面向目标检测基于稀疏表示的波段选择方法

随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化（CEM）检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性.     

结合K-L散度和互信息的无监督波段选择算法

波段选择是重要的高光谱图像降维手段。为了达到降维的目的,提出结合K-L散度和互信息的无监督波段选择算法,并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段,然后将散度与互信息量的比值定义为联合散度互信息（KLMI）准则,选择KLMI值大且信息量也大的波段加入波段子集中,选出信息量大且相似度低的波段集合,最终利用k最近邻分类算法实现了基于最大方差主成分分析算法、聚类算法、互信息算法和本文中方法的真实高光谱数据分类实验。结果表明,本文中的算法总体分类精度和κ系数均达到0.8以上,高于其它算法;大多数地物的分类精度均得到提升,具有较好的分类性能。该算法是一种实用的高光谱图像降维算法。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

基于室内高光谱激光雷达的典型树种叶片光谱观测和分类

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650～1000 nm (71个通道)内观测的叶片高光谱和ASD光谱一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650～750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650～750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。     

基于信息论准则的高光谱波段选择方法

与传统多光谱遥感图像相比,高光谱图像是在一定波段范围内窄波段成像的,提供了丰富的光谱信息,拓展了遥感技术的应用范围,但同时存在数据含量大、波段间相关性高等问题,在进行处理时需要对高光谱图像进行降维。通过分析现有高光谱波段选择方法 ,本文提出了一种基于信息论准则的高光谱波段选择方法 ,结合波段信息熵与波段间的相关性,采用粒子群优化算法(PSO)进行波段优选,克服了采用单一使用信息量为适应度的片面性。最后使用AVIRIS图像对提出的算法进行试验,并利用支持向量机分类方法进行分类验证,总体分类精度达到91.0%。     

Sparse matrix transform-based linear discriminant analysis for hyperspectral image classification

Due to the high dimensionality of hyperspectral image (HSI), dimension reduction or feature extraction is usually needed before the HSI classification. Traditional linear discriminant analysis (LDA) method for feature extraction usually encounters difficulty because the available training samples in HSI classification are limited, which causes the singularity of data scatter matrix. In this paper, we propose a sparse matrix transform-based LDA (SMT-LDA) algorithm for the HSI classification. By using SMT, the total scatter matrix used in LDA can be constrained to have an eigen-decomposition where the eigenvectors can be sparsely parametrized by a limited number of Givens rotations. In this way, the estimated scatter matrix is always positive definite and well conditioned even in the case of limited training samples. The proposed SMT-LDA method is compared with regularized LDA and PCA-LDA methods on two benchmark hyperspectral data sets. Experimental results indicate that the performance of the proposed method is overall superior to these methods, especially for small-sample-size classification.     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法.首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选...     

联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法

稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total Variation,TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.     

基于流形学习的新高光谱图像降维算法

提出了一种新的基于图像块距离的邻域选择方法,并将其应用于流形学习中,得到一类新的高光谱图像非线性降维算法。该类算法利用高光谱图像物理特性,结合图像的光谱信息和空间信息,在最大限度减小图像信息冗余的基础之上,很好地保持了原始数据集的特性。与其它高光谱图像的降维算法相比,改进的流形学习算法不仅考虑到高光谱图像本身的空间关系,而且利用图像块距离更好地保持了数据点之间的局部特性,从而有效地去除原始数据集光谱维和空间维的冗余信息。实际高光谱数据的实验结果表明,所提出的算法在应用于高光谱图像分类时,与其它方法相比具有更高的分类精度。     

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。     

多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于波段指数的高光谱影像波段选择算法

为了去除高光谱影像的数据冗余,提高高光谱影像处理的精度和效率,提出了一种基于波段指数的高光谱影像波段选择算法。采用小波变换对高光谱图像数据进行去噪处理,依据联合偏度-峰度指数将波段进行分组,再根据波段指数的大小确定相对较小指数的波段,并将其作为冗余波段进行去除,从而得到最小波段集。结果表明,利用该波段集和全波段所选的端元是一致的,在不影响端元提取的前提下,最大程度地去除了冗余波段,而且该波段集与全波段的分类精度较接近。该算法在波段选择过程中具有可行性与有效性,为降低高光谱影像维数提供了一种帮助。     

A band selection method of hyperspectral remote sensing based on particle frog leaping algorithm

Dimensionality reduction is becoming an important problem in hyperspectral image classification. Band selection as an effective dimensionality reduction method has attracted more research interests. In this paper, a band selection method for hyperspectral remote sensing images based on subspace partition and particle frog leaping optimization algorithm is proposed. Three new evolution strategies are designed to form a probabilistic network extension structure to avoid local convergence. At the same time, the information entropy of the selected band subset is used as the weight of inter-class separability, and a new band selection criterion function is constructed. The simulation results show that the proposed algorithm has certain advantages over the existing similar algorithms in terms of classification accuracy and running time.     

超谱遥感图像的波段选择新方法

针对超谱遥感图像的高数据维给图像进一步处理带来的困难,本文构造了波段选择方法的数学模型,该方 法基于统计学原理,通过选择信息量大并且与其它波段相关性小的波段来降低超谱数据维数。本文将降低后的超谱数据进 行小波融合与K．均值非监督分类。分类结果表明,该波段选择的方法能够将保留信息丰富的波段,分类效果与使用原始 波段相比有所提高,计算复杂度大大降低。     

基于流形正则化非负矩阵分解的高光谱数据降维

采用基于流形正则化非负矩阵分解(MR-NMF)的高 光谱数据降维方法。新方 法通过构建样本的近邻图描述数据几何结构,然后将其作为正则项加入NMF的目标函 数中进行组合优化。在真实的高光谱数据集HYDICE上进行的实验结果表明,新方法能 够提高高光谱图像分类的精度。     

面向高光谱遥感影像分类的监督多流形鉴别嵌入方法

流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia （PaviaU）和Kennedy Space Center （KSC）高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.     

基于低秩张量分析的高光谱图像降维与分类

提出一种用于高光谱图像降维和分类的分块低秩张量分析方法。该算法以提高分类精度为目标,对图像张量分块进行降维和分类。将高光谱图像分成若干子张量,不仅保存了高光谱图像的三维数据结构,利用了空间与光谱维度的关联性,还充分挖掘了图像局部的空间相关性。与现有的张量分析法相比,这种分块处理方法克服了图像的整体空间相关性较弱以及子空间维度的设定对降维效果的负面影响。只要子空间维度小于子张量维度,所提议的分块算法就能取得较好的降维效果,其分类精度远远高于不分块的算法,从而无需借助原本就不可靠的子空间维度估计法。仿真和真实数据的实验结果表明,所提议分块低秩张量分析算法明显地表现出较好的降维效果,具有较高的分类精度。     

Dimensionality Reduction for Hyperspectral Data Based on Sample-Dependent Repulsion Graph Regularized Auto-encoder

To achieve high classification accuracy of hyperspectral data, a dimensionality reduction algorithm called Sample-dependent repulsion graph regularized auto-encoder (SRGAE) is proposed. Based on the sample-dependent graph, by applying the repulsion force to the samples from different classes but nearby, a sampledependent repulsion graph is built to make the samples from the same class will be projected to samples that are close-by and the samples from different classes will be projected to samples that are far away. The sampledependent repulsion graph can avoid the neighborhood parameter selection problem existing in the nearest neighborhood graph. By integrating advantages of deep learning and graph regularization technique, the SRGAE can maintain the learned deep features are consistent with the inherent manifold structure of the original hyperspectral data. Experimental results on two real hyperspectral data show that, when compared with some popular dimensionality reduction algorithms, the proposed SRGAE can yield higher classification accuracy.     

一种新的基于目标检测的波段选择方法

针对现有的高光谱遥感波段选择方法应用于目标检测时效果不高的问题,提出了基于目标检测的波段选择方法两步波段选择（Two Step Band Selection,TSBS）方法。该方法首先应用典型波段选择方法对高光谱波段进行初选;然后根据波段逐一累积后不同波段组合的目标检测效果,对初选波段进行再次选择,最终得到目标检测效果更好的波段组合。该方法不仅继承了典型波段选择方法的优点,而且直接基于目标检测的效果选择波段,应用针对性强,方法简单易行。实验结果表明:TSBS方法在高光谱数据波段选择方面具有较好的普适性,能够在实现数据降维的同时,有效改善目标检测的效果。     

基于FPGA的高光谱图像奇异值分解降维技术

为了解决高光谱图像维数高、数据量巨大、实时处理技术实现难的问题,提出了高光谱图像实时处理降维技术.采用奇异值分解(SVD)算法对高光谱图像进行降维,又在可编程门阵列(FPGA)芯片中针对这一算法划为自相关模块、特征求解模块、特征提取模块和降维实现模块4个模块进行编程实现、仿真和验证.仿真结果表明,高光谱图像降维后数据量为降维前的1/3,而降维后的分类像素点误差为0.2109%,证明了奇异值分解算法进行高光谱图像降维算法的有效性.