一种新的空间数据不确定性重建方法

在重建空间数据时,如果条件数据较少甚至没有任何条件数据,重建结果常常出现较多的不确定性,此时适合采用基于统计原理的随机模拟方法重建空间数据.多点信息统计法（Multiple-Point Statistics,MPS）是目前随机模拟的主流方法,它可以将训练图像中提取的本质特征复制到重建区域.由于传统采用线性降维的MPS无法较好处理非线性数据,而局部线性嵌入（Locally Linear Embedding,LLE）可以实现对非线性数据的降维,因此提出LLE与MPS相结合的空间数据不确定性重建方法.利用该方法对图像数据进行重建实验,实验结果证明该方法的有效性.     

基于多尺度残差网络的CT图像超分辨率重建

为了将超分辨率重建算法应用于医学影像领域,提升各类医学影像的分辨率,针对当前主流算法网络结构和分辨率提升倍数的尺度单一性问题,提出了一种应用于CT图像的多尺度残差网络模型。首先,通过级联多层残差块构建模型框架,残差块内采用3种尺度的卷积核提取低分辨率图像的细节特征。然后,将特征图融合在一个维度进行特征映射和数据降维,并将多尺度特征信息导入下一残差块。最后,将网络学习到的残差图与低分辨率图像融合,重建高分辨率图像。采用经过多种放大倍数处理的CT图像对网络进行混合训练,实现了一个模型可以同时支持多种倍数的分辨率提升。实验结果表明:在2,3,4倍放大因子下,该模型重建的CT图像PSNR平均较VDSR算法高0.87,0.83,1.16dB。因此,本文模型有效提升了CT图像的超分辨率重建效果,更锐利地恢复了其细节特征,同时大大提升了算法实用性。     

基于多特征融合和混合卷积网络的高光谱图像分类

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型.首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征.然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递.最后,用二维卷积层对提取的特征进行空间信息...     

基于图像欧式距离和拉普拉斯特征映射的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高。针对高光谱图像的非线性结构,提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法。该方法结合高光谱数据的物理特性,将图像欧氏距离引入拉普拉斯特征映射进行非线性降维以更好地去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元。真实高光谱数据实验表明,提出的方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成份分析算法和原始的拉普拉斯特征映射算法。     

基于专家场先验模型的图像超分辨重建算法

为了进一步提高图像超分辨率重建的质量,针对非局部集中稀疏表示算法中重建图像的噪声问题,提出了一种基于专家场先验模型的图像超分辨率重建改进算法。首先,利用专家场模型从图像训练集中学习整幅图像的先验知识建立全局先验模型;然后将学习到的先验信息用于非局部集中稀疏表示模型求解最优稀疏表示系数;最后,得到高分辨率图像估计。该算法在超分辨率重建迭代运算的同时,同步更新专家场模型参数,因此在不显著增加运算复杂度的情况下,通过选取合适的先验约束,有效地增强了图像重建的效果。实验结果表明:相比非局部集中稀疏表示算法,文中算法对无噪和有噪降质图像均能取得较好的峰值信噪比结果,并且能够进一步提高有噪图像的去噪效果。     

基于自训练字典学习的单幅图像的超分辨率重建

针对单幅低分辨率图像的超分辨率重建问题,提出了一种基于自训练字典学习的超分辨率重建算法。首先根据图像的退化模型,对输入的低分辨率图像进行降质处理,然后利用K-SVD方法训练字典,获得重建所需要的先验知识,最后根据先验知识重建高分辨率图像。仿真实验的结果表明,利用该方法获得的高分辨率图像在视觉效果和客观评价上均优于传统方法,同时算法的时间效率也有很大的提升。     

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始末降维数据,降维后的高光谱图像分类精度有较大幅度的提高.     

基于图像欧氏距离的高光谱图像流形降维算法

提出两种基于图像欧氏距离的非线性降维方法.该方法利用高光谱图像物理特性, 将图像欧氏距离引入到传统的流形降维算法中.与其它应用于高光谱图像的降维算法相比, 该算法具有诸多优点.图像欧氏距离的引入, 在考虑高光谱图像本身的空间关系的同时, 很好地保持了数据点之间的局部特性, 可以实现有效地去除原始数据集光谱维和空间维的冗余信息.实际高光谱数据的实验结果表明, 该算法应用于高光谱图像分类时, 与其它常见的方法相比具有更高的分类精度.     

基于MODIS数据的安徽省土地覆盖分类研究

利用中分辨率成像光谱仪MODIS(MODerate Resolution Imaging Spectroradiometer)多时相、多光谱及纹理数据,结合安徽省GIS属性数据(2000年1∶25万土地利用图),采用多时相分类和分层分类相结合的方法对安徽省土地覆盖进行分类(水田、旱地、林地、水体、城市).最后,使用安徽土地利用格点数据对分类结果进行精度分析.结果表明:应用MODIS数据可以实时有效的获取安徽省土地覆盖信息,同时对大面积土地覆盖分类具有很好的精度.     

基于二阶广义方向性全变分的图像超分辨率重建方法

超分辨率图像重建是增强那些低成本成像传感器系统图像分辨率的有效措施.得益于先验知识的学习,低分辨率图像可有效地被超分辨率增强.针对带有明显边缘结构的图像,现有方法没有有效利用高阶信息从而会出现一些光滑的图像细节.本文针对这种特殊的图像结构,研究一种基于二阶广义方向性全变分的重建方法来挖掘那些隐含的高阶可利用信息.二阶广义方向性全变分不仅可以作为先验知识,还能作为稀疏正则项抑制伪影和噪声.实验结果表明,本文方法可有效超分辨率重建结构边缘图像,并可获得高分辨率图像细节和纹理特征.     

Eigenface-domain super-resolution for face recognition

Face images that are captured by surveillance cameras usually have a very low resolution, which significantly limits the performance of face recognition systems. In the past, super-resolution techniques have been proposed to increase the resolution by combining information from multiple images. These techniques use super-resolution as a preprocessing step to obtain a high-resolution image that is later passed to a face recognition system. Considering that most state-of-the-art face recognition systems use an initial dimensionality reduction method, we propose to transfer the super-resolution reconstruction from pixel domain to a lower dimensional face space. Such an approach has the advantage of a significant decrease in the computational complexity of the super-resolution reconstruction. The reconstruction algorithm no longer tries to obtain a visually improved high-quality image, but instead constructs the information required by the recognition system directly in the low dimensional domain without any unnecessary overhead. In addition, we show that face-space super-resolution is more robust to registration errors and noise than pixel-domain super-resolution because of the addition of model-based constraints.     

基于自注意力深度网络的图像超分辨率重建方法

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。     

Estimating pixel-scale land cover classification confidence usingnonparametric machine learning methods

Conventional approaches to accuracy assessment for land cover maps produced from remote sensing use either confusion matrices or the Kappa statistic to quantify map quality. These approaches yield global or class-specific measures of map quality by comparing classification results with independent ground-truth data. In most maps, considerable spatial variation is present in the accuracy of land cover labels that is not captured by these statistics. To date, this issue has rarely been addressed in the land cover remote sensing literature. The authors present a method to estimate pixel-scale land cover classification confidence using nonparametric machine learning methods. The method is based on recent theoretical developments from the domains of statistics and machine learning that explain the machine learning technique known as “boosting” as being equivalent to additive logistic regression. As a result, results from classification algorithms that use boosting can be assigned classification confidences based on probability estimates assigned to them using this theory. they test this approach using three different data sets. Their results demonstrate that classification errors tend to have low classification confidence while correctly classified pixels tend to have higher confidence. Thus, the method described in this paper may be used as a basis for providing spatially explicit maps of classification quality. This type of information will provide substantial additional information regarding map quality relative to more conventional quality measures and should be useful to end-users of map products derived from remote sensing     

基于多字典稀疏表示的遥感图像亚像元映射

本文提出了一种基于多字典稀疏表示的亚像元映射算法,利用已知的同类型高空间分辨率地物分布图像,构建能够更好反映不同类别地物空间分布模式的多个字典,将待分类亚像元用每一类字典稀疏表示,并依据重构误差最小化原则以及光谱失真程度约束条件来划分亚像元的地物类别.模拟与真实数据上的实验结果表明,本文算法能有效应对地物空间分布模式的多样性,具有更高的亚像元映射精度和更好的算法鲁棒性.     

Superresolution mapping using a hopfield neural network with fused images

Superresolution mapping is a set of techniques to increase the spatial resolution of a land cover map obtained by soft-classification methods. In addition to the information from the land cover proportion images, supplementary information at the subpixel level can be used to produce more detailed and accurate land cover maps. The proposed method in this research aims to use fused imagery as an additional source of information for superresolution mapping using the Hopfield neural network (HNN). Forward and inverse models were incorporated in the HNN to support a new reflectance constraint added to the energy function. The value of the function was calculated based on a linear mixture model. In addition, a new model was used to calculate the local endmember spectra for the reflectance constraint. A set of simulated images was used to test the new technique. The results suggest that fine spatial resolution fused imagery can be used as supplementary data for superresolution mapping from a coarser spatial resolution land cover proportion imagery.     

图像超分辨率重建算法综述

介绍了超分辨率重建的基本原理与数学模型,对现有的图像超分辨率重建算法进行了总结。将当前的超分辨率算法分为基于重建约束的方法和基于学习的方法两大类,分别阐述了超分辨率重建技术的经典方法,最后指出了低质量图像超分辨率技术进一步的研究方向。     

Text Dimensionality Reduction with Mutual Information Preserving Mapping

With the explosion of information,it is becoming increasingly difficult to get what is really wanted.Dimensionality reduction is the first step in efficient processing of large data.Although dimensionality can be reduced in many ways,little work has been done to achieve dimensionality reduction without changing the inner semantic relationship among high dimension data.To remedy this problem,we introduced a manifold learning based method,named Mutual information preserving mapping (MIPM),to explore the low-dimensional,neighborhood and mutual information preserving embeddings of highdimensional inputs.Experimental results show that the proposed method is effective for the text dimensionality reduction task.The MIPM was used to develop a temporal summarization system for efficiently monitoring the information associated with an event over time.With respect to the established baselines,results of these experiments show that our method is effective in the temporal summarization.     

图像超分辨率研究综述

介绍了图像超分辨率技术的概念及来源,综述了超分辨率技术在国内外发展的概况,澄清了图像超分辨率重建和超分辨率复原两个概念,对图像超分辨率的方法进行了分类对比,并对图像超分辨率的发展进行了展望.     

基于图像块分类稀疏表示的超分辨率重构算法

 目前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示,不能反映不同类型图像块间的差别.针对这一缺点,本文提出基于图像块分类稀疏表示的方法.该方法先利用图像局部特征将图像块分为平滑、边缘和不规则结构三种类型,其中边缘块细分为多个方向.然后利用稀疏表示方法对边缘和不规则结构块分别训练各自对应的低分辨率和高分辨率字典.重构时对平滑块利用简单双三次插值方法,边缘和不规则结构块由其对应的高、低分辨率字典通过正交匹配追踪算法重构.实验结果表明,与单字典稀疏表示算法相比,本文算法对图像边缘部分重构质量明显改善,同时重构速度显著提高.