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。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

高光谱空间降采样独立成分特征分离

提出一种空间降采样独立成分特征分离方法,用于缩短独立成分分析(ICA)法在高光谱图像特征分离时的运算时间。该方法通过对高光谱图像的二维像素空间进行网格划分得到较小的窗口;基于光谱相似性测度法度量每个窗口中中心像素与周围像素的距离。然后舍弃这段距离小于阈值的周围像素,而将大于阈值的周围像素和中心像素作为样本量进行FastICA,获取投影矩阵变换原始数据,得到特征分离的ICA成分。对比了传统ICA与空间降采样(SDS)ICA(SDS_ICA)的性能,研究了降采样阈值参数、降采样窗口参数及初始投影矩阵对SDS_ICA特征分离性能及运行时间的影响。实验结果表明:应用SDS_ICA时,仅设置适中的阈值和不敏感的窗口大小参数,就能保持与传统ICA相近的特征分离性能,运行时间减少了30%以上。该方法适合应用于高光谱准实时特征提取、数据降维及目标探测等领域。     

基于内容的高光谱图像无损压缩

提出了一种基于内容的高光谱图像无损压缩算法.采用自适应波段选择算法对高光谱图像进行降维,引入G-means算法对降维后的光谱矢量进行无监督分类.利用单调后向排序算法确定波段的预测顺序,并根据相邻波段的相关系数大小进行自适应波段分组.针对每一类地物,选取类内部分像素进行最优预测系数的训练,采用多波段线性预测的方案去除同类像素的谱间相关性,预测残差进行JPEG-LS无损压缩.对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验,并与未进行分类预测的算法比较.结果显示,提出的算法的平均压缩比分别提高约0.11和0.7,验证了该算法在无损压缩方面的有效性.     

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。     

利用高斯混合模型的多光谱图像模糊聚类分割

针对传统分割算法难以实现高分辨率多光谱图像分割的问题,本文提出一种利用高斯混合模型的多光谱图像模糊聚类分割算法。该算法采用高斯混合模型定义像素对类属的非相似性测度,由于该算法具有高精度拟合数据统计分布能力,故可以有效剔除噪声对分割结果的影响。同时,引入隐马尔科夫随机场(Hidden Markov Random Field,HMRF)定义邻域作用的先验概率,并将其作为各高斯分量权值以及KL(Kullback-Leibler)信息中控制聚类尺度的参数,从而增强了算法对复杂场景遥感图像的鲁棒性,进一步提高了算法的分割精度。对模拟图像和高分辨多光谱图像分割结果进行了定性定量分析。实验结果表明:模拟图像的总精度达96.8%以上。这验证了本文算法在分割高分辨率多光谱图像时具有保留细节信息的能力,而且也证实了算法的有效性和可行性。该算法能够实现高分辨率多光谱图像的精确分割。     

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。     

面向色彩再现的多光谱图像非线性降维方法

针对多光谱图像数据维数高导致图像色彩再现过程中数据处理复杂度高的问题,提出一种多光谱图像非线性降维方法.首先根据人眼视觉系统特征,用CIE标准观察者色匹配函数对源光谱进行加权,对加权光谱采用主成分分析(PCA)方法降维来提高降维的色度精度及光照变换时的色差稳定性;然后针对因色匹配函数加权降维引起的光谱损失,采用PCA方...     

基于滤光轮双相机系统的高光谱分辨率成像

滤光轮光谱成像系统在光谱成像领域应用广泛,空间分辨率高,但是光谱分辨率较低。针对这一问题,提出了基于滤光轮双相机系统的高光谱分辨率成像,设计了一种基于插分补偿的多光谱计算重构方法,实现系统的高光谱分辨率、高空间分辨率成像。首先利用滤光轮双相机成像系统采集多光谱图像以及RGB图像,然后从多光谱图像获取离散的光谱响应曲线,最后根据RGB三通道数据与光谱高维数据之间的映射关系以及能量守恒定理,进行光谱响应曲线的插分补偿并实现高光谱分辨率成像。实验结果表明,本文方法能够在保持空间分辨率的情况下,高效地实现光谱分辨率为5 nm甚至更高光谱分辨率的成像,重建结果与真实值的均方根误差为0.017 1,具有较好的准确性和鲁棒性。     

面向领域自适应的部分最优传输高光谱图像分类

针对高光谱遥感图像分类时有标注的源域训练数据与无标注目标域数据分布不一致的问题,提出基于部分最优传输的无监督领域自适应方法,实现对处于不同数据分布的高光谱遥感地物像素级分类。利用深度卷积神经网络将样本映射到潜在高维空间,根据部分最优传输理论建立样本传输方案,最小化域间分布差异,构建适配模型。采用类感知采样技术和质量分数因子自适应调整策略,促进域间类别对齐,建立全局最优传输。在两组公开高光谱遥感图像数据集上进行实验,从总体分类精度OA（%）、类别平均分类精度AA（%）、分类一致性检验Kappa（×100）等3个评价指标对像素分类结果量化比较。实验结果显示,在两组迁移任务上,相较于仅使用源域数据的基线模型,总体分类准确率分别提升2.21%和2.75%,相较于原始最优传输策略提升1.71%和2.01%,表明模型能够有效提升高光谱遥感影像中像素级地物的分类精度。     

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。     

基于DMOLPP的间歇过程在线故障检测

为了保持过程数据集的局部结构,确保数据投影后的投影向量正交,降低数据误差重构方面的难度,提出了一种基于动态多向正交局部保持投影(DMOLPP)进行间歇过程故障检测的方法。该方法将滑动窗口技术和正交局部保持投影(OLPP)相结合用于间歇过程在线检测。首先,将批次数据展开成二维数据,利用滑动窗口技术分别在时间片内运用OLPP算法提取能表征过程正常数据内在局部近邻结构的特征;然后,对于新来批次数据标准化处理后分别在相应窗口内投影,提取特征向量;最后利用核密度估计(KDE)确定控制限进行过程检测。通过仿真结果表明,运用DMOLPP算法检测到故障发生的时刻早于动态多向局部保持投影(DMLPP)、动态多向邻域保持嵌入(DMNPE)方法。与动态多向主元分析(DMPCA)相比,具有较低或者无误报时刻,验证了该方法的有效性。     

Bearing performance degradation assessment using locality preserving projections and Gaussian mixture models

The sensitivity of various features that are characteristics of machine performance may vary significantly under different working conditions. Thus it is critical to devise a systematic feature extraction (FE) approach that provides a useful and automatic guidance on using the most effective features for machine performance prediction without human intervention. This paper proposes a locality preserving projections (LPP)-based FE approach. Different from principal component analysis (PCA) that aims to discover the global structure of the Euclidean space, LPP is capable to discover local structure of the data manifold. This may enable LPP to find more meaningful low-dimensional information hidden in the high-dimensional observations compared with PCA. The effectiveness of the proposed approach for bearing defect and severity classification is evaluated experimentally on bearing test-beds. Furthermore, a novel health assessment indication, Gaussian mixture model (GMM)-based negative log likelihood probability (NLLP) is developed to provide a comprehensible indication for quantifying bearing performance degradation. The proposed approach has shown to provide better performance than using regular features (e.g., root mean square (RMS)). The experimental results indicate potential applications of LPP-based FE and GMM as effective tools for bearing performance degradation assessment.     

用于分类的样本保局鉴别分析方法

针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题,结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法.该方法通过分别构造每个样本的类内近邻图和类外近邻图,并将所有样本的类内近邻图和类外近邻图结合起来,形成了所有样本的类内近邻和类外近邻关系.然后,在使所有样本的类内近邻尽可能地聚集在一起的同时使...     

Fault Diagnosis Model Based on Feature Compression with Orthogonal Locality Preserving Projection

Based on feature compression with orthogonal locality preserving projection(OLPP),a novel fault diagnosis model is proposed in this paper to achieve automation and high-precision of fault diagnosis of rotating machinery.With this model,the original vibration signals of training and test samples are first decomposed through the empirical mode decomposition(EMD),and Shannon entropy is constructed to achieve high-dimensional eigenvectors.In order to replace the traditional feature extraction way which does the selection manually,OLPP is introduced to automatically compress the high-dimensional eigenvectors of training and test samples into the low-dimensional eigenvectors which have better discrimination.After that,the low-dimensional eigenvectors of training samples are input into Morlet wavelet support vector machine(MWSVM) and a trained MWSVM is obtained.Finally,the low-dimensional eigenvectors of test samples are input into the trained MWSVM to carry out fault diagnosis.To evaluate our proposed model,the experiment of fault diagnosis of deep groove ball bearings is made,and the experiment results indicate that the recognition accuracy rate of the proposed diagnosis model for outer race crack、inner race crack and ball crack is more than 90%.Compared to the existing approaches,the proposed diagnosis model combines the strengths of EMD in fault feature extraction,OLPP in feature compression and MWSVM in pattern recognition,and realizes the automation and high-precision of fault diagnosis.     

随机采样子空间保局投影人脸识别算法

在模式识别中,融合多个有差异且互补的弱分类器进行识别,可以提高系统的识别精度及稳定性。Bagging、Boosting和随机子空间等弱学习方法是常用的弱分类器融合方法。本文针对单一保局投影算法分类识别能力弱的问题,提出了一种随机采样子空间保局投影算法。该算法在对训练样本的主元子空间进行随机采样的基础上,利用保局投影得到了多个既有差异且又互补的保局投影子空间;测试样本被分别投影到这些保局投影子空间上,然后利用最近邻分类器进行分类识别,最后根据多数投票原则融合多个子空间上的分类结果来确定样本所属类别。在FERET人脸图像子库上的实验表明,随机采样子空间保局投影算法有效地融合了各LPP投影空间的互补信息,可以显著地提高人脸识别的精度。     

基于像素分类的自适应SAR图像融合算法

提高纹理清晰度、保护边缘信息是合成孔径雷达（SAR）图像融合的重要目标。针对该问题,提出了一种基于像素分类的自适应SAR图像融合算法。首先使用canny算子提取图像的边缘并分类,然后利用混合高斯模型和隐马尔可夫树模型对小波系数进行建模;在此基础上使用EM算法求得模型参数,并进一步得到隐状态的概率,也就确定了小波系数的混合高斯分布;接着对两个待融合小波系数不同的类型组合采用不同的融合策略,并以隐状态概率加权;最后通过小波反变换、边缘分类增强获得融合以后的图像。实验结果表明,和传统的融合算法相比,该算法取得了更好的融合效果。     

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。     

一种邻域保持判别嵌入人脸识别方法

邻域保持嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构信息的能力。为了进一步提高NPE的性能,本文提出了一种邻域保持判别嵌入(NPDE)算法,并将其用于人脸识别。在NPDE算法中引入了数据集的判别信息,在保持局部邻域结构信息的同时,具有更强的判别力。在Yale和ORL人脸数据库上的实验结果表明,本文提出的NPDE用于人脸识别具有较高的识别率。