基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

基于PCA-K-means的卫星遥感图像的颜色特征提取技术

结合主成分分析（PCA）和K均值聚类算法（K-means）的特点,本文提出了一种对卫星遥感图像进行颜色特征提取的PCA-K-means算法.该算法去除了图像的R、G、B之间的相关性,在动态聚类的基础上,采用基于区域分类的空间一致性原则合并空间信息,使得该方法能高效的描述卫星图像的颜色特征.实验结果表明,该方法识别性能好,准确度高,是对多频谱遥感图像的颜色特征提取的一种有效的方法.     

基于图像K-means聚类分析的频谱感知算法

近年来,基于能量检测的协作频谱感知算法被广泛应用于频谱感知领域。由于该方法在计算能量检测的判决门限受噪声影响较大以及受限于认知用户的数量等问题,导致其检测性能受到影响。为了解决这一问题,本文提出一种基于图像K-means聚类分析的频谱感知算法。这种方法利用主用户信号存在与否的两种认知信号状态映射成图像,经过调整图像强度和高斯滤波预处理之后利用提取图像像素分布直方图的方法提取出特征向量,然后利用改进的K均值聚类算法对这些特征向量进行训练得到分类模型。最后利用训练好的分类模型对未知信号进行检测,从而实现频谱感知。仿真结果表明,本文所提出的频谱感知算法,在检测性能上优于传统能量检测以及协作频谱感知算法,尤其在低虚警概率、低信噪比的环境下效果更加突出。      

基于近邻传播聚类与核匹配追踪的遥感图像目标识别方法

核匹配追踪算法在生成函数字典的过程中常采用贪婪算法进行全局最优搜索,导致算法学习时间过长。该文针对这一缺陷,提出一种基于近邻传播(Affinity Propagation, AP)聚类与核匹配追踪相结合的分类方法(AP-Kernel Matching Pursuit, AP-KMP),该方法利用聚类算法来优化核匹配追踪算法中的字典划分过程,使用近邻传播聚类将目标数据集划分为若干小型字典空间,随后KMP算法在小型字典空间进行局部搜索,从而缩短学习时间。针对部分UCI数据集和遥感图像数据集,分别采用AP-KMP算法与另4种经典算法进行分类比较实验,结果表明该文算法在时间开销和分类性能上均有一定的优越性。     

超谱遥感图像的波段选择新方法

针对超谱遥感图像的高数据维给图像进一步处理带来的困难,本文构造了波段选择方法的数学模型,该方 法基于统计学原理,通过选择信息量大并且与其它波段相关性小的波段来降低超谱数据维数。本文将降低后的超谱数据进 行小波融合与K．均值非监督分类。分类结果表明,该波段选择的方法能够将保留信息丰富的波段,分类效果与使用原始 波段相比有所提高,计算复杂度大大降低。     

一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法

该文研究了无监督遥感图像分类问题。文中构造了图像的隐马尔可夫随机场模型(HiddenMarkov Random Fleid,HMRF),并且提出了基于该模型的图像分类算法。该文采用有限高斯混合模型(Finite Gaussian Mixture,FGM)描述图像像素灰度的条件概率分布,使用EM(Expectation-Maximization)算法解决从不完整数据中估计概率模型参数问题。针对遥感图像分布的不均匀特性,该文提出的算法没有采用固定的马尔可夫随机场模型参数,而是在递归分类算法中分级地调整模型参数以适应区域的变化。实验结果表明了该文算法的有效性,分类算法处理精度高于C-Means聚类算法.。     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.     

Method of unknown protocol classification based on autoencoder

Aiming at the problem that a large number of unknown protocols exist in the Internet,which makes it very difficult to manage and maintain the network security,a classification and identification method of unknown protocols was proposed.Combined with the autoencoder technology and the improved K-means clustering technology,the unknown protocol was classified and identified for the network traffic.The autoencoder was used to reduce dimensionality and select features of network traffic,clustering technology was used to classify the dimensionality reduction data unsupervised,and finally unsupervised recognition and classification of network traffic were realized.Experimental results show that the classification effect is better than the traditional K-means,DBSCAN,GMM algorithm,and has higher efficiency.     

多尺度多特征融合的高分辨率遥感影像分类

针对高分辨率遥感影像多尺度、空间分布复杂以及特征繁多的特点,从遥感影像特征提取的尺度效应以及各类地物显著性特征各异入手,提出了基于多尺度多特征融合的高分辨率遥感影像分类的方法。该方法构建最优尺度分割函数模型,寻找出各地物的最优尺度,分别提取影像的纹理、颜色和形状特征。在此基础上,利用各地物特征的显著性差异实现多尺度下多特征的加权融合。该加权融合方法突破了常规的最优尺度分割算法未能充分考虑各类地物特征差异性的局限性,通过分析各类地物的显著性,建立了各个特征在分类中所占权重的模型。实验结果表明：相对传统无监督分类算法,该方法准确率提高约7%,且运行效率高。     

基于快速EM算法和模糊融合的多波段遥感影像变化检测

提出了一种基于快速EM(expectation maximization)算法和模糊融合的多波段遥感影像无监督变化检测方法.该方法首先对各波段差异影像采用基于直方图分析的快速EM迭代算法获取变化分类阈值和变化信息,随后对各波段的变化信息进行模糊融合和判决,生成最终的变化检测图.利用真实的多波段遥感影像进行了实验,本文方法在运行时间和检测效果两个方面都具有优越性.     

基于无监督K均值特征和数据增强的SAR图像目标识别方法

过去二十年中,合成孔径雷达（Synthetic Aperture Radar, SAR）自动目标识别已经受到越来越多的关注。许多有监督特征学习算法被提出来,而且应用到合成孔径雷达的自动目标识别中。本论文采用了无监督学习算法——K均值（K-means）聚类算法,通过分块自编码和优化接受域参数进行SAR图像特征学习,从而自动学习到无标签数据中鉴别性特征,并将所提取特征用于SAR图像目标识别中。然而,无监督学习一般对训练数据量有较高要求,因此,我们提出了两种数据增强方法,通过旋转目标物体的方位角,以及在原始图像上增加随机值,来获得更多可以用来训练模型的数据,使模型可以学习具有多样性的特征,达到提高识别效果的目的。采用公开的MSTAR数据库进行实验验证,结果表明所提方法可达到96.67%的主流识别率。      

粒子群优化的聚类方法在图像分割中的应用

图像分割和对象提取是从图像处理到图像分析的关键步骤.K-均值聚类算法和粒子群优化方法结合,即将K-均值方法的结果作为一个粒子并采用粒子群优化的方法,通过适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心.并将此方法应用于图像的分割.最后,将两种方法的处理结果进行了比较,结果表示基于PSO聚类方法对图像的分割效果比原算法有所改进.     

基于多特征融合的层次支持向量机遥感图像云检测

云检测是遥感图像处理和应用的前提, 针对遥感图像云检测的准确率容易受到薄云及似云地物影响的挑战, 提出一种结合遥感影像灰度、纹理和频率特征的层次支持向量机云检测算法。该方法首先采用简单线性迭代聚类算 法将遥感图像分割为像素块, 再采用一种层次支持向量机分类器对遥感图像以像素块为单位进行云检测。层次支持 向量机的第一层将像素块初步分为 “云” 和 “地物” 两类。层次向量机的第二层针对第一层分类的结果分别设计两个 分类器进行进一步分类, 并将分类后的结果合并为 “厚云”、 “薄云”、 “地物” 三类。最后, 将分类结果进行膨胀处理, 得到最终的云检测结果。选取高分一号 WFV 的 RGB 波段遥感图像进行实验, 结果显示提出的新方法对实验图像的 云检测平均准确率为 95.4%, 表明该方法可适用于多种场景下遥感图像的云检测, 服务于遥感产品的生产和应用。     

SOM＋K-means两阶段聚类算法及其应用

在众多聚类算法中,K-means和自组织神经网络（SOM）是较为经典的2个。在分析2种算法优缺点的基础上,提出基于SOM的K-means两阶段聚类算法,该算法根据SOM算法自动聚类的优点得到初步聚类数目和各类中心点,以此作为K-means算法的初始输入进一步聚类,从而得到精确的聚类信息。最后,应用该算法对某地区电信家庭客户数据进行分析,结果表明该算法有较好的聚类效果。     

A multiple-cascade-classifier system for a robust and partially unsupervised updating of land-cover maps

A system for a regular updating of land-cover maps is proposed that is based on the use of multitemporal remote sensing images. Such a system is able to address the updating problem under the realistic but critical constraint that, for the image to be classified (i.e., the most recent of the considered multitemporal dataset) no ground truth information is available. The system is composed of an ensemble of partially unsupervised classifiers integrated in a multiple-classifier architecture. Each classifier of the ensemble exhibits the following novel characteristics: (1) it is developed in the framework of the cascade-classification approach to exploit the temporal correlation existing between images acquired at different times in the considered area; and (2) it is based on a partially unsupervised methodology capable of accomplishing the classification process under the aforementioned critical constraint. Both a parametric maximum-likelihood (ML) classification approach and a nonparametric radial basis function (RBF) neural-network classification approach are used as basic methods for the development of partially unsupervised cascade classifiers. In addition, in order to generate an effective ensemble of classification algorithms, hybrid ML and RBF neural-network cascade classifiers are defined by exploiting the characteristics of the cascade-classification methodology. The results yielded by the different classifiers are combined by using standard unsupervised combination strategies. This allows the definition of a robust and accurate partially unsupervised classification system capable of analyzing a wide typology of remote sensing data (e.g., images acquired by passive sensors, synthetic aperture radar images, and multisensor and multisource data). Experimental results obtained on a real multitemporal and multisource dataset confirm the effectiveness of the proposed system.     

基于NSCT与FCM的多时相遥感图像的变化检测

提出了一种基于非下采样Contourlet变换和模糊C均值聚类相结合的方法。该方法首先对两时相遥感图像进行相减运算得到差异图像。再对差异图像进行NSCT多尺度分解得到子带图像,将各子带图像与差异图像本身构成特征向量。最后通过使用模糊C均值聚类算法对多尺度特征向量进行分类得到最终的变化检测结果(变化和非变化类)。该算法不受变化类和非变化类统计分布的限制,不需要先验知识,适用性强。对真实遥感数据集进行研究,实验结果表明本文方法可以得到较好的检测效果;将本文算法与传统方法相比,该方法具有更好的检测精确度和抗噪性能。     

基于小波变换的高分辨率遥感图像复原算法实现

为了促进遥感图像的后续研究,针对高分辨率遥感图像实现了基于小波变换的迭代收缩（IST）图像复原算法。考虑到算法在复原过程中对内存需求较大,实现过程中采用内存映射文件的方法,将高分辨率遥感图像映射到进程地址空间。针对分块复原图像时通常会伴有边缘跳变现象,影响拼接后的图像质量的问题,使用特殊分块策略对图像进行分块处理。复原算法在VC平台下实现,通过遥感图像复原实验,并对复原图像进行评价分析,复原性能和效率良好。     

Optimal segmentation of cell images

An optimal segmentation algorithm for light microscopic cell images is presented. The image segmentation is performed by thresholding a parametric image approximating the original image. Using the mean squared error between the original and the constructed image as the cost function, the segmentation problem is transformed into an optimisation process where parametric parameters are determined that minimise the defined cost function. The cost function is iteratively minimised using an unsupervised learning rule to adjust the parameters, and a parametric image is constructed at each iteration, based on the obtained parameters. The cell region is extracted by thresholding the final parametric image, where the threshold is one of the image parameters. Application results to real cervical images are provided to show the performance of the proposed segmentation approach. Experimental segmentation results are presented for the proposed optimal algorithm for synthetic cell images corrupted by variant levels of noise; these results are compared with the K-means clustering method and Bayes classifier in terms of classification errors     

一种基于动态识别邻域的免疫网络分类算法及其性能分析

针对传统免疫网络分类算法在记忆细胞确定上缺乏有效的指导,该文提出一种基于动态识别邻域的免疫网络分类算法。算法采用核函数表示机制来描述抗体-抗原之间的亲和度;利用抗原对构造动态识别邻域来指导抗体群体的进化,并选择邻域中距离对偶抗原最近的抗体为记忆细胞。算法被应用于多分类问题及高维分类问题来进行算法性能分析,同时,算法被应用于多个标准数据集的分类来评估算法的整体性能。分类结果表明该算法对于标准测试数据集有良好的分类性能,这说明基于动态识别邻域的训练方法能够有效地指导记忆细胞的生成,显著地改善分类器的性能。     

基于上下文模糊C均值聚类的图像分割算法

像素间的上下文相关信息对图像分割算法的抗噪性和准确性具有重要意义,现有的模糊C均值(FCM)聚类算法对此缺乏充分考虑。该文基于对空间上下文的可靠性度量,提出一种模糊C均值聚类算法(RSFCM)应用于图像分割:通过对空间上下文有效建模来提高聚类算法的抗噪声干扰性能,并研究了一种新的可靠性模糊度量指标,使聚类算法能更好地平衡细节保留和去噪,从而获得更加准确的分割结果。实验选取人工合成图像、交通标志图像和遥感图像3类数据测试聚类算法性能,结果表明,RSFCM在图像分割过程中能有效地抑制椒盐噪声和高斯噪声引起的类内异构及类间同构问题,能提高图像的像素可分性,并有效地保留了图像的边缘细节。