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.     

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。     

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。     

基于波段影像统计信息量加权K-means聚类的高光谱影像分类

针对分类过程中如何合理利用高光谱影像波段问题,提出一种基于波段影像统计量加权K-means聚类的高光谱影像分类算法.该算法的核心思想在于:由波段含有的信息量及波段间的相关性确定各波段权重,同时考虑各波段对各聚类的重要性.首先,根据波段影像的熵、标准差及均值定义波段信息量函数,根据相邻波段影像互信息定义相关性函数;其次,...     

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。     

层次聚类结合空间金字塔的图像分类

在图像分类中,视觉词典的质量直接影响着图像分类的结果,随着用户的要求提高,K-means聚类算法所构建的视觉词典已无法满足用户对图像分类的需求,为了得到高效的视觉词汇码本,针对构建视觉词典的算法进行研究,通过K-means算法和层次聚类算法的结合来达到这一目的。混合聚类算法采用K-means算法对数据样本进行初步聚类,得到一个粗略的划分;引入信息熵的属性加权,利用信息熵度量某个属性的关键性,信息熵越大的属性对聚类结果的影响越小,计算加权后的类间欧式距离,将距离相近的两个类进行合并;在空间金字塔模型框架中,将改进的混合聚类方法应用到视觉词典的构建中。实验结果表明,结合信息熵的层次聚类算法能有效提高空间金字塔模型的分类准确率。     

嵌入式深度神经网络高光谱图像聚类

目的 高光谱图像的高维特性和非线性结构给聚类任务带来了"维数灾难"和线性不可分问题，以往的工作将特征提取过程与聚类过程互相剥离，难以同时优化。为了解决上述问题，提出了一种新的嵌入式深度神经网络模糊C均值聚类方法（EDFCC）。方法 EDFCC算法为了提取更加有效的深层特征，联合优化高光谱图像的特征提取和聚类过程，将模糊C均值聚类算法嵌入至深度自编码器网络中，可以保持两任务联合优化的优势，同时利用深度自编码器网络降维以及逼近任意非线性函数的能力，逐步将原始数据映射到潜在特征空间，提取数据的深层特征。所提方法采用模糊C均值聚类算法约束特征提取过程，学习适用于聚类的高光谱数据深层特征，动态调整聚类指示矩阵。结果 实验结果表明，EDFCC算法在Indian Pines和Pavia University两个高光谱数据集上的聚类精度分别达到了42.95%和60.59%，与当前流行的低秩子空间聚类算法（LRSC）相比分别提高了3%和4%，相比于基于自编码器的数据聚类算法（AEKM）分别提高了2%和3%。结论 EDFCC算法能够从高光谱图像的高维光谱信息中提取更加有效的深层特征，提升聚类精度，并且由于EDFCC算法不需要额外的训练过程，大大提升了聚类效率。     

高斯过程及其在高光谱图像分类中的应用

高光谱遥感图像分类是高光谱成像信息处理的研究热点,高光谱成像的内在特点对于分类器设计具有直接影响.高斯过程是近年来发展迅速的一种新的机器学习方法,具备容易实现、超参数可自适应获取以及预测输出具有概率意义等优点,比较适合于处理图像分类问题.首先对高斯过程的基本概念及其主要的分类算法进行了简要介绍,然后在对高光谱图像分类的特点和高光谱图像分类的研究现状的分析基础上,讨论了基于高斯过程的高光谱图像分类的基本思想,提出了基于空间约束的高斯过程分类和基于半监督高斯过程分类等适合高光谱图像分类的新方法.最后对基于高斯过程的高光谱图像分类研究的发展趋势进行了展望.     

基于改进GraphSAGE的高光谱图像分类

针对传统的图卷积网络节点嵌入过程中接受邻域范围小的问题,本文提出了一种基于改进GraphSAGE算法的高光谱图像分类网络.首先,利用超像素分割算法对原始图像进行预处理,减少图节点的个数,既最大化保留了原始图像的局部拓扑结构信息,又降低了算法的复杂度,缩短运算时间;其次,采用改进的GraphSAGE算法,对目标节点进行平均采样,选用平均聚合函数对邻居节点进行聚合,降低空间复杂度.在公开的高光谱图像数据集Pavia University和Kenndy Space Center上与相关模型进行对比,实验证明,基于改进GraphSAGE算法的高光谱图像分类网络可以取得较好的分类结果.     

样本优化选择的高光谱图像分类

目的 高光谱分类问题中,由于类内光谱特性存在差异性,导致常规的随机样本选择策略无法保证训练样本均匀覆盖样本空间。针对这一问题,提出基于类内再聚类的样本空间优化策略。同时为了进一步提高分类精度,针对低置信度分类结果,提出基于邻域高置信信息的修正策略。方法 采用FCM（fuzzy C-means）聚类算法对每类样本进行类内再聚类,在所聚的每个子类内选择适当样本。利用两个简单分类器SVM（support vector machine）和SRC（sparse representation-based classifier）,对分类结果进行一致性检测,确定高、低置信区域,对低置信区域,利用主成分图作为引导图对置信度图进行滤波,使得高置信信息向低置信区域传播,从而修正低置信区域分类结果。以上策略可以保证即便在较少的训练样本的情况下,也能够训练出较高的分类器,大幅度提高分类精度。结果 使用3组实验数据,根据样本比例设置两组实验与经典以及最新分类算法进行对比。实验结果表明,本文算法均取得很大改进,尤其在样本比例较小的实验中效果显著。在小比例（一般样本选取比例的十分之一）训练样本实验中,对于India Pines数据集,OA（overall accuracy）值高达90.48%;在Salinas数据集上能达到99.68%;同样,PaviaU数据集的OA值为98.54%。3组数据集的OA值均比其他算法高出4% 6%。结论 综上表明,本文算法通过样本空间优化策略选取有代表性、均衡性的样本,保证小比例样本下分类精度依然显著;基于邻域高置信信息的修正策略起到很好的优化效果。同时,本文算法适应多种数据集,具有很好的鲁棒性。     

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。     

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。     

一种基于深度谱空网络的高光谱图像聚类方法

通常无监督算法在对高光谱数据进行聚类时仅使用光谱信息,忽略了空间信息,使得聚类准确率较低.针对上述问题提出一种基于深度谱空网络和无监督判别极限学习的高光谱图像聚类算法.利用深度谱空网络对高光谱数据进行光谱特征和空间特征的分层交叉学习,通过反复学习获得深度空谱特征,为后续无监督聚类提供方便.在三种高光谱图像上进行实验,结果表明,该算法获得的聚类效果优于其他基于极限学习机的方法和其他无监督方法.     

整合超像元分割和峰值密度的高光谱图像聚类

目的 传统图像聚类算法多利用像元的光谱信息,较少考虑图像的空间信息,容易受到噪声干扰。针对该问题,提出一种整合超像元分割（SLIC）和峰值密度（DP）的高光谱图像聚类算法。方法 首先,利用超像元分割技术对高光谱图像进行分割并提取超像元光谱特征;然后,根据提取的超像元光谱特征,计算其峰值密度信息,搜索超像元光谱簇,构建像元与类别间的隶属度关系。最后,利用高光谱模拟数据以及两组真实高光谱图像评价算法的鲁棒性和精度。结果 在不同信噪比的模拟数据中,SLIC-DP算法在调整芮氏指标（ARI）最优的条件下,较K-means和SLIC-Kmeans的方差降低61.86%和41.61%,体现优越的鲁棒性。在高光谱数据集Salinas-A和Indian Pines中,SLIC-DP算法的ARI为0.777 1和0.325 7,较K-Means和SLIC-KMeans聚类算法分别增长10.71%,5.01%与78.86%,25.27%。结论 本文算法抗噪声能力强,充分利用空间信息与光谱信息,有效提升高光谱图像聚类精度。经验证,能满足高光谱图像信息提取和分析的要求,可进一步推广和研究。     

高光谱图像深度模糊核聚类的洋底锰结核识别

目的 海洋资源调查是海洋科学研究的重要组成部分，对于开发利用海洋资源、保护海洋环境有重要意义。将深海高光谱图像用于调查洋底锰结核资源，相比传统图像方法信息更为全面，识别更为准确。但是高光谱方法中用于有监督分类识别的分类器需要人工标定的标签，这在深海环境中是较为困难的。针对这一局限性，本文提出了一种融合深度网络与模糊核聚类的深度模糊核聚类（deep kernel fuzzy C-means，DKFCM）算法，实现对洋底锰结核高光谱图像的无监督聚类。方法 DKFCM由随机深度卷积网络（Rdnet）及改进的模糊核聚类算法两大模块组成。Rdnet通过降维、随机图块卷积及非线性激活操作的循环，实现对高光谱图像浅层及深层特征的提取，融合这两类特征作为后续聚类识别的输入。改进的模糊核聚类算法先用欧氏距离计算初始聚类中心，再用模糊核聚类的方法以实现海洋资源的准确分类。结果 实验结果表明，DKFCM无监督聚类能有效聚类洋底资源，对锰结核的聚类准确率达到76.59%，相比单用K-means聚类提高了20.99%，相比经Rdnet提取特征后再用K-means聚类提高了13.76%，对比实验表明DKFCM算法在无标签数据的情况下也能达到良好的准确率。结论 本文所提的高光谱深度模糊核聚类方法，实现了深海锰结核的无监督聚类，可以用于海洋资源量的评估。     

基于ETAFSVM的高光谱遥感图像自动波段选择和分类

提出了一种新型的具有良好特性的支持向量机--全间隔自适应模糊支持向量机(TAFSVM),并提出一种新的遗传算法--智能遗传算法(IGA)来设计一个TAFSVM分类器,称为ETAFSVM,同时优化高光谱遥感图像自动波段选择和TAFSVM参数集,并且结合5-fold交叉验证来确定其泛化能力,最后将ETAFSVM应用于高光谱遥感图像数据.通过先进行自适应波段选择后再用径向基神经网络分类器、K-最近邻分类器和标准支持向量机等3种方法进行全部分类精度比较,以及与这3种方法直接进行类别分类精度和平均分类精度比较,其结果表明运用ETAFSVM不仅可以自动进行波段选择,而且分类精度较高,对Hughes现象敏感性较低,是进行高光谱遥感图像分类的一种有效方法.     

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。     

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。     

融合雷达数据的高光谱图像分类

高光谱图像分类是高光谱遥感的一项重要内容。然而,由于高光谱数据光谱波段信息丰富,且仅对材质信息敏感等特性,导致高光谱分类中易出现“维度灾难”、对高度信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。为解决上述问题,论文设计了一种双路DenseNet网络（Double-Branch DenseNet,DBD）。该网络其中一路对高光谱数据进行特征处理,压缩光谱维度,降低“维度灾难”的影响,并同步提取高光谱数据的光谱特征和空间特征;另一路通过密集连接提取雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。通过实验证明,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类。