结合K-L散度和互信息的无监督波段选择算法

波段选择是重要的高光谱图像降维手段。为了达到降维的目的,提出结合K-L散度和互信息的无监督波段选择算法,并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段,然后将散度与互信息量的比值定义为联合散度互信息（KLMI）准则,选择KLMI值大且信息量也大的波段加入波段子集中,选出信息量大且相似度低的波段集合,最终利用k最近邻分类算法实现了基于最大方差主成分分析算法、聚类算法、互信息算法和本文中方法的真实高光谱数据分类实验。结果表明,本文中的算法总体分类精度和κ系数均达到0.8以上,高于其它算法;大多数地物的分类精度均得到提升,具有较好的分类性能。该算法是一种实用的高光谱图像降维算法。     

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。     

基于多重分形谱的木材高光谱图像纹理分类算法

为了过滤木材高光谱图像中大量的冗余信息,提升应用图像纹理进行分类的准确率,本文采用基于多重分形理论的木材高光谱图像分类算法。首先利用不同的特征选择算法选取最具代表性的10个波段;随后根据不同的函数密度图像对所选取波段的图像求解其多重分形曲线,将选择出的多个波段所对应的多重分形曲线取平均,得到表示样本纹理特征的多重分形曲线;最后使用支持向量机和BP神经网络分类器对多重分形曲线进行分类。实验表明,相对熵(K-L散度)要好于自适应波段选择(ABS)提取的波段,多重分形算法提取的高光谱图像纹理特征要好于灰度共生矩阵,支持向量机算法的分类准确率和速度要优于BP神经网络,融合K-L散度、多重分形和支持向量机算法能够有效地提高木材高光谱图像的识别准确率,最高识别准确率达到了97.91%。     

基于互信息波段选择和经验模态分解的高精度高光谱数据分类

在遥感数据处理研究中,高维高光谱数据的冗余信息和噪声严重影响高光谱数据的分类精度,针对此问题提出基于互信息波段选择和经验模态分解的高精度高光谱数据分类算法(MI-EMD-SVM).分别采用基于互信息波段选择方法和经验模态分解实现对高光谱数据的冗余信息处理和特征提取,并获得处理后的高光谱数据X'.采用支持向量机分类算法...     

半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法（S4LFDA）。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法（FDA）的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。     

基于DE-GEP的高光谱遥感图像分类

高光谱遥感数据具有波段数目多、数据量庞大等特点.针对传统方法应用于高光谱图像分类中存在波段选择时计算量大、运行时间长,以及图像分类精度不高等问题,首先利用差分演化算法进行波段选择,有效地降低了信息的冗余和数据的维度,然后对波段选择后的结果成图,并对要识别地物的典型区域进行取样,最后采用基因表达式编程算法构建分类器进行图像分类.在波段选择中,与完全搜索的结果相比,差分演化算法可以在很快的时间里取得了较好的搜索结果,基因表达式编程在遥感图像分类中,分类结果优于传统的KNN算法.     

选剔同步的高光谱遥感图像波段选择算法

为了降低高光谱遥感图像冗余度,减少后续的计算复杂度,提出了选剔同步的高光谱遥感图像波段选择算法。以主成分分析后的数据作为参考波段来源,以互信息作为选取波段的相似性度量,引入R-KL系数作为剔除波段的判别准则,利用边选取边剔除的方式进行波段选择。为了验证该算法的有效性,运用贝叶斯分类法对降维后波段进行分类,并与自适应波段选择和基于最大信息量的波段选择算法进行比较。结果显示当选取波段数目较少时,该算法的分类效果优于上述两种算法,当选取波段数目较多时,3种算法分类效果相当,故该算法是一种有效的波段选择算法。     

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。     

广东省主要人工林树种光谱分类

为了探索不同树种叶片光谱区分的最佳特征波段以及不同树种光谱分类的 性能,利用地物光谱仪对广东省10个主要人工林树种的叶片光谱数进行了采集。采用遗 传算法(Genetic Algorithm, GA)和连续投影变换算法(Successive Projections Algorithm, SPA) 进行了高光谱数据降维处理,然后结合支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF) 两种方法进行了树种分类。研究发现,通过两种变量选择方式筛选的用于树种分类的光谱范围 主要位于近红外波段。其中,经GA算法筛选的变量建模和预测精度与基于全波段光谱数据的分类精 度较为接近,且比经SPA算法变量筛选的分类结果好。通过比较可知,RF算法所建模型的性能比SVM算 法更稳定,且GA-RF算法在几种分类处理中的性能最好。结果表明,GA-RF算法 可用于基于光谱数据的树种分类研究。     

基于最大信息量的高光谱遥感图像无监督波段选择方法

提出一种基于最大信息量的高光谱遥感图像无监督波段选择方法.该方法以在所选择的波段中保留原数据中所包含的最大信息量为目标,并采用逐个移除波段的方式来实现.算法使用K-L散度来定量表示信息量的大小,并通过信息量在整个数据集中的分布情况来决定所移除的波段.与传统方法相比,具有物理意义明确、计算过程简单的优点,同时还能够完全自动地完成任务,实现无监督的波段选择.     

基于子空间中主成分最优线性预测的高光谱波段选择

针对高光谱遥感图像的异常检测问题,为了使高光谱降维数据能更完整地保留其光谱信息,提出了基于子空间中主成分最优线性预测的波段选择方法.采用改进相关性度量的谱聚类方法将高光谱波段划分为不同的子空间,并对各子空间中的波段进行主成分分析(PCA),选择主要分量作为重构目标;以子空间追踪法为搜索策略,从各子空间中选择数个波段对其重构目标进行联合最优线性预测;合并各子空间中的所选波段得到最佳波段子集.实验结果表明,该方法选择的波段子集可以较完整地重构原始数据,与原始数据以及自适应波段选择(ABS)方法、线性预测(LP)方法、最大方差主成分分析(MVPCA)方法、自相关矩阵波段选择(ACMBS)方法、组合因子最优波段选择(OCFBS)方法得到的波段子集相比,其波段子集具有更好的异常检测性能.     

A joint band prioritization and band-decorrelation approach to bandselection for hyperspectral image classification

Band selection for remotely sensed image data is an effective means to mitigate the curse of dimensionality. Many criteria have been suggested in the past for optimal band selection. In this paper, a joint band-prioritization and band-decorrelation approach to band selection is considered for hyperspectral image classification. The proposed band prioritization is a method based on the eigen (spectral) decomposition of a matrix from which a loading-factors matrix can be constructed for band prioritization via the corresponding eigenvalues and eigenvectors. Two approaches are presented, principal components analysis (PCA)-based criteria and classification-based criteria. The former includes the maximum-variance PCA and maximum SNR PCA, whereas the latter derives the minimum misclassification canonical analysis (MMCA) (i.e., Fisher's discriminant analysis) and subspace projection-based criteria. Since the band prioritization does not take spectral correlation into account, an information-theoretic criterion called divergence is used for band decorrelation. Finally, the band selection can then be done by an eigenanalysis based band prioritization in conjunction with a divergence-based band decorrelation. It is shown that the proposed band-selection method effectively eliminates a great number of insignificant bands. Surprisingly, the experiments show that with a proper band selection, less than 0.1 of the total number of bands can achieve comparable performance using the number of full bands. This further demonstrates that the band selection can significantly reduce data volume so as to achieve data compression     

面向目标检测基于稀疏表示的波段选择方法

随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化（CEM）检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性.     

一种基于主成分分析的高光谱图像波段选择算法

提出了一种基于主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标，因此，可以保证选择的波段包含原始图像绝大部分信息，而且指标的计算只需要得到原始数据的协方差阵，而不必对原始数据进行真正的主成分变换，极大的降低了计算量。贝叶斯和K-均值分类实验表明．该算法是有效可行的。     

一种新的基于目标检测的波段选择方法

针对现有的高光谱遥感波段选择方法应用于目标检测时效果不高的问题,提出了基于目标检测的波段选择方法两步波段选择（Two Step Band Selection,TSBS）方法。该方法首先应用典型波段选择方法对高光谱波段进行初选;然后根据波段逐一累积后不同波段组合的目标检测效果,对初选波段进行再次选择,最终得到目标检测效果更好的波段组合。该方法不仅继承了典型波段选择方法的优点,而且直接基于目标检测的效果选择波段,应用针对性强,方法简单易行。实验结果表明:TSBS方法在高光谱数据波段选择方面具有较好的普适性,能够在实现数据降维的同时,有效改善目标检测的效果。     

Hyperion高光谱影像波段选择方法比较研究

Hyperion影像的光谱分辨率高,数据体积庞大,而且相邻波段之间的相关性强,信息冗余度较高, 给数据处理与解译带来了很多问题。鉴于此,提出了通过将分段主成分分析和波段指数相结合来开展波段选择与降维研究的思想。 同时采用自适应波段选择法、波段指数法和主成分分析累计贡献率方法进行了波段选择方法的对比研究;对4种波段选择方法所得到的结 果进行了最佳波段组合、地物可分性和图像变换比较分析。实验结果表明,分段主成分分析与波段指数综合方法可以有效抑制由于全局变换造成局部重要光谱被滤除的现象 ,同时还可兼顾自适应分区后各子区间及区间内波段之间的相关性,有效降低高光谱数据的维度。由此可见,该方法的波段选择效 果优于传统的自适应波段选择方法、波段指数法以及主成分分析累计贡献率方法。     

基于小波分频的压电式人工中耳信号处理研究

基于一新型压电式人工中耳,提出利用小波分频方法对其信号进行处理,使该植入装置能模拟正常中耳的传递特性.首先,基于Bark频谱理论,利用小波分频技术将输入信号分为17个频带;再参考中耳传递特性,对每个频带的信号赋以相应的增益系数;最终,通过实验验证该方法的可行性.结果表明,该法可使压电叠堆的输出能较好地反应正常中耳的传递特性.     

Representative band selection for hyperspectral image classification

High dimensional curse for hyperspectral images is one major challenge in image classification. In this work, we introduce a novel spectral band selection method by representative band mining. In the proposed method, the distance between two spectral bands is measured by using disjoint information. For band selection, all spectral bands are first grouped into clusters, and representative bands are selected from these clusters. Different from existing clustering-based band selection methods which select bands from each cluster individually, the proposed method aims to select representative bands simultaneously by exploring the relationship among all band clusters. The optimal representative band selection is based on the criteria of minimizing the distance inside each cluster and maximizing the distance among different representative bands. These selected bands can be further applied in hyperspectral image classification. Experiments are conducted on the 92AV3C Indian Pine data set. Experimental results show that the disjoint information-based spectral band distance measure is effective and the proposed representative band selection approach outperforms state-of-the-art methods for high dimensional image classification.