面向高光谱影像分类的深度流形重构置信网络

鉴于传统深度学习方法只提取了高光谱图像中的深度抽象信息,而未能充分揭示样本之间的局部几何结构关系,限制了分类性能的提升,本文提出了一种新的特征提取网络——深度流形重构置信网络。该网络首先通过深度置信网络提取深度抽象特征,为进一步增强抽象特征的鉴别能力,在图嵌入框架下通过样本数据的邻域点和各邻域的同类近邻重构点来构建类内图和类间图,并在低维空间中分离类间近邻点与其重构点的同时压缩类内近邻点和相应的重构点,实现提取深度鉴别特征,以改善不同类数据的可分性,进而提升地物分类精度。在KSC和MUUFL Gulfport高光谱数据集上的实验结果表明,本文算法的总体分类精度分别达到了94.71%和86.38%。相比较其他算法,本文算法有效提升了地物分类能力,更有利于实际应用。     

面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

加权空-谱与最近邻分类器相结合的高光谱图像分类

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法 ,并将其应用到最近邻分类器(KNN)中,导出了一种新的高光谱图像分类算法。该算法利用高光谱图像的物理特性,通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息,利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上,增大了同类像元间的相似性以及异类像元间的差异性,获得了更为有效的鉴别特征,从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验,结果表明:将提出的WSSD-KNN算法应用于高光谱图像分类时,其分类精度高于其他算法,总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息,提取出了更为有效的鉴别特征,故不仅有效地改善了高光谱数据的地物分类精度,而且可在训练样本较少时,保持较高的识别率。     

面向高光谱影像分类的多特征流形鉴别嵌入

鉴于传统维数约减方法对高光谱遥感影像进行降维时,往往只利用了单一的光谱特征,限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法,该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征,然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构,在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性,而且使同类点尽可能紧致、不同类点远离,实现空-谱联合低维鉴别特征提取,以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明,本文算法的分类精度在不同实验条件下均优于传统的维数约减方法,其分类精度可达95.05%和96.20%,在较少训练样本条件下优势更为明显,有利于实际应用。     

面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络

深度学习已经在高光谱血细胞图像分类中获得广泛应用.然而,传统深度学习模型需要大量标记数据作为样本,忽略了高光谱图像"图谱合一"的性质,不能充分挖掘高光谱图像内蕴信息,且存在参数多、复杂度高问题.针对上述问题,提出了空-谱可分离卷积神经网络(S3CNN),在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能.根据高光谱...     

改进高斯过程回归的高光谱空谱联合分类算法

针对高斯过程回归在高光谱图像分类中计算量较大、分类精度较低等问题,提出一种基于改进高斯过程回归的高光谱空谱联合分类算法。算法以最大方差为指标选取样本的子集缩小高斯过程回归参数求解的计算范围,采用平方根矩阵分解法对新添加样本进行模型结果预测,有效提升运算效率;算法以空间-光谱特征信息为基础,在像元近邻空间中重新定义邻域像元空-谱关联距离,将融入空间近邻信息的空-谱关联距离作为权值来度量邻域像元相似性,加大同类地物归为近邻的概率,从而提高地物分类的精度。在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验,实验结果可知,与其他同类算法横向相比,本文提出的改进算法在总体分类精度、平均分类精度和Kappa系数等评价指标至少提高了2.3%,1.4%和1.07%,与改进前的模型算法纵向对比可知,本文提出的改进算法在取得较高总体分类精度的同时,大幅降低了算法的运行时间。     

高光谱遥感图像空谱联合分类方法研究

在遥感影像研究领域里,高光谱数据分类是一个热点问题。近年来,在这个问题上涌现出很多研究方法,然而,大多数方法都是用浅层的方法提取原始数据的特征。将深度学习的方法引入高光谱图像分类中,提出一种新的基于深信度网络(DBN)的特征提取方法和图像分类架构用于高光谱数据分析。将谱域-空域特征提取和分类器相结合提高分类精度。使用高光谱数据进行实验,结果表明该分类器优于当前的一些先进的分类方法。此外,本文还揭示了深度学习系统在高光谱图像分类研究中具有的巨大潜力。     

加权空谱局部保持投影的高光谱图像特征提取

为了提高高光谱图像的分类精度,有效利用高光谱图像的空间信息和光谱信息对高光谱图像进行预处理,本文提出了一种新的空谱联合特征提取方法,加权空-谱局部保持投影算法(WSSLPP)。该算法结合高光谱图像的物理特性对高光谱图像进行重构,降低了图像中奇异点的干扰;然后对局部像素近邻保持嵌入(LPNPE)和局部保持投影(LPP)的目标函数进行加权求和,有效融合高光谱图像空间维和光谱维的信息来构建投影矩阵。WSSLPP不仅保留了高光谱图像在空间维上像素间的近邻关系,而且保持了在光谱维上样本的固有结构,有利于高光谱图像的分类。在Indian Pines和PaviU数据库上对该算法进行验证分析,结果表明:基于WSSLPP算法得到的分类精度明显高于其他算法,总体分类精度的最大值分别为99.00%,99.50%,有效提高了高光谱图像的分类精度。     

融合空谱-梯度特征的深度高光谱图像去噪

为了去除高光谱图像采集过程中产生的噪声,提升后续图像处理的性能,提出了一种融合空谱-梯度特征的深度高光谱图像去噪方法.它包括空谱特征网络和梯度特征网络,且各网络使用密集跳跃连接和可分离卷积策略进行优化.空谱网络模型实现噪声特征的精确提取,梯度网络模型对噪声纹理特征进行补充,最后基于两个网络的特征提取结果进行融合,实现噪...     

基于空间-光谱字典的不完备高光谱图像重构

提出了一种新的空间-光谱字典学习方法,用于不完备高光谱图像的重构.根据高光谱图像具有丰富的空间和谱间相关性的特点,将高光谱图像分割成三维重叠的小立方体块,从中学习出能够对这些块进行稀疏表示的空间-光谱字典.首先固定字典,用非负正交匹配追踪法计算稀疏系数;然后固定系数,用梯度下降法更新字典,上述两步交替进行直到算法收敛.依据这种分块模型学习出的字典更符合高光谱图像的特点.在谱向上字典原子为物质的光谱反射曲线,在空间向上字典为普通二维空间块字典.最后将字典应用于不完备高光谱图像的重构,实验结果表明,该方法以较低的采样率获得了良好的重构效果.     

基于半监督稀疏鉴别嵌入的高光谱遥感影像分类

为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。     

基于鉴别稀疏保持嵌入的高光谱影像地物分类

在高光谱影像地物分类应用中时常因光谱波段数多而导致"维数灾难"问题,提出了一种鉴别稀疏保持嵌入的维数约简算法。该方法利用稀疏表示的自然鉴别力,分别构建了类内e_1图和类间e_1图;在低维嵌入空间中,保持同类数据的内在稀疏流形结构,同时分离开非同类数据,提取出鉴别特征。DSPE不仅继承了稀疏表示的优点,而且增加了非同类数据间的可分性。在PaviaU和Urban高光谱数据集上的地物分类实验结果表明,该方法的总体分类精度分别提高到87.53%和80.49%。提出的方法能自适应地揭示出数据间的内在关系,更有效地提取出鉴别特征,改善地物分类精度。     

多核融合多尺度特征的高光谱影像地物分类

对于高光谱影像地物分类问题,为更加有效地利用像元空间信息和光谱信息,提高地物分类精度,提出了多核融合多尺度特征的分类方法。首先,通过多尺度空间滤波和PCA白化,提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征,在分类器内实现特征自动融合,根据子核与理想核、子核之间距离求取核组合的权重,使用训练集所构成的字典在特征空间内对待测样本进行线性表示,根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明:对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%,较传统方法明显提高,并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力,并且具有较强的稳定性和鲁棒性。     

利用区域增长技术的自适应高光谱图像分类

针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。     

基于卷积神经网络的光学遥感图像检索

提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先,通过多层卷积神经网络对遥感图像进行卷积和池化处理,得到每幅图像的特征图,抽取高层特征构建图像特征库;在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后,借助Softmax分类器在图像检索阶段对查询图像引入类别反馈,提高图像检索准确度,并根据查询图像特征和图像特征库中特征向量之间的距离,按相似程度由大到小进行排序,得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验,结果显示:针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约98.4%,增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%;类别信息的引入有效提高了遥感图像的检索速度和准确度,检索时间减少了约17.6%;与颜色、纹理、词袋模型的对比实验表明,利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。