基于深度学习的高光谱影像分类方法研究

针对高光谱影像分类方法精度不足的问题,提出一种基于空间-频谱变换（Spectral-Spatial Transformer,SST）网络的高光谱影像分类方法。首先,将高光谱影像预处理为一维特征向量。然后,设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%,表明此方法具有较高的分类精度,为高光谱影像分类及应用提供了一种新方案。     

基于空谱联合的高光谱图像分类方法现状与展望

高光谱成像技术在近十几年里实现了飞跃式的发展。高光谱图像分类的应用受到广泛关注,其分类精度的提升是当前研究的重点。高光谱图像分类是利用不同地物的诊断性吸收特征区分地物类别。传统的高光谱图像分类仅利用图像的光谱特征,分类效果不明显。近些年的研究表明,同时分析地物光谱特征和空间分布能有效提升分类精度。首先总结了众多空谱联合分类方法,依据空谱信息融合阶段的不同,将空谱联合分类分为预处理的分类、综合处理的分类和后处理的分类,简要介绍了深度学习在空谱联合分类中的实现方法,最后对空谱联合分类的研究前景进行了展望。     

一种基于可变形卷积的高光谱图像分类算法

随着深度学习的不断发展,基于深度学习的机器 视觉方法被广泛应用,其中,卷积神 经网络(convolutional neural network,CNN)对高光谱图像(hyperspectral imagery,HSI ) 分类有着显著的效果。传统卷积网络中卷积核的采样位置是固定的,不能根据HSI中复杂的 空间结构而改变,忽略了数据在空间分布上的特征,为了提高高光谱图像分类在实际应用中 的性能,本文提出了一种基于可变形卷积的高光谱图像分类方法,考虑到HSI高维度的特性 , 将可变形卷积从2D引伸到3D,从而更好地提取3D空间上的特征。本文结合双分支双注意机制网络(double- branch dual-attention mechanism network,DBDA)的网络结构和3D可变形卷积,在Indi an Pines(IP)和Botswana(BS)2个数据集上进行了实验。实验结果表明,本文的方法在 综合精度(overall accuracy, OA) 、平均精度(average accuracy, AA)、KAPPA评价标准上均获得了更好的分类准确 率,相较于次优算法,OA提高了0.15%—0.23%,AA提高了0.21%, KAPPA提高了0.000—0.001。     

深度学习理论的高光谱激光雷达弱信号检测

为了精准检测弱信号并确定其类型,提出深度学习理论的高光谱激光雷达弱信号检测方法。采用小波多分辨率分析法去除高光谱激光雷达回波信号中噪声,利用分数域傅里叶变换法搜索分数域,将之作为高光谱激光雷达弱信号的分数域包络曲线特征向量,利用深度信念网络学习高光谱激光雷达弱信号特征,完成弱信号检测及类别识别。实验结果表明：本方法高光谱激光雷达信号去噪后信号具有最大信噪比、最小均方差;可实现高光谱激光雷达弱信号检测,检测精度达到95%以上,并可分类弱信号类别,检测性能突出。     

高光谱遥感图像分类算法的研究

现如今高光谱图像分类广泛应用于遥感图像的分析。高光谱图像像素级分类是利用高光谱图像的主要特点——丰富的光谱信息,对地面物体进行逐像素的高精度类别划分。通过对高光谱遥感图像独特的高光谱信息分析,从算法研究方面,对目前高光谱图像的像素级分类的研究进展和对今后的研究方主要从辅助方法、机器学习方法、深度学习方法三个方面总结高光谱图像分类领域的研究现状。未来高光谱分类算法的发展方向将更好的结合高光谱图像的特性,形成完整的深度学习系统。     

基于模式识别技术的高光谱图像分类研究

针对当前高光谱图像分类方法图像特征向量应用环节设定较为落后,导致分类精度差,无法获取完整图像分类结果的问题,提出基于模式识别技术的高光谱图像分类方法。采用加权平均法,完成高光谱图像预处理,使用多尺寸局部二值法,提取高光谱图像特征向量,确定不同类型光谱信息的联合分布密度,结合模式识别技术,完成高光谱图像分类。通过总体图像分类精度、平均图像分类精度以及kappa系数对此方法的应用效果进行评估,结果表明,本方法精度较高均在96%以上,且kappa系数超过0.9,可缓解当前方法在应用过程中出现的问题。     

一种新的高光谱图像分类方法

基于像元波谱曲线特征提取进而利用所提取的特征进行分类是高光谱图像分类的重要研究内容。提出了一种基于傅里叶变换幅度谱的高光谱遥感图像分类新方法,也就是利用像元渡谱曲线傅里叶变换幅度谱最值单一特征实现对地物的分类识别。     

基于3D卷积联合注意力机制的高光谱图像分类

由于高光谱图像存在较高的数据维数,会给分类过程带来一些困难。为了提高分类的准确率,提出了一种使用3D卷积联合注意力机制的高光谱图像分类方法。首先,将中心像素与周围相邻的其它像素进行配对,可以通过配对构成多组新的像素对,充分利用了像素之间的邻域相关性。接着,将像素对放入3D卷积联合注意力机制网络框架中进行分类,它能够对高光谱图像中的特征进行选择性的学习。最后,通过投票策略获得像素标签。实验是在两个真实的高光谱图像数据集上进行。结果表明,所提出的方法充分挖掘了高光谱图像的光谱空间特征,能有效地提高分类精度。     

针对高光谱图像的目标分类方法现状与展望

进入21世纪,遥感技术成为一项非常重要的空间成像技术。高光谱图像分类是遥感技术应用中非常重要的一项研究内容,在民用和军用上都实现了应用。高光谱图像分类是通过给每个像元添加分类标签,最终达到区分地物并且识别目标的目的。本文简要阐述了高光谱图像的分类过程及其面临的主要问题;在总结前人研究的基础上归纳了4类主要的高光谱图像分类策略,简要分析了其优缺点及适用范围;分析了近年来出现的新型分类器及其优化方法。最后,对于高光谱图像分类研究存在的主要困难进行了总结,并对未来发展的方向进行了展望。     

高光谱图像分类的全面加权方法研究

像元分类是高光谱数据分析的最基本、最重要内容之一,而基于支持向量机(SVM)的分类方法以其高效性得以广泛使用.原始的SVM分类模型中并没有体现出样本、特征、类别对于分类或分析的不同重要性,从而影响了处理效果.为此,将各样本偏离其类中心的距离映射为样本加权系数;将类内散度矩阵应用于特征加权方法;将SVM方程系统中的单位矩阵对角元素加以调整来完成类别加权.不同加权方法既可以单独使用也可以联合使用.实验表明,所提出的加权方法有助于进一步提高高光谱图像的分类效果.     

基于三维残差网络和虚拟样本的高光谱图像分类方法研究

利用高光谱数据所包含的丰富信息,可以实现对地物的精细准确分类和目标检测。目前,深度学习方法已应用于高光谱图像的分类,但是高光谱图像的维度高和样本少,仍然是对目标精确分类的瓶颈。残差网络通过从输入到输出添加跳跃连接,可以更方便地优化参数并提取更多功能信息。文中提出一种基于三维残差网络的分类方法,利用三维卷积核同时获取高光谱图像的空间和光谱信息。为了减少网络对参数初始化的依赖并在一定程度上提高模型的泛化能力,文中使用批量归一化方法来优化网络。同时,为了解决训练样本不足的问题,还提出引入虚拟样本以增加样本数量。通过在真实的高光谱图像上进行实验验证,证明所提方法在高光谱图像分类方面具有一定的应用前景。     

利用残差生成对抗网络的高光谱图像分类

针对高光谱图像分类过程中存在的标记样本需求量大和分类精度要求高等问题,提出了一种利用残差生成对抗网络（GAN）的高光谱图像分类方法。该方法以生成对抗网络为基础,使用包含上采样层和卷积层构成的8层残差网络替换生成器的反卷积层网络结构,提高数据的生成能力,使用34层残差卷积网络替换判别器的卷积层网络结构,提高特征提取能力。以Pavia University、Salinas及Indian Pines数据集为实验数据,将所提方法与GAN、CAE-SVM、2DCNN、3DCNN、ResNet进行了比较。实验结果表明,所提方法在总体分类精度、平均分类精度和Kappa系数上均有显著提高,其中总体分类精度在Indian Pines数据集上达到了98.84%,较对比方法分别提高了2.99个百分点、22.03个百分点、12.91个百分点、4.99个百分点、1.79个百分点。所提方法在网络中加入残差结构,增强了浅层网络与深层网络的信息交流,可提取高光谱图像的深层次特征,提高了高光谱图像分类的精度。     

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.     

基于改进马尔科夫分类模型的高光谱图像分类方法

文章提出了一种基于改进马尔科夫分类模型的高光谱图像分类方法。文中具体阐述了该分类模型的具体实现流程。首先通过子空间模型将高光谱图像投影到低维的子空间中,对图像进行预分类,然后结合改进的马尔科夫分类模型对预分类结果进行细化,实现了对高光谱图像的分类。     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...