Unsupervised noise-robust feature extraction for aerial image classification

The rich data provided by satellites and unmanned aerial vehicles bring opportunities to directly model aerial image features by extracting their spatial and structural patterns. Although convolutional autoencoders(CAEs) have been attained a remarkable performance in ideal aerial image feature extraction, they are still challenging to extract information from noisy images which are generated from capture and transmission. In this paper, a novel CAE-based noise-robust unsupervised learning method is proposed for extracting high-level features accurately from aerial images and mitigating the effect of noise. Different from conventional CAEs, the proposed method introduces the noise-robust module between the encoder and the decoder. Besides,several pooling layers in CAEs are replaced by convolutional layers with stride=2. The performance of feature extraction is evaluated by the prediction accuracy and the accuracy loss in image classification experiments. A 5-classes aerial optical scene and a 9-classes hyperspectral image(HSI) data set are utilized for optical image and HSI feature extraction, respectively. Highlevel features extracted from aerial images are utilized for image classification by a linear support vector machine(SVM)classifier. Experimental results indicate that the proposed method improves the classification accuracy for noisy images(Gaussian noise 2D σ=0.1, 3D σ=60) in both optical images(2D 87.5%) and HSIs(3D 85.6%) compared with the traditional CAE(2D 78.6%, 3D 84.2%). The accuracy loss in classification experiments increases with the increment of noise. Compared with the traditional CAE(2D 15.7%, 3D 11.8%), the proposed method shows the lower classification accuracy loss in experiments(2D 0.3%, 3D 6.3%). The proposed unsupervised noise-robust feature extraction method attains desirable classification accuracy in ideal input and enhances the feature extraction capability from noisy input.     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

四类运动想象脑电信号特征提取与分类算法

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题,对多通道四类运动想象脑电信号进行研究.通过对4种运动想象及休息状态脑电信号进行功率谱分析,合理确定预处理滤波器的最佳滤波频段,然后使用PW-CSP,Hilbert变换及归一化处理的方法,对四类运动想象脑电信号进行特征提取,分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程,算法复杂度明显比采用多个SVM组合的多类分类算法要低,为实现算法的在线应用打下基础.仿真结果表明,该算法分类正确率高,时间开销小,并且可以通过调节阈值,在正确率与算法复杂度之间获得平衡.     

基于核主成分分析的特征提取方法

为了证实核主成分分析在特征提取中的优越性,利用支持向量机作为分类器,以主成分分析和核主成分分析作为特征提取的工具,以分类器的分类性能作为方案优劣的评判标准设计了六种实验方案进行实验分析。实验数据表明,对特征选择后的数据集利用主成分分析和核主成分分析进行特征提取,可将数据投影到一个更低维的特征空间,实现数据维数的约简和分类器性能的提高。同时还发现,在对数据进行特征提取的能力上,核主成分分析优于主成分分析。     

用GA、PCA和改进SVM相结合进行车辆实时分类

用GA、PCA和改进SVM结合进行车辆实时分类研究对公路管理和控制具有实际应用意义和社会效益。在某公路的匝道口两侧设置了8个测试点,对通过匝道口的车辆进行测试,提取特征向量,采用声波和振地波信号在匝道口进行了实时分类测试研究。由于特征向量的维数太高,用GA和PCA降低特征向量的维数,再用SVM和改进的SVM对特征向量进行分类,大大提高了分类精度。通过实验及分类得到声波和振地波的测试集分类精度最高分别是92.0%和76.1%,同时声波和振地波特征向量的维数降低至26和21,其相应的比率分别为95%和99%,独立集的分类精度分别为87.5%和71.3%。实验表明:用改进的SVM和GA、PCA结合的方法进行分类,其效果要优于单独使用主成分分析(PCA)、遗传算法(GA)以及它俩的结合使用的方法。     

基于Sentinel-2A的太行山区土地覆被分类方法研究

以太行山区为研究对象,基于Sentinel-2A遥感影像数据,采用基于像元和面向对象分类两种策略,定量分析不同特征组合模式下,最大似然法(ML)、贝叶斯(Bayes)、支持向量机(SVM)、决策树(Decision Tree)以及随机森林(RF) 5种分类方法在该区域地表土地覆被信息分类中的表现差异。结果表明:(1)基于像元的RF分类器取得了最高精度,仅使用光谱特征参与分类和使用光谱、红边、指数特征参与分类的总体精度分别为96. 85%和96. 64%。(2)红边和指数特征的加入能够对各分类器分类精度产生不同程度的影响,即使基于像元的RF和面向对象的CART决策树总体精度有所下降,但降幅均在0. 5%左右,其他分类器精度均有所提升。     

高光谱遥感数据光谱特征的提取与应用

基于特征属性与算法原理，提出高光谱遥感光谱特征体系包括光谱曲线特征、光谱变换特征和光谱度量特征三个层次．光谱曲线特征包括直接光谱编码、光谱反射与吸收特征，光谱变换特征包括植被指数、导数光谱、光谱运算特征，光谱度量特征则包括光谱角、光谱信息散度(SID)、相关系数和距离．系统比较分析了不同特征的算法原理、特点、适用情况和应用中的一些问题．     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

小差异化图像数据库中的特定特征挖掘方法设计

针对传统的特定特征关联挖掘方法存在挖掘效率低的问题,提出基于一种推荐模式的小差异化图像数据库中的特定特征数据挖掘方法.运用萤火虫优化支持向量机参数法,提取小差异化图像数据特定特征,解决相似关联问题,采用主成分分析方法对小差异化图像特征进行降维处理,利用Laplace预测分类方法对提取的小差异化图像特定特征进行推荐分类,之后对分类的特定特征按照推荐等级进行挖掘.结果表明,所提出的挖掘方法要优于传统挖掘方法,准确率及效率得到明显提高.     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。     

基于PCA 和KNN 的电主轴故障诊断方法研究

电主轴是数控机床中重要的部件之一, 其性能的优劣直接影响机床工况和加工零件质量。对电主轴进行故 障诊断能很大程度上提高数控机床的加工精度, 并且能够有效地增加其可靠性和安全性。在一般诊断过程中, 原 始数据的高维特征量处理较为困难。为顺应实际应用中对电主轴故障诊断的精度要求, 提出一种基于主成分分析 (PCA) 与K 最近邻(KNN) 的电主轴故障诊断方法。此方法利用PCA 对原始非线性时间序列数据的特征向量进行 降维, 并选取其中主成分特征向量。将得到的主成分特征向量作为KNN 的输入进行故障分类。最后将该方法的预 测结果与决策树和随机森林的分类结果进行对比, 结果表明, PCA-KNN 算法在故障分类精度上相较于其他两种算 法有显著提高, 是一种有效的电主轴故障分类方法。     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

基于磁共振图像的脑瘤MGMT表达状况检测算法

针对脑胶质瘤的O6 甲基鸟嘌呤-DNA甲基转移酶(MGMT)表达状况检测受主观影响的问题,以中国脑胶质瘤患者的磁共振图像（MRI）为研究对象,提出一种包括特征提取、特征优化和模式分类的图像处理方法.利用图像的灰度共生矩阵、灰度 梯度共生矩阵和二维离散正交S变换(2D-DOST)提取肿瘤病变区域的纹理特征,结合环形增强和年龄特征构成初始特征集.将k最邻近法（KNN）与支持向量机（SVM）结合,进行特征优化.使用留一交叉检验法(LOOCV),将最优特征集进行SVM分类.分别对25位脑胶质瘤患者的T1加权、T1增强和FLAIR序列的磁共振图像进行分析.结果表明,该算法能够降低特征集的冗余程度,克服小样本分类困难,准确有效地检测MGMT表达状况.     

改进的主成分分析和最近邻的人脸识别方法

在传统的主成分分析特征提取中,直接求解特征空间是很困难的,同时也是非常浪费资源,为优化这一问题,该文提出了改进的主成分分析特征提取。在人脸特征提取中,同时还选择了适当的主分量数,用于提高分类识别的速度。在人脸分类识别的过程中,分类策略选取最邻近分类器,通过计算最短欧几里得距离来分类识别测试样本。通过十折交叉验证方法验证了改进的主成分分析和最邻近分类的有效性。     

基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。     

基于信息融合的超谱图象分类方法研究

针对高数据维给超谱图象有效信息提取和分类造成的困难，引入了自适应子空间分解方法进行数据源的划分，并在此基础上进行了基于信息融合的超谱图象分类研究，在根据超谱数据本身特点获得的子窨上进行信息融合，有利于分类特征的集中和提取，实验结果表明，利用自适应子空间分解方法划分数据源是有效的，基于小波变换的特征层融合和基于意见一致性理论的决策层融合适合超谱图象的分类。     

基于背景类别分层分离的不透水面间接提取——以兰州城关区EO-1 ALI图像为例

以兰州市城关区EO-1 ALI图像作为基础数据源,对比LOOC与最邻近分类（NNC）方法提取不透水面的精度差异. LOOC方法对融合后EO-1 ALI图像进行LBV变换,将变换结果作为解译底图;设置4个尺度层次,分别对应水体、农用地、灌木林地、城市绿地和草地这5种主要背景类别,对解译底图执行4尺度面向对象分割;将上述类别对象的光谱特征和形态特征差异作为判别规则,利用决策树分类,将这5种背景类别依次从解译底图上提取、分离,生成不透水面初级提取图层;通过光谱反射率差异分析,选定EO-1 ALI图像的近红外波段8和中红外波段10作为分类特征,利用基于模糊C-均值（FCM）算法的非监督分类,从初级图层中分离出砂土、阴影这两种与高、低反照度不透水面光谱特征相近的类别,采用数学形态学开闭运算整饬图像,生成不透水面二级提取图层. 结合目视评判和总体精度、Kappa系数,定量分析LOOC方法与NNC方法的提取精度差异. 结果表明：LOOC方法提取不透水面的总体精度、Kappa系数分别为87.13%、0.830 3,较NNC方法分别提高5.91%、7.19%. LOOC方法依据各背景类别的遥感多特征知识,分两级将其分离出解译底图,从而间接、逐步逼近不透水面精准空间分布信息,辨识不透水面的效率优于NNC方法.     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。     

基于支持向量机的MSPC方法及其应用

针对传统多变量统计过程控制（MSPC）方法在故障检测、故障原因分析和故障识别中的难点，提出了多元特征提取方法与基于支持向量机（SVM）的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的MSPC新方法.该方法在故障检测中可去除特征满足特定分布的假设前提，并可确定多个统计量的控制限；在故障原因分析中综合考虑故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；并且故障识别是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入.上述方法在标准仿真平台Tennessee Eastman过程上结合主元分析（PCA）进行了应用，结果显示了其优越性.     

Research into a Feature Selection Method for Hyperspectral Imagery Using PSO and SVM

Classification and recognition of hyperspectral remote sensing images is not the same as that of conventional multi-spectral remote sensing images.We propose, a novel feature selection and classification method for hyperspectral images by combining the global optimization ability of particle swarm optimization (PSO) algorithm and the superior classification performance of a support vector machine (SVM).Global optimal search performance of PSO is improved by using a chaotic optimization search technique.Granularity based grid search strategy is used to optimize the SVM model parameters.Parameter optimization and classification of the SVM are addressed using the training date corresponding to the feature subset.A false classification rate is adopted as a fitness function.Tests of feature selection and classification are carried out on a hyperspectral data set.Classification performances are also compared among different feature extraction methods commonly used today.Results indicate that this hybrid method has a higher classification accuracy and can effectively extract optimal bands.A feasible approach is provided for feature selection and classification of hyperspectral image data.