基于Transformer和通道混合并行卷积的高光谱图像去噪

目的 高光谱图像因设备及环境因素容易受到噪声污染,导致图像的可见性和分析精度降低,因此高光谱图像去噪任务已经成为遥感图像处理领域国内外研究热点。当前的高光谱图像去噪方法主要面临两个难题：1）对特征的全局信息利用不足。当前基于卷积神经网络的方法受限于卷积核的大小,难以捕获特征的全局信息;2）卷积神经网络和 Transformer 在结构上存在差异,导致两者难以融合,因此,需要考虑合理的特征交互方式,来平衡局部和全局特征提取之间的关系。方法 针对上述问题,本文提出了基于 Transformer 和通道混合并行卷积的高光谱图像去噪模型,包括 3 个模块：通道混合特征提取模块、基于块下采样的全局增强模块和自适应双向特征融合模块。通过这 3 个模块的相互作用,可以充分结合全局和局部的特征信息,处理不同区域中的噪声和纹理差异,有效提高模型对空间细节信息的恢复能力。结果 实验在 2 个数据集上与主流的 5 种方法进行比较,在 Pavia 数据集中设置不同高斯噪声强度的情况下,相比于性能第 2 的模型,峰值信噪比（peak signal-to-noise ratio,PSNR）值最大提高了0. 4 dB;在 ICVL 数据集中设置各种混合噪声的情况下,相比于性能第 2 的模型,PSNR 最大提高了 2. 18 dB。同时可视化的去噪结果图像体现了本文所提出的去噪模型的优异性能。结论 本文方法在各种噪声情况下均具有较好的去噪效果,显著优于当前主流方法,能够有效去除高光谱图像中噪声,同时保留图像丰富的纹理信息。     

基于同质区域分割的高光谱图像混合噪声估计

降低高光谱（Hyperspectral, HS）图像中的噪声以提高图像质量一直是遥感图像处理领域的研究热点,而HS图像带有的混合光电噪声却难于准确估计,为此提出一种基于同性质区域（Homogeneous Region, HR）分割的HS图像混合噪声估计方法。首先结合HS图像的空间和光谱特性进行HR分割,然后在HR内通过多元线性回归（Multiple Linear Regression, MLR）方法去除区域相关性从而得到混合噪声,最后引进比例因子对混合噪声的内部参数进行估计。通过在仿真HS数据和真实AVIRIS数据上进行实验表明,该方法能够有效地进行HR分割,且对混合噪声的估计结果要优于其它传统噪声估计方法。     

基于线性混合模型的高光谱图像端元提取

近年来,基于线性混合模型的光谱解混合技术正在越来越广泛地用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元(Endmember)光谱。通常,端元的荻取有两种方式：来源于光谱库以及来源于图像数据,相比之下后者得到的结果更能体现真实的地面信息。为此,从线性混合模型的特点出发,归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,并总结了评估算法结果的依据,最后介绍了端元提取技术的发展趋势。     

光谱发射率测量技术的适用性

本文主要讨论光谱发射率测量技术的适用性,以得出与辐射测温有关的发射率数据。文中还提出了一种混合测量技术,并结合实例予以说明,从而指出了这种技术的优越性。     

基于混合卷积与三重注意力的高光谱图像分类网络

针对高光谱图像光谱维度高、现有网络无法提供深度级的多层次特征,从而影响分类精度和速度的问题。首先采用核主成分分析对高光谱图像进行降维,使降维后的数据具有最佳区分度,提出了一种基于混合卷积与三重注意力的卷积神经网络(hybrid convolutional neural network with triplet attention, HCTA-Net)模型,该模型设计了一种基于三维、二维和一维卷积的混合卷积神经网络,通过不同维度卷积神经网络的融合,提取高光谱图像精细的光谱–空间联合特征。在二维卷积中加入深度可分离卷积,减少了模型参数,同时引入三重注意力机制,使用三分支结构实现跨维度信息交互,抑制无用的特征信息。在Indian Pines、Salinas和Pavia University数据集上的实验结果表明,本文提出的模型优于其他对比方法,总体分类精度分别达到了99.16%、99.87%和99.76%。     

由粗到细的高光谱图像多端元光谱混合分析

光谱可变性是影响高光谱图像光谱混合分析精度的重要因素,多端元光谱混合分析是解决该问题的有效手段。为了降低光谱混合分析时间复杂度的同时提高其精度,提出了一种由粗到细的多端元光谱混合分析算法,该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析,确定含所有地物的初始端元集,在此基础上进一步进行精细光谱混合分析,迭代光谱混合分析构建端元子集,最终根据重构误差变化量确定各个像元的最优端元集。实验结果表明:相比迭代光谱混合分析法和分层多端元光谱混合分析法,所提出的由粗到细的高光谱图像多端元光谱混合分析能有效降低算法反演丰度误差并改善计算效率。     

由粗到细的高光谱图像多端元光谱混合分析

光谱可变性是影响高光谱图像光谱混合分析精度的重要因素,多端元光谱混合分析是解决该问题的有效手段。为了降低光谱混合分析时间复杂度的同时提高其精度,提出了一种由粗到细的多端元光谱混合分析算法,该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析,确定含所有地物的初始端元集,在此基础上进一步进行精细光谱混合分析,迭代光谱混合分析构建端元子集,最终根据重构误差变化量确定各个像元的最优端元集。实验结果表明:相比迭代光谱混合分析法和分层多端元光谱混合分析法,所提出的由粗到细的高光谱图像多端元光谱混合分析能有效降低算法反演丰度误差并改善计算效率。     

由粗到细的高光谱图像多端元光谱混合分析

光谱可变性是影响高光谱图像光谱混合分析精度的重要因素，多端元光谱混合分析是解决该问题的有效手段。为了降低光谱混合分析时间复杂度的同时提高其精度，提出了一种由粗到细的多端元光谱混合分析算法，该算法首先基于扩展的端元集对每个像元进行全约束光谱混合粗分析，确定含所有地物的初始端元集，在此基础上进一步进行精细光谱混合分析，迭代光谱混合分析构建端元子集，最终根据重构误差变化量确定各个像元的最优端元集。实验结果表明:相比迭代光谱混合分析法和分层多端元光谱混合分析法，所提出的由粗到细的高光谱图像多端元光谱混合分析能有效降低算法反演丰度误差并改善计算效率。     

高光谱大气红外探测器通道选择方法及试验研究

考虑到高光谱大气红外探测器通道之间的相关性、变分同化的时效性等,需要进行通道选择。利用主成分-逐步回归法进行AIRS通道选择研究。由于短波CO2通道易受太阳光影响,分白天和夜晚进行。具体执行过程中,首先进行通道预处理,然后分别对温度和湿度雅可比矩阵进行主成分分析,并采用逐步回归法找出对前几个主成分影响较大的通道得到入选的通道子集。进而根据经验和实际观测资料,为了达到全局最优并兼顾局部,基于分区的思想,采用主成分-双区逐步回归法进行通道选择。结果表明:①利用AIRS进行反演时,合理选择通道是非常必要的;②主成分-双区逐步回归法得到的通道组合进行温度、湿度反演的误差整体比基于信息熵分步迭代小。〖JP〗     

高分五号高光谱图像自动大气校正方法

高分五号是我国高分辨率对地观测系统重大专项中唯一的高光谱卫星,为有效提高其应用的效能和质量,首先必须对其图像数据进行大气校正。文章提出了一种基于MODTRAN辐射传输模型的高分五号高光谱图像大气校正方法。首先,通过MODTRAN辐射传输模型构建能见度查找表、水汽含量查找表和反射率查找表;其次,分别采用Version 5.2法和大气预处理微分吸收法逐像元反演得到图像能见度和水汽含量;之后,根据反射率查找表逐像元完成高分五号高光谱图像的大气校正,并与FLAASH校正结果进行对比。结果表明,能见度和水汽含量反演效果较好,校正后的光谱曲线与经FLAASH校正的光谱曲线相吻合,3种定量化指标均保持在较高水平,且该方法能够实现高分五号高光谱图像的自动化批量化大气校正,大气校正过程无需其他额外参数,具有一定的应用价值。     

混合深度CNN联合注意力的高光谱图像分类

深度学习中的卷积神经网络（CNN）能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力（HDC-Attention）的模型。首先利用核主成分分析（KPCA）和小批量K均值（MBK-means）对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。     

基于混合概率PCA模型高光谱图像本征维数确定

如何有效实现降维是现代成像光谱仪辨识地物类别的一个难点所在。该文在已知高光谱图像地物类别数的情况下，提出了一种采用混合最小描述长度(MMDL)模型选择准则确定高光谱图像本征维数的方法。该方法在期望最大化算法框架下同时实现混合PPCA降维和聚类，并根据MMDL准则确定数据降维维数，可以得到数据在概率意义下的精确的降维表征。仿真数据和真实数据进行的比较实验表明，该方法能精确地选择数据的本征维数。     

基于DWT和减影混合变换的超光谱图像无损压缩算法研究

提出了一种新的去冗余方案,利用DWT去除空间冗余、无边界延拓DWT和帧间减影混合变换去除谱间冗余、改进的EBCOT算法进行编码.实验结果表明,无损压缩远好于JPEG-LS、WinZip、ARJ、DPCM、中国科学院一小组、NMST、MST的结果,以JPL的Canal测试图像为例,平均而言无损压缩比分别比上述算法提高了43%、3s%、36%、31%、17%、13%、10%左右.本文算法运算速度快,便于硬件实现.     

基于光谱相似性的高光谱图像超分辨率算法

光谱相似性是指高光谱图像中的大量像元具有相似光谱的性质.提出了一种基于光谱相似性的高光谱遥感图像超分辨率算法,利用遥感图像中广泛存在的结构自相似性提升图像的空间分辨率,利用高光谱图像的低维子空间性通过主成分分析降低光谱维数提高运算效率,利用具有相似光谱的像元构建光谱约束项保证重建图像光谱的准确性.该算法在将单波段图像超分辨率方法推广到处理具有数百、乃至上千波段的高光谱图像过程中,既保证了重建图像光谱的准确性,又具有较高的运算效率.实验表明,与双三次插值和基于稀疏表示与光谱正则化约束的高光谱图像超分辨率算法相比,该算法具有更高的空间分辨率提升能力和更好的光谱保真能力.     

基于MCFFN-Attention的高光谱图像分类

针对高光谱图像高维度的特性和样本数量少的局限性,提出了一个多尺度跨层特征融合注意力机制（MCFFN-Attention）的方法。对高光谱图像进行PCA降维,然后以3D CNN为基础,将中心像素和其相邻像素作为整体输入到网络中,对不同卷积层得到的特征进行融合。同时对融合的低层特征进行空间注意力机制处理,对融合的高层特征进行通道注意力机制处理,分配给它们不同的权重来优化特征图。在印第安松树和帕维亚大学数据集上进行实验,结果表明此方法相对于CNN、3D CNN和M3D CNN方法,分类精度得到了提升。     

混合阶通道注意力网络的单图像超分辨率重建

目前用于图像超分辨率重建的通道注意力机制存在注意力预测破坏每个通道和其权重的直接对应关系以及仅仅只考虑一阶或二阶通道注意力而没有综合考虑优势互补的问题,因此提出一种混合阶通道注意力网络的单图像超分辨率重建算法。首先,该网络框架利用局部跨通道相互作用策略将之前一、二阶通道注意力模型采用的升降维改为核为k的一维卷积。这样不仅使得通道注意力预测更直接准确,而且得到的模型相比之前的通道注意力模型更简单;同时,采用改进一、二阶通道注意力模型以综合利用不同阶通道注意力的优势,提高网络判别能力。在基准数据集上的实验结果表明,和现有的超分辨率算法相比,所提算法重建图像的纹理细节和高频信息能得到更好的恢复,且在Set5和BSD100数据集上感知指数（PI）分别平均提高0.3和0.1。这表明此网络能更准确地预测通道注意力并综合利用了不同阶通道注意力,一定程度上提升了性能。     

混合阶通道注意力网络的单图像超分辨率重建

目前用于图像超分辨率重建的通道注意力机制存在注意力预测破坏每个通道和其权重的直接对应关系以及仅仅只考虑一阶或二阶通道注意力而没有综合考虑优势互补的问题，因此提出一种混合阶通道注意力网络的单图像超分辨率重建算法。首先，该网络框架利用局部跨通道相互作用策略将之前一、二阶通道注意力模型采用的升降维改为核为k的一维卷积。这样不仅使得通道注意力预测更直接准确，而且得到的模型相比之前的通道注意力模型更简单；同时，采用改进一、二阶通道注意力模型以综合利用不同阶通道注意力的优势，提高网络判别能力。在基准数据集上的实验结果表明，和现有的超分辨率算法相比，所提算法重建图像的纹理细节和高频信息能得到更好的恢复，且在Set5和BSD100数据集上感知指数（PI）分别平均提高0.3和0.1。这表明此网络能更准确地预测通道注意力并综合利用了不同阶通道注意力，一定程度上提升了性能。     

基于光谱吸收的光纤水分传感器研究

基于分子的近红外光谱吸收机理,研究一种可以检测水分含量的光纤传感器。对半导体激光器(LD)进行正弦波调制,建立人工神经网络的数学模型,利用NI数据采集卡和神经网络数据拟合实现分子的检测。系统采用双光路结构有效消除了光源光强噪声干扰和光电器件的零点漂移。实验结果表明:传感器性能稳定,灵敏度高,重复性好,并且不受其它气体或杂质的干扰。     

基于高光谱吸收特征参数的分类研究

在Weka平台上,采用决策树C4.5、朴素贝叶斯、朴素贝叶斯树三种算法进行了带缺失属性值的高光谱分类研究。针对高光谱波段数众多、信息冗余量大的特点,首先对光谱曲线进行光谱特征参数提取,然后再选择合适的吸收峰波段作为输入向量来进行分类。实验表明,由NBTree建立的铀黑-沥青铀矿分类模型的分类误差最小,分类精度最高,其次是Na?觙veBayes和J4.8,但从训练时间来看,NBTree则高于NB和J4.8。最后,对三种分类算法的分类结果进行了分析。     

傅里叶变换通道注意力网络的胆管癌高光谱图像分割

目的 胆管癌高光谱图像的光谱波段丰富但存在冗余,造成基于深度神经网络高光谱图像分割方法的分割精度下降,虽然一些基于通道注意力机制的网络能够关注重要通道,但在处理通道特征时存在信息表示不足问题,因此本文研究构建一种新的通道注意力机制深度网络,以提高分割准确性。方法 提出了傅里叶变换多频率通道注意力机制（frequency selecting channel attention,FSCA）。FSCA对输入特征进行2维傅里叶变换,提取部分频率特征,再通过两层全连接层得到通道权重向量,将通道权重与对应通道特征相乘,获得了融合通道注意力信息的输出。针对患癌区域和无癌区域数据不平衡问题引入了Focal损失,结合Inception模块,构建基于Inception-FSCA的胆管癌高光谱图像分割网络。结果 在采集的胆管癌高光谱数据集上进行实验,Inception-FSCA网络的准确率（accuracy）、精度（precision）、敏感性（sensitivity）、特异性（specificity）、Kappa系数分别为0.978 0、0.965 4、0.958 6、0.985 2、0.945 6,优于另外5种对比方法。与合成的假彩色图像的分割结果相比,高光谱图像上的实验指标分别提高了0.058 4、0.105 8、0.087 5、0.039 0、0.149 3。结论 本文所提出的傅里叶变换多频率通道注意力机制能够更有效地利用通道信息,基于Inception-FSCA的胆管癌高光谱图像分割网络能够提升分割效果,在胆管癌医学辅助诊断方面具有研究和应用价值。