基于支持向量机的高光谱遥感图像分类

分析和处理航空高光谱遥感图像对于我国遥感事业意义重大,文章首先分析了高光谱遥感图像的特征,依据该特征确定了支持向量机分类方法以及相应的参数优化确定的方法,并最终构建了高光谱遥感图像的分类模型。     

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。     

基于模式识别技术的高光谱图像分类研究

针对当前高光谱图像分类方法图像特征向量应用环节设定较为落后,导致分类精度差,无法获取完整图像分类结果的问题,提出基于模式识别技术的高光谱图像分类方法。采用加权平均法,完成高光谱图像预处理,使用多尺寸局部二值法,提取高光谱图像特征向量,确定不同类型光谱信息的联合分布密度,结合模式识别技术,完成高光谱图像分类。通过总体图像分类精度、平均图像分类精度以及kappa系数对此方法的应用效果进行评估,结果表明,本方法精度较高均在96%以上,且kappa系数超过0.9,可缓解当前方法在应用过程中出现的问题。     

高光谱图像分类的全面加权方法研究

像元分类是高光谱数据分析的最基本、最重要内容之一,而基于支持向量机(SVM)的分类方法以其高效性得以广泛使用.原始的SVM分类模型中并没有体现出样本、特征、类别对于分类或分析的不同重要性,从而影响了处理效果.为此,将各样本偏离其类中心的距离映射为样本加权系数;将类内散度矩阵应用于特征加权方法;将SVM方程系统中的单位矩阵对角元素加以调整来完成类别加权.不同加权方法既可以单独使用也可以联合使用.实验表明,所提出的加权方法有助于进一步提高高光谱图像的分类效果.     

基于多尺度近端特征拼接网络的高光谱图像分类方法

针对基于传统卷积神经网络模型的高光谱图像分类算法细节表现力不强及网络结构过于复杂的问题,设计了一种基于多尺度近端特征拼接网络的高光谱图像分类方法.通过引入多尺度滤波器和空洞卷积,在保持模型轻量化的同时可以获取更丰富的空间-光谱判别特征,并提出利用卷积神经网络近端特征间的相互联系进一步增强细节表现力.在3个基准高光谱图像...     

基于大数据的高光谱图像分类算法

为解决图像分类精准度较低问题,提出基于卷积神经网络的高光谱图像分类算法。利用虚拟化样本降低分类难度,通过标准化均值差法加强凸显每个像素间曲线波动特征。构建光谱特征提取模型,通过卷积神经网络建立分类处理模型并确定整体分类流程,实现光谱图像的分类。实验结果表明,在同种数据集下,所提算法的分类精准度较为理想。且在训练样本较少的情况下,其应用效果也较好,能够为高光谱图像深入处理提供可靠的理论基础。     

基于支持向量机的高光谱遥感图像分类

多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题.本文从支持向量机基本理论出发建立了一个基于支持向量机的高光谱分类器,并用国产OMIS传感器获得的北京中关村地区高光谱遥感数据进行试验,分析比较了各种SVM核函数进行高光谱分类的精度,以及网格搜寻的方法来确定C和愕闹?结果表明SVM进行高光谱分类时候径向基核函数的分类精度最高,是分类的首选.并且与神经网络径向基分类算法以及常用的最小距离分类算法进行比较,分类的精度远远高于SVM分类算法进行分类的结果.SVM方法在高光谱遥感分类领域能得到广泛的应用.     

基于多尺度卷积神经网络的高光谱图像分类算法

为了提高高光谱图像的分类精度,提出了一种基于多尺度卷积神经网络的高光谱图像分类算法.首先,利用等距特征映射算法处理高光谱数据,以挖掘数据的非线性特性,保持数据点的内在几何性质;然后,构建以标记像元为中心的训练图像块,训练多尺度卷积神经网络;最后,利用softmax分类器预测测试像元的标签.提出的方法在Indian Pines、University of Pavia和Salinas scene高光谱遥感数据集上进行分类实验,并与CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法进行性能比较.实验结果表明,在3个数据集上提出的方法的总体识别精度分别达到98.51％、98.64％和99.39％,与CNN算法相比分别提高了约8.35％、6.37％和7.81％.本文提出的方法无论是在分类精度还是Kappa系数上都优于另外4种方法,是一种较好的高光谱遥感数据分类方法.     

基于特征融合方法的高光谱图像分类综述

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要.然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度.受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战.随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的...     

Hyperspectral Image Classification Based on Capsule Network

The conventional convolutional neural network performs not well enough in the ground objects classification because of its insufficient ability in maintain-ing ...     

一种基于图像特征的图像分类方法

图像分类是色域匹配的关键环节,不同类型的图像采用不同的匹配方法.针对如何有效分类图像,设计了一种基于图像特征的图像分类算法.首先建立图像颜色的三个通道特征统计模型和基于空间灰度级的纹理统计、边缘特征的统计模型,然后根据模型计算出图像的三类特征值,利用特征统计评判和神经网络技术分析计算数据,最后得出图像类型.实验结果表明,算法有较高的分类精度.     

Hyperspectral Image Super-Resolution Based on Spatial-Spectral Feature Extraction Network

Constrained by the physics of hyperspectral sensors, the spatial resolution of hyperspectral images(HSI) is low. Hyperspectral image super-resolution(HSI SR) is a task to obtain high-resolution hyperspectral images from low-resolution hyperspectral images. Existing algorithms have the problem of losing important spectral information while improving spatial resolution.To handle this problem, a spatial-spectral feature extraction network(SSFEN) for HSI SR is proposed in this paper. It enhances the...     

基于特征元素和关联规则的图象分类方法

图象分类是搜索引擎中的重要模块.本文提出了一种基于特征元素的图象分类方法.特征元素与特征向量相比能够根据人的主观感知来提取图象的视觉特征.与传统的基于特征向量的图象分类方法不同,本文提出的图象分类方法不计算特征空间中特征向量之间的距离,而是通过关联规则挖掘发现图象的特征元素与图象所属类别之间的联系.本文实现了该分类算法并将其与一种基于特征向量的图象分类方法NFL相比较.实验的结果证实了所提方法的优越性.     

基于高光谱影像多维特征的植被精细分类

目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果; 缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱 数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面 植被分布情况,选择训练样本并进行支持向量机(Support vector machine, SVM)监督分类,完成地面植被的精细分类, 对分类结果进行验证,总体精度可达99.6\%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、 提高信息利用率,为植被生态监测提供更为准确的数据支撑。     

基于SSMFA与kNNS算法的高光谱遥感影像分类

 为了研究高光谱影像数据的维数约简和分类问题,提出了一种基于半监督边际费希尔分析(SSMFA)和kNNS的高光谱遥感影像数据分类算法.该方法利用有标记数据和无标记数据的信息获得数据的内在流形结构,通过SSMFA将高光谱数据从高维观测空间投影到低维流形空间,然后利用邻域内多个近邻点的信息通过kNNS分类器对低维空间中的数据进行分类.在Urban、Washington和Indian Pine数据集上的分类识别实验表明,该方法能够较为有效地发现高维空间中数据的内蕴结构,在每类随机选取4,6,8个有类别标记的样本10个无类别标记的样本的情况下,该方法的总体分类精度能够比MFA+kNNS提高0.8%~2.5%,比MFA+kNN提高2.8%~4.5%,比其他算法提高4.0%~7.0%,分类精度有了明显的提高.     

基于DE-GEP的高光谱遥感图像分类

高光谱遥感数据具有波段数目多、数据量庞大等特点.针对传统方法应用于高光谱图像分类中存在波段选择时计算量大、运行时间长,以及图像分类精度不高等问题,首先利用差分演化算法进行波段选择,有效地降低了信息的冗余和数据的维度,然后对波段选择后的结果成图,并对要识别地物的典型区域进行取样,最后采用基因表达式编程算法构建分类器进行图像分类.在波段选择中,与完全搜索的结果相比,差分演化算法可以在很快的时间里取得了较好的搜索结果,基因表达式编程在遥感图像分类中,分类结果优于传统的KNN算法.     

基于光谱加权直推式支持向量机的高光谱图像半监督分类

高光谱图像分类中的有标签的样本获取较为困难,而半监督分类可以利用到大量未标签样本所含信息,来提高分类准确率。其中直推式支持向量机是标准支持向量机在半监督学习问题上的一种扩展。本文中我们采用凹凸过程规划将直推式支持向量机的非凸目标函数分解为凸函数和凹函数的组合,从而将非凸问题转化为凸优化问题求解。并且针对高光谱图像不同波段鉴别地物类别的能力的差异,为了充分利用各个波段的分类能力,我们引入了光谱权值对支持向量机的核函数进行了改进,对不同的波段赋予不同的权值。实验表明,本文提出的方法在分类正确率以及使用的样本规模上,都表现出了一定的优越性,从而适用于较大规模的高光谱图像分类。      

Hyperspectral Image Classification Based on A Multi-Scale Weighted Kernel Network

Recently, many deep learning models have shown excellent performance in hyperspectral image(HSI) classification. Among them, networks with multiple convolution kernels of different sizes have been proved to achieve richer receptive fields and extract more representative features than those with a single convolution kernel. However, in most networks, different-sized convolution kernels are usually used directly on multibranch structures, and the image features extracted from them are fused direct...