多尺度超像素分割和奇异谱分析的高光谱影像分类

目的 高光谱影像（hyperspectral image,HSI）中“同物异谱,异物同谱”的现象普遍存在,使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样,单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析,提出一种新的高光谱影像分类方法,从而充分挖掘地物的局部空间特征和光谱特征,解决空间尺度和光谱混淆的问题,提高分类精度。利用多尺度超像素对影像进行分割,获取不同尺度的分割影像,同时在分割区域内进行均值滤波,减少类内的光谱差异,增强类间的光谱差异;对每个区域计算平均光谱向量,并利用奇异谱分析方法获取光谱的主要鉴别特征,同时消除噪声的影响;利用支持向量机对不同尺度超像素分割影像进行分类,并进行决策融合,得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集,结果表明,利用本文算法提取的光谱—空间特征进行分类,比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度;与先进的深度学习SSRN （spectral-spatial residual network）算法相比,本文算法在精度上分别提升约5.2%、0.7%和4%,并且运行时间仅为前者的18.3%、45.4%和62.1%,处理效率更高。此外,在训练样本有限的情况下,两个标准数据集的样本分别为1%和0.2%时,本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题,提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明,本文方法优于对比方法,可以产生更精细的分类结果。     

高光谱影像奇异谱特征提取和分类方法北大核心CSCD

针对高光谱影像中地物的尺度复杂多样,并且存在“同物异谱、同谱异物”现象,给影像的解译和分类带来了困难,以及高光谱影像维度过高容易造成分类中的维数灾难等难题,提出了一种结合超像素的改进二维奇异谱分析(two-dimensional singular spectrum analysis combining with superpixels,S2DSSA),与局部Fisher判别分析(local Fisher discriminant analysis,LFDA)相融合,共同提取影像的光谱-空间特征,并使用支持向量机(support vector machine,SVM)来进行分类,记为S2DSSA-LFDA-SVM的方法。超像素2DSSA将2DSSA作用于每个构造的超像素规则区域,能够自适应地提取地物的空间特征。在其基础上,LFDA进一步挖掘光谱维度的流形结构,实现光谱特征提取和降维。实验结果证明,在两个经典高光谱数据集上,所提出方法的总体精度相比于原始数据分别提升了31.7%和12.9%,相比于其他先进的光谱-空间分类算法有2%~6%不同程度的提升。     

基于邻域引力学习的生物地理学优化算法

针对生物地理学优化算法（Biogeography-Based Optimization,BBO）易发生早熟收敛、陷入局部最优的问题,提出一种基于邻域引力学习的生物地理学优化算法（Neighbor Force Learning Biogeography-Based Optimization,NFBBO）。该算法采用邻域选择的方法确定迁出栖息地,以充分利用栖息地的邻域信息,增加算法的种群多样性。同时采用引力学习策略对栖息地进行更新,拓展搜索空间,提高算法的搜索能力,避免早熟收敛问题。为使种群能够自适应地跳出局部最优,引入一种自适应高斯变异机制。基于高维标准测试函数的对比实验表明,NFBBO算法具有更快的收敛速度和更高的收敛精度。     

基于数据场的端元提取算法研究

传统端元提取算法一般需要人工指定端元数目,易导致多选或漏选端元。利用数据场自然拓扑聚类、可视化的特性,提出了基于数据场的端元提取方法。首先对图像进行分区处理,然后应用数据场思想计算各区域数据点的势能,并分别选择一定数量的特征点,将所有特征点集合成特征图像,再计算特征图像的数据场;最后根据数据场形成的拓扑聚类结构,可视化地提取端元,获得最佳端元的数目和位置。利用Cuprite矿区的AVIRIS数据进行端元提取实验,结果表明:该方法是合理有效的,能够应用于高光谱图像的端元提取中。     

基于斥力的引力搜索算法

针对引力搜索算法(Gravitational Search Algorithm,GSA)收敛速度较快、易陷入局部最优的缺点,提出一种加入斥力的引力搜索算法RFGSA(Repulsion Force based Gravitational Search Algorithm)。该算法在引力搜索算法中引入斥力,即将一部分引力变为斥力,从而增加种群的多样性,有利于寻找全局最优。对10个基准测试函数进行优化的结果表明:该算法的收敛结果明显优于遗传算法、粒子群算法及原始的引力搜索算法。     

一种基于数据场的多目标引力搜索算法

提出一种基于数据场的多目标引力搜索算法(DFMOGSA). 该算法利用外部档案存储非支配解, 同时将外部档案视为目标空间的数据场, 通过计算非支配解的势能来判断每个解的密度; 密度最低的解被选为第1类引导粒子, 直接吸引粒子向低密度区域收敛, 提高解分布的均匀性; 另外, 为了确保算法收敛 在种群内, 选择较优粒子作为第2类引导粒子, 通过引力引导粒子搜索. 对比实验结果表明了DFMOGSA算法的有效性和优越性.