基于主动深度学习的高光谱影像分类

针对当前高光谱遥感影像分类人工标注样本费时费力,大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题,提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维,在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后,通过稀疏自编码器得到原始数据的稀疏特征表达,并通过逐层无监督学习稀疏自编码器构建深度神经网络,输出原始数据的深度特征,将其连接到softmax分类器,利用少量标记样本以监督学习的方式完成模型的精调。最后,利用主动学习算法选择最不确定性样本对其进行标注,并加入至训练样本以提高分类器的分类效果。分别对PaviaU影像和PaviaC影像进行分类实验的结果表明,该方法在少量标记样本情况下,相对于传统方法能有效地提高分类精度。     

高光谱图像分类的融合分层深度网络联合稀疏表示算法

在高光谱图像分类领域中每个像素的局部邻域一旦包含来自不同类别的样本,联合稀疏表示将受邻域内字典原子与测试样本之间同谱异类的影响,严重降低分类性能.根据高光谱图像的特点,文中提出融合分层深度网络的联合稀疏表示算法.在光谱和空间特征学习之间交替提取判别性光谱信息和空间信息,构建兼具空谱特征的学习字典,用于联合稀疏表示.在分类过程中将学习字典与测试样本间的相关系数与分类误差融合并决策.在两个高光谱遥感数据集上的实验验证文中算法的有效性.     

基于独立空谱残差融合的联合稀疏表示高光谱图像分类

针对高光谱图像分类中存在的空间信息与光谱信息融合问题,提出一种基于独立空谱残差融合的联合稀疏表示高光谱图像分类算法。使用类独立的光谱角初分类图像,获得像元初始标记后按特定条件进行筛选再构造像元邻域空间。提取图像的全局空间信息,并将其引入到空谱联合稀疏表示模型中,使用单独的光谱信息字典与空间信息字典分别进行图像光谱与空间的联合稀疏表示残差计算。在此基础上,使用残差融合算法确定图像类别。实验结果表明,相对SVM、KNN等算法,该算法能够提升高光谱图像的分类精度,且分类结果更稳定。     

基于光谱空间结合的非负稀疏保持嵌入的谱聚类

为了解决高光谱遥感影像的特征融合问题,针对高光谱数据的维数高、信息量繁杂冗余、非线性而且数据量庞大特点,利用图谱理论非负稀疏保持嵌入的降维方法,提出基于光谱空间结合的非负稀疏保持嵌入的谱聚类进行样本的标记算法,有效地利用空间信息和原有光谱信息,提高分类的精度.该算法在引入非负稀疏表示的同时,利用样本的光谱与空间相关信息构建Laplacian图,嵌入投影到低维的子空间,然后再用经典的K均值聚类算法进行分类.算法能够有效保持样本的几何稀疏结构,而且光谱空间信息的结合使得图像的边界像素点得到了更好的分类.     

基于图正则自适应联合协同表示的高光谱图像分类

针对由于空间信息利用不充分而导致的高光谱图像分类精度较低的问题,提出一种基于图正则自适应联合协同表示的高光谱图像分类算法.首先,采用双边滤波操作对高光谱图像进行空间信息提取,以充分挖掘每个像素的空间信息;其次,在联合协同表示的目标函数中引入图正则约束项,以保持高光谱数据的流形结构;再次,一方面利用图像分割来自适应调整空间邻域的形状,另一方面通过对中心像素的空间近邻赋予不同的权重,提出一种自适应空间-光谱特征融合策略;最后,基于误差最小原则,给出测试样本的类别标签.在两个高光谱数据集上的实验结果表明,所提出算法的整体分类精度分别达到98.50%和97.30%.     

融合光谱-空间多特征的高光谱影像张量特征提取

针对当前基于张量结构的特征提取方法不能充分利用高光谱影像多种光谱-空间特征的问题,提出一种融合光谱-空间多特征的高光谱影像张量特征提取方法。利用3D Gabor滤波器提取不同频率和方向的纹理特征,采用形态学属性滤波器提取不同属性和尺度的形状特征,将高光谱影像光谱特征、纹理特征和形状特征结合为张量结构特征。在此基础上,利用局部张量判别分析方法增大同类特征张量之间的相似性以及异类张量间的差异性,得到融合多种空谱特征和判别信息的低维特征张量。使用Pavia University和Salinas影像数据集进行对比实验,结果表明,该方法能够有效保留影像空谱信息和类别间的判别信息,不仅可以提高分类精度,而且能够得到空间连续性更好的分类图。     

基于形态学属性剖面的高光谱影像集成分类

传统高光谱遥感影像逐像素分类方法未考虑像元之间的空间关联性且泛化性能较低。形态学属性剖面是表征影像空间结构的有效方法,同时集成学习可显著提升分类算法的泛化能力。为了在高光谱影像分类中充分利用影像的空间信息并提高分类的稳定性,提出一种基于形态学属性剖面高光谱遥感影像集成学习分类方法。首先,用主成分分析和最小噪声变换进行特征提取,并借助形态学属性剖面获取影像的多重空间特征;然后用极限学习和支持向量机的方法进行分类;最后将多个分类结果以多数投票的方式集成。区别于已有集成学习方法,综合考虑了不同特征提取和不同分类方法的联合集成,并将形态学属性剖面引入其中以充分利用影像的空间信息。采用AVIRIS和ROSIS两组高光谱数据检验该方法的分类性能,实验结果表明该方法可获得高精度和高稳定性的分类结果,总体精度分别达到83.41%和95.14%。     

基于稀疏表示和词袋模型的高光谱图像分类

为增强高光谱图像稀疏表示分类方法中稀疏字典的表征能力并充分利用高光谱图像的光谱信息和空间信息,提出了一种新的基于稀疏表示和词袋模型的高光谱遥感图像分类方法。首先利用词袋模型算法结合高光谱遥感图像数据集生成各类别专业码本,作为字典中对应的原子构造稀疏表示字典。在计算每个像元的对应稀疏表示字典中的稀疏表示特征时,利用空间连续性约束对像元的稀疏表示系数进行空间维的约束。最后根据最小重构误差实现高光谱图像分类。高光谱遥感数据实验结果表明:所提方法能有效提高分类效果,并且其分类精度和Kappa系数都优于其他稀疏表示方法以及单独使用光谱信息的方法。     

小波核局部Fisher判别分析的高光谱遥感影像特征提取

为了提高高光谱遥感影像的分类精度,充分利用影像的光谱和局部信息,文中提出小波核局部Fisher判别分析的高光谱遥感影像特征提取方法.通过小波核函数将数据集从低维原始空间映射至高维特征空间,考虑到数据的局部信息,利用加权矩阵计算散度矩阵,对局部Fisher判别准则函数求解最优特征矩阵,使不同类别的样本在高维特征空间中的可分离性更佳.在2个公开高光谱数据集上的实验表明,文中方法的总体分类精度和Kappa系数都有所提高.     

基于改进萤火虫算法的高光谱遥感多特征优化方法

目前,高光谱遥感影像分类时光谱信息使用较多,难以充分挖掘空间信息。针对该问题,提出一种基于改进萤火虫算法(Firefly Algorithm,FA)的高光谱遥感多特征优化方法。首先提取高光谱遥感影像的4种空间特征:局部统计特征、灰度共生矩阵特征、Gabor特征和形态学特征,并与波段选择的部分光谱波段组合,构建多特征集合;然后利用萤火虫算法对提取的多特征集合进行优化和特征选择,针对萤火虫算法收敛速度较慢问题,借鉴粒子群优化算法,引入随机惯性权重改进了萤火虫算法的位置更新公式;目标函数采用JM距离(Jeffreys-Matusita Distance)和Fisher Ratio。利用两组城市高光谱遥感数据进行了土地覆被分类研究,并将仅利用原始光谱信息进行波段选择的分类结果与利用多特征信息的分类结果进行了对比分析。实验表明:随机惯性权重可以提高FA特征选择的速度,且优化后的光谱与空间信息特征有助于提高城市土地覆被分类的精度,两组实验数据的特征优选结果统计均表明空间特征中的形态学特征被选择次数最多,局部统计特征和形态学特征相对于GLCM特征和Gabor特征更有助于高光谱遥感图像的分类。     

结合像元形状特征分割的高分辨率影像面向对象分类

针对高分辨率遥感影像空间分辨率高,结构形状、纹理、细节信息丰富等特点,提出一种新的融合特征的面向对象影像分类方法来提取城市空间信息。基本过程包含以下4个方面:①提取影像的几何纹理等结构;②融合几何与纹理特征的面向对象影像分割;③提取对象的形状、纹理和光谱特征,并优选最佳特征子集;④最后基于支持向量机(SVM)完成面向对象的影像分类。通过对福州IKONOS影像数据实验,结果表明融入影像特征后的分割效果明显优于原始影像的分割结果,而信息最大化(mRMR)的特征选择能够快速地获得较好的特征子集。通过与eCognition最邻近分类方法比较,表明本文方法的分类总体精度大约提高了6%,效果显著。     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。     

半监督邻域保持嵌入在高光谱影像分类中的应用

为了解决高光谱遥感影像的维数约简问题以提高分类算法的分类精度,并针对高光谱影像通常只包含少量标记样本的问题,提出了基于一种半监督邻域保持嵌入(SSNPE)和改进的KNN分类器的高光谱影像分类算法。该算法在NPE的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构,并且通过增加标记近邻样本的权重加大降维数据的鉴别性,进而增加k近邻分类器的样本分类精度。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度提高了约8.7%、3.6%以上,分类性能有了较明显的改善。     

Normalized Cut与分水岭变换在高光谱影像混合像元端元提取中的应用

现有的遥感影像端元提取方法主要是从光谱特征角度提出,而结合空间信息的端元提取方法是近些年遥感影像混合像元分解的研究热点,为此使用图论的图像分割Normalized Cut与分水岭变换方法提出了一种改进的空间预处理模型用于高光谱遥感影像混合像元的端元提取。该方法在混合像元端元提取过程中不仅利用遥感影像的光谱信息而且引入了像元的空间位置信息,实验结果表明本文提出的端元提取方法与现有的方法相比提高了遥感影像的混合像元分解精度。     

结合导向滤波和最大概率的高光谱图像分类

针对利用滤波器提取高光谱图像的空间特征辅助光谱信息来提高高光谱图像分类精度的不足,提出导向滤波提取的空间纹理信息和最大概率结合的高光谱图像分类算法(SGD-SVM-GD)。鉴于空间纹理信息挖掘不足,该方法首先利用导向滤波提取由主成分分析降维后的高光谱图像空间纹理特征,然后将空间信息与光谱信息结合,交由支持向量机完成分类得到初始分类结果,最后结合导向滤波和概率最大化优化分类结果。实验表明,相比单纯使用光谱信息、纯空间信息和空谱结合的SVM分类方法以及边缘保持滤波的方法,所提出的SGDSVM-GD方法对高光谱图像的分类精度有较大提高,表明了该方法的有效性。     

多相似测度稀疏表示的高光谱影像分类

针对当前高光谱影像稀疏分类模型中光谱重构方法单一性的问题,该文将稀疏分类模型中光谱的线性重构理解为光谱间的相似性度量,进而引入其他相似性测度指标,提出多相似测度稀疏表示的高光谱影像分类模型,并给出模型的统一解算方法——一般正交匹配追踪算法;随后,考虑地物空间连续性和一致性,将多相似测度稀疏分类模型扩展到空间联合的多相似测度稀疏分类模型,提出了一般联合匹配追踪算法;最后,利用两幅标准高光谱影像数据验证了所提出的多相似测度稀疏分类模型对于高光谱影像分类的有效性和实用性。     

利用多属性剖面与双边滤波的高光谱影像分类

随着高光谱影像空间分辨率的提高,"同谱异物"和"同谱异物"问题日益凸显,传统基于纯光谱的地物分类方法已不能满足识别精度要求。结合光谱与空间信息进行高光谱影像分类已成为领域研究热点。鉴于此,该文提出了一种基于扩展多属性剖面(Extended Multi-Attribute Profiles,EMAPs)和指引双边滤波的高光谱影像地物分类方法。首先,基于EMAPs提取高光谱影像4种属性的形态学纹理特征,通过级联纹理与光谱特征获得新特征矢量。其次,对获取的新特征进行降维,并采用指引双边滤波器滤除降维影像的噪声,同时保持影像的边缘信息。最后,采用支持向量机实现分类。高光谱影像分类实验表明,所提方法性能优于多种光谱与空间结合的分类方法。     

一种基于邻域协同表达的分类方法

邻域粗糙集模型中,随着信息粒尺寸的增长,基于多数投票原则的邻域分类器(NC)容易对未知样本的类别产生误判。为了缓解该问题,在协同表达分类(CRC)思想的基础上,提出了一种基于邻域协同表达的分类方法,即邻域协同分类器(NCC)。NCC首先借助邻域粗糙集模型对分类学习任务进行特征选择,然后找出被选特征下未知样本的邻域空间,最后在邻域空间内采用协同表达来代替多数投票原则,找出与未知样本具有最小重构误差的类别作为预测的类别标记。在4组UCI数据集上的实验结果表明:1)与NC相比,所提NCC在大尺寸信息粒下获得了较为满意的分类效果;2)与CRC相比,所提NCC在保持良好分类精度的同时,极大地降低了字典样本的规模,进而提高了分类的效率。     

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.     

ELM与SVM在高光谱遥感图像监督分类中的比较研究

在高光谱遥感图像监督分类过程中加入空间特征信息,可有效提高分类的速度与精度。将空间信息提取方法分水岭法与极限学习机(ELM)和支持向量机(SVM)相结合,对两种分类方法加入空间特征信息前后的分类结果进行时间与精度的综合评价与比较分析。以意大利帕维亚大学(PaviaU)ROSIS和博茨瓦纳(Botswana)奥卡瓦纳三角洲Hyperion高光谱遥感数据进行试验,首先对原始图像数据进行预处理,对不同地物类别选取适当的训练样本作为分类的参考区域,然后对各类别的光谱特征进行分析,并分别运用两种分类方法对数据集进行分类实验;之后将光谱特征与空间特征结合对数据进行分类试验。实验结果表明:在分类时间及精度方面,极限学习机(ELM)均优于支持向量机(SVM);在分类过程中引入空间特征信息,可有效提高分类精度。