联合空谱特征的多视图主动学习的高光谱图像分类

针对高光谱遥感影像监督分类训练样本少,训练分类器迭代速度慢的问题,提出一种联合空谱特征的多视图主动学习算法。首先,将原始影像的光谱波段分割为多个互不相交的子集合;然后,在每个子集合滤波提取空间结构特征,建立多视图。其次,提出了一种新的基于多视图后验概率差异最小的主动学习查询策略。实验结果表明,与已有的多视图构建方法和查询策略相比,所提出的联合空谱特征的多视图构建方法可以建立更具多样性、互补性的多个视图;同时,结合所提出的查询策略可以在每次训练迭代中更准确地查询信息量最大的样本,从而减少迭代次数,加快学习函数的收敛速度。     

基于3D Gabor多视图主动学习的高光谱图像分类

针对高光谱遥感图像中标记样本获取困难的问题,研究如何选择少量高质量的查询样本进行交互标记的多视图主动学习算法。首先采用不同尺度和方向的三维Gabor滤波器组提取高光谱图像空谱特征;然后挑选出类别判别能力较强的三维Gabor特征来构建多视图;最后提出一种基于多视图后验概率差异最小（MPPD）的样本查询策略。实验初选30个标记样本,经过100次迭代后,三维Gabor特征多视图结合MPPD查询策略在ROSIS Pavia University和AVIRIS Indiana Pines两个数据集上的总体分类精度分别达到94.16%和91.30%,表明通过三维Gabor可以有效提取高光谱遥感图像空谱特征,提供具有多样性和互补性的特征视图。结合MPPD查询策略能挑选出最有价值的查询样本。     

基于多尺度空谱鉴别特征的高光谱图像分类

为了应对高光谱图像同质区域面积分布不均的问题,同时更充分地挖掘空间和光谱信息之间的内在联系,提出了一种基于多尺度空谱鉴别特征的高光谱图像分类方法。该算法首先对图像进行不同尺度的滤波操作,接着分别从得到的多幅图像中提取鉴别的空谱特征,并使用支持向量机(SVM)进行分类。最后,该算法采取“决策级融合”的策略,来综合不同滤波尺度图像的分类结果。在Indian Pines,Kennedy Space Center和University of Pavia数据集上的实验表明,该算法能够提取较为有效的空间信息,当随机选取10%的像素作为训练样本时,该算法的总体分类准确率均能达到96%以上,其分类精度和Kappa系数均优于其他分类算法。     

基于异质多视图主动学习的高光谱地物分类

高光谱遥感影像具有多源异质的属性特征,也面临着训练样本少、标记代价大的困难。拟提取空间形状、纹理等多种属性特征来构建多视图,开展基于异质多视图主动学习的高光谱地物分类研究。主要解决两个问题:1)提出一种新的基于多视图后验概率差异最小(MPPD)的样本查询策略。每个视图根据多元逻辑回归分类器预测样本的类别条件概率;根据全概率公式计算多视图下每个样本的后验概率;挑选后验概率差异最小的样本作为信息含量最大的样本。2)提出一种基于空间多尺度形状结构、以及纹理特征的异质多视图的构建方式。实验结果表明,提出的算法能够加快学习函数的收敛速度,以少量的信息含量大的标记样本来提高学习器的预测性能。     

一种新的空谱联合高光谱图像分类方法

为了充分利用高光谱遥感图像的空间信息和光谱信息,以提高分类精度,文章研究了分别采用二维和三维Gabor滤波对高光谱遥感图像进行特征提取,然后与高光谱遥感图像的光谱信息进行融合,并基于堆栈式稀疏自编码器的深度学习网络对融合图像进行分类的方法.研究结果表明,所提出的空谱联合分类器与传统的光谱信息分类器相比,分类性能得到了显...     

基于近邻协同的高光谱图像谱-空联合分类

遥感高光谱成像能够获得丰富的地物光谱信息, 为高精度的地物分析提供了可能. 针对高光谱图像分类中通常面临的数据维数高、标记样本少、计算量大等问题, 提出了一种简单有效的谱--空联合分类方法. 利用高光谱图像丰富的光谱信息和地物分布的空间平滑特性, 该算法首先对光谱数据进行特征提取和空间滤波, 然后利用本文提出的基于近邻协同的支持向量机(Neighborhood collaborative support vector machine, NC-SVM)进行分类. 近邻协同进一步利用地物分布的空间平滑特性, 通过联合空间近邻的判决信息进行中心像素的类别判定, 有效减小了只有少量训练样本下的错分概率. 实验表明, 相比已有的相关方法, 该算法在不明显增加计算量的情况下可获得更高的分类正确率, 能够实现少量训练样本下高光谱图像的快速高精度分类.     

基于主动学习的高光谱图像分类方法

高光谱图像监督分类中,为了避免休斯效应需要大量的训练样本,但在实际应用中对样本进行标注成本非常高,因此,得到高质量的训练样本显得十分重要。提出一种基于主动学习的高光谱图像分类方法,通过对区域关注度的统计,有效地结合图像光谱和空间特性,基于主动学习方法获取信息量较大的训练样本,从而较大幅度提高了分类的精确度。实验结果表明,所提算法比传统的随机取样监督分类法和主动学习方法在分类精确度上有较大的优势。     

基于多视图边界判别投影的高光谱图像分类

高光谱图像分类是遥感领域研究的热点问题,其关键在于利用高光谱图谱合一的 优势,同时融合高光谱图像中各个像元位置的光谱信息和空间信息,提高光谱图像分类精度。 针对高光谱图像特征维数高和冗余信息多等问题,采用多视图子空间学习方法进行特征降维, 提出了图正则化的多视图边界判别投影算法。将每个像元处的光谱特征看作一个视图,该像元 处的空间特征看作另一个视图,通过同时优化每个视图上的投影方向来寻找最优判别公共子空 间。公开测试数据集上的分类实验表明,多视图学习在高光谱图像空谱融合分类方面具有显著 的优越性,在多视图降维算法中,该算法具有最高的分类准确性。     

基于空谱融合网络的高光谱图像分类方法

针对高光谱图像分类中提取的空-谱特征表达能力弱及维数较高的问题,提出一种基于空-谱融合网络（SSF-Net）的高光谱图像分类方法。首先,利用双通道卷积神经网络（Two-CNN）同时提取高光谱图像的光谱和空间特征;其次,使用多模态压缩双线性池化（MCB）将所提取的多模态特征向量的外积投射到低维空间,以此产生空-谱联合特征。该特征融合网络,既可以分析光谱特征和空间特征向量中元素之间的复杂关系,同时也避免对光谱和空间向量直接进行外积计算,造成维数过高、计算困难的问题。最终实验表明,与现有基于神经网络的分类方法相比,所提出的高光谱图像分类算法能够获得更高的像元分类精度,表明该网络所提取的空-谱联合向量对高光谱图像具有更强的特征表达能力。     

基于深度贝叶斯主动学习的高光谱图像分类

针对高光谱图像分类中标记样本获取费时费力,无标记数据难以得到有效利用以及主动学习与深度学习结合难等问题,结合贝叶斯深度学习与主动学习的最新进展,提出一种基于深度贝叶斯的主动学习高光谱图像分类算法。利用少量标记样本训练一个卷积神经网络模型,根据与贝叶斯方法结合的主动学习采样策略从无标记样本中选择模型分类最不确定性的样本,选取的样本经人工标记后加入到训练集重新训练模型,减小模型不确定性,提高模型分类精度。通过PaviaU高光谱图像分类的实验结果表明,在少量的标记样本下,提出的方法比传统的方法分类效果更好。     

基于空谱特征的核极端学习机高光谱遥感图像分类算法

近年来,局部二值模式(Local Binary Patterns,LBP)由于其在空间特征提取方面具有显著的优势被应用于高光谱遥感图像分类中,该算法在空间特征提取上虽减少类内方差,却忽视了用于区分不同地物类别的光谱特征。为避免在图像分类过程中提取单一特征导致特征提取不充分、分类效果不理想的问题,通过将空间特征和光谱特征进行矢量堆叠得到新的空谱特征向量。再将新的空谱特征向量引入到核极端学习机中,提出一种基于空谱特征的核极端学习机高光谱遥感图像分类算法(Space Spectrum feature Kernel Extreme Learning Machine,SS-KELM)。为验证所提算法的有效性,将使用两个高光谱图像数据集进行实验。实验结果表明所提SS-KELM算法的分类性能优于目前较为常见的传统分类算法。     

基于独立空谱残差融合的联合稀疏表示高光谱图像分类

针对高光谱图像分类中存在的空间信息与光谱信息融合问题,提出一种基于独立空谱残差融合的联合稀疏表示高光谱图像分类算法。使用类独立的光谱角初分类图像,获得像元初始标记后按特定条件进行筛选再构造像元邻域空间。提取图像的全局空间信息,并将其引入到空谱联合稀疏表示模型中,使用单独的光谱信息字典与空间信息字典分别进行图像光谱与空间的联合稀疏表示残差计算。在此基础上,使用残差融合算法确定图像类别。实验结果表明,相对SVM、KNN等算法,该算法能够提升高光谱图像的分类精度,且分类结果更稳定。     

基于自适应主动学习与联合双边滤波的高光谱图像分类

在高光谱图像分类中,选择合适的样本作为训练样本对分类器进行训练非常重要。将样本的不确定性与代表性相结合,通过自适应主动学习方法来完成样本的选择。用核K均值聚类来获取具有代表性的样本,用最优标号和次优标号的概率差值与两者比值的加权和来度量不确定性。此外,为了提高分类的准确率,利用联合双边滤波来获取高光谱图像的空间信息,并将其融入分类过程中。最后,提出一种融合自适应主动学习与联合双边滤波的空谱结合高光谱图像分类方法,并通过实验验证了所提方法的优越性。     

高光谱图像空谱特征提取综述

由于高光谱图像包含了丰富的光谱、空间和辐射信息，且具有光谱接近连续、图谱合一的特性，可用于地质勘探、精细农业、生态环境、城市遥感以及军事目标检测等领域的目标精准分类与识别。对高光谱图像进行空谱特征提取是遥感领域的研究热点和前沿课题之一。传统空谱特征提取方法对高光谱图像分类的计算量和样本需求小、理论可解释性好、抗噪声能力强，但应用于分类的精度受限于特征来源；基于深度学习的高光谱图像空谱特征提取方法虽然计算量和样本需求大，但是由于深层空谱特征的表达能力更好，可以大幅度提高分类器的性能。为了便于对高光谱图像空谱特征提取领域进行更深入有效的探索，本文系统综述了相关研究进展。首先，概述了空间纹理与形态学特征提取、空间邻域信息获取及空间信息后处理等传统高光谱空谱特征提取方法的原理，对大量的已有工作进行了梳理、分析与总结。然后，从深度空谱特征提取角度出发，介绍了当前流行的卷积神经网络、图卷积神经网络及跨场景多源数据模型的结构特点及研究进展，分析、评价了基于深度学习的网络模型对高光谱图像空谱特征提取的优势及问题所在。最后，对该研究领域的未来相关发展提出建议并进行了展望。     

基于空谱分组卷积密集网络的高光谱图像分类

针对高光谱图像分类在特征提取过程中高分辨率信息丢失,导致分类精度下降的问题,提出一种基于空谱分组卷积密集网络的高光谱图像分类方法。设计光谱-空间三维分组卷积密集模块,对光谱与空间特征进行分步提取,利用分组卷积构造的密集网络能减少数据固有信息冗余,使高分辨率的特征进行重用,避免细节特征信息丢失;设计光谱残差注意力模块,该模块通过结合空-谱特征计算注意力权重,对提取到的光谱特征进行权重重分配,对光谱信息富有的区域进行增强。实验结果表明,相比于若干最优的深度网络方法,所提高光谱图像分类方法具有更好的分类性能。     

联合空-谱信息的高光谱图像噪声估计

在纹理丰富的高光谱图像中获得精确的噪声估计,是噪声估计任务中的难点。本文基于高光谱图像的空间规律性和光谱相关性,提出一种基于超像素分割的光谱去相关法。同质区域划分是许多噪声估计方法的关键步骤,精确的同质区域划分能有效提高噪声估计精度。为此,将简单线性迭代聚类算法（Simple linear iterative clustering algorithm,SLIC）与光谱-空间相似性结合,划分高光谱图像为局部结构相似的图像块,以保持同质特征;为了提高光谱间的区分能力,将光谱信息散度和光谱角联合作为光谱距离;结合多元线性回归在同质区域内去除光谱相关性,在获得的残差图上估计噪声水平。对不同地物复杂程度的模拟图像,添加不同程度的噪声,通过与多种方法比较,验证了本文方法的有效性和稳定性。最后,本文方法成功应用于Urban数据的噪声水平估计,准确识别出受噪声严重污染的波段。     

图像多分类主动学习方法

以决策速度快的决策导向非循环图支持向量机（Decision Directed Acyclic Graph Support Vector Machine）为基准分类器,结合主动学习的思想,提出了一种图像多分类主动学习方法。这种方法是一种半自动的图像语义分类方法,可以将图像分成多个语义类别。该方法在最近边界主动选择方法的基础上,提出一种基于质疑度的主动选择策略。这种策略将SVMactive中提出的最近邻SVM分类面选择的反馈样例策略延伸到多分类中,通过区别对待奇异样例和容易错分样例,减少了噪声数据对分类器的干扰,提高了分类的精度。     

散度核协同表示与空谱融合特征的高光谱图像分类算法

协同表示的相关算法在高光谱图像分类的学习过程中没有很好地刻画高光谱图像的特性,如像素的局域性和标签信息等,因此其性能受到限制。对此,提出一种散度核协同表示技术并利用空谱融合获取特征的分类方法(IKCRC)。为有效刻画像素的局域性和标签信息,该方法构造新的散度核协同表示模型和相应的计算模型。在公式中引入核映射以提高分类能力,在计算过程上使用空谱融合的初步特征提取使得算法简洁高效。在标准高光谱图像数据集上进行的对比实验表明,IKCRC更能有效地提高分类精度。     

基于SLIC和主动学习的高光谱遥感图像分类方法

在主动学习的基础上,提出一种基于SLIC的高光谱遥感图像主动分类方法。首先提取图像纹理特征并与光谱特征融合,使用PCA对新数据进行降维,取前三个主成分构成假彩色图像,然后使用SLIC处理该图像获得超像素;接着随机抽取定量超像素作为初始训练样本,样本光谱信息为超像素样本中所有像素点的光谱信息均值,样本标签为超像素中出现次数最多的类别;然后通过主动学习得到SVM分类器;最后使用分类器对超像素分类得到其类别,并将超像素类别赋予其包含的像素点,从而达到高光谱遥感图像分类的目的。实验表明：该方法明显降低了主动学习过程的时间消耗,有效地提高了分类效果,其OA,AA和Kappa值显著优于未使用SLIC的主动学习方法。