基于核最小噪声分离变换的高光谱遥感影像多类SVM分类

高光谱遥感影像具有高维非线性、数据冗余多、训练样本难以获得等特点。在线性最小噪声分离变换MNF(Minimum Noise Fraction)的基础上,引入核方法,提出核最小噪声分离变换KMNF(Kernel Minimum Noise Fraction)高光谱遥感影像非线性特征提取方法。在KMNF特征提取后的影像上利用多类SVM进行高光谱影像分类,分析数据维数、样本个数对分类结果的影响,并与传统的最小距离分类方法进行对比。发现最小距离分类法存在维数灾难现象,当达到一定的特征维数之后,多类SVM分类方法受维数影响较小,具有一定的抗噪声能力,在一定程度上避免了维数灾难现象;利用多类SVM进行分类时,随着样本数目的减少,合理设置有关参数,高光谱图像的分类能够维持在较高精度;而传统的最小距离分类法当样本数量较小时,效果很差,这说明了SVM小样本分类的优势。     

基于KMNF和BP神经网络的高光谱遥感影像分类

为了对高维非线性的高光谱影像进行降维及信息提取,提出了高光谱影像核最小噪声分离变换(kernel minimum noise fraction,KMNF)特征提取后利用BP神经网络分类的方法.以高光谱影像KMNF特征提取后的前几个特征分量作为BP神经网络的输入,进行BP神经网络分类,并与单独的高光谱影像BP神经网络分类进行比较.美国内华达州CUPRITE矿区AVIRIS数据的实验结果表明,基于KMNF和BP神经网络的高光谱影像分类较单独BP神经网络分类总体精度及时间性能均得到提高.     

一种改进高光谱图像噪声评估的MNF变换算法

在光谱维变换法是高光谱图像特征提取和数据挖掘的重要工具,而最大噪声分数(MNF)变换更是应用于高光谱图像分类和混合像元分解当中最为常用的光谱维变换法之一.由于部分样本光谱特征可能被局部波段噪声淹没,在同类地物十分聚集的情况下,首先对高光谱图像做MNF变换处理会比做主成分(PC)变换处理的分类结果更优.但通过实验证明,如果不同类别地物混杂在一起,混杂程度对MNF变换结果的分类精度有着显著影响.随后文中从理论上阐明该影响存在的原因,并针对高光谱图像中地物混杂的情况,提出了一种改进噪声协方差矩阵(NCM)评估的MNF变换算法,并通过后续模拟数据和真实数据实验证明该变换法相对于经典MNF变换,特征提取效果明显改善,分类精度均有所提高.     

小波核局部Fisher判别分析的高光谱遥感影像特征提取

为了提高高光谱遥感影像的分类精度,充分利用影像的光谱和局部信息,文中提出小波核局部Fisher判别分析的高光谱遥感影像特征提取方法.通过小波核函数将数据集从低维原始空间映射至高维特征空间,考虑到数据的局部信息,利用加权矩阵计算散度矩阵,对局部Fisher判别准则函数求解最优特征矩阵,使不同类别的样本在高维特征空间中的可分离性更佳.在2个公开高光谱数据集上的实验表明,文中方法的总体分类精度和Kappa系数都有所提高.     

基于拉普拉斯特征映射高光谱遥感影像降维及其分类

在进行高光谱遥感影像监督分类过程中,结合高光谱数据非线性的特点和流形学习强大的非线性处理能力,提出一种基于拉普拉斯特征映射(LE)降维和最佳指数法(OIF)波段组合选择训练样本进行SVM分类的策略,首先对高光谱遥感影像波段进行优化,利用拉普拉斯特征映射法(LE)对波段优选后的影像进行降维,利用OIF选择波段组合叠加进行训练样本选择。在此基础上采用支持向量机(SVM)进行分类处理,取得了优于PCA的效果。实验证明了流形学习是一种行之有效的高光谱遥感数据特征提取方法。     

支撑向量机在高光谱遥感图像分类中的应用

高光谱遥感图像具有维数高的特点,当样本较少时,利用传统的统计识别方法分类,分类精度低.可支撑向量机(SVM)能解决小样本、高维、非线性分类问题.采用归一化法对原始图像做预处理,再分析不同的SVM核函数对分类精度的影响;并把SVM与最小距离法,马氏距离法等的分类结果进行比较.结果表明SVM的核函数类型对分类正确率影响不大,其分类精度高于传统的统计识别方法.     

基于改进最小噪声分离变换的特征提取与分类

在最小噪声分离变换的基础上,引入核方法,采用小波核函数代替传统核函数对最小噪声分离变换予以改进。小波核函数的多分辨率分析特性可进一步提高算法的非线性映射能力。相关向量机高光谱图像分类是一种较新的高光谱图像分类方法,将新型核最小噪声分离变换方法与相关向量机相结合,对高光谱影像数据进行分类实验。仿真实验结果表明,基于小波核最小噪声分离变换的方法体现了高光谱影像的非线性特征,将所提出的方法应用于HYDICE系统在Washington DC Mall上空拍摄的数据,与对照算法相比,分类精度可提高3%~8%,并可有效地提高小样本区域的分类精度。     

高光谱遥感影像降维的拉普拉斯特征映射方法

针对高光谱遥感影像数据量大、数据冗余度高的特点,引入拉普拉斯特征映射方法对高光谱遥感数据进行非线性降维。为了解决传统流形学习方法不能处理大数据量遥感影像的问题,本文提出了基于多元线性回归的拉普拉斯特征映射线性解法。实验证明,本文提出的降维方法能够保持数据集在原始特征空间分布的局部几何属性,降维后的影像具有更好的分类精度。     

基于半监督算法的高光谱影像特征提取仿真

高光谱影像包括待测物的空间、光谱和辐射三重信息,且图像信息具有维度高、空间相关性弱、特征非线性强的特点,导致其空间特征序列混乱,特征提取难度大。于是提出基于半监督算法的高光谱影像特征提取方法。应用半监督算法对高光谱图像中的高维数据降维处理,并基于降维结果完成高光谱图像的去模糊。高光谱图像完成降维去模糊后,根据特征学习模型学习高光谱影像数据,获取图像深层特征。在像元空间内对深度特征以及空间信息完成空、谱的联合,实现高光谱影像特征的提取。实验结果表明,所提方法应用下影像特征点在特征空间内聚类效果好,查全率和查准率均能达到95%以上,说明上述方法的应用性能更优。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

A wavelet-based classification of hyperspectral images using Schroedinger eigenmaps

This article proposes a new algorithm for hyperspectral image classification. The proposed method is a spectral–spatial method based on wavelet transforms, kernel minimum noise fraction (KMNF) and spatial–spectral Schroedinger eigenmaps (SSSE). To overcome the computation complexity, one-dimensional discrete wavelet transform (1D-DWT) is applied in spectral domain. To reduce noise, KMNF coefficients are extracted in wavelet space. To solve time-consuming problem, 2D-DWT coefficients are employed in spatial space. Hence, the combination of 1D-DWT, KMNF, and 2D-DWT is suggested to create SSSE features. The classification is carried out by a Support Vector Machine (SVM) classifier. Experimental results show that classification accuracy and time consumption are effectively improved compared to the state-of-the art reported spectral–spatial SVM-based methods.     

高光谱影像的BDT-SVM地物分类算法与应用

面对海量数据的特征空间高维性及训练样本的有限性,高光谱遥感影像若采用常规统计模式的分类方法难以获得较好的分类结果。因此探讨支持向量机(SVM)分类器的基本原理,针对EO-1Hyperion高光谱影像的分类特点及现有多类SVM算法所存在的训练时间长及分类精度低等问题,引入二叉决策树SVM(BDT-SVM)分类算法,并提出一种新的类间分离度定义方法及相应的客观确定二叉树结构的策略,由此生成改进的BDT-SVM算法。实验结果表明:与其他多类分类方法相比,基于改进的BDT-SVM算法的高光谱影像地物分类效果更好,总体精度达到90.96%,Kappa系数为0.89,该算法还解决了经典SVM多类分类可能存在的不可分区域问题。     

综合纹理特征的高光谱遥感图像分类方法

提出了一种基于Gabor滤波的高光谱遥感图像支持向量机(SVM)分类方法,通过将Gabor滤波器组产生的纹理特征引入SVM分类,不仅充分利用了SVM适于解决高维数据分类问题的优势,而且在分类过程中实现了空间结构信息和光谱信息的综合使用,有效利用了高光谱图像“图谱合一”的特性.采用中科院上海技术物理研究所研制的模块化成像光谱仪OMIS (operative modular imaging spectrometry)真实数据进行的实验,实验结果表明,该方法提高了分类效果,分类结果更具有空间连贯性,并且能有效地克服噪声的影响.     

A maximum noise fraction transform with improved noise estimation for hyperspectral images

Feature extraction is often performed to reduce spectral dimension of hyperspectral images before image classification. The maximum noise fraction(MNF) transform is one of the most commonly used spectral feature extraction methods. The spectral features in several bands of hyperspectral images are submerged by the noise. The MNF transform is advantageous over the principle component(PC) transform because it takes the noise information in the spatial domain into consideration. However,the experiments describ...     

提高小样本高光谱图像分类性能的变维卷积神经网络

目的 为了解决基于卷积神经网络的算法对高光谱图像小样本分类精度较低、模型结构复杂和计算量大的问题,提出了一种变维卷积神经网络。方法 变维卷积神经网络对高光谱分类过程可根据内部特征图维度的变化分为空—谱信息融合、降维、混合特征提取与空—谱联合分类的过程。这种变维结构通过改变特征映射的维度,简化了网络结构并减少了计算量,并通过对空—谱信息的充分提取提高了卷积神经网络对小样本高光谱图像分类的精度。结果 实验分为变维卷积神经网络的性能分析实验与分类性能对比实验,所用的数据集为Indian Pines和Pavia University Scene数据集。通过实验可知,变维卷积神经网络对高光谱小样本可取得较高的分类精度,在Indian Pines和Pavia University Scene数据集上的总体分类精度分别为87.87%和98.18%,与其他分类算法对比有较明显的性能优势。结论 实验结果表明,合理的参数优化可有效提高变维卷积神经网络的分类精度,这种变维模型可较大程度提高对高光谱图像中小样本数据的分类性能,并可进一步推广到其他与高光谱图像相关的深度学习分类模型中。     

基于最小噪声分离变换的高光谱异常检测方法研究

RX算法和核RX算法能很好地分离目标和背景,是较为广泛使用的异常检测算法,但是高光谱图像数据量大且存在冗余信息和噪声,直接进行RX及核RX异常探测运算量大且容易受噪声影响.针对此问题,提出一种基于最小噪声分离变换的高光谱图像异常检测方法,首先采用残差分析法估计噪声协方差矩阵以改进最小噪声分离变换,然后利用改进后的最小噪声分离变换来有效地降低高光谱图像数据的维数并分离出噪声,最后对低维降噪后的数据进行RX及核RX异常检测,避免了随机噪声对RX及核RX异常检测结果的影响并提高了异常检测率.对真实的AVIRIS数据测试表明,该算法优于传统的相应的RX、核RX异常检测算法.