基于波段加权K均值聚类的高光谱影像分类

为了在高光谱影像分类过程中有效地利用波段信息,在传统K均值算法的基础上引入特征加权的思想,使得在聚类过程中能够充分合理利用各波段信息。该算法中,根据波段影像的熵、标准差、均值及互信息等统计信息的函数定义波段权重;根据波段对聚类的重要性定义波段-类别权重,并且定义其熵信息测度作为约束项。对Salinas高光谱影像分别采用本文算法和传统K均值算法进行实验,从总精度及Kappa值方面来看,该算法都比传统K均值算法的数值高,由此说明引入波段权重及波段-类别权重的有效性。     

高光谱图像分类的全面加权方法研究

像元分类是高光谱数据分析的最基本、最重要内容之一,而基于支持向量机(SVM)的分类方法以其高效性得以广泛使用.原始的SVM分类模型中并没有体现出样本、特征、类别对于分类或分析的不同重要性,从而影响了处理效果.为此,将各样本偏离其类中心的距离映射为样本加权系数;将类内散度矩阵应用于特征加权方法;将SVM方程系统中的单位矩阵对角元素加以调整来完成类别加权.不同加权方法既可以单独使用也可以联合使用.实验表明,所提出的加权方法有助于进一步提高高光谱图像的分类效果.     

基于数据挖掘的图像分类算法

针对传统图像方法的分类精度难题,提出基于数据挖掘的图像分类算法。首先构建多媒体数据库中的图像检索信道模型,并进行向量量化编码,然后采用Harris角点检测算法提取图像特征点,并采用模糊C均值聚类算法实现图像分类。实验结果表明,该算法可以对图像内容信息进行准确的表达,提高了图像分类的精度,具有较强的鲁棒性。     

基于改进的模糊C均值聚类图像分割新算法

模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感。为了克服上述问题,提出了一种新的基于改进的FCM图像分割算法。该方法将空间的信息融入到标准的FCM算法中,通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值,该概率在算法执行过程中根据模糊隶属度值自动地予以确定。算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高。人造图像和实际图像的实验结果表明该方法的有效性和对噪声具有较强的鲁棒性。     

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...     

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。     

高光谱图像基于像素结构的改进PCA算法

主成分分析法(PCA)作为一种常用的降维算法,被广泛的应用到如高光谱图像处理等需要进行大量数据处理的应用中。PCA的主要目的是利用正交变换,将具有相关性的高维数据的分量转换为线性不相关的新的成分变量,但当矩阵维数超过百万时候会造成严重的计算困难问题。本文针对PCA运算中协方差矩阵计算过程中内存调度的问题,提出了一种基于像素结构的改进的协方差矩阵计算方法,可以在确保与常规PCA具有相同性能的同时有效地降低计算所需的存储器规模。实验中分别采用传统PCA算法和改进算法对高光谱图像数据进行特征提取后利用支持向量机(SVM)进行分类,对比结果验证了改进算法的有效性和可靠性。     

基于特征重选择的高光谱图像分类

在对高光谱图像进行分类时,由于高光谱数据维度很高,通常先对其进行特征选择,进而使用分类器进行分类。在分类时,最大似然分类器因为具有多分类、概率输出等特点而经常被采用。在实际分类中,我们发现,目标的真实类别所获得的概率值通常位于所有类别的前两位,我们称该现象为混淆现象。利用这一现象,通过特征重选择,我们给出一种新颖的特征选择框架。该框架首先对数据进行特征选择,进而对目标进行分类。若分类结果满足混淆条件,则针对易混淆的两类进行特征重选择,分类并得到最终结果。理论分析和实验结果表明,该框架稳定、有效。     

一种基于可变形卷积的高光谱图像分类算法

随着深度学习的不断发展,基于深度学习的机器 视觉方法被广泛应用,其中,卷积神 经网络(convolutional neural network,CNN)对高光谱图像(hyperspectral imagery,HSI ) 分类有着显著的效果。传统卷积网络中卷积核的采样位置是固定的,不能根据HSI中复杂的 空间结构而改变,忽略了数据在空间分布上的特征,为了提高高光谱图像分类在实际应用中 的性能,本文提出了一种基于可变形卷积的高光谱图像分类方法,考虑到HSI高维度的特性 , 将可变形卷积从2D引伸到3D,从而更好地提取3D空间上的特征。本文结合双分支双注意机制网络(double- branch dual-attention mechanism network,DBDA)的网络结构和3D可变形卷积,在Indi an Pines(IP)和Botswana(BS)2个数据集上进行了实验。实验结果表明,本文的方法在 综合精度(overall accuracy, OA) 、平均精度(average accuracy, AA)、KAPPA评价标准上均获得了更好的分类准确 率,相较于次优算法,OA提高了0.15%—0.23%,AA提高了0.21%, KAPPA提高了0.000—0.001。     

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。     

基于改进加权引导滤波的红外图像增强算法

针对红外图像对比度低、细节不清晰等问题,提出一种基于改进加权引导滤波的红外图像增强算法.首先将原图与梯度图叠加构建引导图像;其次利用canny算子修正边缘权重因子实现保边滤波;然后依据模糊理论设计模糊集增强算法增强图像细节信息;最后应用BM3 D去除图像噪声,得到最终增强图像.经对比实验验证,该算法可以有效地提升图像对...     

基于自适应加权的超光谱图像分类方法

为了进一步提高已有的加权超光谱图像分类方法的识别性能,以支持向量机(SVM)作为基本框架,结合超光谱图像的谱间与空域信息,提出了一种自适应加权的超光谱图像分类方法.所提方法的自适应权值是由两部分构成,即改进的具有归一化取值的互信息(MI)与一定量的归一化图像标准方差之和,不仅考虑到了超光谱图像的谱间信息对分类会产生的作...     

基于深度学习的高光谱影像分类方法研究

针对高光谱影像分类方法精度不足的问题,提出一种基于空间-频谱变换（Spectral-Spatial Transformer,SST）网络的高光谱影像分类方法。首先,将高光谱影像预处理为一维特征向量。然后,设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%,表明此方法具有较高的分类精度,为高光谱影像分类及应用提供了一种新方案。     

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network,CNN) 的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中 随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。     

基于图像增强的改进自适应加权均值滤波算法

为了尽可能滤除图像中的椒盐噪声同时改善图像视觉效果,将改进自适应加权均值滤波与小波域图像增强技术有机结合,提出了一种具有增强效果的图像滤波算法。该算法分为滤波和滤波后处理两个阶段。滤波阶段,对经典均值滤波分别从噪声检测策略、权值计算机方法噪声滤波模版设计等方面进行适当改进,给出了具体实现步骤;滤波后处理阶段,首先将滤波后图像进行三层小波分解;然后构造出一种小波图像增强模型,根据小波系数的幅度值将其分为三个部分,分别进行不同程度的拉伸处理;最后进行拉伸后小波系数重构。将该滤波算法与经典均值滤波,加权均值滤波、自适应加权中值滤波等性能比较,实验结果表明,本文滤波算法在噪声滤除和图像细节保持方面,效果较好。     

基于正交指数局部保留投影的高光谱图像特征提取

针对高光谱图像,在判别局部保留投影(Discri minant Locality Preserving Projection,DLPP)的基 础上,提出了一种名为正交指数判别局部保留投影(Orthogonal Exponential Discriminan t Locality Preserving Projection,OEDLPP)的特征提取方法。该算法不但保留了DLPP算法的有监督特性,还利用 了指数矩阵(the matrix exponential)来获取更有效的样本信息,避免了小样本问题。同时,OEDLPP 对投影矩阵进行 施密特正交化,解决了特征的冗余性问题。应用OEDLPP算法对高光谱图像进行特征提取后, 并采用支持 向量机(SVM)对降维后的数据进行分类。与主成分分析(PCA)、局部保留投影(LPP)、 判别局部保 留投影(DLPP)、指数判别局部保留投影(EDLPP)、正交判别局部保留投影(ODLPP)等对 比实验结 果表明,本文算法对样本有效信息的获取具有一定的优越性,分类精度提升了2%~3%左右。     

Infrared image segmentation algorithm based on distribution information intuitionistic fuzzy c-means clustering

Due to the sensitivity of the traditional intuitionistic fuzzy c-means (IFCM) clustering algorithm to the clustering center in image segmentation,which resulted in the low clustering precision,poor retention of details,and large time complexity,an intuitionistic fuzzy c-means clustering algorithm was proposed based on spatial distribution information suitable for infrared image segmentation of power equipment.The non-target objects with high intensity and the non-uniformity of image intensity in the infrared image had strong interference to the image segmentation,which could be effectively suppressed by the proposed algorithm.Firstly,the Gaussian model was introduced into the global spatial distribution information of power equipment to improve the IFCM algorithm.Secondly,the membership function was optimized by local spatial operator to solve the problem of edge blur and image intensity inhomogeneity.The experiments conducted on Terravic motion IR database and the data set containing 300 infrared images of power equipment show that,the relative region error rate is about 10% and is less affected by the change of fuzzy factor m.The effectiveness and applicability of the proposed algorithm are superior to other comparison algorithms.