迷彩伪装的高光谱特性分析

现代战争中,高光谱成像技术开始应用于伪装目标识别。为了加强对高光谱图像的信息挖掘,确定可以用来进行伪装识别的目标高光谱特征,对高光谱成像条件下的迷彩伪装特性及影响伪装效果的因素进行了综合分析。在光谱维,从高光谱图像中直接提取光谱曲线,确定了图像对比度高、迷彩伪装特征明显的光谱波段为650⁷40nm、780740nm、780⁸00nm。利用光谱角进行相似度计算,分析了阴影对光谱曲线的影响。在空间维,通过主成分分析和灰度共生矩阵的计算,得出了迷彩伪装纹理具有均匀性好、相关性强、复杂程度低等特点。研究结果为迷彩伪装的设计及识别提供了理论参考。     

基于内容的高光谱图像无损压缩

提出了一种基于内容的高光谱图像无损压缩算法.采用自适应波段选择算法对高光谱图像进行降维,引入G-means算法对降维后的光谱矢量进行无监督分类.利用单调后向排序算法确定波段的预测顺序,并根据相邻波段的相关系数大小进行自适应波段分组.针对每一类地物,选取类内部分像素进行最优预测系数的训练,采用多波段线性预测的方案去除同类像素的谱间相关性,预测残差进行JPEG-LS无损压缩.对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验,并与未进行分类预测的算法比较.结果显示,提出的算法的平均压缩比分别提高约0.11和0.7,验证了该算法在无损压缩方面的有效性.     

高空间分辨率和高光谱遥感图像融合技术

高光谱技术的发展与应用对高维的高光谱遥感数据的处理方法提出了更高的要求,其中高光谱融合技术是热门并具有相当难度的研究领域.高光谱图像数据与高空间全色波段数据进行融合处理,可以在大大改善融合后成象光谱图像空间解析特性的条件下,选择性保持满足应用需求的成象光谱图像的光谱物理特性和波形形态,为深入地研究提供更好的条件.本文介绍了高光谱与高空间影像融合一些典型算法,着重研究了基于最佳指数准则的高光谱图像融合方法,并给出了上海地区PHI高光谱数据和高分辨率全色航空像片融合实例,展现了该技术良好的应用潜力.     

面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

加权空谱局部保持投影的高光谱图像特征提取

为了提高高光谱图像的分类精度,有效利用高光谱图像的空间信息和光谱信息对高光谱图像进行预处理,本文提出了一种新的空谱联合特征提取方法,加权空-谱局部保持投影算法(WSSLPP)。该算法结合高光谱图像的物理特性对高光谱图像进行重构,降低了图像中奇异点的干扰;然后对局部像素近邻保持嵌入(LPNPE)和局部保持投影(LPP)的目标函数进行加权求和,有效融合高光谱图像空间维和光谱维的信息来构建投影矩阵。WSSLPP不仅保留了高光谱图像在空间维上像素间的近邻关系,而且保持了在光谱维上样本的固有结构,有利于高光谱图像的分类。在Indian Pines和PaviU数据库上对该算法进行验证分析,结果表明:基于WSSLPP算法得到的分类精度明显高于其他算法,总体分类精度的最大值分别为99.00%,99.50%,有效提高了高光谱图像的分类精度。     

高光谱图像分类的研究进展

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点,对图像中的每个像素进行分门别类,以达到对地物目标进行高精度分类和自动化识别的目的,是对地观测的重要组成部分。在分析高光谱图像特点的基础上,本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较,通过具体实验的结果对比,直观地展现各种算法的优劣。针对高光谱分类问题,本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面,在算法研究上,高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度,利用多源遥感数据、多特征综合、多尺度复合,提升小样本、少参数分类模型的分类精度,适应智能化、快速化高光谱遥感对地观测的发展要求;另一方面要紧密结合市场应用需求,重视高光谱图像在实际中的应用,研究具有市场竞争力的高效分类算法,提升高光谱图像分类在遥感技术应用领域的竞争力。     

加权空-谱与最近邻分类器相结合的高光谱图像分类

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法 ,并将其应用到最近邻分类器(KNN)中,导出了一种新的高光谱图像分类算法。该算法利用高光谱图像的物理特性,通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息,利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上,增大了同类像元间的相似性以及异类像元间的差异性,获得了更为有效的鉴别特征,从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验,结果表明:将提出的WSSD-KNN算法应用于高光谱图像分类时,其分类精度高于其他算法,总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息,提取出了更为有效的鉴别特征,故不仅有效地改善了高光谱数据的地物分类精度,而且可在训练样本较少时,保持较高的识别率。     

基于二代小波变换和PCNN的高光谱图像融合算法

采用信息融合技术可以降低高光谱遥感图像的分析难度。本文提出一种基于二代小波变换和脉冲耦合神经网络(PCNN)的融合算法。在利用自适应子空间分解技术将高光谱图像的数据空间划分为数个子空间后,对各子空间内的每一波段图像进行二代提升小波分解。对低频系数部分进行方差加权融合的同时利用PCNN的脉冲同步和全局耦合特性对高频系数部分进行选取,最后用二代小波逆变换得到各子空间的融合图像.其仿真实验结果显示:所提算法有效降低了高光谱图像维数,很好保留了原图像的信息,效果优于单一的一代小波和二代小波融合算法。     

组合核函数支持向量机高光谱图像融合分类

针对高光谱图像分类,提出了-种利用组合核函数融合目标光谱域和空域信息的支持向量机学习算法.该算法首先用主成分分析方法对高光谱图像进行特征提取和降维,用虚拟维数估计策略预估原始图像的本征维数,并且在预估的基础上确定要保留的主成份分量数目;然后用数学形态学操作在选取的主分量图像上提取目标的形态信息,得到扩展的空域形态矢量....