在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值,只需获取特定塑料的光谱数据并进行适当处理,即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。     

基于MODIS数据的安徽省土地覆盖分类研究

利用中分辨率成像光谱仪MODIS(MODerate Resolution Imaging Spectroradiometer)多时相、多光谱及纹理数据,结合安徽省GIS属性数据(2000年1∶25万土地利用图),采用多时相分类和分层分类相结合的方法对安徽省土地覆盖进行分类(水田、旱地、林地、水体、城市).最后,使用安徽土地利用格点数据对分类结果进行精度分析.结果表明:应用MODIS数据可以实时有效的获取安徽省土地覆盖信息,同时对大面积土地覆盖分类具有很好的精度.     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于多通道海洋激光雷达的海陆波形分类

针对国产机载激光雷达测深系统海陆波形分类识别的需求,基于多通道海洋激光雷达波形数据的特点,通过提取多通道波形的特征参数,采用支持向量机的方法构建分类模型对海陆波形进行分类。通过检验结果证明,该分类方法总体精度和Kappa系数分别达99.03%和0.9805。该方法海陆波形分类精度满足工程应用需求,适用于国产机载激光雷达测深系统的波形分类处理,为后续深度计算过程中水体介质光速校正和潮汐波浪改正奠定基础。     

基于深度学习的机载激光海洋测深海陆波形分类

机载激光雷达的海陆波形分类对于沿海地区及其变化性质的研究至关重要。提出了一种在原始的机载激光雷达回波上使用深度学习进行分类的方法。构建全连接神经网络和一维卷积神经网络（CNN）,在一个测量海域的数据集上进行训练和测试,最优模型获得了99.6%的分类精度。该最优模型对来自不同测量海域的数据进行分类,分类精度达到了95.6%,相比支持向量机方法,处理速度提高了约52%。结果表明:深度学习方法对机载激光雷达回波波形的分类具有较高的精度和速度,它可以进一步作为通过机载激光测深技术对海底种类进行分类的候选方法。     

基于多特征融合技术的商品图像分类

针对网上商品图像的特点,提出了一种多特征融合的分类方法。本文针对颜色和商品图案风格两方面对图像进行分类。首先对商品图像进行分割,再提取特征,颜色特征选择提取颜色直方图特征和颜色矩特征;提取PHOG和SIFT特征来描述图案风格。然后采用基于决策的加权融合方法将两种特征结合起来进行分类,最后在数据集上进行实验,与仅用单一特征分类和使用普通多特征拼接方法作比较,使用本文融合特征的方法进行分类准确率较高,并且其准确率有8%~10%的提升。实验结果表明本文提出的方法是一种有效的商品图像分类方法。     

基于光谱复原的高光谱高空间遥感数据融合研究

文章提出了基于图像光谱复原的空间域遥感数据融合模型(SFSR),不仅大大提高了融合后各波段图像空间分辨率,而且保持融合后多光谱或成像光谱图像数据光谱特性不变.这对融合后遥感数据多光谱特性分析和基于光谱波形特征的计算机自动分类都是至关重要的.     

基于邻域聚合与深度学习的小样本荒漠草原物种分类

随着气候变化和人类活动的影响,内蒙古草原逐渐荒漠化。为了解决传统地面调查的局限性,以及高光谱数据小样本分类难的问题。本文利用无人机(unmanned aerial vehicle, UAV)高光谱遥感技术对荒漠草原物种进行数据采集,并提出一种邻域聚合算法结合深度学习的小样本分类方法。首先,通过遗传算法(genetic algorithm, GA)与最佳指数因子(optimum index factor, OIF)对高光谱数据进行波段选择;其次,构建高光谱数据邻域特征,采用邻域聚合算法对其进行邻域特征融合;最后,采用多层感知机(multilayr perceptron, MLP)对融合后的特征进行分类。结果表明,邻域聚合算法在每类地物只有10个样本的情况下总体精度可达93.41%,Kappa系数为0.912 0;并与SVM和多种深度学习模型对比,邻域聚合算法计算效率高、模型大小最小、分类精度最高。该方法的提出,满足草原物种识别要求,为草原生态系统的动态监测提供新方法。     

基于方向梯度直方图和局部对比度特征的海面背景红外图像分类

在复杂多变的海面环境下,应用红外成像技术对海面中小目标进行搜救时,为有利于后续针对不同场景的目标处理,有必要对采集的原始图像进行分类处理。根据不同的环境条件,将海面红外图像分为五类场景。从两个方面对训练集图像进行特征提取,一个是通过高斯滤波将图像分为基础层和细节层,然后使用改进的方向梯度直方图（HOG）方法提取特征;另一个是提取图像的局部对比度得到局部特征。将提取的特征向量融合并输入到分类器中,使用支持向量机（SVM）对测试集图像进行分类。文章使用了HOG和局部对比度方法（LCM）结合的新特征描述符对海面红外图像的场景进行分类,与其它方法相比,结果表明改进方法的准确率达到96.4%,体现了可行性和有效性。     

基于高光谱影像多维特征的植被精细分类

目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果; 缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱 数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面 植被分布情况,选择训练样本并进行支持向量机(Support vector machine, SVM)监督分类,完成地面植被的精细分类, 对分类结果进行验证,总体精度可达99.6\%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、 提高信息利用率,为植被生态监测提供更为准确的数据支撑。     

基于LIBS技术结合AFSA-SVM算法对岩石类别的识别

激光诱导击穿光谱（LIBS）具备遥感、原位探测的特性，是深空探测识别物质元素组成及含量的重要技术。探测火星表面元素组成及其矿物分布特征是研究火星地质演化和成因的前提。在天问一号任务发射前，基于火星表面成分分析仪（MarSCoDe）开展了15个类别矿物样品的火星模拟探测实验，获取了1920条光谱数据。为验证仪器的探测性能，本文采用人工鱼群算法（AFSA）优化支持向量机（SVM）的高效分类模型（AFSA-SVM），对包括火成岩、沉积岩和金属矿物在内的32种矿物进行分类。首先，采用主成分分析（PCA）算法将原始光谱数据降维，送入AFSA-SVM训练。其次，通过AFSA来优化SVM的参数，实现了99.56%的矿物识别准确率。最后，对比AFSA-SVM模型与其他算法的识别准确率，其中随机森林（RF）算法、反向传播人工神经网络（BPANN）和K近邻（KNN）算法的准确率分别为95.60%、95.80%和90.17%，结果表明AFSA-SVM算法在辅助LIBS识别矿物种类中具有优势。     

基于高光谱图像的协同分层波谱识别--以兰州、榆林地区为例

提出协同分层波谱识别法,分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类,并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点:光谱信息高保真融合、敏感谱段提取、"椒盐效应"去除、消除"同物异谱"现象导致的误判,协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点,并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类,然后根据目视评判和定量评价,与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化;4尺度面向对象分割抑制"椒盐效应"的效果优于Savitzky-Golay卷积滤波、移动均值滤波;多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法,兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89.52%、0.852,较SVM分类分别提高18.68%和17.52%;榆林市Hyperion图像识别地物的总体精度、Kappa系数分别为91.12%、0.873,较SVM分类分别提高17.80%和16.89%。协同分层波谱识别法应用多种技术一体化解决Hyperion图像应用难点,有效利用导数波谱变化特征提取目标敏感谱段,在复杂环境下识别目标地类的能力优于SVM监督分类。     

融合机载LiDAR和高光谱影像的土地利用分类

高光谱影像具有丰富的波谱和纹理信息，机载LiDAR点云数据包含了地物高密度、高精度的三维信息。分别从两种数据中提取地物的光谱特征、纹理特征和高度特征，并进行不同的特征组合，然后采用随机森林分类器进行地物分类实验。结果表明，机载LiDAR点云和高光谱数据在地物分类方面具有很强的信息互补性；融合了LiDAR高度特征的总体分类精度和Kappa系数均优于仅使用高光谱影像，其中“PCA+NDVI+GLCM+CHM”的特征组合总体分类精度和Kappa系数最高，分别为85.96%和0.81;与未加入LiDAR特征的组合相比，总体分类精度提高了5.33%。     

基于室内高光谱激光雷达的典型树种叶片光谱观测和分类

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650～1000 nm (71个通道)内观测的叶片高光谱和ASD光谱一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650～750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650～750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。