基于多特征多分辨率融合的高光谱图像分类

由于数据维数高,利用高光谱数据对地物进行分类,常规方法难以获得令人满意的结果,在基于小波多分辨率融合方法进行特征图像的提取过程中,提出了利用多个空间特征所构成的特征矢量确定多分辨率融合权值的算法,有效地降低了原始图像的数据维并获得了用于后续分类的特征图像．对AVIRIS数据进行的实验表明,利用新方法提取的特征进行分类,获得了高于传统方法确定融合权值的结果。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法.将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱...     

基于多特征融合和混合卷积网络的高光谱图像分类

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型.首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征.然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递.最后,用二维卷积层对提取的特征进行空间信息...     

一种新的高光谱图像分类方法

基于像元波谱曲线特征提取进而利用所提取的特征进行分类是高光谱图像分类的重要研究内容。提出了一种基于傅里叶变换幅度谱的高光谱遥感图像分类新方法,也就是利用像元渡谱曲线傅里叶变换幅度谱最值单一特征实现对地物的分类识别。     

基于无监督特征选择的高光谱图像分类方法

在高光谱图像分类中,丰富的数据提升了其地物 识别能力。然而,由于样本特 征数大且有标记训练样本点少,导致“维度灾难”问题。本文提出一种基于无监督特征选择 的高光谱图像分类方 法,该方法同时考虑数据的流形嵌入映射和稀疏表达,将特征选择问题转化为一个优 化问题,数据的流形嵌入和稀疏表达作为约束项加入目标函数。设计了三个目标函 数,第一个目标函数描述流形学习的局部性原则,第二个目标函数将原始样本点回归 到低维嵌入空间,第三个目标函数对回归系数进行正则化。针对目标函数非凸的问 题,用迭代的方法来解这个约束优化问题,给出了解该优化问题的算法。优选特征用 于参与后续的分类识别任务。在真实的高光谱数据集上的实验表明,新方法能够提高 分类的精度。     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

基于光谱-空间一致性正则化的高光谱图像分类

近年来高光谱遥感技术迅速发展,高光谱图像分类是遥感领域中的热点研究方向.传统的光谱-空间分类框架,将光谱特征提取与空间特征提取分开进行,忽略了二者之间的相关性,导致分类精度不佳.文中提出基于光谱-空间一致性正则化的高光谱图像分类方法,建立长短期记忆神经网络(LSTM)和八度卷积(Octave Convolution)两...     

多尺度超像素纹理特征保持与融合的高光谱图像分类

高光谱图像的低空间分辨率特性往往导致全局纹理提取技术难以获取地物要素的精准纹理信息,同时,单一尺度的局部纹理提取技术难以达到有效识别地物的目的。基于此,该文设计了一种多尺度超像素纹理保持与融合(MSuTPF)的高光谱图像分类方法,主要架构如下：首先,利用2D Gabor滤波器对高光谱图像进行多方向与尺度的全局纹理提取,并通过融合各尺度的纹理特征,增强纹理结构表征能力;其次,融合纹理与光谱主成分特征以形成光谱-纹理联合判别特征;再次,采用形状自适应的超分割方法,作用至光谱-纹理联合特征进行局部纹理信息保持与融合,尤其是,为克服超像素邻域像元的隐性不相关问题,该文定义了基于密度最近邻相似性评价准则,使超像素纹理进一步趋于一致性;最后,将各更新的光谱-纹理联合特征输入像素级分类器获取其对应的类标签,并采用多数表决的决策融合机制取得最终分类结果。Indian Pines和Pavia University真实数据集的实验表明,该方法在小样本条件下的分类精度优于基准分类器(SVM)、深度学习方法(GFDN)以及最新的空-谱分类方法(S3-PCA)等8个对比方法,充分证明了该文所提方法的实用性和有效性。     

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。     

基于图像与数据双层融合的高光谱图像拼接

针对传统拼接技术对图像信息利用率不足的问题,提出一种基于图像与数据双层融合的高光谱图像拼接技术.对于图像层,采用尺度不变特征变换算法对图像进行特征提取,使用欧氏距离确定特征匹配范围,根据坐标转换关系对特征进行匹配,完成图像层的拼接;对于数据层,首先将数据拆分高、低位数据,然后采用加权和法计算数据的新值并对其进行拼接,最...     

面向高光谱遥感影像分类的监督多流形鉴别嵌入方法

流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia （PaviaU）和Kennedy Space Center （KSC）高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于Contourlet系数局部特征的选择性遥感图像融合算法

为了使融合后的多光谱图像在显著提高空间分辨率的同时,尽可能多地保持原始多光谱特性,提出了一种基于Contourlet变换系数局部特征的选择性遥感图像融合方法。根据多光谱和全色图像融合过程中Contourlet变换后的低频和高频部分融合目的的不同,对得到的近似和各层各方向的细节分量分别运用窗口邻域移动模板逐一计算相应区域Contourlet系数阵的不同局部特征量,然后选择适当的准则,对图像的近似和细节分量分别应用不同的策略在Contourlet系数域内进行选择性融合,通过Contourlet和亮度-色调-饱和度(IHS)逆变换得到融合的高分辨率多光谱图像。采用Landsat TM多光谱和SPOT全色图像进行的融合实验结果表明:提出的算法在显著提高空间分辨率的同时,又能很好地保持原始图像的光谱特征,并优于传统的融合方法。     

基于决策级融合的RX高光谱影像异常检测算法

对高光谱影像的RX异常检测算法进行了研究。针对RX算法中对高维数据局部背景协方差矩阵估计存在较大误差的局限性,提出一种基于决策级融合的RX算子高光谱影像异常目标检测算法。首先,对同一场景下的可见近红外数据和短波红外数据分别运用经典的RX算子进行异常检测,得到初步异常检测的目标判决。在此基础上,利用传感器获取信息的冗余性和互补性特性,结合基于规则的决策级融合方法,得到最终的RX异常检测判决结果。在实测高光谱数据上进行了实验仿真,验证了本算法的有效性。     

高光谱目标分类技术发展与展望

高光谱成像技术源于遥感探测,具有谱图合一的独特优势,在农林、地矿、防伪和环境保护等领域的应用日益广泛。作为高光谱技术最常见和最基本的功能,目标分类在各个高光谱领域的应用均具有至关重要的作用。综述了高光谱目标分类技术的发展现状,分析了高光谱数据的结构特点,归纳了高光谱目标分类的一般流程,并详细阐述了数据读取、图像预处理和目标分类等高光谱目标分类流程的主流方法及其基本原理。结合近年来的典型案例,分析了高光谱目标分类的过程,并对其发展趋势进行了分析和展望。     

基于多特征融合技术的商品图像分类

针对网上商品图像的特点,提出了一种多特征融合的分类方法。本文针对颜色和商品图案风格两方面对图像进行分类。首先对商品图像进行分割,再提取特征,颜色特征选择提取颜色直方图特征和颜色矩特征;提取PHOG和SIFT特征来描述图案风格。然后采用基于决策的加权融合方法将两种特征结合起来进行分类,最后在数据集上进行实验,与仅用单一特征分类和使用普通多特征拼接方法作比较,使用本文融合特征的方法进行分类准确率较高,并且其准确率有8%~10%的提升。实验结果表明本文提出的方法是一种有效的商品图像分类方法。