基于加权近邻保持嵌入的高光谱数据降维方法

为降低高光谱数据的信息冗余以提高其分类精度,采用加权距离度量测度来衡量样本间的相似度并进而选择近邻样本,提出一种加权近邻保持嵌入数据降维(WNPE)算法.加权距离的主要思想为根据数据点附近样本点的分布来自适应地决定距离函数,由此可以避免基于标准欧氏距离的近邻选择方法产生的数据冗余现象,从而更好地提取信息量大的光谱波段.CUPRITE矿区高光谱数据上的实验结果表明,与目前具有代表性的稀疏降维和基于流形学习的降维算法对比,WNPE能够有效提高高光谱数据的分类总精度和Kappa系数,分别达到了90.97%和0.878 6.     

基于人工蜂群算法高光谱图像波段选择

为减少高光谱遥感图像光谱空间冗余、降低计算复杂度,提出一种基于人工蜂群算法的高光谱图像波段选择方法.首先,根据波段相关性矩阵对全波段进行预处理,获得相关性较小的波段子空间;然后,利用人工蜂群算法以最佳指数与JM距离的加权和为适应度函数在各子空间进行邻域搜索,不断更新至收敛为止,从而获得最优波段组合.最后,利用AVIRIS数据和ROSIS数据对提出的算法与基于蚁群,粒子群,拟态物理学算法的波段选择方法进行实验.仿真结果表明:基于人工蜂群算法的波段选择能够在保证良好收敛性的同时,大大降低计算花费,所获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度.     

二进脊波变换的高光谱遥感图像融合分类

将二进脊波变换应用到高光谱遥感图像的数据融合中,并针对该算法的特点,提出了将变换数据分成两部分分别进行融合的融合算法,即将经过二进小波行变换的图像数据进行划分,对于包含图像概貌特征的低频数据进行归一化方差加权融合,对于包含图像边缘、直线等细节特征的高频数据选择各波段数据对应像素点小波系数绝对值最大者作为融合后该像素点的像素值.对标准的AVIRIS高光谱遥感图像实现了数据融合,并在此基础上完成了对高光谱遥感图像的分类.实验结果表明,无论是从直观上还是从数值结果上来看,该方法能有效地实现高光谱遥感图像的数据融合与分类.     

基于核熵成分分析的高光谱遥感图像分类算法

根据核熵成分分析(KECA)的特点提出了基于凸面几何学概念的样本集选取方法和以特征空间光谱角为相似性度量的C-均值分类算法,并将其用于高光谱遥感图像分类。在HYDICE高光谱数据上的试验表明,本文提出的算法可以有效地提高分类精度。     

一种新的高光谱遥感图像纹理特征提取方法研究

提出了一种新的基于自相关的高光谱遥感图像纹理特征提取算法,该算法通过引入核函数技术,将单波段纹理窗口的空间自相关函数,扩展到多波段遥感图像的纹理描述.然后对特征矢量进行无监督C均值聚类实验和有监督RBF神经网络分类实验,在分类实验中确定了最佳窗口尺寸.实验结果表明,该文提出的自相关特征可以有效地描述高光谱遥感图像的纹理.     

面向长尾分布数据的在线流特征选择

在开放动态环境下分类学习的任务中，数据通常存在类别长尾分布的特点，且数据标记空间存在层次化结构关系以及动态性.针对实际任务中不同的需求，许多特征选择算法被提出，但是这些已有的特征选择算法忽略数据的长尾分布特点和特征空间的不确定性.针对上述问题，文中提出基于邻域粗糙集的长尾分布数据在线流特征选择算法.借助邻域粗糙集模型，并考虑邻域内样本间的关系后，定义了自适应邻域关系，设计基于稀有类样本重要性的依赖度计算公式.同时，利用层次结构降低类别不平衡性，提出在线冗余度分析和在线重要度分析两种在线特征评价指标，用于选出具有高可分离性和强区分性的特征子集.实验结果表明所提算法优于其它先进算法.     

基于非负稀疏嵌入投影的高光谱数据降维方法

针对因数据冗余及Hughes现象带来的高光谱数据分类精度降低问题,提出一种基于样本依赖排斥图的非负稀疏嵌入投影降维（NSEPSRG）算法.首先,利用非负稀疏表示方法,得到样本的非负稀疏重构权重矩阵.然后,利用样本的先验类别信息,构建样本依赖排斥图,有助于避免误分类和提高分类精度.最后,为保持每个样本间的稀疏结构关系和各样本的内在流形结构不变,根据非负稀疏重构权重矩阵和样本依赖排斥图的邻接矩阵,将样本嵌入投影到低维子空间,有助于从高维高光谱数据中提取信息量大的光谱波段,从而使得到的分类图像更清晰、平滑.AVIRIS高光谱数据上的实验结果表明,运用支持向量机对经过NSEPSRG降维处理后的高光谱数据进行分类,分类整体精度和Kappa系数分别达到了87.87%和0.856 6.     

基于二代曲波变换和PCNN的高光谱图像融合

为了解决高光谱图像的高数据维给后续图像分析和处理带来的困难,提出了一种基于二代曲波变换和脉冲耦合神经网络(PCNN)的融合新算法.利用各波段数据间的局部相关性将整个数据空间划分为若干个相关性较强的独立子空间,在对子空间内的各波段光谱图像进行曲波多分辨率分解的基础上,分别依据各波段图像所含有的信息量对曲波粗尺度系数进行加权融合和利用PCNN的全局耦合特性与脉冲同步特性对细尺度系数进行智能选取,最后由曲波逆变换得到各子空间的融合图像.AVIRIS数据融合实验表明,该算法能有效地实现高光谱数据维数减少和特征提取,相比于提升小波融合算法、主成分变换算法和基于典型融合准则的曲波融合算法,其所提取的图像特征在高光谱异常检测时能得到更多的真实目标.     

基于SOP-SRL波段选择和3D-Gabor滤波的高光谱图像分类

为了解决高光谱图像分类精度低,计算复杂度高的问题,本文提出一种基于可扩展的自表示学习波段选择方法(SOP-SRL)和3D-Gabor滤波的高光谱图像分类方法,以表示高光谱图像的空间光谱特征。使用SOP-SRL,通过缓存向量选择出信息量大的波段;应用3D-Gabor滤波器组对选定的波段进行响应,获取所有像素点的特征向量,将这些特征向量用于分类。在3个公共数据集上进行实验,所提方法的平均分类精度分别为91.42%、98.95%、98.72%,优于其他几种分类算法,能够在提高分类精度的同时,缩短实验时间。     

一种基于矢量量化的高光谱遥感图像压缩算法

压缩是高光谱遥感(hyperspectral remote sensing)图像的一个重要研究领域.文中充分考虑了高光谱遥感图像的谱间相关性较强而空间相关性相对较弱的特点,采用了自适应波段选择降维方法与基于神经网络的矢量量化方法相结合的方法对高光谱遥感图像进行压缩.首先采用自适应波段选择(Adaptive band selection)的谱间压缩方法,通过自适应地选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量.然后对降维后图像在空间进行小波变换并进行矢量量化,最后对量化后数据进行自适应算术编码.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低;基于神经网络的SOFM算法及其改进算法取得较好的空间压缩效果,实现了对高光谱遥感图像的有效压缩.     

基于改进遗传算法的超光谱图像特征选择方法

提出的特征选择新方法充分利用遗传算法并行搜索、全局寻优的优点，并结合超光谱图像特征选择的具体应用，选择表征类别可分性的判别标准作为评价函数计算个体适应度，通过交叉和变异操作实现个体进化．为加快算法收敛速度，提高遗传算法性能，在遗传算法中引入了两代竞争机制，获取最佳的分类特征组合．利用一幅200波段的AVIRIS超光谱图像进行的仿真实验结果表明，所提出的方法用于特征选择具有分类精度高，计算耗时少的优点．     

超谱遥感图像的模糊最大似然分类研究

分类识别是超谱遥感图像的重要研究领域.由于超谱图像空间分辨率低,像元混合的概率大,因此采用单纯的聚类或者监督分类都不能取得好的效果.为了提高超谱图像分类的精度,提出了模糊最大似然分类算法.先用模糊C-均值法对图像进行聚类,再在聚类结果的基础上,参考真实地物图,选择训练样本,用最大似然法进行最终的分类.实验结果表明,提出的算法由于在聚类的基础上选择监督分类的样本,因而获得了关于图像的更准确的信息,最终分类结果比模糊C均值聚类高出34.38%,比最大似然分类高出10.46%.     

Classification of hyperspectral image based on BEMD and SVM

As a powerful tool for image processing,bi-dimensional empirical mode decomposition (BEMD) covers a wide range of applications.In this paper,we explore a novel hyperspectral classification algorithm wh...     

Research into a Feature Selection Method for Hyperspectral Imagery Using PSO and SVM

Classification and recognition of hyperspectral remote sensing images is not the same as that of conventional multi-spectral remote sensing images.We propose, a novel feature selection and classification method for hyperspectral images by combining the global optimization ability of particle swarm optimization (PSO) algorithm and the superior classification performance of a support vector machine (SVM).Global optimal search performance of PSO is improved by using a chaotic optimization search technique.Granularity based grid search strategy is used to optimize the SVM model parameters.Parameter optimization and classification of the SVM are addressed using the training date corresponding to the feature subset.A false classification rate is adopted as a fitness function.Tests of feature selection and classification are carried out on a hyperspectral data set.Classification performances are also compared among different feature extraction methods commonly used today.Results indicate that this hybrid method has a higher classification accuracy and can effectively extract optimal bands.A feasible approach is provided for feature selection and classification of hyperspectral image data.     

融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

基于PCA与协同表示的高光谱图像分类研究

在基于协同表示（CR）的高光谱图像分类问题中,通常直接选用训练样本构建各类字典,但各类字典内训练样本基元间的相关性往往会降低协同表示分类性能。为此,该文提出采用主成分分析（PCA）对各类训练样本进行去相关处理以构建字典,降低了训练样本间的相关性对分类结果的影响,可有效提高协同表示分类的有效性。高光谱真实数据分类实验结果表明,该算法可有效提高传统协同表示分类的正确率。     

A hyperspectral image compression algorithm based on wavelet transformation and fractal composition (AWFC)

Starting with a fractal-based image-compression algorithm based on wavelet transformation for hyperspectral images, the authors were able to obtain more spectral bands with the help of of hyperspectral remote sensing. Because large amounts of data and limited bandwidth complicate the storage and transmission of data measured by TB-level bits, it is important to compress image data acquired by hyperspectral sensors such as MODIS, PHI, and OMIS; otherwise, conventional lossless compression algorithms cannot reach adequate compression ratios. Other loss-compression methods can reach high compression ratios but lack good image fidelity, especially for hyperspectral image data. Among the third generation of image compression algorithms, fractal image compression based on wavelet transformation is superior to traditional compression methods, because it has high compression ratios and good image fidelity, and requires less computing time. To keep the spectral dimension invariable, the authors compared the results of two compression algorithms based on the storage-file structures of BSQ and of BIP, and improved the HV and Quadtree partitioning and domain-range matching algorithms in order to accelerate their encode/decode efficiency. The authors' Hyperspectral Image Process and Analysis System (HIPAS) software used a VC 6.0 integrated development environment (IDE), with which good experimental results were obtained. Possible modifications of the algorithm and limitations of the method are also discussed.