面向目标检测的高光谱图像压缩技术

提出了一种基于面向目标检测的高光谱图像压缩算法。该算法利用主成分分析对高光谱图像进行降维,引入虚拟维数对高光谱图像的本征维数进行估计,在估计结果基础上确定降维后的主成分数,并采用SPIHT算法对保留的主成分进行有损压缩。同时,虚拟维数可以实现对图像中端元数目的有效估计,继而采用基于无监督正交子空间投影的端元提取算法提取各目标端元,利用算术编码对目标端元的位置进行无损压缩,解码端可以利用获得的端元位置信息对解压缩后的主成分进行目标检测。实验结果表明,该算法在获得较高压缩性能的同时,能够有效检测出图像中的目标信息。     

基于小波变换、二维主元分析与独立元分析的人脸识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和独立元分析(ICA)的特点,提出一种人脸识别方法.首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,从而消除噪声.然后,通过2DPCA对该图像进行降维,求得白化矩阵.再利用ICA获得训练样本的独立元成分,同时求得训练样本独立基构造的独立基子空间.最后,将训练样本与测试样本分别朝该独立基子空间投影,获得样本的投影特征,并依据最近邻准则完成人脸识别.基于ORL与Yale人脸数据库的实验结果表明,本文方法正确识别率高于2DPCA、2DPCA-ICA与WT-2DPCA算法.     

基于ICA和小波变换的轴承故障特征提取

应用独立分量分析方法和小波变换分离轴承的振动信号，提取其状态特征。并对信号进行自相关预处理，突出信号的非高斯成分，较好地满足独立分量分析的前提条件，即源信号统计独立。采用基于负熵的快速独立分量分析（ICA）算法，成功地分离出了信号的一些独立成分。对ICA处理后的分量信号进行小波变换，完成信号检测，消噪，频带分析，以获取故障信号特征，确定故障的位置和强度。研究结果表明，独立分量分析方法和小波变换能提取明显的轴承故障信号特征。     

基于核主量和线性鉴别分析的人脸识别算法研究

采用基于非线性核空间的主分量分析法(KPCA)和线性主元空间鉴别分析法(LDA)相结合的算法,首先将人脸图像在非线性高维空间中进行主成分分量降维,然后采用基于主元空间的LDA方法对子空间再度降维,同时利用欧式距离分类器(KNN)对样本进行有效的分类识别.采用Matlab和ORL人脸库对该算法进行验证,实验证明,该算法识别性能显著提高,明显优于其他算法.     

高光谱数据分类新方法研究

传统的独立分量分析（ICA）算法无法确定高光谱数据中独立分量的个数,利用概率神经网络（PNN）训练时间短的优点,根据分类精度可以较快地确定出独立分量的个数。提出了一种在确定高光谱数据的维数之后利用支持向量机（SVM）分类的新算法思想,首先利用ICA对高光谱数据降维,并利用PNN确定出独立分量的个数,而后对降维后的数据利用SVM作交叉验证,并采用混合核函数进行分类的算法思想。通过仿真实验表明,该算法可以在保证分类精度的同时大大减少分类的时间。     

ICA和子采样在DWT域彩色图像水印中的应用

为了实现对彩色图像等多媒体信息的版权保护,采用独立分量分析(ICA)和图像子采样技术,提出了一种基于离散小波变换(DWT)的彩色图像水印算法.该算法对原图像YIQ色彩空间的Y分量进行子采样,将置乱后的二值水印图像,嵌入到选定子图像的二级小波逼近子图中,嵌入水印的子图像位置由随机数确定,检测时利用快速ICA算法来提取水印.计算机仿真结果和性能分析表明,算法具有较好的隐蔽性和鲁棒性.     

基于分类性能的掌纹特征有机融合

为了克服利用单一特征进行掌纹识别的局限性,提出一种基于分类性能的掌纹多特征有机融合方法。该特征融合方法通过三步来实现:特征选择、加权处理和降维处理。在分析单一特征分量聚类性能的基础上,通过构造判别准则并设定相应阈值对特征进行取舍;通过构造类内距离与类间距离之比这一函数计算得到每个特征分量的权值,然后进行加权处理;最后利用主分量分析法对特征进行降维处理。以改进的LBP算法和离散小波变换提取掌纹的两种特征,将提取的特征进行融合实验,结果表明了该方法的有效性。     

结合纯像元提取和ICA的高光谱降维方法*

摘要：为了实现高光谱降维并保留重要的光谱特征,通过独立分量分析（Independent Component Analysis, ICA）混合模型和高光谱线性模型的对比分析,提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(Virtual Dimensionality, VD)确定特征个数,采用自动目标生成过程（Automatic Target Generation Process, ATGP）从原始数据中提取纯像元向量,作为ICA算法的初始化向量,以负熵为目标函数产生独立分量,并通过高阶统计量筛选实现高光谱数据的降维。分类实验结果表明,该方法不仅解决了传统ICA的随机排序问题,而且与经典降维算法主分量分析（Principal Components Analysis, PCA）相比,分类精度提高了6.83%,在大大降低高光谱数据量的情况下很好的保留了高光谱数据的特征,有利于数据的后续分析和应用。     

一种改进的彩色图像快速去色算法

提出一种新的融合色彩变化信息的快速彩色图像去色算法.针对彩色图像像素多、维数低、颜色分量非线性关联的特点,提出基于核方法的快速降维,利用核函数来表征灰度分量和颜色分量之间的非线性关系,得到反映色彩变化信息的灰度增强值;采用基于分位数统计的方法对核函数的参数进行估计,对降维后的灰度增强值进行修正,保证最终得到的灰度图像符合人眼的视觉特性.实验结果表明,用该算法得到的灰度图像很好地融合了原彩色图像中灰度分量和颜色分量的对比度信息,且算法的执行效率高.     

基于小波分解的独立分量掌纹识别方法

独立分量分析方法在图像处理中具有独特的优势，用于掌纹特征提取，使得变换后的各分量之间不仅互不相关，而且还尽可能的统计独立，能更全面的揭示掌纹特征间的本质结构。为了降低运算复杂度，提出了一种基于小波分解的独立分量掌纹特征提取方法。首先对掌纹图像做小波变换进行降维，在保留原始图像轮廓信息和细节信息的基础上，去掉高频噪声，然后进行独立分量分析，采用FastICA算法，试验结果表明,本方法比传统的独立分量分析方法的识别率更高，且计算量大大减少。     

基于拉普拉斯特征映射高光谱遥感影像降维及其分类

在进行高光谱遥感影像监督分类过程中,结合高光谱数据非线性的特点和流形学习强大的非线性处理能力,提出一种基于拉普拉斯特征映射(LE)降维和最佳指数法(OIF)波段组合选择训练样本进行SVM分类的策略,首先对高光谱遥感影像波段进行优化,利用拉普拉斯特征映射法(LE)对波段优选后的影像进行降维,利用OIF选择波段组合叠加进行训练样本选择。在此基础上采用支持向量机(SVM)进行分类处理,取得了优于PCA的效果。实验证明了流形学习是一种行之有效的高光谱遥感数据特征提取方法。     

基于深度信念网络的高光谱影像森林类型识别

森林类型分类对森林生态系统管理起重要作用,高光谱影像由于波段多,传统方法先对其进行特征选择或特征提取进行降维处理,再进行图像分类,一定程度影响森林类型识别精度.深度信念网络是一种半监督学习方法,可将高光谱所有波段作为深度信念网络的输入,从而避免降维处理.论文利用深度信念网络对泉州市德化县西部8个乡镇进行森林类型识别研究.基于HJ/1A高光谱图像与二类调查数据,利用Python语言实现高光谱影像森林类型分类,讨论了网络深度和隐藏层单元数对总体精度与Kappa系数的影响.实验结果表明：层数为3,每层节点数为256的网络结构对森林类型识别效果最好,总体精度达85.8%,系数为0.785,好于支持向量机的分类结果.     

Spectrally segmented principal component analysis of hyperspectral imagery for mapping invasive plant species

Principal component analysis (PCA) is one of the most commonly adopted feature reduction techniques in remote sensing image analysis. However, it may overlook subtle but useful information if applied directly to the analysis of hyperspectral data, especially for discriminating between different vegetation types. In order to accurately map an invasive plant species (horse tamarind, Leucaena leucocephala) in southern Taiwan using Hyperion hyperspectral imagery, this study developed a spectrally segmented PCA based on the spectral characteristics of vegetation over different wavelength regions. The developed algorithm can not only reduce the dimensionality of hyperspectral imagery but also extracts helpful information for differentiating more effectively the target plant species from other vegetation types. Experiments conducted in this study demonstrated that the developed algorithm performs better than correlation‐based segmented principal component transformation (SPCT) and conventional PCA (overall accuracy: 86%, 76%, 66%; kappa value: 0.81, 0.69, 0.57) in detecting the target plant species, as well as mapping other vegetation covers.     

ICA mixture model algorithm for unsupervised classification of remote sensing imagery

Conventional remote sensing classification algorithms assume that the data in each class can be modelled using a multivariate Gaussian distribution. As this assumption is often not valid in practice, conventional algorithms do not perform well. In this paper, we present an independent component analysis (ICA)‐based approach for unsupervised classification of multi/hyperspectral imagery. ICA used for a mixture model estimates the data density in each class and models class distributions with non‐Gaussian (sub‐ and super‐Gaussian) probability density functions, resulting in the ICA mixture model (ICAMM) algorithm. Independent components and the mixing matrix for each class are found using an extended information‐maximization algorithm, and the class membership probabilities for each pixel are computed. The pixel is allocated to the class having maximum class membership probability to produce a classification. We apply the ICAMM algorithm for unsupervised classification of images obtained from both multispectral and hyperspectral sensors. Four feature extraction techniques are considered as a preprocessing step to reduce the dimensionality of the hyperspectral data. The results demonstrate that the ICAMM algorithm significantly outperforms the conventional K‐means algorithm for land cover classification produced from both multi‐ and hyperspectral remote sensing images.     

基于独立分量分析的高光谱遥感影像决策树分类

为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难”间的矛盾并提高分类精度,针对传统特征选择方法信息损失大的缺陷,基于EO-1 Hyperion高光谱遥感影像,采用独立分量分析(ICA)和决策树分类(DTC)方法联合运作流程,开展影像的地物分类实验研究,提出了ICA-DTC模型。首先运用ICA方法对影像进行特征提取,并以所提取的独立分量特征及其他地理辅助要素组成分类指标集;继而选择适当的指标组合和阈值设定判别规则,建立DTC模型进行影像的地物分类;最后将分类结果与传统最大似然分类法进行比对。结果显示：从分类的总体精度看,前者可达89.34%,高出后者18.8%;从单一地物的分类精度看,前者仅水体的精度略低于后者,而其他11种地物的精度都高于后者。理论分析与实验结果均表明,ICA-DTC模型可有效提高复杂地形条件下的地物分类精度。     

A joint compression-discrimination neural transformation applied to target detection.

Many image recognition algorithms based on data-learning perform dimensionality reduction before the actual learning and classification because the high dimensionality of raw imagery would require enormous training sets to achieve satisfactory performance. A potential problem with this approach is that most dimensionality reduction techniques, such as principal component analysis (PCA), seek to maximize the representation of data variation into a small number of PCA components, without considering interclass discriminability. This paper presents a neural-network-based transformation that simultaneously seeks to provide dimensionality reduction and a high degree of discriminability by combining together the learning mechanism of a neural-network-based PCA and a backpropagation learning algorithm. The joint discrimination-compression algorithm is applied to infrared imagery to detect military vehicles.     

利用信息熵的高光谱遥感影像降维方法

高光谱遥感影像以其众多的波段数目，为地表观测提供近乎连续的波谱数据；然而海量的高光谱遥感影像存在着大量的信息冗余，为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前，对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论，将高光谱遥感影像的各波段抽象为具有相关性的独立个体，设计了高光谱遥感影像的决策表矩阵，进而计算各波段的信息熵，量化各波段的信息量，从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求，按排序选择波段组合，从而达到降维目的。以遥感分类结果的精度评价为例，对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明，该方法相较其他特征选取降维方法，能获得更高的分类精度。     

Denoising and dimensionality reduction of hyperspectral imagery using wavelet packets,neighbour shrinking and principal component analysis

After dimensionality reduction of a hyperspectral datacube using principal component analysis (PCA), the dimension-reduced channels often contain a significant amount of noise. To overcome this problem, this letter proposes a method that can fulfil both denoising and dimensionality reduction of hyperspectral data using wavelet packets, neighbour wavelet shrinking and PCA. A 2D forward wavelet packet transform is performed in the spatial domain on each of the band images of a hyperspectral datacube, the wavelet packet coefficients are then shrunk by employing a neighbourhood wavelet thresholding scheme, and an inverse 2D wavelet packet transform is performed on the thresholded coefficients to create the denoised datacube. PCA is applied on the denoised datacube in the spectral domain to obtain the dimension-reduced datacube. Experiments conducted in this letter confirm the feasibility of the proposed method for denoising and dimensionality reduction of hyperspectral data.