基于条件随机场的光谱相似性匹配高光谱遥感影像聚类方法

高空间分辨率的高光谱遥感数据不仅能够获取地物近似连续的光谱曲线,还具有丰富的空间信息.传统的基于单像元的光谱匹配方法无法将这两种特征很好地结合.针对该问题,提出将条件随机场(CRF)模型引入光谱匹配方法.CRF模型通过构造像元邻域描述空间信息,解决了基于单像元光谱匹配方法仅考虑光谱信息的不足,实现了聚类过程中光谱和空间信息的融合;然而,传统CRF模型基于欧氏距离和马氏距离等相似性测度,无法适应于高光谱遥感影像的数据特征,因此利用光谱相似性测度改进传统CRF模型的相似性测度准则.实验证明,所提出方法能够有效解决传统光谱匹配方法结果的噪声问题,较好地保留了地物的形状特征,分类精度得到提高.     

改进核空间对称稀疏表达用于高光谱波段选择

提出改进核空间对称稀疏表达（IKSSR）降维方法来解决高光谱影像（HSI）的波段选择问题.该方法利用核函数方法和稀疏系数的二值约束条件改进对称稀疏表达模型,在映射得到的核空间构建包含所有波段向量对应的数据点的凸包,通过寻找最小凸包的原型点实现波段子集的优化选择.改进核空间对称稀疏表达方法采用矢量量化策略初始化波段子集,利用块坐标下降方法将非凸问题转换为凸目标函数优化问题,实现目标波段子集选取.基于两个公开高光谱数据集,对该方法和4种主流的波段选择方法进行实验比较研究.实验结果表明,利用改进核空间的对称稀疏表达方法得到的总体分类精度优于对称稀疏表达模型和其他3种方法.     

空间4-邻域稀疏表示的高光谱图像目标检测

稀疏表示方法在高光谱图像目标检测中取得了较好的检测效果,但其只利用了图像的光谱信息,没有考虑空间信息.针对高光谱图像的空间相关性对目标检测算法的影响,提出了分别采用4-邻域平滑稀疏模型和4-邻域联合稀疏模型对高光谱图像进行目标检测的算法,将目标像素及其4-邻域像素的稀疏表示综合考虑,提高检测算法的效果和效率.使用3组高光谱图像数据进行了仿真实验,实验结果表明,所提出的2种方法分别在检测效果和计算效率上有一定程度的提高.     

基于字典重构的高光谱图像亚像元目标检测

稀疏表示的引入为高光谱遥感图像的目标检测提供了新途径,但在其检测过程中,由于过完备字典的构造是直接从高光谱图像中进行获取的,存在不确定性因素且无法实现对亚像元的准确检测。针对上述问题,本文提出了一种基于字典重构的高光谱图像亚像元目标检测算法。该算法利用无监督方法进行过完备字典的构造,确保过完备字典中包含部分目标像元的光谱信息,同时引入二元对立假设模型实现对高光谱图像中亚像元目标的检测。对模拟及真实高光谱遥感图像数据进行实验仿真,通过对实验结果三维图、ROC曲线以及AUC值的对比分析,得出本文所提出的算法,该算法不仅提高了检测精度而且更好地抑制了背景噪声。     

一种基于超限稀疏多项逻辑回归和奇异谱分析的高光谱遥感影像分类方法

由于高光谱图像存在大量噪声,超限稀疏多项逻辑回归无法分析高光谱图像的内在结构,其适用性有待进一步提高,为解决超限稀疏多项逻辑回归不能有效应对噪声的问题,提出了一种基于超限稀疏多项逻辑回归和奇异谱分析的高光谱遥感影像分类方法：首先对高光谱遥感影像数据集进行归一化处理以消除数据量纲的影响,随后利用奇异谱分析对影像进行有效信息提取及噪声剔除,最后通过超限稀疏多项式逻辑回归对处理过的数据实现分类。采用多种不同数量的训练样本进行实验,并与 ３种常用分类算法进行对比分析,评价了本文方法的有效性和鲁棒性。结果显示,本文方法在各类训练样本情况下相比于其他分类方法,其总体分类精度皆有一定程度的提升。     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。     

基于三维融合策略的高光谱遥感影像全变分去噪

高光谱遥感影像可以提供更细致的地物光谱,但受物理条件限制,也更易受到噪声干扰.基于高光谱遥感影像去噪的重要性,探讨了利用融合策略提升高光谱影像去噪效果的可行性.根据高光谱影像数据三维空间特点,提出了利用Q指标加权平均方法,将已有的全变分高光谱影像去噪方法在3个不同视角条件下的结果进行融合,从而弱化单一视角下去噪方法对原始信息的破坏程度,加大了高质量的影像在融合过程中所占的比重,提高了每个融合波段的质量,有效融合互补信息,实现对原始无噪声影像更好的恢复.结果表明:在各种图像和噪声类型情况下,提出的方法相较于单一视角的高光谱遥感影像全变分去噪方法有明显提高,采用的三维融合策略简单有效,具有很高的鲁棒性.     

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

基于空间加权协同稀疏的高光谱解混算法研究

针对传统稀疏解混算法因空间信息利用不足带来的丰度图像空间分布连续性差的问题,本文提出了一种基于空间加权协同稀疏的解混方法.该方法利用协同稀疏正则项刻画丰度系数的行稀疏性;同时,在协同稀疏框架下,引入空间加权因子挖掘高光谱图像邻域像元间的空间相关性.本模型采用交替方向乘子法求解,通过交替迭代,对空间权重和丰度系数进行优化.模拟和真实高光谱数据实验结果表明本文方法能够比现有同类方法获得更精确的解混结果.     

基于冗余字典的高光谱图像超分辨率复原算法

为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.     

融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

高光谱亚像元图像仿真与异常检测应用

为满足高光谱异常检测研究所需的大量地物高光谱图像需求,提出利用待观测地物的高光谱特性仿真数据及背景特性数据生成高光谱图像的方法,开展了典型飞机流动与传热模型、红外辐射特性模型、高光谱图像仿真模型研究;以实验测定的飞机反射率为输入开展目标特性计算,结合实际观测的背景起伏图像,在特定遥感器光谱响应特性、遥感器相对定标误差、随机加性噪声等条件下,生成了不同像元丰度、不同信噪比的高光谱图像,并应用经典的RX算法、CEM算法检测了仿真图像的异常像元。研究结果表明:建立的模型可以根据遥感器的性能指标参数、目标丰度要求生成亚像元高光谱仿真图像。图像可以反映目标飞机像元丰度、信噪比对检测结果的影响,通过调节输入参数可以高效建立针对亚像元异常检测的高光谱仿真图像;应用仿真图像进行RX算法检测高光谱仿真图像时,噪声会对检测结果产生较大影响,当信噪比低至10 dB时,RX算法难以检测出丰度0.4以下的异常像元,采用光谱匹配检测的CEM算法可以在较低像元丰度和信噪比下检测异常,提高检测概率。     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

基于FrFT变换和全变分正则化的异常检测算法

针对低秩稀疏表示的高光谱异常检测算法中背景字典易被污染、空间信息利用不足的问题,提出基于分数阶傅里叶变换（FrFT）和全变分正则化约束的高光谱图像异常检测算法. 通过聚类算法,将图像高维数据映射至多个子空间;构造FrFT-RX算子,增大背景和异常的可分性,得到较纯净的背景字典. 为了表示FrFT变换后中间域内背景与异常的空间特征,在低秩稀疏表示模型中引入全变分正则化项约束. 采用交替方向乘子法对模型进行优化求解,得到异常检测的结果. 在3个真实高光谱数据上开展目标检测实验,实验结果表明,与其他5种异常检测算法相比,本文算法具有更高的检测率和较低的虚警率.     

高光谱遥感数据光谱曲线分形特征研究

提出一种基于分形分析的高光谱遥感数据处理方法．从反射光谱的产生机理、全色影像与单色影像表现出来的自相似现象以及用不同尺度量尺测量曲线所表现出来的幂指数关系三个方面,说明高光谱遥感数据中像元中光谱曲线具有分形的特征,简述了研究光谱曲线分形特征在高光谱遥感数据处理中的意义．     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.