基于光谱注意力图卷积网络的高光谱图像分类

近年来,图卷积网络因其特征聚合的机制,能够同时对单个节点以及近邻节点的特征进行表示,被广泛应用于高光谱图像的分类任务。然而,高光谱图像(HSI)中常存在波段冗余、同物异谱等问题,使得直接利用原始光谱特征构建的初始图可靠性不足,从而导致高光谱图像的分类精度低。为此,该文提出一种基于光谱注意力图卷积网络(SAGCN)的高光谱图像半监督分类方法。首先,利用注意力模块对光谱的局部与全局信息进行交互,以增加重要光谱的权重、减小冗余波段以及噪声波段的权重,从而实现光谱的自适应加权;然后,针对光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,通过图卷积对标记和无标记样本进行有效的特征聚合,并使用标记样本的聚合特征训练网络。在Indian Pines, Kennedy Space Center和Botswana 3个真实高光谱图像数据集上的实验结果验证了所提方法的有效性。     

基于二维经验模态分解的高光谱影像去噪方法

高光谱遥感图像同时具有二维空间信息数据和一维光谱信息数据,具有图谱合一的特点且谱间信息具有强烈的相关性,针对高光谱图像的这些特点,提出一种基于二维经验模态分解的高光谱图像降噪方法。该方法利用二维经验模态分解对各波段的高光谱图像分别进行分解,得到不同尺度的固有模态函数;根据含噪声较大的波段和含噪声较小的波段的谱间对应关系计算权系数值,对含噪声较小波段的高频固有模态函数系数进行加权求和,利用加权后的系数值代替含噪声较大的波段的高频固有模态函数系数;利用去噪后的高频系数进行重构得到去噪后的高光谱图像。实验表明,该方法能够对高光谱影像进行有效去噪,同时亦能较好地保留图像细节信息,与经典的小波去噪方法相比,使用该方法去噪后的图像具有更高的峰值信噪比和更好的视觉效果。     

CFFT最优信噪比的星载高光谱影像噪声抑制方法

高光谱遥感影像独特的"图谱"特征为定量遥感等遥感监测提供了重要的技术支撑,但由于大气、地形材料等因素影响和限制,易受到各种噪声污染。基于光谱学领域的光谱统处理理论,结合信息时域分析领域的快速傅里叶变换,实现频域内噪声与光谱有效信息的分离,同时在最优信噪比约束条件下选择最优滤波阈值,设计噪声滤波器,实现了卫星高光谱遥感影像的噪声滤除。以中国北京城区和中国新疆谢米斯台上戈壁区的两景Hyperion高光谱遥感影像为例,进行了该滤波算法的定性和定量评价。结果表明:文中提出的高光谱遥感影像噪声滤波算法,有效地滤除了高光谱影像数据光谱维高斯白噪声和空间维的条带噪声、波段差噪声,提高了影像的清晰度,影像的信噪比提高5 dB以上,为后续定量分析等遥感监测研究提供了较高质量的数据保障。     

一种针对高光谱遥感影像的波段选择方法

随着传感器技术的不断发展,高光谱遥感影像已经广泛应用于土地覆盖监测等诸多领域。高光谱遥感影像具有波段数目多、波段间相关性强等特点,因此在图像分类时需要有效的波段选择方法以提高遥感影像的使用效率。文中提出了一种针对高光谱遥感影像的波段选择方法,该方法首先使用信息散度描述波段间的相关性,通过构造信息散度矩阵对子空间进行划分。然后使用波段的信息量和Bhattacharyya距离构建适应度函数,并对粒子群算法中的惯性权值更新方式进行改进。通过对AVIRIS高光谱遥感图像进行实验证明,与现有算法相比文中算法具有更高的分类精度及更快的收敛速度。     

核加权RX高光谱图像异常检测算法

提出了一种新的基于混合核函数的加权RX算法,用于高光谱图像异常检测.在将原始高光谱数据非线性映射到高维特征空间以挖掘高光谱图像波段间蕴含的非线性信息后,自适应地赋予特征空间RX算子中采样协方差矩阵各光谱向量相应的权值.权值的大小与光谱向量到质心的距离成反比,从而削减了协方差矩阵中异常数据比重,使加权协方差矩阵更好地表征背景数据分布.最后利用核函数性质将高维特征空间的内积运算转化为低维输入空间的核函数计算,并根据高光谱数据特点线性组合新型光谱核函数和径向基核函数以改善算法性能.为验证算法的有效性,利用真实的高光谱数据进行了仿真实验,结果表明该算法优于特征空间的RX算法,能检测到更多的异常目标.     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

基于低秩表示和学习字典的高光谱图像异常探测

提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法.相对于其它低秩矩阵分解方法如鲁棒主成分分析,低秩表示方法更为契合高光谱图像的线性混合模型.该算法将低秩表示模型应用到高光谱图像异常探测问题上来,引入表征背景信息的学习字典,大大增强了低秩表示模型对初始参数的鲁棒性.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地提高了异常的探测率,同时对初始参数具有较好的鲁棒性,可以作为一种解决高光谱图像异常探测的有效手段.     

基于高光谱解混的伪装目标识别技术研究

高光谱遥感图像识别技术在伪装目标识别方面具有很大的应用前景。针对高光谱遥感图像中的混合像元和光谱变异问题,提出基于高光谱解混技术的伪装目标识别方法。该方法采用扩展线性混合模型表征高光谱图像中的光谱变异问题,利用超像元分割技术将原始高光谱图像转换为粗细多尺度特征图,对超像元丰度矩阵附加8-邻域空间加权与行约束,以降低噪声和奇异点像元的影响。针对伪装目标空间分布稀疏的特点,在模型中增加丰度矩阵的截断加权核范数作为正则化项,以提高算法精度。实验结果表明提出的方法具有良好的抗噪性和较高的解混精度,可以有效提高伪装目标识别精度。     

结合光谱和尺度特征的高分辨率图像边缘检测算法

高分辨率遥感图像具有高度细节化的多尺度表达能力,在有效表达地物边缘信息的同时,目标内部几何细节常以噪声的形式出现.提出将光谱相异性和小波变换相结合的边缘特征检测算法,克服了小波变换导致的边缘变形,并能够有效抑制噪声.根据光谱角原理定义归一化光谱相异性模型,并与二进小波变换结合,同时利用梯度方向余弦值对各个波段的梯度幅值加权,最后根据向量场模型计算多光谱图像的梯度幅值和梯度方向,细化后获取由细到粗的多层次边缘特征.实验结果与小波变换和传统检测算子的检测结果相比,表明该算法利用光谱相异性信息增强边缘响应强度,保证了所有尺度下获取的边缘轮廓不失真,边缘点定位准确;加权处理突出了多波段梯度主方向信息,也有效抑制了高分辨率图像上目标内部精细几何细节形成的噪声.     

基于半监督稀疏流形嵌入的高光谱影像特征提取

高光谱影像具有波段数多、冗余度高的特点,因此特征提取成为高光谱影像分类的研究热点。针对此问题,该文提出一种半监督稀疏流形嵌入(S3ME)算法,该方法充分利用标记样本和无标记样本,通过基于切空间的稀疏流形表示来自适应地揭示数据间的相似关系,并利用稀疏系数构建一个半监督相似图。在此基础上,增加了图中同类标记样本的权重,然后在低维空间中保持图的相似关系不变,并最小化加权距离和,获得投影矩阵实现特征提取。S3ME方法不仅能揭示数据间的稀疏流形结构,而且增强了同类数据的集聚性,能有效提取出鉴别特征,改善分类效果。该文提出的S3ME方法在PaviaU和Salinas高光谱数据集上的总体分类精度分别达到84.62%和88.07%,相比传统特征提取方法提升了地物分类性能。     

Low-rank tensor completion with spatial-spectral consistency for hyperspectral image restoration

Hyperspectral image (HSI) restoration has been widely used to improve the quality of HSI. HSIs are often impacted by various degradations, such as noise and deadlines, which have a bad visual effect and influence the subsequent applications. For HSIs with missing data, most tensor regularized methods cannot complete missing data and restore it. We propose a spatial-spectral consistency regularized low-rank tensor completion (SSC-LRTC) model for removing noise and recovering HSI data, in which an SSC regularization is proposed considering the images of different bands are different from each other. Then, the proposed method is solved by a convergent multi-block alternating direction method of multipliers (ADMM) algorithm, and convergence of the solution is proved. The superiority of the proposed model on HSI restoration is demonstrated by experiments on removing various noises and deadlines.     

结合潜在低秩分解和稀疏表示的脑部图像融合

针对低秩分解和稀疏表示(space representation,SR) 造成融合图像信息缺失的问题,提出一种结合潜在低秩分解和SR的脑部图像融合算法。首先,将源图像分解为低秩、稀疏和噪声3种成分,面对不同分解成分特性间的差异,分别构造低秩字典和稀疏字典进行描述:采用加权灰度值的方法处理低秩成分,以保持其轮廓和亮度特征;对于稀疏成分,设计一种多范数加权度量的方法对SR进行改进,以保持其高维信息,剔除噪声成分。比对当前主流的5种算法,在视觉效果和客观指标上,本文方法效果最优。     

基于群稀疏空间光谱总变分的高光谱混合噪声图像恢复北大核心CSCD

高光谱图像(HSI)在采集的过程中,由于受到环境和传感器的影响,图像会被大量混合噪声污染,会影响遥感图像后续应用的性能,因此从混合噪声中恢复干净的HSI成为了重要的预处理过程。而一些现有的张量模型,在去除含有条带和死线的混合噪声时,并不能取得很好的效果。为此,提出了一种基于群稀疏空间光谱总变分的高光谱混合噪声图像恢复算法(FRTCSSTV);为了避免过度平滑,该算法利用群稀疏空间光谱全变分正则化来增强空间谱维的稀疏性,同时为了保持HSI原有的结构,采用直接对张量纤维秩进行约束的方法来表示HSI的全局低秩。在模拟和真实的高光谱图像实验中,与其他模型相比,FRTCSSTV方法在去除含有条带和死线噪声的混合噪声时具有更好的性能。     

基于低秩矩阵恢复的SAR图像相干斑抑制方法

针对合成孔径雷达(SAR)图像相干斑噪声的特点,提出了一种基于低秩矩阵恢复的SAR图像相干斑抑制算法。该算法首先对SAR图像进行对数变换,将SAR图像相干斑乘性噪声转化为加性噪声;然后对变换后图像等步长遍历提取图像子参考块,利用局部块匹配技术寻找子参考块的相似块组建相似子集,合并数据集中所有相似子集,构建近似低秩的矩阵;再通过低秩矩阵恢复算法将矩阵分解为低秩矩阵部分和稀疏矩阵部分;最后将低秩矩阵部分逆变换回图像块,基于图像块灰度值对图像的每个像素进行加权重构,生成相干斑抑制后的SAR图像。实验表明,文中所提出的算法能够有效抑制SAR图像中的相干斑噪声,同时很好地保留了边缘细节特征。     

基于局部平滑加权图割方法的SAR图像分割

针对合成孔径雷达(SAR)图像分割,提出了一种 局部平滑加权图割(LSWGC,local smoothing weighted graph cut)模型。首先,在加权图割(WGCut)的目标函数中加入局部平滑罚项,提高了基于谱 聚类的SAR 图像分割方法对斑点噪声的稳健性,抑制了SAR图像分割中孤立点的产生;其次,利用WGCut 与加权核 K均值(WKKM)的等价性,LSWGC以不同于参数核 图割(PKGC)方法的核化方式将核映射引入目标函数中,用图 割最优化算法求解标号函数,避免了基于谱聚类的SAR图像分割方法中图谱的求解问题,同 时改善了PKGC方法二类划分易丢失目标的不足。模拟和真实SAR图像的实验结果证实 了本文方案的有效性。     

基于NSST和高斯混合模型的医学图像融合算法

提出了一种基于非下采样剪切波变换（Non-subsampled shearlet transform, NSST）和高斯混合模型的医学彩色图像融合算法。首先将彩色图像转换到HSI颜色空间,提取其色度分量图像、饱和度分量图像和强度分量图像;然后对强度分量图像和MRI图像进行NSST变换,其中低频系数采用基于区域系数改进拉普拉斯能量和（Sum-modified-Laplacian,SML）加权的融合规则,高频系数采用高斯混合模型估计参数取大的融合规则;对融合后的系数进行NSST逆变换重构融合后的强度分量图像;最后将融合后的强度分量图像与色度分量图像、饱和度分量图像混合得到融合后的HSI图像,再将HSI图像转换到RGB颜色空间得到融合后的彩色图像。仿真实验表明,该算法在视觉效果和客观评价指标上具有更好的融合效果。     

基于稀疏性非负矩阵分解的偏振图像快速融合方法

针对基于非负矩阵分解(non-negative matrix factorization, NMF)的偏振图像融合方法效率低的不足,提出一种基于稀疏性NMF的偏振图像快速融合方法。首先,以偏振信息解析得到的各偏振参量图像构造原始数据集,其次,对NMF增加稀疏性约束,利用稀疏表示下的在线字典学习算法进行快速分解,然后对分解得到的三幅特征基图像按清晰度和方差进行排序,将排序后的特征基图像经直方图匹配及HSI颜色映射后,变换到RGB颜色空间,得到融合图像。与基于NMF的方法相比,运行时间提高约120倍,达到约1.5 s完成一次融合过程。实验结果验证了该方法在改善融合效果的同时,运行效率明显提高。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

基于马尔科夫判别谱聚类的极化SAR图像分类方法

该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。      

一种图像脉冲噪声小波域广义滤波算法

提出了一种脉冲噪声滤波算法.首先对噪声图像进行二维小波分解,得到高频和低频子图像;其次对高频子图像序列采用改进自适应加权中值滤波进行处理,以排除水平、垂直、对角方向的噪声;然后对于低频子图像引入基于修正系数的维纳滤波进行处理,并进行小波系数重构;最后设计出一种小波域图像增强模型,通过设置调节系数,将图像分为不同区域分别进行相应比例的对比度拉伸处理,结合实验定量讨论了噪声强度与模型系数的函数关系.实验表明,该滤波算法不仅优于几类单一滤波算法,相对于某些组合滤波算法而言,也具有一定的优势.