结合倒置特征金字塔和U-Net的高光谱图像分类

目的 地物分类是对地观测研究领域的重要任务。高光谱图像具有丰富的地物光谱信息,可用于提升遥感图像地物分类的准确度。如何对高光谱图像进行有效的特征提取与表示是高光谱图像分类应用的关键问题。为此,本文提出了一种结合倒置特征金字塔和U-Net的高光谱图像分类方法。方法 对高光谱数据进行主成分分析（principal component analysis,PCA）降维,获取作为网络输入的重构图像数据,然后使用U-Net逐层提取高光谱重构图像的空间特征。与此同时,利用倒置的特征金字塔网络抽取相应层级的语义特征;通过特征融合,得到既有丰富的空间信息又有较强烈的语义响应的特征表示。提出的网络利用注意力机制在跳跃连接过程中实现对背景区域的特征响应抑制,最终实现了较高的地物分类精度。结果 分析了PCA降维方法和输入数据尺寸对分类性能的影响,并在Indian Pines、Pavia University、Salinas和Urban数据集上进行了对比实验。本文方法在4个数据集上分别取得了98.91%、99.85%、99.99%和87.43%的总体分类精度,与支持向量机（support vector machine,SVM）等相关算法相比,分类精度高出1%~15%。结论 本文提出一种结合倒置特征金字塔和U-Net的高光谱图像分类方法,可以应用于有限训练样本下的高光谱图像分类任务,并在多个数据集上取得了较高的分类精度。实验结果表明倒置特征金字塔结构与U-Net结合的算法能够高效地实现高光谱图像的特征提取与表示,从而获得更精细的分类结果。     

基于自动子空间划分的高光谱数据特征提取

针对遥感高光谱图像数据量大、维数高的特点,提出了一种自动子空间划分方法用于高光谱图像数据量减小处理。该方法主要包括3个处理步骤:数据空间划分,子空间主成分分析和基于类别可分性准则的特征选择。该方法充分利用了高光谱图像各波段数据之间的局部相关性,将整个数据划分为若干个具有较强相关性的独立子空间,然后在子空间内利用主成分分析进行特征提取,根据各类地物间的类别可分性选择有效特征,最后利用地物分类来验证该方法的有效性。实验结果表明,该方法能够有效地实现高光谱图像数据维数减小和特征提取,同现有的自适应子空间分解方法和分段主成分变换方法相比,该方法所提取的特征用于分类时能获得较好的分类精度。利用该方法进行处理,当高光谱数据维数降低了90%时,9类地物分类实验的总体分类精度可以达到80.2%。     

高光谱影像奇异谱特征提取和分类方法北大核心CSCD

针对高光谱影像中地物的尺度复杂多样,并且存在“同物异谱、同谱异物”现象,给影像的解译和分类带来了困难,以及高光谱影像维度过高容易造成分类中的维数灾难等难题,提出了一种结合超像素的改进二维奇异谱分析(two-dimensional singular spectrum analysis combining with superpixels,S2DSSA),与局部Fisher判别分析(local Fisher discriminant analysis,LFDA)相融合,共同提取影像的光谱-空间特征,并使用支持向量机(support vector machine,SVM)来进行分类,记为S2DSSA-LFDA-SVM的方法。超像素2DSSA将2DSSA作用于每个构造的超像素规则区域,能够自适应地提取地物的空间特征。在其基础上,LFDA进一步挖掘光谱维度的流形结构,实现光谱特征提取和降维。实验结果证明,在两个经典高光谱数据集上,所提出方法的总体精度相比于原始数据分别提升了31.7%和12.9%,相比于其他先进的光谱-空间分类算法有2%~6%不同程度的提升。     

利用提升树模型综合Gabor和LPQ特征进行遥感地物识别

为充分融合高光谱遥感图像空间域和频率域的特征信息,提出了一种综合多尺度Gabor和LPQ特征的空谱融合遥感地物识别模型（Ms_GLPQ）。首先,在空间域上利用Gabor滤波器组,提取出遥感图像各类地物多尺度、多方向的空间邻域特征信息,以描述图像的边缘和纹理等空间结构信息;其次,在频率域上将局部相位量化（Local Phase Quantization,LPQ）算子应用于高光谱遥感图像,提取出高光谱图像的多尺度频域纹理特征,获得图像的相位不变特征描述;然后针对其中特征冗余的问题采用主成分分析（PCA）算法进行降维,再将空间域、频率域的特征进行特征融合,获得了能充分描述图像信息的特征向量;最后采用基于提升树的机器学习分类器（XGBoost、CatBoost等）进行识别。在Indian Pines、Salinas和茶树等高光谱遥感数据集上进行学习与分类测试,准确率分别为85.88%、94.42%和92.61%。实验结果表明：与传统方法相比,Ms_GLPQ模型能够提取小比例样本图像中的有效特征,取得了区分性更强的多特征区域描述子,且在采用提升树模型进行分类时效果更优,得到了比常用分类器更高的识别精度。     

基于残差3DCNN和三维Gabor滤波器的高光谱图像分类

高光谱图像含有数百个波段,包含丰富的光谱信息,因此被广泛应用于地物分类中,但仍存在 着维数灾难的问题。高光谱图像中同时也含有丰富的纹理信息,有效利用纹理信息能够显著提高分类精度。三 维 Gabor 滤波器不仅能够保留图像丰富的光谱信息,还能提取到图像的纹理特征。为了充分利用高光谱图像的 特征,提出一种基于三维 Gabor 和残差三维卷积神经网络(Res-3DCNN)的分类方法。三维卷积神经网络(3DCNN) 能够直接对三维立方体数据进行处理,提取到深层纹理-光谱信息,然而随着网络层的加深会产生网络退化问 题,因此利用残差思想对 3DCNN 模型进行改进。在 PaviaU,Indian Pines 和 Salinas 3 个公共高光谱图像数据 集上进行实验,分别取得 99.17%,97.40%,98.56%的平均分类精度,结果表明该方法能有效提高高光谱图像 的地物分类精度。     

混合深度CNN联合注意力的高光谱图像分类

深度学习中的卷积神经网络（CNN）能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力（HDC-Attention）的模型。首先利用核主成分分析（KPCA）和小批量K均值（MBK-means）对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。     

基于改进的局部保持投影高光谱图像分类研究*

针对高光谱图像分类中基于流形的降维方法进行了研究。提出一种改进的局部保持投影（LPP）方法即MLPP方法。该方法利用标签信息避免了传统LPP在邻接图构建中很难确定的邻域大小的选择问题,同时采用更能反映高维数据间相关性的统计特征量相关系数来衡量数据之间的相似程度。设计的权重矩阵既保持类内数据的几何结构,又最大化类间距离。而且MLPP不依赖任何参数和先验知识。在两个高光谱图像上的实验结果表明MLPP增加了不同光谱特征地物之间的可分性,在提高分类性能上明显优于其他传统的降维方法。     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。     

结合纯像元提取和ICA的高光谱降维方法*

摘要：为了实现高光谱降维并保留重要的光谱特征,通过独立分量分析（Independent Component Analysis, ICA）混合模型和高光谱线性模型的对比分析,提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(Virtual Dimensionality, VD)确定特征个数,采用自动目标生成过程（Automatic Target Generation Process, ATGP）从原始数据中提取纯像元向量,作为ICA算法的初始化向量,以负熵为目标函数产生独立分量,并通过高阶统计量筛选实现高光谱数据的降维。分类实验结果表明,该方法不仅解决了传统ICA的随机排序问题,而且与经典降维算法主分量分析（Principal Components Analysis, PCA）相比,分类精度提高了6.83%,在大大降低高光谱数据量的情况下很好的保留了高光谱数据的特征,有利于数据的后续分析和应用。     

利用多属性剖面与双边滤波的高光谱影像分类

随着高光谱影像空间分辨率的提高,"同谱异物"和"同谱异物"问题日益凸显,传统基于纯光谱的地物分类方法已不能满足识别精度要求。结合光谱与空间信息进行高光谱影像分类已成为领域研究热点。鉴于此,该文提出了一种基于扩展多属性剖面(Extended Multi-Attribute Profiles,EMAPs)和指引双边滤波的高光谱影像地物分类方法。首先,基于EMAPs提取高光谱影像4种属性的形态学纹理特征,通过级联纹理与光谱特征获得新特征矢量。其次,对获取的新特征进行降维,并采用指引双边滤波器滤除降维影像的噪声,同时保持影像的边缘信息。最后,采用支持向量机实现分类。高光谱影像分类实验表明,所提方法性能优于多种光谱与空间结合的分类方法。     

结合改进LBP和SRC的高光谱图像分类研究

针对传统局部二值模型（local binary pattern,LBP）提取高光谱图像纹理特征信息量庞大的难题,提出一种基于对称旋转不变等价局部二值模型（symmetrical rotation invariant uniform LBP,SRIULBP）的高光谱图像特征提取方法,以缩减特征维度;针对稀疏表示分类（sparse representation classification,SRC）模型中稀疏字典冗余的缺陷,采用近邻思想,提出最近邻稀疏表示（nearest neighbor SRC,NNSRC）分类方法,实现高光谱图像的高效、高准确度分类。数据实验结合表明,SRIULBP能快速提取图像特征,提出的分类方法不仅在分类精度上优于其他稀疏表示分类算法,并且具有更强的时效性与泛化能力。     

改进蚁群算法及其在高光谱影像分类中的研究

针对高光谱影像波段数目多,易造成维数灾难的问题,结合遗传算法提供的初始启发信息和蚁群算法寻优能力的优势,提出一种基于改进二进制蚁群算法的波段选择方法。该方法通过遗传算法寻优获取几组较优解,经过计算后作为二进制蚁群算法的初始启发式信息,利用二进制蚁群算法的全局搜索获取最优解;另一方面,为充分利用影像的光谱与空间信息,将波段组合的光谱特征与改进二进制蚁群算法选择的纹理特征融合进行分类,可以获得更高的分类精度。实验结果表明,改进二进制蚁群算法与遗传算法、蚁群算法、二进制蚁群算法相比全局搜索能力更强,且该方法分类精度达到95.63%。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

一种高效的人脸识别算法

提出一种基于局部Fisher鉴别分析(LFDA)和优化支持向量机(SVM)的高效人脸识别算法。在综合考虑局部几何结构和类别信息的基础上,利用LFDA将高维人脸数据映射到低维特征空间,避免维数灾难问题。在该低维特征空间中,使用经乘性更新规则训练的优化SVM对人脸数据进行分类识别。在人脸数据库上的实验结果表明,该算法的运算速度较快,识别准确率较高。     

基于同质性降维和CMP算法的高光谱图像分类

针对高光谱数据维数高,波段间冗余信息大的问题,提出一种基于同质性降维和组合匹配追踪算法的高光谱图像分类方法。该方法首先利用均值漂移算法对高光谱图像进行分割得到同质性图像块,对同质性的图像块进行流行学习得到降维映射函数,然后由降维后的高光谱数据训练稀疏最小二乘支持向量机分类模型,为避免正交匹配追踪稀疏重构算法迭代次数多的缺点,提出一种基于组合匹配追踪的稀疏重构求解方法。通过高光谱数据的分类结果可以得出,该方法有效提高了高光谱图像的分类精度。     

利用信息熵的高光谱遥感影像降维方法

高光谱遥感影像以其众多的波段数目，为地表观测提供近乎连续的波谱数据；然而海量的高光谱遥感影像存在着大量的信息冗余，为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前，对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论，将高光谱遥感影像的各波段抽象为具有相关性的独立个体，设计了高光谱遥感影像的决策表矩阵，进而计算各波段的信息熵，量化各波段的信息量，从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求，按排序选择波段组合，从而达到降维目的。以遥感分类结果的精度评价为例，对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明，该方法相较其他特征选取降维方法，能获得更高的分类精度。     

基于双通道变分自编码器的高光谱图像分类

针对现有高光谱图像变分自编码器（variational autoencoder,VAE）分类算法存在空间和光谱特征利用效率低的问题,提出一种基于双通道变分自编码器的高光谱图像深度学习分类算法。通过构建一维条件变分自编码器（conditional variational autoencoder,CVAE）特征提取框架和二维循环通道条件变分自编码（channel-recurrent conditional variational autoencoders,CRCVAE）特征提取框架分别提取高光谱图像的光谱特征和空间特征,将光谱特征向量和空间特征向量叠加形成空谱联合特征向量,将联合特征送入Softmax分类器中进行分类。在Indian pines和Pavia University两种高光谱数据集上进行了分析验证,实验结果显示,与其他算法相比,提出的算法在总分类精度、平均分类精度和Kappa系数等评价指标上至少提高了3.40、2.75和3.57个百分点,结果显示提出的算法得到了最高的分类精度和更好的可视化效果。     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。     

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...     

基于监督局部线性嵌入特征提取的高光谱图像分类

高光谱图像的数据维数高、数据量大、数据间高度冗余等特点给图像分类带来困难,为进行有效降维、提高分类精度,提出了一种监督局部线性嵌入(SLLE)非线性流形学习特征提取方法。SLLE算法根据数据先验类标签信息所给出的新距离寻找数据点的k最近邻(NN),新距离使得类内距离小于类间距离,这使得SLLE算法更有利于分类。高光谱图像数据和UCI数据的分类结果表明了该方法的有效性。