基于SPCA和域变换递归滤波的高光谱图像分类

提出一种基于分割的主成分分析（Segmented Principal Component Analysis,SPCA）和域变换递归滤波（Domain Transform Recursive Filtering,DTRF）的高光谱图像分类算法。利用SPCA方法降低高光谱图像的维数和提取各波段子集的第一主成分。使用不同参数的域变换递归滤波器对各波段子集第一主成分进行滤波,形成堆叠的边缘保持滤波图。采用主成分分析（Principal Component Analysis,PCA）将堆叠的边缘保持滤波图进行特征融合。利用基本阈值分类器（Basic Thresholding Classifier,BTC）对融合后的主成分进行分类。仿真实验表明,所提方法能够提高分类精度,且在总体分类精度、平均分类精度、Kappa系数等方面优于已有方法。     

基于最大最小距离的高光谱遥感图像波段选择

为减少高光谱遥感图像光谱空间冗余,降低后续处理的计算复杂度,提出一种基于最大最小距离的高光谱图像波段选择算法。首先计算波段标准差,选定标准差最大的波段作为初始中心;然后使用最大最小距离算法得到相对距离较远的聚类中心,对波段进行聚类;最后使用K中心点算法更新聚类中心。实验仿真结果表明:通过基于最大最小距离算法选择的波段,能够选出同时满足信息量大、相关性小的要求的波段子集,并将获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度。     

基于熵加权K-means全局信息聚类的高光谱图像分类

目的 高光谱图像波段数目巨大，导致在解译及分类过程中出现“维数灾难”的现象。针对该问题，在K-means聚类算法基础上，考虑各个波段对不同聚类的重要程度，同时顾及类间信息，提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法。方法 首先，引入波段权重，用来刻画各个波段对不同聚类的重要程度，并定义熵信息测度表达该权重。其次，为避免局部最优聚类，引入类间距离测度实现全局最优聚类。最后，将上述两类测度引入K-means聚类目标函数，通过最小化目标函数得到最优分类结果。结果 为了验证提出的高光谱图像分类方法的有效性，对Salinas高光谱图像和Pavia University高光谱图像标准图中的地物类别根据其光谱反射率差异程度进行合并，将合并后的标准图作为新的标准分类图。分别采用本文算法和传统K-means算法对Salinas高光谱图像和Pavia University高光谱图像进行实验，并定性、定量地评价和分析了实验结果。对于图像中合并后的地物类别，光谱反射率差异程度大，从视觉上看，本文算法较传统K-means算法有更好的分类结果；从分类精度看，本文算法的总精度分别为92.20%和82.96%， K-means算法的总精度分别为83.39%和67.06%，较K-means算法增长8.81%和15.9%。结论 提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法，实验结果表明，本文算法对高光谱图像中具有不同光谱反射率差异程度的各类地物目标均能取得很好的分类结果。     

基于波段聚类的高光谱图像波段选择

为使无监督的波段选择能够更好地保留高光谱图像的信息,提出一种基于波段聚类的高光谱图像无监督波段选择方法.首先,计算高光谱图像各波段间的互信息,以此衡量各波段间的相关程度;然后,根据各波段间的互信息,对波段集合进行聚类;通过迭代使得各波段分组自动地聚集在信息量较大且具有代表性的波段周围,直到各聚类中心不再变化,则聚类结束.通过波段聚类过程保证了冗余波段的去除和有用信息的保留,最后,以各聚类中心波段作为所选的波段组合.实验结果证明,与传统方法相比,使用文中的方法选择波段,能够更有效地保留光谱信息,得到更高的分类精度.     

基于3维上下文预测的高光谱图像无损压缩

如今高光谱数据的有效压缩已成为遥感技术发展中需要迫切解决的问题,为了对高光谱数据进行有效压缩,提出了一种基于3维上下文预测的高光谱图像无损压缩算法。该算法首先根据相邻波段间的相关性大小进行波段分组,同时对各个分组重新进行波段排序;然后采用自适应波段选择算法对高光谱图像进行降维,再利用k-means算法对降维后的波段谱向矢量进行聚类;最后在参考波段和当前波段中通过定义3维上下文预测结构,在聚类结果的基础上,对各个分类分别训练其最优的预测系数。实验结果表明,该方法可显著降低压缩后图像编码的平均比特率。     

聚类与自适应波段选择结合的高光谱图像降维

针对自适应波段选择法(adaptive band selection,ABS)对高光谱图像降维后得到的最优波段子集用于地物目标分类处理时,分类精度不理想的问题,提出一种K-means聚类与ABS结合的高光谱图像降维方法。算法采用K-means聚类算法对所有波段进行聚类,聚类中分别采用相关系数和欧氏距离2种相似性度量,选取各聚类中ABS指数最大的波段,作为最优波段子集。通过实验,将所提方法与ABS进行分类精度比较。实验结果表明,所提方法在分类精度上优于ABS法,以相关系数作为相似性度量的K-means聚类与ABS结合的降维方法分类效果更好。     

基于SNMF聚类与类间可分性因子的高光谱波段选择

高光谱图像的波段范围广、光谱分辨率高,能为图像分类研究提供丰富的信息,但同时也给计算和存储带来了较大困难.论文提出一种基于SNMF聚类与类间可分性因子的方法来进行高光谱图像波段选择,以降低计算和存储开销.首先是数据预处理工作,将高光谱数据进行三维转二维表达,然后利用SNMF聚类算法得到波段的各个类簇,最后以各波段的类间可分性因子为指标在类簇内进行波段选择.实验采用波段子集的平均信息熵、平均相关系数和平均相对熵三类指标进行定量评价,并采用SVM分类器进行分类验证.     

增强类可分性的高光谱图像分类

目的 在高光谱图像分类中,由于成像空间分辨率较低,混合像元大量存在。混合像元使得不同类别的光谱特征发生改变,失去原有的独特性,类内差异变大,类间差异变小。针对这一问题,本文提出基于分组滚动引导滤波的策略。同时针对高光谱图像中存在的“维数灾难”问题,提出了弹性网逻辑回归分类器的框架。方法 通过线性判别分析（linear discriminant analysis,LDA）算法生成具有判别性的引导图,对高光谱图像的每个波段执行滚动引导,从而让光谱曲线呈现类内凝聚、类间距离增大的趋势。通过构造逻辑回归目标函数的L1&L2范数正则项约束进行嵌入式波段选择,为每个类别选择出各自可分性强的波段,同时可以使高度相关性的波段保留下来作为分类依据。最后使用邻域优化策略对分类后结果进一步优化,提升分类精度。结果 分别在3个实验数据集上与其他分类算法进行对比,实验结果表明,本文算法的分类结果取得明显提升。本文算法的总体分类精度（overall accuracy,OA）在Indian Pines、Salinas和KSC （Kennedy Space Center）数据集上分别为96.61%、98.66%和99.04%,比其他算法平均分别高出4.8%、3%和1%,同时也在Indina Pines数据集中进行了对比实验以验证增强混合像元光谱可分性和波段可分性算法的有效性,对比实验结果表明本文算法改善了分类效果。结论 分别在光谱特性和波段选择两个环节增强类可分性,分类精度取得明显提升;同时,本文算法适合不同的数据集,并且在不同数量的训练样本下OA均表现较优,算法具有一定的鲁棒性。     

基于自适应主动学习与联合双边滤波的高光谱图像分类

在高光谱图像分类中,选择合适的样本作为训练样本对分类器进行训练非常重要。将样本的不确定性与代表性相结合,通过自适应主动学习方法来完成样本的选择。用核K均值聚类来获取具有代表性的样本,用最优标号和次优标号的概率差值与两者比值的加权和来度量不确定性。此外,为了提高分类的准确率,利用联合双边滤波来获取高光谱图像的空间信息,并将其融入分类过程中。最后,提出一种融合自适应主动学习与联合双边滤波的空谱结合高光谱图像分类方法,并通过实验验证了所提方法的优越性。     

基于DS聚类的高光谱图像集成分类算法

针对高光谱遥感图像维数高、样本少导致分类精度低的问题,提出一种基于DS聚类的高光谱图像集成分类算法(DSCEA)。首先,根据高光谱数据特点,从整体波段中随机选择一定数量的波段,构成不同的训练样本;其次,分析图像的空谱信息,构造无向加权图,利用优势集(DS)聚类方法得到最大特征差异的波段子集;最后,根据不同样本,利用支持向量机训练具有差异的单个分类器,采用多数表决法集成最终分类器,实现对高光谱遥感图像的分类。在Indian Pines数据集上DSCEA算法的分类精度最高可达到84.61%,在Pavia University数据集上最高可达到91.89%,实验结果表明DSCEA算法可以有效的解决高光谱分类问题。     

融合多尺度低秩表示与双向递归滤波的高光谱图像分类

针对高光谱图像信噪比较低导致图像分类精度较差的问题,提出一种融合多尺度低秩表示与双向递归滤波的高光谱图像分类方法。首先,对高光谱图像进行不同尺度的超像素分割,获得空间邻域信息并得到分割图像;其次,在各尺度分割区域内执行低秩表示和主成分分析（Principal Component Analysis,PCA）降维,低秩表示可对分割区域内光谱间高相关性进行低秩约束,移除混合噪声;再次,利用双向递归滤波进一步消除图像中噪声和地物细节纹理;最后,根据支持向量机对各尺度特征图像的分类结果采用多数投票方法得到最终分类。实验在Indian Pines、PaviaU和Salinas公开数据集上进行,各地物类别随机选取10个训练样本,结果表明：与仅利用光谱信息的分类方法（支持向量机、PCA）对比,该方法分别在3个数据集上总体精度平均提高了32.03%、28.04%和16.80%;与空间—光谱残差网络和顶点成分分析网络的分类方法对比,平均提高10.99%、8.45%和7.08%;与其他空—谱联合分类方法对比,平均提高8.28%、18.77%和10.19%,证明了本文方法能在训练样本较少的情况下取得更优的总体...     

基于空间模糊纹理光谱的多光谱遥感图像分类方法

为了充分利用各波段的纹理信息，针对遥感图像不同波段之间具有较大相关性的特点，提出了一种用空间模糊纹理光谱描述多光谱遥感图像纹理特征的方法。根据纹理特征具有多尺度的特性，对原始图像进行二次模糊纹理滤波，一次滤波采用平面三角隶属度函数，二次滤波采用空阃距离代替平面距离形成滤波隶属度函数，其模糊滤波图像的隶属度分布称之为空间模糊纹理光谱。用FasART神经网络分类验证，实验结果表明，该方法具有较高的分类精度，尤其对纹理特征较为复杂的区域的分类效果更为明显。     

面向分类应用的高光谱谱段选择方法

高光谱数据在物质分类识别领域得到了广泛应用,但存在数据量大、波段间相关性高等问题,严重影响分类精度及应用。针对以上问题分析了已有的波段选择方法,提出了基于波段聚类及监督分类的遗传算法,对高光谱数据进行波段选择：采用[K]均值聚类算法对波段数据进行聚类分析,构造波段子集合;利用分类器族分类精度构造适应度函数,采用遗传算法对波段子集合进行优化选择。最后用阔叶林高光谱数据对提出的算法进行对比实验,实验结果表明针对分类应用,提出的算法能够非常有效地选择高光谱谱段。     

使用深度对抗子空间聚类实现高光谱波段选择

高光谱图像（HSI）由数百个波段组成,波段之间的相关性强且具有较高的冗余度,导致出现维度灾难并且分类的复杂性很高。为此,使用深度对抗子空间聚类（DASC）网络进行高光谱的波段选择,并引入拉普拉斯正则化使网络更优,在保证分类精度的前提下降低分类的复杂度。该网络通过在编码器和解码器中引入自表达层来模仿传统子空间聚类的“自表达”属性,充分运用光谱信息和非线性特征转换得到波段之间的相互关系,解决传统波段选择方法无法同时考虑光谱和空间信息的问题。同时,引入对抗学习来监督自编码器的样本表示和子空间聚类,使得子空间聚类具有更好的自表达性能。为了使网络性能更优,加入拉普拉斯正则化来考虑反映图像几何信息的局部流形结构。实验在两个公开的高光谱数据集上进行,所提出的方法和几种主流的波段选择方法进行对比的结果表明,DASC方法在分类精度上优于对比方法,其选出的波段子集可以满足应用需求。     

基于K-AP算法的高光谱图像波段选择方法

在高光谱图像分析领域中，波段选择是一种能有效减少高光谱图像维度的方法。K类仿射传播算法是一种高效的聚类算法，已成功地应用于人脸识别和数据分析等领域，但在高光谱图像分析领域还少有成功的应用。提出将K-AP算法应用于高光谱图像波段选择，对高光谱图像进行有效的数据压缩。针对K-AP算法的特点，基于Kullback-Leibler散度定义了新的相似度矩阵，对波段进行度量，再使用K-AP算法进行聚类，选择最有代表性的波段。实验结果表明，与常用的波段选择方法相比，所提出的方法有更好的表现。     

一种模糊核聚类的线性滤波多光谱图像增强算法

针对图像噪声过多以及模糊度过高所造成的多光谱图像视觉效果较差、图像细节难以分辨等问题,提出了一种模糊核聚类的线性滤波多光谱图像增强算法。该算法采用模糊核聚类的去噪方法,对分解图像得到的模糊系数进行了阈值处理,并引入去噪增益因子,可以有效地去除多光谱图像的噪声。在多光谱图像亮度增强上,采用了多向聚类亮度增强公式来将图像的模糊像素亮度提升至标准亮度,对图像边缘部分的亮度则采用边缘化增益方法来进行增强,最后采用线性滤波的方法来保护多光谱图像的结构张量,防止多光谱图像的结构信息发生扩散变化。实验结果表明,采用模糊核聚类的方法能够有效地去除多光谱图像噪声,在图像亮度增强上相比对比算法取得了较好的效果。     

一种新的空谱联合高光谱图像分类方法

为了充分利用高光谱遥感图像的空间信息和光谱信息,以提高分类精度,文章研究了分别采用二维和三维Gabor滤波对高光谱遥感图像进行特征提取,然后与高光谱遥感图像的光谱信息进行融合,并基于堆栈式稀疏自编码器的深度学习网络对融合图像进行分类的方法.研究结果表明,所提出的空谱联合分类器与传统的光谱信息分类器相比,分类性能得到了显...     

空间权重自适应的MRF高光谱图像模糊聚类方法

传统模糊聚类方法以像元光谱信息为基础,通过相似性准则在特征空间内进行自动聚集。高光谱图像聚类过程往往受到混合像元和"同物异谱"现象的影响,造成结果噪声和破碎严重,导致算法难以适应于高光谱图像地物识别。针对传统聚类算法的不足,考虑邻域像元间相关性和连续性即上下文特征,文章提出了一种新的基于空间权重自适应马尔科夫随机场模型(markov random field,MRF)的高光谱图像模糊聚类算法,在模糊C-均值聚类目标函数中引入空间项,并采用自适应权重系数控制其在聚类中的影响程度,将空间信息自适应地引入聚类过程中。通过模拟及真实高光谱数据实验证明,较仅使用光谱及分类后处理滤波算法,该算法有效提高了高光谱图像聚类的精度和抗噪能力。     

基于边缘保持滤波的高光谱影像光谱-空间联合分类

针对高光谱遥感影像分类过程中,高维数据引起的"维数灾难"以及空间邻域一致性信息没有得到充分利用的问题,提出一种基于边缘保持滤波（Edge-preserving filtering,EPF）的高光谱影像光谱-空间联合分类算法.该算法首先进行波段子集划分和主成分提取,构造新的低维特征集,在保存影像结构信息的前提下降低数据维度;其次利用支持向量机（Support vector machine,SVM）获得低维特征集的初始分类概率图;然后利用原始影像主成分对初始分类概率图进行边缘保持滤波,融合光谱信息和空间信息;最后根据滤波后分类概率图对应像素点值的大小确定每个像素的类别.在Indian Pines和Pavia University两组高光谱数据上进行仿真实验,相同实验条件下,本文算法都获得最高分类精度和最少的时间消耗.仿真结果表明本文算法在高光谱遥感影像分类任务中具有明显的优势.     

基于递归引导滤波的高动态范围图像调整

通过使用递归引导滤波算法对输入的高动态范围图像进行累进滤波,获取图像的多尺度分解结果,得到图像的轮廓层和多尺度细节层;保持图像的细节特征不变,对图像的轮廓层进行对比度调整。结果表明,用本文提出的方法对高动态范围图像进行调整,在调整图像对比度的同时,有效的保持了图像的细节特征。