多指标混合逐次投影高光谱图像降维算法

降维对于高光谱图像解译具有重要意义。基于二阶统计量分析的经典主成分分析方法在降维过程中会丢失小目标信号。为解决这一问题,本文中引入高阶统计量作为投影指标对主成分分析方法进行拓展,提出了一种基于不同统计量描述的混合逐次投影的高光谱图像降维算法。该方法在保持主成分分析优点的同时,有效结合了非正交向量投影的特点,可以在降维后的低维空间中保留异常信号成分。真实高光谱图像数据的实验结果证明,该方法相对于主成分分析可以提取更加完整的低维信号子空间。     

利用独立成分分析的高光谱图像波段选择方法

提出一种适合目标探测的基于独立成分分析(ICA)的高光谱图像波段选择方法。首先进行"虚拟维"(VD)估计以确定重要独立成分个数,同时对FastICA生成的独立成分排序,选择排序靠前的几个独立成分作为重要独立成分;再根据波段对重要独立成分的平均贡献量对波段排序;最后使用光谱相似性度量去除排序后的冗余波段,保证了最终波段子集含有较多的目标信息。对AVIRIS获取的两幅真实高光谱图像进行了目标探测实验,结果表明,文中方法优于另外两种基于二阶统计特性的波段选择方法,其选出的波段分别占据全部波段的12%和3%,目标探测算子自适应余弦估计(ACE)和自适应匹配滤波(AMF)其上的探测率较全波段分别提高了30%和15%。     

基于二维主分量分析的光谱数据降维方法

高维数据处理是天体光谱自动处理的重要组成部分。提出一种基于二维主分量分析的光谱数据降维方法,通过构造主分量空间将分散在一组变量上的高维光谱数据投影到2个主成分上,得到二维坐标;每一个主成分都是原始变量的线性组合,主成分之间互为正交关系,在剔除冗余信息的同时,通过主成分分析的降维,解决光谱数据的存储和处理问题。     

高光谱图像基于像素结构的改进PCA算法

主成分分析法(PCA)作为一种常用的降维算法,被广泛的应用到如高光谱图像处理等需要进行大量数据处理的应用中。PCA的主要目的是利用正交变换,将具有相关性的高维数据的分量转换为线性不相关的新的成分变量,但当矩阵维数超过百万时候会造成严重的计算困难问题。本文针对PCA运算中协方差矩阵计算过程中内存调度的问题,提出了一种基于像素结构的改进的协方差矩阵计算方法,可以在确保与常规PCA具有相同性能的同时有效地降低计算所需的存储器规模。实验中分别采用传统PCA算法和改进算法对高光谱图像数据进行特征提取后利用支持向量机(SVM)进行分类,对比结果验证了改进算法的有效性和可靠性。     

基于非负稀疏图的高光谱数据降维

为减少因大量的光谱信息带来的计算复杂及数据冗余带来的高光谱数据分类性能降低,该文提出一种非负稀疏图降维算法。首先,构建超完备块字典对高维高光谱数据进行非负稀疏表示。然后,根据块非负稀疏表示,分别构建内部非负稀疏图和惩罚非负稀疏图,基于单调递减函数定义边的权重以体现样本间的相似程度。最后,通过同时最大化异类和最小化同类非负稀疏重构样本间的距离,得到从高维到低维的最优映射关系,从而实现对高维高光谱数据的降维。AVIRIS 92AV3C高光谱数据上的实验结果表明,所提算法能以较少的训练样本获得较高的整体分类精度和Kappa系数。     

采用分段行-列核2DPCA的高光谱图像降维

二维主成分方法计算时间少,降维效果好,被成功应用到高光谱图像降维中.基于二维主成分方法,为挖掘高光谱图像的非线性信息,实现了分段行-列核2DPCA方法的降维,并对比分析了行-列2DPCA方法、分段行-列2DPCA方法和行-列核2DPCA方法的降维效果.利用相关性将高光谱图像划分为5个子空间,通过转换数据结构来实现行和列的核2DPCA变换,最后将行和列结果进行融合得到降维结果.降维结果表明,在较高信息保持率情况下,分段行-列核2DPCA方法具有最高的图像清晰度和边缘强度.不同地物像元像素折线图表明,分段行-列核2DPCA方法能更好地区分不同地物,可以很好地应用于地物分类和目标识别.     

一种基于主成分分析的高光谱图像波段选择算法

提出了一种基于主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标，因此，可以保证选择的波段包含原始图像绝大部分信息，而且指标的计算只需要得到原始数据的协方差阵，而不必对原始数据进行真正的主成分变换，极大的降低了计算量。贝叶斯和K-均值分类实验表明．该算法是有效可行的。     

基于图像欧氏距离的高光谱图像流形降维算法

提出两种基于图像欧氏距离的非线性降维方法.该方法利用高光谱图像物理特性, 将图像欧氏距离引入到传统的流形降维算法中.与其它应用于高光谱图像的降维算法相比, 该算法具有诸多优点.图像欧氏距离的引入, 在考虑高光谱图像本身的空间关系的同时, 很好地保持了数据点之间的局部特性, 可以实现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, 该算法应用于高光谱图像分类时, 与其它常见的方法相比具有更高的分类精度.     

基于降维预处理独立分量分析的多用户检测

在由多径传播而产生的快衰落信道中，独立分量分析（ICA）算法产生性能恶化。为了消除这个缺陷，在进行ICA运算前，先对接收数据进行降维预处理。实验结果表明：在接收数据很少时，提出的多用户检测方法的性能大大优于一般的基于独立分量分析的多用户检测的性能，具有更好的实际适用性。     

基于独立分量分析和相关向量机的高光谱数据分类

提出一种独立分量分析（ICA）和相关向量机（RVM）相结合的高光谱数据分类方法,首先采用虚拟维数方法对高光谱数据维数进行估计,在此基础上,采用独立分量分析对数据进行降维,然后采用相关向量机对降维后的数据分类。计算机仿真实验结果表明,该方法在获得较高分类精度的同时大大节省了分类时间。     

Dimensionality reduction for hyperspectral imagery based on fastica

The high dimensions of hyperspectral imagery have caused burden for further processing. A new Fast Independent Component Analysis (FastICA) approach to dimensionality reduction for hyperspectral imagery is presented. The virtual dimensionality is introduced to determine the number of dimensions needed to be preserved. Since there is no prioritization among independent components generated by the FastICA, the mixing matrix of FastICA is initialized by endmembers, which were extracted by using unsu-pervised maximum distance method. Minimum Noise Fraction (MNF) is used for preprocessing of original data, which can reduce the computational complexity of FastICA significantly. Finally, FastICA is performed on the selected principal components acquired by MNF to generate the expected independent components in accordance with the order of endmembers. Experimental results demonstrate that the proposed method outperforms second-order statistics-based transforms such as principle components analysis.     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

基于独立分量分析的多分辨率遥感图像融合算法

研究了目前常用的遥感图像融合方法,提出了基于独立分量分析的多分辨率遥感图像融合方法,分析了用于独立分量分析的目标函数（如峭度、近似负熵和互信息）,给出了独立分量分析的优化快速算法,并详细描述了提取源信息独立分量的具体步骤。最后,将独立分量分析法应用于高分辨率光学图像和低分辨率光学图像的融合,与采用主分量分析法融合的图像相比,图像质量得到很大的提高。     

基于ICA的抗拷贝攻击的数字水印方案

该文提出了一种基于独立分量分析(Independent Component Analysis,ICA)的能有效抵抗拷贝攻击的数字水印方案。该方案将能够唯一描述原始图像的图像签名与数字水印一同嵌入到原始图像中,并采用ICA技术进行检测。通过验证签名,可以判断待测图像是否合法,从而实现抗拷贝攻击的目的。计算机仿真结果证明了该方案的有效性和鲁棒性。     

基于分类和陪集码的高光谱图像无损压缩

在基于陪集码的高光谱图像压缩算法中,由于按照编码块的最大残差确定整块无损压缩所需的码率存在较大冗余,该文提出了基于分类和陪集码的高光谱图像压缩算法。首先利用前一波段对应位置的预测噪声对当前波段编码块的像素进行分类,将具有相似相关性的像素归于一类,然后对每一类像素分别进行陪集码编码。实验表明分类可以有效地降低码率。和基于陪集码的算法相比,该文算法无损压缩的平均码率降低了大约0.4 bpp。     

The fast fixed-point algorithm for speckle reduction of polarimetric SAR image

In this letter, a simple and efficient method of image speckle reduction for polarimetric SAR is put forward. It is based on the fast fixed-polnt ICA (Independent Component Analysis) algorithm of orthogonal and symmetric matrix. Simulation experiment is carried out to separate speckle noise from the polarimetric SAR images, and it indicates that this algorithm has high convergency speed and stability, the image speckle noise is reduced effectively and the speckle index is low. and the image quality is improved obviously.     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

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.     

基于独立成分分析的多时相遥感图像变化检测

变化检测是通过分析多时相遥感图像间的差异实现地物变化信息的提取,而消除多时相遥感图像中的相关性是提取变化信息的一种有效途径。独立成分分析(ICA)作为近年出现的盲源分离技术,能够有效地消除多源信号间的二阶和高阶相关,经其变换的各分量之间相互独立。该文提出一种应用ICA变换实现多时相遥感图像变化检测的算法,首先对多时相多光谱遥感图像进行独立成分分析,得到彼此没有相关信息的独立成分,并且各独立成分图像中的变化信息得到增强;然后通过分析变换后的独立成分实现地物的变化检测。实验结果显示该算法比传统的方法具有更好的性能。