近红外高光谱图像数据预测技术

目的 受到传感器光谱响应范围的影响,可见光区域和近红外区域（400~2 500 nm）的高光谱数据通常使用不同的感光芯片进行成像,现有这一光谱区域典型的高光谱成像系统,如AVIRIS （airborne visible infrared imaging spectrometer）成像光谱仪,通常由多组感光芯片组成,整个成像系统成本和体积通常比较大,严重限制了该谱段高光谱探测技术的发展。为了能够扩展单感光芯片成像系统获得的高光谱图像的光谱范围,本文探索基于卷积神经网络的近红外光谱数据预测技术。方法 结合AVIRIS成像光谱仪的光谱配置,设计了基于残差学习的红外谱段图像预测网络,利用计算成像的方式从可见光范围的高光谱图像预测出近红外波段的光谱图像,并在典型的卫星高光谱遥感数据上进行红外光谱预测重构和基于重构的数据分类实验,以验证论文提出的红外光谱数据预测技术的可行性以及有效性。结果 本文设计的预测网络在Cuprite数据集上得到的预测近红外图像峰值信噪比为40.145 dB,结构相似度为0.996,光谱角为0.777 rad;在Salinas数据集上得到的预测近红外图像峰值信噪比为39.55 dB,结构相似性为0.997,光谱角为1.78 rad。在分类实验中,相比于只使用可见光图像,利用预测的近红外图像使得支持向量机（support vector machine,SVM）的准确率提升了0.6%,LeNet的准确率提升了1.1%。结论 基于AVIRIS传感器获取的两组典型卫星高光谱数据实验表明,本文提出的红外光谱数据预测技术不仅可基于计算成像的方式扩展可见光光谱成像系统的光谱成像范围,对于减小成像系统体积和质量具有重要意义,而且可有效提高可见光区域光谱图像数据在典型应用中的处理性能,对于提高高光谱数据处理精度提供新的技术支撑。     

高光谱图像低秩表达与噪声水平估计

目的 高光谱遥感图像常存在多种不同程度的退化,进而影响到后续的应用,因此,对高光谱图像进行噪声水平估计具有重要意义。在实际情况中,不同波段的图像噪声水平常有所差异,需要针对不同谱通道的特性差异进行噪声估计。因此,本文提出一种基于低秩表达的噪声水平估计算法。方法 该算法首先利用多波段图像间的光谱相关性,建立高光谱数据的低秩表达模型;再通过该模型对各波段的噪声及其水平进行估计,并根据需要检测并剔除被噪声淹没的无效波段。结果 在多组高光谱数据上进行模拟和真实实验,证明本文算法能够准确估计高光谱图像的谱通道噪声水平。结论 本文算法挖掘了低秩表达在高光谱应用中的特性,在利用波段间相关性进行全局处理的同时,也能保留波段间的差异,具有较强的鲁棒性;在合适的阈值范围内,无效波段的漏检率低至0,准确率高于80%。     

面向打印的光谱色彩管理中间空间构造方法

针对光谱色彩管理中光谱空间维度高引起多光谱图像处理时间长、所需存储空间大的问题,提出构造中间空间的方法。首先通过分析色彩管理过程,引入中间空间,建立以中间空间为设备无关颜色空间的光谱色彩管理流程;然后针对多光谱图像的打印输出,采用主成分分析法对打印机特征化光谱样本进行降维,将降维后的特征空间作为中间空间;最后采用特征向量矩阵实现任意多光谱图像数据到中间空间的变换。实验表明,采用打印机特征化光谱样本生成的中间空间与光谱空间的变换效率高,变换的光谱和色度精度高,图像数据降维后能保持源图像光谱的主要信息。     

HSRS-SC:面向遥感场景分类的高光谱图像数据集

目的 场景分类是遥感领域一项重要的研究课题，但大都面向高分辨率遥感影像。高分辨率影像光谱信息少，故场景鉴别能力受限。而高光谱影像包含更丰富的光谱信息，具有强大的地物鉴别能力，但目前仍缺少针对场景级图像分类的高光谱数据集。为了给高光谱场景理解提供数据支撑，本文构建了面向场景分类的高光谱遥感图像数据集（hyperspectral remote sensing dataset for scene classification，HSRS-SC）。方法 HSRS-SC来自黑河生态水文遥感试验航空数据，是目前已知最大的高光谱场景分类数据集，经由定标系数校正、大气校正等处理形成。HSRS-SC分为5个类别，共1 385幅图像，且空间分辨率较高（1 m），波长范围广（380~1 050 nm），同时蕴含地物丰富的空间和光谱信息。结果 为提供基准结果，使用AlexNet、VGGNet-16、GoogLeNet在3种方案下组织实验。方案1仅利用可见光波段提取场景特征。方案2和方案3分别以加和、级联的形式融合可见光与近红外波段信息。结果表明有效利用高光谱影像不同波段信息有利于提高分类性能，最高分类精度达到93.20%。为进一步探索高光谱场景的优势，开展了图像全谱段场景分类实验。在两种训练样本下，高光谱场景相比RGB图像均取得较高的精度优势。结论 HSRS-SC可以反映详实的地物信息，能够为场景语义理解提供良好的数据支持。本文仅利用可见光和近红外部分波段信息，高光谱场景丰富的光谱信息尚未得到充分挖掘。后续可在HSRS-SC开展高光谱场景特征学习及分类研究。     

高光谱图像小样本分类的卷积神经网络方法

目的 与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法 通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果 5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论 本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。     

联合分块谱带优选和深度特征的高光谱人脸识别

目的 高光谱人脸数据具有丰富的鉴别信息。最优谱带选择和谱内间特征表示是高光谱人脸识别的关键。基于高光谱波段范围为4001 090 nm和采样间隔为10 nm的高光谱成像人脸数据,本文提出一种分块谱带选择和VGG（Visual Geometry Group）网络的高光谱人脸识别方法。方法 为了优化适合人脸识别的谱带组合,基于人脸关键点,提出分块局部二值模式（local binary pattern,LBP）特征的AdaBoost支持向量机（support vector machine,SVM）谱带选择方法。基于卷积神经网络结构建立一个面向高光谱人脸特点的深度网络（VGG12）,提取谱带内特征。融合不同谱带的深度特征,利用三层堆栈自编码器（stack auto-encoder,SAE）抽取谱间特征。对提取的谱间和谱内特征,采用最近邻分类器完成最后的识别。结果 为了验证提出方法的有效性,在公开的高光谱人脸数据集UWA-HSFD（University of Western Australia hyperspectral face database）和PolyU-HSFD（Hong Kong Polytechnic University hyperspectral face database）上进行对比试验。结果显示,基于分块LBP特征的谱带选择算法优于传统基于整幅图像像素的方法,提出的VGG12网络相比已有深度学习网络,仅保留少量（68个）谱带,在两个数据集上都取得了最高的识别率（96.8%和97.2%）,表明传统可见光人脸深度网络并不适合高光谱人脸识别。结论 实验结果表明,高光谱数据用于人脸识别中,谱带选择与深度学习结合是有效的,本文方法联合有监督深度网络（VGG12）和无监督学习网络（SAE）挖掘谱内和谱间鉴别特征,在降低深度网络训练复杂度的同时取得了较其他深度网络更好的识别性能。     

截断核范数和全变差正则化高光谱图像复原

目的 高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法 根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果 将本文与其他三种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论 本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。     

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。     

能量泛函正则化模型在图像恢复中的应用分析

目的 能量泛函正则化模型是图像恢复研究的热点。为使更多工程领域的研究者对正则化技术进行探索和应用,推动不适定问题的研究,对能量泛函正则化模型的进展进行了分析。方法 首先建立图像整体坐标与局部坐标的关系,分析图像恢复正则化模型的基本原理,给出并证明正则化模型各向同性与各向异性扩散定理。然后结合函数空间、图像分解和紧框架,评述能量泛函正则化模型国内外发展现状,并对正则化模型解的适定性进行分析。结果 推导出图像恢复正则化模型扩散基本原理,给出正则化模型通用表达式,讨论正则化模型存在的问题及未来的发展方向。结论 正则化技术在解决图像恢复、修复等反问题起着重要作用。目前,国内外学者对该问题的研究取得了一些成果,但许多理论问题有待进一步研究。     

MapReduce模式下高光谱图像端元提取算法加速

目的 随着成像光谱仪的发展,高光谱遥感图像的空间分辨率和光谱分辨率越来越大,这给高光谱遥感图像解译处理及应用带来挑战。本文提出一种基于MapReduce模式的分布式混合并行处理模型来加速高光谱解混处理。方法 为降低算法计算复杂度,对原串行算法进行并行化设计,并采用行列式分块计算法对原算法进行化简计算;最后在分布式集群环境下,采用Jama和JCuda组件来加速算法执行过程中的矩阵运算操作。结果 针对224波段,400×400像素空间分辨率的高光谱图像,采用分布式混合计算模型进行解混处理比原始的处理方法在速度上有近十倍的提高,且算法计算量越大,加速效果越明显。结论 本文提出了一种基于MapReduce模式的分布式混合并行处理方法来加速最大单形体体积端元提取算法,加速效果明显;采用分块法求解行列式可以大大降低算法复杂度。该方法对计算任务可并行划分、主机与节点间数据交换量少且计算复杂类算法加速效果明显。     

数码印染业中的光谱颜色量化

印染业中,用测色仪器测量颜色及传统颜色测量方法存在着测色精度低、测量速度慢、测量效果依赖于设备等不足,基于此问题,通过对物体颜色光谱特性的研究,提出一种数学模型结合扫描仪或数码相机等数字图像输入设备的光谱颜色定量化方法,首先经扫描仪／照相机获取物体的颜色信息,在此基础上,利用多项式模型预测各个像素RGB值对应的XY-ZLMS值,再通过光谱重构算法,将XYZLMS值转化为光谱反射比,最终用光谱反射比来对颜色进行表征量化。实验过程选用自制色卡为样本,对整个颜色量化过程进行数据分析和仿真,结果证明：该方法克服了测色仪器测量及传统颜色测量方法上的不足之处,达到了颜色测量的高精度,快捷,方便和多样化的需求。     

基于B样条小波的彩色印刷扫描图像逆半调

彩色印刷是一种利用黄、品红、青、黑四色油墨叠印产生彩色图像的技术,逆半调是将半色调图像转换成连续调图像的过程,主要应用在电子出版和印刷图像电子化方面。选取LAB颜色空间作为逆半调处理的颜色空间,选择三阶B样条小波作为小波基,遵循小波分解、小波系数调整、小波重构的小波变换算法,对彩色印刷扫描图像进行逆半调处理,得到逆半调图像。实验结果表明,该算法避免了破坏彩色图像红、绿、蓝颜色通道的颜色相关性,对彩色印刷扫描图像的重建和印刷加网图像的恢复具有一定的理论意义和应用价值。     

基于BACON系统实现彩色图像黑白打印方法的自动化

基于科学发现中的BACON系统,提出将屏幕上的标准RGB彩色图像转换为黑白灰度图像打印输出的方法,利用学习算法,并根据人眼的视觉特性,发现转换函数,从训练例子中发现转换函数中的能数,无需修改打印程序,在不同的墨水,纸张和抖动模式下可重新通过学习程序发现这些参数,因此,该方法具有一一的通用性,实现了彩色图像黑白打印的自动化。     

四色打印的灰度平衡方法研究

基于色彩学理论，提出两种灰度平衡算法用于从三色到四色打印的转换，通过对样本数据的学习自动获取四色打印所需的灰度平衡关系，然后将这两种方法与传统的等量代替法进行了比较，最后，基于GCR思想，提出一种改进的颜色分离模型用于四色打印的底色去除处理，实验结果表明，与传统方法相比，该方法具有逼近精度高，学习能力强和所需测试的样本工作量少的优点，算法对不同的打印条件（墨水，纸张等）均具有较强的适应能力。     

全彩3D打印颜色再现方法

全彩3D打印具有快速再现彩色原型的优势, 已经开始广泛应用于医疗、工业、食品等多个领域. 这些领域对3D打印产品的颜色再现精度要求越来越高, 如何提高全彩3D打印产品的颜色再现质量成为研究热点问题之一. 本文对全彩3D打印的颜色再现方法进行了较为全面的论述. 在对全彩3D打印实现方式分类的基础上, 重点对全彩3D打印颜...     

基于网络的彩报印刷墨色预置分布式控制系统

针对我国绝大多数彩报印刷企业,在墨色预置方面仍然采用人工目测、手动调节和单印刷机操作等落后方法,提出一种基于网络的彩报印刷墨色预置分布式控制系统,该系统采用现场总线和PLC对多台彩报印刷机进行集中管理和墨色预置分布式控制,从而实现了印刷过程的高效自动控制。     

Economic approximate-K color printing algorithm

This article describes a novel scheme to save the usage of ink or toner by an approximate-K algorithm for color printers. Existing printers use the mixtures of three color toners (Cyan, Magenta and Yellow) to print all the pixels for color images, and it makes color printing 4–4.5 times more expensive than monochromic printing. Since human eyes are not sensitive to distinguish neighboring colors in the color space, we can use the K (blackK) toner to replace the colors close to gray-scale. We can then reduce the ink usage without affecting the image visual qualities. We use the saturation in the HSV (hue, saturation, value) color model to discover the near gray-scale pixels and transform those pixels to gray level. We then evaluate the objective image quality using the PSNR (Peak Signal Noise Ratio) and use the DSCQS (Double Stimulus Continuous Quality Scale) as the subjective evaluation method. From our experimental results, printing a color image using our algorithm needs only 84 % of the original price in average.     

基于谱聚类的两阶段颜色量化算法

颜色量化是进行图像处理和图像分析的重要技术之一,可以被广泛地应用到图像分割、图像压缩和图像识别中。首先利用高效的二分K均值聚类进行粗略量化,然后使用基于加权距离的谱聚类进行再次量化。实验结果表明,和其他常见量化算法相比,两者的结合使得新方法在运算速度和量化质量上都取得了不错的结果,而加权距离的引入,有效地解决了传统算法将包含像素个数少但重要的颜色进行错划分的问题。     

对比度、颜色一致性和灰度像素保持的消色算法

目的 为了解决目前消色算法中不能同时保持原始图像的对比度,颜色一致性和灰度像素特征的问题,提出一种新的优化算法,最大限度地同时保留这些视觉特性。方法 为了保持原始图像的结构和局部对比度信息,用双高斯模型构建像素对之间的误差能量项;为了保持颜色一致性,采用局部线性嵌入模型构建能量项,确保原始图像中颜色一致的像素在结果图像中也拥有一样的灰度级;为了保持灰度像素特征,先标记出原始图像中的灰度像素,并强制规定这些像素的灰度值是已知的且在消色变换的过程中始终不变,然后用双高斯模型构建出灰度像素与其他像素之间的误差能量项。线性结合这3个能量项,得到目标能量函数,再通过迭代法求解出使总能量值达到最小的灰度值,从而得到了最终的消色结果。结果 实验结果表明,本文算法能够同时较好地保持原始图像中的对比度、颜色一致性和灰度像素特征。结论 本文算法基本符合人类对图像对比度变化的感知程度,而且能够很好地保持细节信息和全局结构,可应用于数字打印、模式识别等方面,具有很大的应用价值。     

基于奇异值分解的伪光谱图像压缩算法

提出了一种光谱图像的快速获取和有效压缩算法。将一幅三原色图像转换为光谱图像,其像素被通过查找光谱调色板后所确定的相应的光谱反射因子取代,该反射因子的色度值与原像素最为接近。此时转换所得的图像并没有真实光谱数据而只有基于调色板的伪光谱值,它可用于模拟原始RGB图像在不同光源条件下的颜色外观。奇异值分解法对于光谱图像的压缩是非常有用的,人们可以对局部子块图像中经过重新排列后的36个像素×36个光谱波段的数据运用该方法,以能够充分利用矩阵数据在空间和光谱分布中的强相关性。实验结果表明,基于奇异值分解的光谱图像压缩算法在较高的压缩比下仍能取得很好的光谱重建效果。