基于区域特征光谱的高光谱图像神经网络分类方法研究

通过分析在无人工选择训练样本条件下,图像光谱噪声对高光谱图像SOFM神经网络分类的影响,针对分类结果中产生的麻点现象,论文提出了通过提取区域特征光谱以抑制图像噪声,并给出了相似度阈值选取的方法;在此基础上提出了基于区域特征光谱的高光谱图像SOFM神经网络分类方法,通过对具有不同地物分布特点的高光谱数据进行仿真,结果表明:在无人工选择训练样本的条件下,与传统SOFM网络分类方法相比较,本文提出的方法显著抑制了麻点现象,分类结果更加合理.     

基于分层网络与局部约束的高光谱图像分类

高光谱图像存在高维度、带间相关性较高的特点,分类过程中也存在同谱异类的问题.为此,提出一种基于分层网络与局部约束的高光谱图像分类方法.该方法通过空谱信息训练分层深度网络,并与局部约束信息结合实现对高维数据的特征提取.同时,融合训练样本与测试样本的类内相似性,以提高分类的准确性.在2个高光谱数据集Indian Pines...     

空谱结构保持的高光谱图像分类

高光谱遥感图像具有特征（波段）数多、冗余度高等特点,因此特征选择成为高光谱分类的研究热点。针对此问题,提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性,首先对图像进行加权空谱重构,使图像的空间结构信息自动融入光谱特征,形成空谱特征集;对利用最小二乘回归模型保存数据集的全局相似性结构的基础上,加入局部流形结构正则项,使挑选的特征子集更好地保存数据集的内在本质结构;讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明,该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息,而且深入挖掘了数据集的内在本质结构,从而得到更有鉴别性的特征子集,相比传统方法明显提高了分类精度。     

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪; 然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度; 最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。     

基于特征重要性的高光谱图像分类

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息,本文提出了一种基于特征重要性的卷积神经网络（convolutional neural networks,CNN）分类模型。首先,利用贝叶斯优化训练得到的随机森林模型（random forest,RF）对高光谱遥感图像进行特征重要性评估;其次,依据评估结果选择合适数目的高光谱图像波段,以作为新的训练样本;最后,利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据,实验结果均表明:相比原始光谱信息直接采用支持向量机（support vector machine,SVM）和卷积神经网络的分类效果,本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。     

基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

主动学习高光谱图像分类算法GPU并行计算优化

本文利用高光谱图像的空间-光谱维信息,结合主动学习算法实现高光谱图像分类。该算法利用较少的训练样本获得较高的分类精度,与此同时,该算法的运算过程复杂度高且计算效率非常低。针对这一特点,本文提出了一种利用图像处理器(Graphic processing units,GPUs)对算法进行数据级并行计算优化。并且利用真实场景的高光谱图像对文中提出的并行计算优化方案进行了实验验证,结果表明该方法在保证与串行分类精度一致的情况下,其计算加速比达到34倍左右,验证了基于GPU的高光谱图像分类算法的有效性。     

基于大数据的高光谱图像分类算法

为解决图像分类精准度较低问题，提出基于卷积神经网络的高光谱图像分类算法。利用虚拟化样本降低分类难度，通过标准化均值差法加强凸显每个像素间曲线波动特征。构建光谱特征提取模型，通过卷积神经网络建立分类处理模型并确定整体分类流程，实现光谱图像的分类。实验结果表明，在同种数据集下，所提算法的分类精准度较为理想。且在训练样本较少的情况下，其应用效果也较好，能够为高光谱图像深入处理提供可靠的理论基础。     

高光谱图像波段子集模糊积分融合异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,该文给出一种基于高相关性波段子集分割的模糊积分低概率目标检测融合算法。依据高光谱图像数据的波段相关性将原始高光谱数据分割为若干连续波段子集;利用非参核密度估计得到原假设下各波段子集数据RX检测器输出的概率密度函数,构造出非参隶属度映射函数;利用数据光谱维的特征值定义目标信号噪声能量比(TNER),衡量各波段子集信源检测结果的重要程度;最后,通过Sugeno模糊积分实现波段子集检测结果的决策级融合。使用可见光/近红外波段OMIS-I高光谱图像进行了实验,实验结果证明了算法的有效性。     

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始末降维数据,降维后的高光谱图像分类精度有较大幅度的提高.     

基于稀疏表示及光谱信息的高光谱遥感图像分类

该文结合稀疏表示及光谱信息提出了一种新的高光谱遥感图像分类算法。首先提出利用高光谱遥感图像数据集构造学习字典,然后根据学习字典计算每个像元的稀疏系数,从而获得像元的稀疏表示特征,最后根据稀疏表示特征和光谱信息分别构造随机森林,通过投票机制得到最终的分类结果。在AVIRIS高光谱遥感图像上的实验结果表明:该文所提方法能够提高分类效果,且其分类总精度和Kappa系数要高于光谱信息和稀疏表示特征方法。     

基于二次空间处理的联合稀疏表示高光谱图像分类

针对许多应用于高光谱图像分类的传统算法存在的分类精度低、光谱和空间信息利用不充分的问题,提出了一种基于二次空间处理的联合稀疏表示高光谱图像分类算法。在字典训练之前提取形态学特征,和光谱特征共同构建初始字典,以达到更快训练出较高质量的字典原子的目的。为了充分利用空间信息,首先通过超像素分割获取边缘信息,然后在超像素边缘和固定邻域双重约束下通过权值计算自适应选择邻域原子,实现空间信息的二次利用。在两个常用数据集上进行仿真实验,证明了本文所提算法可有效提升分类精度。      

基于空间相关性约束稀疏表示的高光谱图像分类

该文提出一种新的基于稀疏表示的高光谱图像分类方法。首先利用训练数据构造结构化字典,建立基于稀疏表示的高光谱图像分类模型;然后添加空间相关性约束项和训练数据的空间信息,提高稀疏表示模型分类的准确性;最后采用快速的交替方向乘子法求解模型。实验结果表明:该文方法能够有效提高分类精度,且分类结果稳定。     

基于光谱稀疏模型的高光谱压缩感知重构

提出了一种基于光谱稀疏化的压缩感知采样与重构模型,通过从训练样本中构建光谱稀疏字典提升光谱稀疏化效果,同时在重构时兼顾空间图像的全变分约束进一步提升重构精度.对200波段AVIRIS高光谱场景进行压缩感知重构的实验表明,利用构建的光谱稀疏字典与传统的DCT字典和Haar小波字典相比光谱稀疏化效果明显提升,同时在25%采样下基于光谱稀疏字典几乎无差别重构出了高光谱图像,同样条件下在空间和光谱的精度与现有常用方法相比有较大的提升.     

Learning to Sense Sparse Signals: Simultaneous Sensing Matrix and Sparsifying Dictionary Optimization

Sparse signal representation, analysis, and sensing have received a lot of attention in recent years from the signal processing, optimization, and learning communities. On one hand, learning overcomplete dictionaries that facilitate a sparse representation of the data as a liner combination of a few atoms from such dictionary leads to state-of-the-art results in image and video restoration and classification. On the other hand, the framework of compressed sensing (CS) has shown that sparse signals can be recovered from far less samples than those required by the classical Shannon-Nyquist Theorem. The samples used in CS correspond to linear projections obtained by a sensing projection matrix. It has been shown that, for example, a nonadaptive random sampling matrix satisfies the fundamental theoretical requirements of CS, enjoying the additional benefit of universality. On the other hand, a projection sensing matrix that is optimally designed for a certain class of signals can further improve the reconstruction accuracy or further reduce the necessary number of samples. In this paper, we introduce a framework for the joint design and optimization, from a set of training images, of the nonparametric dictionary and the sensing matrix. We show that this joint optimization outperforms both the use of random sensing matrices and those matrices that are optimized independently of the learning of the dictionary. Particular cases of the proposed framework include the optimization of the sensing matrix for a given dictionary as well as the optimization of the dictionary for a predefined sensing environment. The presentation of the framework and its efficient numerical optimization is complemented with numerous examples on classical image datasets.     

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

提出了一种基于块稀疏贝叶斯学习的合成孔径雷达（Synthetic aperture radar,SAR）图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习（Block sparse Bayesian learning, BSBL）算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition （MSTAR）数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。     

图约束字典和加权稀疏表示人脸超分辨率算法

针对低分辨率、低质量人脸图像重建问题,提出了一种新的基于稀疏表示的人脸超分辨率算法。在训练阶段,人脸的位置特征被用于保持人脸块的全局信息,人脸块间的几何结构被用于保持高低分辨率超完备冗余字典的流形结构,从而提高字典的表达能力;在重建阶段,K近邻加权稀疏表示被用于消除稀疏编码噪声,以提高高分辨率人脸图像重建系数的精度。实验结果表明,提出的方法取得了较好的主客观质量。     

基于最大熵准则的多视角SAR目标分类方法

针对合成孔径雷达（Synthetic aperture radar,SAR）目标分类问题,提出基于最大熵准则的多视角方法。采用经典的图像相似度测度构建不同视角SAR图像之间的相关性矩阵,在此基础上分别计算不同视角组合条件下的非线性相关信息熵值。非线性相关信息熵值可分析多个变量之间的统计特性,熵值的大小即可反映不同变量之间的内在关联。根据最大熵的原则选择最优的视角子集,其中SAR图像具有最大的内在相关性。分类过程以联合稀疏表示为基础,对具有最大熵值的多个视角进行联合表示。联合稀疏表示模型同时处理若干稀疏表示问题,在它们具有关联的条件下具有提升重构精度的优势。根据不同视角求解得到的表示系数,按照类别分别计算对于选取多视角的重构误差,并根据误差最小的准则进行最终决策。文中方法可有效对多视角SAR图像样本进行相关性分析,并利用联合稀疏表示利用这种相关性,能够更好提高分类精度。采用MSTAR数据集对方法进行分析测试,通过与几类其他方法在多种测试条件下进行对比,结果显示了最大熵准则在多视角选取中的有效性和文中方法对SAR目标分类性能的优越性。     

基于核Fisher判别字典学习的稀疏表示分类

在基于稀疏表示分类的模式识别中,字典学习(DL) 可以为稀疏表示获得更为精简的数据表示。最近的基于Fisher判别的字典学习(FDDL)可以学 习到更加判别的稀疏字典,使得稀疏表示分类具有很强的识别性能。核空间变换可以学习到 非线性结构信息,这对判别分类非常有用。为了充分利用 核空间特性以学习更加判别的稀疏字典来提升最终的识别性能,在FDDL的基础上,提出了两 种核化的稀疏表示DL方法。首先原始训练数据被投影到高维核空间,进行基于Fisher 判别的核稀 疏表示DLFDKDL;其次在稀疏系数上附加核Fisher约束,进行基于核Fisher判别的核稀疏表 示DL(KFDKDL),使得所学习的字典具有更强的判别能力。在多个公开的图像数据库上的稀疏 表示分类实验结果验证了所提出的FDKDL和KFDKDL方法的有效性。