基于空谱联合的高光谱图像分类方法现状与展望

高光谱成像技术在近十几年里实现了飞跃式的发展。高光谱图像分类的应用受到广泛关注，其分类精度的提升是当前研究的重点。高光谱图像分类是利用不同地物的诊断性吸收特征区分地物类别。传统的高光谱图像分类仅利用图像的光谱特征，分类效果不明显。近些年的研究表明，同时分析地物光谱特征和空间分布能有效提升分类精度。首先总结了众多空谱联合分类方法，依据空谱信息融合阶段的不同，将空谱联合分类分为预处理的分类、综合处理的分类和后处理的分类，简要介绍了深度学习在空谱联合分类中的实现方法，最后对空谱联合分类的研究前景进行了展望。     

基于模式识别技术的高光谱遥感图像检测

针对高光谱遥感图像以模式识别的方式进行人工智能检测,一直存在时效性与便利性差的问题,提出一种基于模式识别技术的高光谱遥感图像检测新方法。通过高光谱遥感图像邻域中像素灰度的加权均值对模板中中心像素进行替代,通过邻域平均法令邻域像素更加均衡化,减弱噪声点,完成对高光谱遥感图像的预处理。通过平均值法实现相邻帧图像的拼接,对重叠部分帧间差分进行计算,实现高光谱遥感图像的进一步处理。结合相对温差法和拓扑矩阵修正方法对高光谱遥感图像中的异常情况进行检测,确定高光谱遥感图像中的过热区域。实验结果表明,所提方法对高光谱遥感图像的处理性能好,对一次特征检测准确性高。     

基于深度学习的高光谱影像分类方法研究

针对高光谱影像分类方法精度不足的问题，提出一种基于空间-频谱变换（Spectral-Spatial Transformer，SST）网络的高光谱影像分类方法。首先，将高光谱影像预处理为一维特征向量。然后，设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%，表明此方法具有较高的分类精度，为高光谱影像分类及应用提供了一种新方案。     

基于图像分割和LSSVM的高光谱图像分类

提出一种基于图像分割和LSSVM的高光谱图像分类方法,将空谱信息结合起来进行高光谱图像的分类。首先利用均值漂移算法对高光谱图像进行分割,然后对每一块分割区域数据进行降维并且对降维后的数据LSSVM分类,最后用最大投票方法融合分割图和分类得到最终的分类结果。该文分类方法先对分割后的区域求出相似性矩阵并训练新样本集求出低秩系数矩阵,由相似性矩阵和低秩系数矩阵构造特征值方程求解出降维矩阵,然后利用混合核LSSVM对降维后的数据进行分类。实验结果表明,提出的基于图像分割和LSSVM的高光谱图像分类方法有效提高了高光谱图像的分类精度。     

基于“高分五号”遥感图像的地物分类方法

作为全波谱段高光谱卫星,"高分五号"卫星可提供丰富的遥感数据,研究利用"高分五号"卫星遥感图像实现精确的地物分类方法,这是实现高光谱遥感信息资源所有权的重要组成部分。文章立足于"高分五号"卫星数据,先进行遥感图像预处理,有效地消除大气干扰和噪声,优选核主成分分析方法进行"高分五号"卫星高光谱图像的特征提取,用最大似然法(MLE)、卷积神经网络(CNN)、支持向量机(SVM)3种分类器对高光谱图像数据分类。结果表明,RBF核的支持向量机分类器精度可达到97.889 7%,Kappa系数为0.966 7,比传统的最大似然法、神经网络分类方法分类精度分别高出15.478%,8.670 8%。由此可以实现"高分五号"卫星数据预处理,及其在土地利用分类应用上的可行性。     

基于Contourlet变换的稀疏成分分析的高光谱图像分类研究

本文介绍了稀疏成分高光谱遥感技术发展建立在多光谱遥感技术之上[1],兴分析和Contourlet变换相关的理论知识,研究了基于Contourlet变换的稀疏成分分析的高光谱图像分类方法——将高光谱图像分类问题转化为解决源信号提取的盲源分离问题。通过实验提取分类数据,计算分类精度。比较实验数据可知,基于Contourlet变换的稀疏成分分析的高光谱图像分类精度高,取得了较好的分类效果。     

高光谱空谱一体化图像分类研究

高光谱图像分类是遥感图像处理技术中的一个热点,提高分类精度是目前一个重要研究方向。常规的高光谱图像分类技术主要关注于如何更好地利用光谱空间的分类信息,往往忽视图像空间域信息。本文提出了一种基于空谱一体化处理的高光谱图像分类方法,在利用数据进行自身光谱特征分类的同时采用区域生长法和二值形态学法相结合的空间域有效信息对光谱分类结果进行补充。实验证明本方法能提高高光谱图像分类精度。     

基于多尺度特征提取的高光谱星载分类算法

针对当前高光谱分类算法难以同时满足星载分类高精度、低能耗需求的问题，提出一种基于多尺度空间特征提取的高光谱星载分类算法，在保持较高分类精度的同时大幅度降低算法的计算开销。利用局部最大值滤波提取高光谱图像的纹理特征，将多尺度滤波结果根据遥感图像空间关联性进行组合得到局部-全局联合空间特征，融合空间特征和光谱特征后采用随机森林进行分类。该算法仅包含整数比较和加法运算，未采用高光谱主流分类算法中的乘法和求幂等高开销运算。在Indian Pines、Pavia University和HyRANK影像数据集上的实验结果表明，该算法与最高水平分类算法相比分类精度损失保持在2.4%以内，在跨场景分类中同样获得了较高的分类精度，与星载分类算法相比分类过程能耗降低到1/10000以下。该算法与现有算法相比更适用于星载分类任务，能够在保持较高分类精度的同时有效降低星载分类过程中的计算开销和能耗。     

基于高光谱图像的东北稻米品种快速分类

针对稻米品种无损鉴别需求,利用高光谱技术分析了3种稻米样品的光谱图像特征,实现了利用液晶可调滤波器(LCTF)光谱相机对3种稻米的探测、分类与鉴别。通过高光谱相机采集稻米样品的VIS/NIR光谱图像,运用Matlab软件及ENVI软件对高光谱图像进行处理分析,获得各样本的相对反射率曲线,结合图像阈值分割技术,得到各波段光谱图像的二值图像。结合图像及数据,分析不同品种稻米的光谱差异,发现稻米于480~550 nm波段有较为明显的特征峰,品种之间光谱差异明显,且不同品种稻米的二值图像明暗占比不同,以此完成稻米品种的分类与鉴别。研究结果表明,光谱图像的相对反射率和二值图像在稻米品种快速分类与识别的应用中具有较好的应用前景。     

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。     

基于稀疏表示及光谱信息的高光谱遥感图像分类

该文结合稀疏表示及光谱信息提出了一种新的高光谱遥感图像分类算法。首先提出利用高光谱遥感图像数据集构造学习字典,然后根据学习字典计算每个像元的稀疏系数,从而获得像元的稀疏表示特征,最后根据稀疏表示特征和光谱信息分别构造随机森林,通过投票机制得到最终的分类结果。在AVIRIS高光谱遥感图像上的实验结果表明：该文所提方法能够提高分类效果,且其分类总精度和Kappa系数要高于光谱信息和稀疏表示特征方法。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

针对高光谱图像的目标分类方法现状与展望

进入21世纪,遥感技术成为一项非常重要的空间成像技术。高光谱图像分类是遥感技术应用中非常重要的一项研究内容,在民用和军用上都实现了应用。高光谱图像分类是通过给每个像元添加分类标签,最终达到区分地物并且识别目标的目的。本文简要阐述了高光谱图像的分类过程及其面临的主要问题;在总结前人研究的基础上归纳了4类主要的高光谱图像分类策略,简要分析了其优缺点及适用范围;分析了近年来出现的新型分类器及其优化方法。最后,对于高光谱图像分类研究存在的主要困难进行了总结,并对未来发展的方向进行了展望。     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

基于小波核主成分分析的相关向量机高光谱图像分类

相关向量机(RVM)高光谱图像分类是一种较新的高光谱图像分类方法,然而算法本身存在对于高维大样本数据训练时间过长、分类精度不高的问题。针对这些问题,该文提出一种基于新型核主成分分析的RVM分类方法。该方法首先将核函数引入到主成分分析中,然后应用小波核函数代替传统核函数,利用小波核函数的多分辨率分析特点,进一步提高核主成分分析(KPCA)非线性映射能力,最终将新型核主成分分析算法与相关向量机相结合,对高光谱图像进行分类。仿真实验结果表明,将所提出的方法应用于AVIRIS美国印第安纳州实验田高光谱数据预处理后,类内类间距离比降低20%,方差整体增幅较大,最终将处理后的数据应用于相关向量机的高光谱图像分类中,分类精度提升3%~5%。     

基于自然图像统计特性的拼接图像检测算法

图像拼接被认为是最基本和最主要的图像非法编辑操作.拼接图像检测的关键问题之一是提取拼接图像有别于自然图像的区分性特征,将其转化为模式识别问题.本文从自然图像DCT 变换系数的统计特性出发,分别应用高斯分布和广义高斯分布来建立其直流分量和交流分量的统计分布模型,同时结合图像小波变换系数的能量分布特性,提取模型参数和小波域的能量分布特性形成特征向量,送入支持向量机,实现对拼接图像和自然图像的分类和检测.实验结果表明,本文算法达到了平均80%的准确率,性能优于Ng提出的基于双相干特征的拼接图像检测算法.     

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...     

邻域谱概率协同表示的高光谱图像分类方法

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。     

基于主成分分析与局部二值模式的高光谱图像分类北大核心CSCD

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息,对降维后的图像利用局部二值模式进行空间纹理特征分析,采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,因此,此类算法不但能充分挖掘高光谱图像的谱间-空间特征,在较大程度上提高分类精度和Kappa系数,而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。     

基于空间相关性约束稀疏表示的高光谱图像分类

该文提出一种新的基于稀疏表示的高光谱图像分类方法。首先利用训练数据构造结构化字典,建立基于稀疏表示的高光谱图像分类模型;然后添加空间相关性约束项和训练数据的空间信息,提高稀疏表示模型分类的准确性;最后采用快速的交替方向乘子法求解模型。实验结果表明：该文方法能够有效提高分类精度,且分类结果稳定。