利于目标识别的高光谱影像波段选择方法

遥感图像数据量大、波段数目多、信息冗余多等特点给图像的进一步解译带来了困难.为了解决这个问题,在使用相邻波段间的互信息量与全部波段间的相关系数矩阵相结合的方法对波段进行分组的基础上,运用波段指数和光谱角制图算法,提出了针对某个感兴趣目标的波段选择方法.首先对校正后的全部有效波段进行分组(划分子空间),然后提取出各个子空间中指数最大的波段,最后依据地物光谱可分性选取最佳的波段组合.通过试验及与常见的波段选择方法进行比较的结果显示,所提方法目标提取效果明显.     

高光谱影像波段选择算法研究*

基于高光谱影像数据的特点,分析了高光谱数据的降维方法。着重探讨了波段选择的若干算法:熵及联合熵、最佳指数因子、自动子空间划分、自适应波段选择、波段指数和最优波段指数等算法。分析了各种算法的有效性、局限性和计算复杂度,并针对波段指数的不足,设计了最优波段指数(OBI)波段选择新算法。最后通过具体的试验,验证了各种算法的性能。     

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.     

一种改进的高光谱数据自适应波段选择方法

高光谱遥感数据具有的波段数目多、波段宽度窄、数据量庞大等特点给图像的进一步解译带来了困难。为了解决这一问题,对自适应波段选择的降维方法进行了改进,不仅考虑了高光谱遥感图像波段的信息量和波段间的相关性,更重要的是考虑了各地物连续光谱间的可分性。光谱间的可分性距离越大,表明类间的可分性越大,地物越清晰。首先选出了能有效区分图像上任意两类别的理想波段子集,再根据波段子集中任意3波段的相关系数之和最小和它们的均方差最小两个指标,选出任意两类对间那些包含信息量大、相关性又小、谱间差异又大的3波段组合(且不唯一),最后对整幅影像选出的最佳3波段45、75、85合成的假彩色图像用光谱角度制图法(SAM)进行了分类,总体分类精度达到91.7%,Kappa系数达到0.82。     

高光谱数据的光谱信息特点及面向对象的特征参数选择——以北京顺义区为例

波段宽度为纳米级的高光谱数据,具有几十乃至几百个光谱通道,它们各有不同的特点。如何根据具体的应用目的,在这众多的波段中选择出最佳波段和特征参数,对于有效地进行高光谱数据的处理、分析及信息提取至关重要。以北京顺义区高光谱数据为例,首先分析了通道间的相关性,根据通道的相关性大小和分组块状结构特点,将其分为若干组;然后全面分析了高光谱数据的光谱信息特征,在综合考虑各波段的信息含量、波段间的相关性以及地物光谱的吸收特性和可分性等因素
的基础上,提出了面向对象的分层多次选择高光谱数据最佳波段和提取特征参数的基本思路和方法;最后用其它地区的成像光谱数据对此方法进行了验证。     

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。     

高光谱遥感数据最佳波段选择方法试验研究

刘建平,赵英时,孙淑玲(中国科技大学研究生院　北京　100039)摘要:分析了多光谱遥感数据最佳波段选择的联合熵、行列式值及最佳指数等信息量计算方法的内在联系,说明了信息量方法用于高光谱遥感数据最佳波段选择的局限性,提出了基于类间可分性的最佳波段选择原则和方法。通过试验,说明了各种处理方法的有效性、局限性和计算复杂度。关　键　词:高光谱遥感数据;最佳波段选择;信息量;可分性中图分类号:TP 751.1/TP 79     

多光谱数据波段选择方法试验研究——以湖北神农架林区为例

本文以神农架林区植被信息提取为例,从统计特征的角度出发,采用最佳指数因子、联合熵与类间、类内可分性判别准则三种波段选择方法。在对三种波段选择方法计算结果综合分析的基础上,结合试验区地物光谱特征和TM传感器不同波段功能,采用逐步逼近的思路,从候选波段组合中确定了最佳波段组合。试验得出TM传感器453波段组合为神农架林区植被信息提取的最佳波段组合。     

基于最速上升算法的超光谱图像波段选择搜索算法*

超光谱遥感数据具有的波段数目多、波段宽度窄、数据量庞大等特点,给图像的进一步解译带来困难。结合超光谱图像波段选择的具体应用,根据波段之间的相关性将整个波段划分为几个子波段,采用最速上升的特征选择搜索算法在各子波段中快速提取最优波段。为了验证本算法的有效性,分别选取JM距离、BH距离以及类内类间离散度作为评价准则,针对一幅200波段的AVIRIS超光谱图像进行分类实验,并将该方法与传统的SFFS算法进行对比。实验结果表明所采用的算法用于特征选择具有搜索能力强、分类精度高的特点,完全可以替代传统的SFFS算法     

基于最佳波段指数和J-M距离可分性的高光谱数据最佳波段组合选取研究——以环境小卫星高光谱数据在东莞市的应用为例

高光谱数据普遍存在波段相关性强、数据冗余严重的特点,因此选择合适的波段组合,是高效开展后续应用研究的基础。以东莞市为研究区,应用环境与灾害监测预报小卫星（HJ-1A）高光谱数据,在分析各波段信息含量和波段间相关性的基础上,使用了3种经典的波段指数选择最佳波段组合;针对经典模型应用中存在的问题,对最佳指数模型进行了改进,通过对波段均方差和相关性设置一定阈值,筛选得到一个较为合理的波段组合;最后,针对草地、林地和耕地3种地物,应用J\|M距离模型对3种地物的可分性进行判别,并指出：50-80-108波段组合,50-79-108波段组合以及50-80-111波段组合是分别用于草地-林地、草地-耕地、耕地-林地分类的最佳波段组合。     

改进的元启发式优化算法及其在图像分割中的应用

元启发式算法自20世纪60年代提出以后,由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法（BAS）离散化得到二进制离散天牛须算法（BBAS）,并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索,有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性,将NBAS算法与二维K熵算法结合,提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法（GA-K熵）、粒子群K熵算法（PSO-K熵）和蚱蜢K熵算法（GOA-K熵）在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,该分割方法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够较为有效地实现复杂图像分割.     

灰度烟支图像的二值化算法

在烟支计数的实际应用中,为了后续的计数,需要对灰度烟支图像二值化。由于烟支图像中烟支小而多,烟支之间的间隔小,使用常用的阈值选取算法来二值化烟支图像并不能取得好的效果。本文根据Pun的最大熵算法提出了一种改进的局部最大熵均值综合阈值选取方法。本文的方法把整个烟支图像分成小区域,在每一个区域中综合考虑最大熵和区域域灰度均值来得到最优的阈值。实验结果表明了此算法的有效性。     

基于三维指数灰度熵的快速图像分割算法

针对现有阈值分割法通常只考虑图像直方图的统计信息,而忽略了图像目标和背景类内灰度分布的均匀性,提出指数灰度熵分割算法,并推广得到三维指数灰度熵分割算法。给出了一维指数灰度熵阈值法及三维指数灰度熵阈值法的原理,在三维直方图上,将降维处理和优化搜索策略相结合,得到最优分割阈值。理论证明,阈值搜索复杂度由原来的[O(L3)]降至[O(L12)]。实验结果表明,与现有的多种阈值法相比,所提算法抗噪性能更强、分割效果更优,且运算时间大为减少。     

Multilevel thresholding based on Chaotic Darwinian Particle Swarm Optimization for segmentation of satellite images

This paper proposes an improved variant of Darwinian Particle Swarm Optimization algorithm based on chaotic functions. Most of the evolutionary algorithms faces the problem of getting trapped in local optima in its search for global optimum solutions. This is highly influenced by the use of random sequences by different operators in these algorithms along their run. The proposed algorithm replaces random sequences by chaotic sequences mitigating the problem of premature convergence. Experiments were conducted to investigate the efficiency of 10 defined chaotic maps and the best one was chosen. Performance of the proposed Chaotic Darwinian Particle Swarm Optimization (CDPSO) algorithm is compared with chaotic variants of optimization algorithms like Cuckoo Search, Harmony Search, Differential Evolution and Particle Swarm Optimization exploiting the chosen optimal chaotic map. Various histogram thresholding measures like minimum cross entropy and Tsallis entropy were used as objective functions and implemented for satellite image segmentation scenario. The experimental results are validated qualitatively and quantitatively by evaluating the mean, standard deviation of the fitness values, PSNR, MSE, SSIM and the total time required for the execution of each optimization algorithm.     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

基于信息熵的改进人工蜂群算法

为了克服人工蜂群算法在处理复杂性问题时收敛速度慢、收敛精度不高、易早熟等缺陷,在原始人工蜂群算法的基础上引入信息熵。信息熵本身是不确定性的一种度量,由信息熵的值来度量人工蜂群算法中跟随蜂选择的不确定性,通过控制信息熵的值达到控制算法中跟随蜂选择过程的目的,实现算法的自适应调节。通过对测试函数和不同规模TSP问题的模拟仿真,对人工蜂群算法、蚁群算法和其他改进方法进行了对比,验证了所提出改进方法的可行性和有效性。     

基于粒度决策熵的属性约简

近年来,人们越来越关注粗糙集中的属性约简算法,尤其是启发式的约简算法。为了度量属性重要度,人们把各种不同的信息熵模型应用到粗糙集中,同时在信息熵这一理论的基础上得出了许多约简算法,用来解决粗糙集中属性约简的问题。然而,现有的基于信息熵的方法还存在一系列问题。针对这些问题,本文首先将知识粒度与相对决策熵这2个概念结合在一起,从而引入一种新的信息熵模型--粒度决策熵;然后,利用粒度决策熵来度量属性的重要性,并由此得出新的约简算法--ARGDE约简算法;最后,用不同的UCI数据集来做实验,通过与已有的约简算法比较,该算法能够得到更好的实验结果。     

基于相对决策嫡的决策树算法及其在入侵检测中的应用

为了弥补传统决策树算法的不足,提出一种基于相对决策熵的决策树算法DTRDE。首先,将Shannon提出的信息熵引入到粗糙集理论中,定义一个相对决策熵的概念,并利用相对决策熵来度量属性的重要性;其次,在算法DTRDE中,采用基于相对决策熵的属性重要性以及粗糙集中的属性依赖性来选择分离属性,并且利用粗糙集中的属性约简技术来删除冗余的属性,旨在降低算法的计算复杂性;最后,将该算法应用于网络入侵检测。在KDD Cup99数据集上的实验表明,DTRDE算法比传统的基于信息熵的算法具有更高的检测率,而其计算开销则与传统方法接近。     

局部熵差图象匹配并行算法

本文围绕局部熵差图象匹配并行化算法的设计,提出了一种新颖的拆叠求和算法,设计了求图象的局部熵的并行算法和局部熵差图象匹配并行算法,经模拟实验表明,本文设计的并行算法具有很好的并行效率。     

基于近似决策熵的属性约简

粗糙集理论已被证明是一种有效的属性约简方法. 目前有许多启发式属性约简算法已被提出, 其中基于信息熵的属性约简算法受到了广泛的关注. 为此, 针对现有的基于信息熵的属性约简算法问题, 定义一种新的信息熵模型—–近似决策熵, 并提出一种基于近似决策熵的属性约简(ADEAR) 算法. 通过在多个UCI 数据集上的实验表明, 与现有算法相比, ADEAR算法能够获得较小的约简和较高的分类精度, 具有相对较低的计算开销.