多指标混合逐次投影高光谱图像降维算法

降维对于高光谱图像解译具有重要意义。基于二阶统计量分析的经典主成分分析方法在降维过程中会丢失小目标信号。为解决这一问题,本文中引入高阶统计量作为投影指标对主成分分析方法进行拓展,提出了一种基于不同统计量描述的混合逐次投影的高光谱图像降维算法。该方法在保持主成分分析优点的同时,有效结合了非正交向量投影的特点,可以在降维后的低维空间中保留异常信号成分。真实高光谱图像数据的实验结果证明,该方法相对于主成分分析可以提取更加完整的低维信号子空间。     

利用独立成分分析的高光谱图像波段选择方法

提出一种适合目标探测的基于独立成分分析(ICA)的高光谱图像波段选择方法。首先进行"虚拟维"(VD)估计以确定重要独立成分个数,同时对FastICA生成的独立成分排序,选择排序靠前的几个独立成分作为重要独立成分;再根据波段对重要独立成分的平均贡献量对波段排序;最后使用光谱相似性度量去除排序后的冗余波段,保证了最终波段子集含有较多的目标信息。对AVIRIS获取的两幅真实高光谱图像进行了目标探测实验,结果表明,文中方法优于另外两种基于二阶统计特性的波段选择方法,其选出的波段分别占据全部波段的12%和3%,目标探测算子自适应余弦估计(ACE)和自适应匹配滤波(AMF)其上的探测率较全波段分别提高了30%和15%。     

基于聚类的高光谱图像无损压缩

高光谱海量数据的有效压缩成为遥感技术发展中需要迫切解决的问题。该文提出了一种基于聚类的高光谱图像无损压缩算法。针对高光谱图像不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组。由于高光谱图像波段数量较多,采用自适应波段选择算法对高光谱图像进行降维,以获取信息量较大的部分波段,利用k均值算法对降维后的波段谱矢量进行聚类。采用多波段预测的方案对各组中的波段进行预测,对于各个分类中的每个像素,分别选取与其空间相邻的已编码的部分同类点进行训练,从而获得当前像素的谱间最优预测系数。对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。     

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。     

基于分类非线性预测的高光谱图像无损压缩

高光谱数据的有效压缩成为遥感技术发展中需要迫切解决的问题.提出了一种基于分类非线性预测的高光谱图像无损压缩算法.针对不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组.为提高谱间预测性能,对各组波段进行最优排序.采用自适应波段选择算法对高光谱图像进行降维,并利用k-means算法对降维后波段的谱向矢量进行分类.在参考波段和预测波段中选取具有相同空间位置的上下文结构,在分类结果的基础上,对当前波段进行谱间非线性预测.参考波段采用JPEG-LS标准进行压缩,预测残差进行Golomb-Rice编码.对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率.     

基于Contourlet变换和主成分分析的高光谱数据噪声消除方法

该文提出了一种适合于高光谱超维数据处理的基于Contourlet变换和主成分分析的噪声消除方法。该方法首先利用Contourlet变换实现图像的稀疏表示,再利用主成分分析对Contourlet系数进行适当地消噪处理。通过对OMIS图像的实验结果表明该方法能够同时消除高光谱多个波段图像中的噪声,从整体上改善高光谱图像质量,且性能上要优于PCA和Contourlet变换方法。     

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。     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

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。     

基于独立分量分析的高光谱图像目标检测算法

提出一种基于独立分量分析(ICA)的高光谱图像目标检测算法.首先利用无监督正交子空间投影进行端元提取,并将端元矢量构成矩阵作为快速定点独立分量分析的初始化混合矩阵,解决了独立分量在排序上的随机性;同时采用基于噪声调整的主分量分析(NAPCA)对原始图像数据降维,继而采用初始化后的快速独立分量分析从保留的主分量中依次提取出目标.利用AVIRIS高光谱数据进行实验研究,结果表明提出的算法能够有效地提取图像中的目标信息,其性能优于改进的CEM检测算法.     

基于低秩张量分析的高光谱图像降维与分类

提出一种用于高光谱图像降维和分类的分块低秩张量分析方法。该算法以提高分类精度为目标,对图像张量分块进行降维和分类。将高光谱图像分成若干子张量,不仅保存了高光谱图像的三维数据结构,利用了空间与光谱维度的关联性,还充分挖掘了图像局部的空间相关性。与现有的张量分析法相比,这种分块处理方法克服了图像的整体空间相关性较弱以及子空间维度的设定对降维效果的负面影响。只要子空间维度小于子张量维度,所提议的分块算法就能取得较好的降维效果,其分类精度远远高于不分块的算法,从而无需借助原本就不可靠的子空间维度估计法。仿真和真实数据的实验结果表明,所提议分块低秩张量分析算法明显地表现出较好的降维效果,具有较高的分类精度。     

基于信息论准则的高光谱波段选择方法

与传统多光谱遥感图像相比,高光谱图像是在一定波段范围内窄波段成像的,提供了丰富的光谱信息,拓展了遥感技术的应用范围,但同时存在数据含量大、波段间相关性高等问题,在进行处理时需要对高光谱图像进行降维。通过分析现有高光谱波段选择方法 ,本文提出了一种基于信息论准则的高光谱波段选择方法 ,结合波段信息熵与波段间的相关性,采用粒子群优化算法(PSO)进行波段优选,克服了采用单一使用信息量为适应度的片面性。最后使用AVIRIS图像对提出的算法进行试验,并利用支持向量机分类方法进行分类验证,总体分类精度达到91.0%。     

Dimensionality reduction for hyperspectral imagery based on fastica

The high dimensions of hyperspectral imagery have caused burden for further processing. A new Fast Independent Component Analysis (FastICA) approach to dimensionality reduction for hyperspectral imagery is presented. The virtual dimensionality is introduced to determine the number of dimensions needed to be preserved. Since there is no prioritization among independent components generated by the FastICA, the mixing matrix of FastICA is initialized by endmembers, which were extracted by using unsu-pervised maximum distance method. Minimum Noise Fraction (MNF) is used for preprocessing of original data, which can reduce the computational complexity of FastICA significantly. Finally, FastICA is performed on the selected principal components acquired by MNF to generate the expected independent components in accordance with the order of endmembers. Experimental results demonstrate that the proposed method outperforms second-order statistics-based transforms such as principle components analysis.     

神经网络敏感性分析的高光谱遥感影像降维与分类方法

高光谱遥感影像由于其巨大的波段数直接导致信息的高冗余和数据处理的复杂,这不仅带来庞大的计算量,而且会损害分类精度。因此,在对高光谱影像进行处理、分析之前进行降维变得非常必要。神经网络敏感性分析可以用于对模型的简化降维,该文将该方法运用于高光谱遥感影像降维中,通过子空间划分弱化波段之间的相关性,利用差分进化算法(DE)优化神经网络结构,采用Ruck敏感性分析方法剔除掉对分类贡献较小的波段,从而实现降维。最后,采用AVIRIS影像进行实验,所提算法相比其他相近的降维与分类方法能获得更高的分类精度,达到85.83%,比其他相近方法中最优方法高出0.31%。     

基于残差偏置和查找表的高光谱图像无损压缩

为了提高高光谱遥感图像的压缩比,提出一种基于残差偏置和查找表的高光谱图像无损压缩方法。在高光谱图像的第一谱段图像采用了无损压缩标准中值预测器方法进行谱段内预测,其它谱段图像采用谱间预测方法。首先,在多级查找表（LAIS-LUT）预测方法的基础上搜索当前预测值,用当前预测值周围特定的5个像素点和当前像素值周围相同位置的5个像素点进行比较,通过比较结果,得出一个偏置值;然后在预测残差上加上偏置值;最后,将最终预测残差进行算术编码,并进行了理论分析和实验验证。结果表明,针对美国航空航天局的高光谱图像,所提出的方法比LAIS-LUT压缩比平均提高0.05;针对国内高光谱图像,该方法比LAIS-LUT压缩比平均提高0.07。这一结果对提高高光谱图像压缩效率是有帮助的。     

基于光谱梯度角的高光谱影像流形学习降维法

为了挖掘高光谱数据的光谱局部特征,从高光谱遥感数据内在的非线性结构出发,提出了一种基于光谱梯度角的高光谱影像流形学习降维方法。采用局部化流形学习算法局部保持投影（LPP）对高光谱遥感数据进行非线性降维,对距离度量进行改进,将能够更好刻画高光谱影像光谱局部特征的光谱梯度角相似性度量应用于LPP方法,并用真实高光谱图像进行降维实验,取得了优于LPP方法和采用光谱角的LPP方法的结果。结果表明,在光谱规范化特征值方面,所提方法优于LPP方法和采用光谱角的LPP方法;在信息量的保持方面,具有更好的局部细节信息保持量。采用光谱梯度角的流形学习方法用于高光谱影像降维能取得较好的降维效果。