3D密集全卷积的高光谱地物分类算法研究

针对高光谱遥感图像训练样本较少、光谱维度较高、空间特征与频谱特征存在差异性而导致高光谱地物分类的特征提取不合理、分类精度不稳定和训练时间长等问题,提出了基于3D密集全卷积（3D-DSFCN）的高光谱图像（HSI）分类算法。算法通过密集模块中的3D卷积核分别提取光谱特征和空间特征,采用特征映射模块替换传统网络中的池化层和全连接层,最后通过softmax分类器进行分类。实验结果表明,基于3D-DSFCN的HSI分类方法提高了地物分类的准确率、增强了低频标签的分类稳定性。     

基于一类支持向量机的高光谱影像地物识别

高光谱遥感影像具有丰富的光谱信息,在地物识别方面具有明显的优势。一类支持向量机(OCSVM)不仅保留了支持向量机的原有优势,而且只需要待识别类型的训练样本。为此提出了算法,通过数学模型选择、核函数设计与参数的自适应调整将OCSVM原理融入到高光谱影像的地物识别算法中,提高了识别的精度,降低了对训练样本的要求。最后利用两幅高光谱影像进行了实验分析,实验结果证明了所提算法的有效性。     

高光谱遥感数据挖掘若干基本问题的研究

面向高光谱遥感信息的特点，分析了高光谱遥感数据挖掘的形成和作用，在构建其框架体系与处理流程的基础上。探讨了可以发现的知识类型和典型的挖掘模式，并分析了一些主要挖掘算法和关键技术。最后对高光谱遥感数据挖掘潜在的应用方向进行了探讨。     

高光谱遥感数据光谱特征提取算法与分类研究

针对高光谱数据的特点,探讨了高光谱数据特征提取的若干算法,重点研究了导数光谱和光谱编码技术,并从地物光谱曲线中提取了其光谱吸收特征.对同类曲线特征求交得到识别地物的有效特征;对不同类曲线特征求交得到区分不同类地物的有效特征.最后基于提取的特征建立了地物识别决策树,从而达到快速识别分类地物的目的,能够实现依据地物光谱特征的地物识别与分类.     

基于direct LDA的高光谱遥感影像地物分类

针对高光谱遥感影像的降维问题,提出一种高光谱影像地物分类方法:direct LDA子空间法。先采用直接线性判别分析(direct linear discriminant analysis, direct LDA)进行特征提取,然后在特征子空间中采用最短距离分类器进行地物分类。机载可见光/红外成像光谱仪(airborne visible/infrared imaging spectrometer,AVIRIS)的高光谱影像识别结果表明,该方法相比LDA子空间法和原空间法,可显著降低数据维数,提高识别率。     

核Direct LDA子空间高光谱影像地物分类

为降低高光谱影像的数据维数,提高地物分类识别效率,提出了一种地物分类方法——核直接线性判别分析(Kernel Direct Linear Discriminant Analysis,KDLDA)子空间法;并推导出类先验概率的一般形式下KDLDA的解。KDLDA子空间法先采用KDLDA提取遥感影像的非线性可分特征,然后在KDLDA子空间采用最小距离分类器进行分类识别。机载可见光/红外成像光谱仪(Airborne Visible/Infrared Imaging Spectrometer,AVIRIS)的高光谱影像识别结果表明,相比原空间法、LDA子空间法、直接线性判别分析(Direct Linear Discriminant Analysis,DLDA)子空间法、核线性判别分析(Kernel Linear Discriminant Analysis,KLDA)子空间法,KDLDA子空间法可显著提高识别效率。     

高光谱遥感分类方法研究

高光谱遥感是近二十年发展起来的遥感前沿技术。本文探讨了高光谱遥感分类方法,比较分析各种方法与传统方法的优缺点。     

多标签高光谱图像地物分类

目的 在高光谱地物分类中,混合像元在两个方面给单标签分类带来了负面影响：单类地物在混入异类地物后,其光谱特征会发生改变,失去独特性,使类内差异变大;多类地物在混合比例加深的情况下,光谱曲线会互相趋近,使类间差异变小。为了解决这一问题,本文将多标签技术运用在高光谱分类中。方法 基于高光谱特性,本文将欧氏距离与光谱角有机结合运用到基于类属属性的多标签学习LIFT（multi-label learning with label specific features）算法的类属属性构建中,形成了适合高光谱多标签的方法。基于标签地位的不相等,本文为多标签数据标注丰度最大标签,并在K最近邻KNN（k-nearest neighbor）算法中为丰度最大的标签设置比其余标签更大的权重,完成对最大丰度标签的分类。结果 在多标签分类与单标签分类的比较中,多标签表现更优,且多标签在precision指标上表现良好,高于单标签0.5% 1.5%。在与其余4种多标签方法的比较中,本文多标签方法在2个数据集上表现最优,在剩余1个数据集上表现次优。在最大丰度标签的分类上,本文方法表现优于单标签分类,在数据集Jasper Ridge上的总体分类精度提高0.2%,混合像元分类精度提高0.5%。结论 多标签分类技术应用在高光谱地物分类上是可行的,可以提升分类效果。本文方法根据高光谱数据的特性对LIFT方法进行了改造,在高光谱多标签分类上表现优异。高光谱地物的多标签分类中,每个像元多个标签的地位不同,在分类中可以通过设置不同权重体现该性质,提升分类精度。     

基于异质多视图主动学习的高光谱地物分类

高光谱遥感影像具有多源异质的属性特征,也面临着训练样本少、标记代价大的困难。拟提取空间形状、纹理等多种属性特征来构建多视图,开展基于异质多视图主动学习的高光谱地物分类研究。主要解决两个问题:1)提出一种新的基于多视图后验概率差异最小(MPPD)的样本查询策略。每个视图根据多元逻辑回归分类器预测样本的类别条件概率;根据全概率公式计算多视图下每个样本的后验概率;挑选后验概率差异最小的样本作为信息含量最大的样本。2)提出一种基于空间多尺度形状结构、以及纹理特征的异质多视图的构建方式。实验结果表明,提出的算法能够加快学习函数的收敛速度,以少量的信息含量大的标记样本来提高学习器的预测性能。     

基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（ Karhunen-Loeve Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Trtmcation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

高光谱数据特征选择与特征提取研究

高光谱遥感数据的最主要特点是: 传统图像维与光谱维信息融合为一体, 即“图谱合一”。针对高光谱数据波段多、数据量大、冗余度大等特点, 论述了特征选择和特征提取的若干算法, 分析了各自的优缺点。重点研究了导数光谱算法, 并针对二值编码的不足研究了其改进算法-- 四值编码算法。最后用编码技术和导数光谱技术提取了地物的光谱特征参数; 试验表明: 四值编码算法比二值编码算法效果更佳; 光谱导数阶数越高, 对地物特征的表达越有效。     

基于NMI特征的目标识别与跟踪

本文提出一种全新的图像分割方法——连通线多级切割方法，并在此基础上建立图像NMI特征的目标识别与跟踪算法。文章给出了运用连通线多级切割方法实现阈值求取、图像分割、目标识别与跟踪的技术技巧。通过实验验证了NMI特征的缩放不变性、旋转不变性和平移不变性以及不同物体的NMI特征差异，表明本文算法具有良好的实时性和精确的目标识别与跟踪效果。     

基于Adaboost-CSHG的特定类目标跟踪识别

目标跟踪识别是计算机视觉领域的热点研究对象。首先采用基于Adaboost的目标检测算法,训练得到了特定类目标坦克模型的级联分类器,对图像中的坦克目标完成了 “粗检测”;通过构建类属超图(CSHG)模型,采取Adaboost与CSHG相结合的方式,有效滤除了大量虚警,实现了对坦克目标的“精检测”,同时完成了对目标的跟踪;最后利用基于类属超图的目标识别原理对目标进行识别,实验结果表明该方法在简单背景和复杂背景图像条件下均具有可行性。     

利于目标识别的高光谱影像波段选择方法

遥感图像数据量大、波段数目多、信息冗余多等特点给图像的进一步解译带来了困难.为了解决这个问题,在使用相邻波段间的互信息量与全部波段间的相关系数矩阵相结合的方法对波段进行分组的基础上,运用波段指数和光谱角制图算法,提出了针对某个感兴趣目标的波段选择方法.首先对校正后的全部有效波段进行分组(划分子空间),然后提取出各个子空间中指数最大的波段,最后依据地物光谱可分性选取最佳的波段组合.通过试验及与常见的波段选择方法进行比较的结果显示,所提方法目标提取效果明显.     

Hierarchical Fusion of Multiple Classifiers for Hyperspectral Data Analysis

Many classification problems involve high dimensional inputs and a large number of classes. Multiclassifier fusion approaches to such difficult problems typically centre around smart feature extraction, input resampling methods, or input space partitioning to exploit modular learning. In this paper, we investigate how partitioning of the output space (i.e. the set of class labels) can be exploited in a multiclassifier fusion framework to simplify such problems and to yield better solutions. Specifically, we introduce a hierarchical technique to recursively decompose a C-class problem into C_1 two-(meta) class problems. A generalised modular learning framework is used to partition a set of classes into two disjoint groups called meta-classes. The coupled problems of finding a good partition and of searching for a linear feature extractor that best discriminates the resulting two meta-classes are solved simultaneously at each stage of the recursive algorithm. This results in a binary tree whose leaf nodes represent the original C classes. The proposed hierarchical multiclassifier framework is particularly effective for difficult classification problems involving a moderately large number of classes. The proposed method is illustrated on a problem related to classification of landcover using hyperspectral data: a 12-class AVIRIS subset with 180 bands. For this problem, the classification accuracies obtained were superior to most other techniques developed for hyperspectral classification. Moreover, the class hierarchies that were automatically discovered conformed very well with human domain experts’ opinions, which demonstrates the potential of using such a modular learning approach for discovering domain knowledge automatically from data. Received: 21 November 2000, Received in revised form: 02 November 2001, Accepted: 13 December 2001     

基于光谱分类的超光谱数据压缩方法

提出了一种基于光谱分类的超光谱图像数据压缩新方法：通过光谱分类把原先的三维遥感图像数据转化为一个分类表和一个光谱表,实现数据压缩。由于光谱分类的精度直接影响压缩和恢复图像的效果,重点比较和研究了三种光谱分类的方法：最大值法,欧氏距离法和小波变换法。实验证明：图像经小波变换法分类压缩后的重建效果最佳,但耗费时间最多;欧氏距离法的重建效果比小波变换法要差一些,所用时间比小波变换法要少的多;最大值法的效果最差,但耗费时间最少。     

数据融合与数据挖掘相集成的自动目标识别系统

该文提出数据融合技术与数据挖掘技术相集成的海上目标自动识别系统体系结构,以及基于加权粗糙集模型的特征知识挖掘方法,并运用模糊神经网络技术进行目标识别。     

一种SAR目标识别综合框架

概括了SAR图像中目标特点,分析了SAR图像目标识别主要采用的方法和存在不足,提出了一种综合的SAR目标识别框架。     

基于独立成分分析和神经网络的高光谱遥感数据分类

高光谱遥感数据以数据量大、含混度高、地面样本数据少的特点给分类处理带来了困难。将独立成分分析技术与多层前向神经网络相结合, 得到一种新的分类算法。独立成分分析在提取有效光谱特征的同时, 大大降低了数据的维数。神经网络作为分类器, 分类精度显著高于传统的bayes 分类器。通过对220 波段的高光谱数据进行实验, 得到了良好的效果。     

心理声学参数提取及其在目标识别中的应用

根据人耳听觉特性,研究了心理声学中人耳识别目标的重要特征参数在目标识别中的应用.针对无线电噪声和舰船辐射噪声,利用Zwicker理论提取心理声学参数中的特性响度和特性尖锐度作为识别特征,通过神经网络分类器分别对这两组噪声各三类进行分类识别研究.实验表明特性响度和特性尖锐度主要反映了目标的振幅特性,可以正确识别目标并具有较高的识别率.是有效的识别特征.由于特性响度和特性尖锐度反映目标的特性相同,利用遗传算法仅对特性响度特征进行优化选择.挑选出特性响度中的分类关键量,降低识别空间的维数,提高识别率.