基于改进的局部保持投影高光谱图像分类研究*

针对高光谱图像分类中基于流形的降维方法进行了研究。提出一种改进的局部保持投影（LPP）方法即MLPP方法。该方法利用标签信息避免了传统LPP在邻接图构建中很难确定的邻域大小的选择问题,同时采用更能反映高维数据间相关性的统计特征量相关系数来衡量数据之间的相似程度。设计的权重矩阵既保持类内数据的几何结构,又最大化类间距离。而且MLPP不依赖任何参数和先验知识。在两个高光谱图像上的实验结果表明MLPP增加了不同光谱特征地物之间的可分性,在提高分类性能上明显优于其他传统的降维方法。     

一种新的高光谱遥感图像降维方法

高光谱遥感图像的高数据维给图像进一步处理带来了困难，为了解决这一问题，提出了自适应波段选择(ABS)的降维方法。该方法充分考虑了高光谱图像的空间相关性和谱间相关性，通过计算各个波段的指数来选择信息量大并且与其他波段相关性小的波段。对各波段相应的指数重新排列之后，有两种方法来选择最终波段：一种是选择波段指数比设定指数大的波段，另一种方法是选择波段指数排在前n个的所有波段。为了验证ABS方法的有效性，对降维后的高光谱图像进行了贝叶斯监督分类，分类结果表明自适应波段选择的方法能够选择出信息丰富的波段，分类精度与使用原始波段相比提高10．4％，计算复杂度大大降低。     

基于包络线消除的高光谱图像分类方法研究

在高光谱遥感中,包络线消除法一般仅局限于对单个像元的光谱进行光谱分析,从中提取出有助于分类识别的特征波段。而该文则以包络线消除算法为基础,应用VC++语言编程实现了对整个高光谱图像文件去包络、归一化并且提取出分类的特征空间的功能,并且针对原图像文件和去包络线后的图像文件,比较了应用最大似然分类法和光谱角度匹配法进行分类的结果。     

基于监督局部线性嵌入特征提取的高光谱图像分类

高光谱图像的数据维数高、数据量大、数据间高度冗余等特点给图像分类带来困难,为进行有效降维、提高分类精度,提出了一种监督局部线性嵌入(SLLE)非线性流形学习特征提取方法。SLLE算法根据数据先验类标签信息所给出的新距离寻找数据点的k最近邻(NN),新距离使得类内距离小于类间距离,这使得SLLE算法更有利于分类。高光谱图像数据和UCI数据的分类结果表明了该方法的有效性。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。     

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。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行训练,得到很好的效果。     

遥感高光谱图像赤潮识别

针对遥感拍摄的高光谱图像,研究自动读取高光谱数据,提取并绘制反射率曲线,生成伪彩色图像,此方法可用于溢油识别,同样也可适用于赤潮的识别.利用VC 读取高光谱图像数值并利用MATLAB绘制反射曲线,利用光谱分析进行高光谱赤潮识别.试验结果表明,该方法可以有效的划分赤潮水体和非赤潮、并可以区分出过渡水体,从而为赤潮预报提供了可能.     

基于改进的3D-CNN的高光谱遥感图像地物分类

高光谱遥感影像波段众多,包含丰富的辐射、空间和光谱信息,是多种信息的综合载体,应用广泛.但是传统的高光谱影像地物分类方法多着重于光谱维度的特征提取,却忽略了空间维度上的特征,进而影响了分类的准确性.三维卷积神经网络(Three-dimensional convolutional neural network,3D-CN...     

融合累积变异比和集成超限学习机的高光谱图像分类

目的 高光谱图像具有高维度的光谱结构,而且邻近波段之间往往存在大量冗余信息,导致在随机样本选择策略和图像分类过程中出现选择波段算法复杂度较高和不适合小样本的现象。针对该问题,在集成学习算法的基础上,考虑不同波段在高光谱图像分类过程中的作用不同,提出一种融合累积变异比和超限学习机的高光谱图像分类算法。方法 定义波段的累积变异比函数来确定各波段在分类算法的贡献程度。基于累积变异比函数剔除低效波段,并结合空谱特征进行平均分组加权随机选择策略进行数据降维。为了进一步提高算法的泛化能力,对降维后提取的空谱特征进行多次样本重采样,训练得到多个超限学习机弱分类器,再将多个弱分类器的结果通过投票表决法得到最后的分类结果。结果 实验使用Indian Pines、Pavia University scene和Salinas这3种典型的高光谱图像作为实验标准数据集,采用支持向量机（support vector machine,SVM）,超限学习机（extreme learning machine,ELM）,基于二进制多层Gabor超限学习机（ELM with Gabor,GELM）,核函数超限学习机（ELM with kernel,KELM）,GELM-CK（GELM with composite kernel）,KELM-CK（KELM with composite kernel）和SS-EELM（spatial-spectral and ensemble ELM）为标准检测算法验证本文算法的有效性,在样本比例较小的实验中,本文算法的总体分类精度在3种数据集中分别为98.0%、98.9%和97.9%,比其他算法平均分别高出9.6%和4.7%和4.1%。本文算法耗时在3种数据集中分别为15.2 s、60.4 s和169.4 s。在同类目标空谱特性差异较大的情况下,相比于分类精度较高的KELM-CK和SS-EELM算法减少了算法耗时,提高了总体分类精度;在同类目标空谱特性相近的情况下,相比于其他算法,样本数量的增加对本文算法的耗时影响较小。结论 本文算法通过波段的累积变异比函数优化了平均分组波段选择策略,针对各类地物目标分布较广泛并且同类目标空谱特性差异较大的高光谱数据集,能够有效提取特征光谱维度的差异性,确定参数较少,总体分类效果较好。     

超光谱遥感图像有监督LPP特征提取研究

在局部保留投影(LPP)特征提取算法的基础上,利用样本标签信息提出了一种有监督的局部保留投影算法(SPLPP),该算法的邻接图的权值不仅考虑了LPP算法中的相似性权值,而且加入了监督类的相关权值。SPLPP算法主要步骤是先用PCA去除高维超光谱遥感图像的冗余信息,再把监督机制引入到LPP中,实现图像的特征提取,将高维超光谱遥感图像投影到低维空间中,利于分类。应用SPLPP算法对高维的遥感原始超光谱图像进行特征提取后,利用支持向量机(SVM)和最近邻分类器(KNN)对降维后的遥感图像数据进行分类;并与PCA、LPP、LDA等特征提取算法进行了比较实验。实验表明:结合了LPP局部信息保留能力和全域标签信息的SPLPP算法,有更好的局部信息保留能力和类判别能力,使分类器分类精度更高,分类效果更好。     

基于SSAE深度学习特征表示的高光谱遥感图像分类方法

针对遥感图像中高光谱数据的分类问题,提出一种基于堆叠稀疏自动编码器(SSAE)深度学习特征表示的高光谱遥感图像分类方法。首先,将光谱数据样本进行预处理和归一化。然后,将其输入到SSAE中进行特征表示学习,并通过网格搜索来获得最优网络参数,以此获得有效的特征表示。最后通过支持向量机(SVM)分类器对输入图像特征进行分类,最终实现遥感图像中像素的分类。在两个标准数据集上的实验结果表明,该方法能够实现准确的高光谱地物分类。     

Comparative Study of ELM and SVM in Hyperspectral Image Supervision Classification

Combining the spatial features and spectral feature of hyperspectral remote sensing image in supervised classification can effectively improve the classification time and accuracy.In this study,the spatial information extraction method,named watershed transform,was combined with the Extreme Learning Machine(ELM)and Support Vector Machine(SVM)methods.The classification results of the datasets with the spatial features and without the spatial features were synthetically evaluated and compared.Two hyperspectral datasets,the ROSIS data of Pavia university and the Hyperion data of Okavango Delta(Botswana),were selected to test the methods.After preprocessing,the training samples were selected from the images as the reference areas for each type,and the spectral features of each type were analyzed.The two classification methods were utilized to classify the hyperspectral datasets and relevant classification results were obtained.based on the validation samples selected from the images,the classification results were evaluated using the confusion matrix and the execution times.After that,the spectral features and spatial features were combined to classify the data.The results show that the Extreme Learning Machine(ELM) is superior to the Support Vector Machine(SVM)in the classification time and precision,and the spatial features are introduced in the classification process,which can effectively improve the classification accuracy.     

基于分水岭分割和稀疏表示的高光谱图像分类方法

近年来,高光谱图像的分类受到了广泛的关注。许多机器学习的方法都在高光谱图像上得到了应用,如SVM、神经网络、决策树等。但光谱图像可能存在“同物异谱”和“同谱异物”的情况,这给高光谱图像的精确分类带来了一定挑战。针对该问题,提出了利用分水岭分割得到的空间信息与稀疏表示来得到更精确的分类结果。首先利用分水岭得到图像区域信息,然后以区域为单位,对每个区域的样本进行分类。在两幅图像上对该方法的有效性进行了验证,结果表明该方法优于其它一些同类方法。     

基于纹理特征的矾花图像自动识别方法

为了实现自来水厂沉淀池加料系统的自动控制,针对矾花图像自动识别部分,提出一种采用纹理分析方法,提取矾花图像的纹理特征,然后组合这些特征,构造一种先级联再并联的多分类器组合结构,实现矾花图像的自动识别。实验证明,该算法准确度大、识别率高达97%,可靠性达99%,能满足实际系统的要求。     

基于图像处理的车牌识别系统的研究

对车牌识别系统中的图像预处理算法进行了研究,介绍了车牌识别系统的意义,以及图像去噪处理,图像二值化方法,并通过仿真试验模拟了图像处理的过程。实验证明了文中的图像处理方法用于车牌识别的有效性。     

A hybrid decision support system based on rough set and extreme learning machine for diagnosis of hepatitis disease

Hepatitis is a disease which is seen at all levels of age. Hepatitis disease solely does not have a lethal effect, but the early diagnosis and treatment of hepatitis is crucial as it triggers other diseases. In this study, a new hybrid medical decision support system based on rough set (RS) and extreme learning machine (ELM) has been proposed for the diagnosis of hepatitis disease. RS-ELM consists of two stages. In the first one, redundant features have been removed from the data set through RS approach. In the second one, classification process has been implemented through ELM by using remaining features. Hepatitis data set, taken from UCI machine learning repository has been used to test the proposed hybrid model. A major part of the data set (48.3%) includes missing values. As removal of missing values from the data set leads to data loss, feature selection has been done in the first stage without deleting missing values. In the second stage, the classification process has been performed through ELM after the removal of missing values from sub-featured data sets that were reduced in different dimensions. The results showed that the highest 100.00% classification accuracy has been achieved through RS-ELM and it has been observed that RS-ELM model has been considerably successful compared to the other methods in the literature. Furthermore in this study, the most significant features have been determined for the diagnosis of the hepatitis. It is considered that proposed method is to be useful in similar medical applications.     

基于深度学习的花生高光谱图像分类方法研究

利用高光谱成像技术对不同品种的花生进行快速无损分类。选取五种不同品种的花生,分别为东北小花生、富硒黑皮花生、花育36号、鲁花01号、鲁花09号,每种15颗,共75颗花生作为样本,采集400nm-1000nm波长范围内的高光谱图像,随机将6个特征波段(416nm、518nm、572nm、633nm、746nm、928nm)下的450个样本图像以2:1的比例分成训练集和测试集,建立基于深度学习的卷积神经网络模型。实验中所采用的网络模型为具有22层深度网络的GoogleNet模型,其中将dropout_ratio修改为0.6,训练集最终准确率为96%,测试集平均准确率为93.3%,每种花生的识别率均在90%及以上。最后与传统光谱处理方法PLS-DA进行对比,发现基于深度学习模型的识别率明显优于PLS-DA,结果表明,利用深度学习方法对花生快速无损分类具有可行性。     

基于成对约束半监督降维的高光谱遥感影像特征提取

半监督降维(Semi\|Supervised Dimensionality Reduction,SSDR)框架下,基于成对约束提出一种半监督降维算法SCSSDR。利用成对样本进行构图,在保持局部结构的同时顾及数据的全局结构。通过最优化目标函数,使得同类样本更加紧凑\,异类样本更加离散。采用UCI数据集对算法进行定量分析,发现该方法优于PCA及传统流形学习算法,进一步的UCI数据集和高光谱数据集分类实验表明:该方法适合于进行分类目的特征提取。