基于光谱梯度角的高光谱影像流形学习降维法

为了挖掘高光谱数据的光谱局部特征,从高光谱遥感数据内在的非线性结构出发,提出了一种基于光谱梯度角的高光谱影像流形学习降维方法。采用局部化流形学习算法局部保持投影（LPP）对高光谱遥感数据进行非线性降维,对距离度量进行改进,将能够更好刻画高光谱影像光谱局部特征的光谱梯度角相似性度量应用于LPP方法,并用真实高光谱图像进行降维实验,取得了优于LPP方法和采用光谱角的LPP方法的结果。结果表明,在光谱规范化特征值方面,所提方法优于LPP方法和采用光谱角的LPP方法;在信息量的保持方面,具有更好的局部细节信息保持量。采用光谱梯度角的流形学习方法用于高光谱影像降维能取得较好的降维效果。     

基于无监督特征选择的高光谱图像分类方法

在高光谱图像分类中,丰富的数据提升了其地物 识别能力。然而,由于样本特 征数大且有标记训练样本点少,导致“维度灾难”问题。本文提出一种基于无监督特征选择 的高光谱图像分类方 法,该方法同时考虑数据的流形嵌入映射和稀疏表达,将特征选择问题转化为一个优 化问题,数据的流形嵌入和稀疏表达作为约束项加入目标函数。设计了三个目标函 数,第一个目标函数描述流形学习的局部性原则,第二个目标函数将原始样本点回归 到低维嵌入空间,第三个目标函数对回归系数进行正则化。针对目标函数非凸的问 题,用迭代的方法来解这个约束优化问题,给出了解该优化问题的算法。优选特征用 于参与后续的分类识别任务。在真实的高光谱数据集上的实验表明,新方法能够提高 分类的精度。     

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容。相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注。由于高光谱数据具有较高的维数, 当训练样本较少时,高光谱数据的分类精度受到严重的影响。通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数。为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类。实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性。相比较原始未降维数据,降维后的高光谱图像分类精度有较大幅度的提高。     

基于特征重要性的高光谱图像分类

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息,本文提出了一种基于特征重要性的卷积神经网络（convolutional neural networks,CNN）分类模型。首先,利用贝叶斯优化训练得到的随机森林模型（random forest,RF）对高光谱遥感图像进行特征重要性评估;其次,依据评估结果选择合适数目的高光谱图像波段,以作为新的训练样本;最后,利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据,实验结果均表明:相比原始光谱信息直接采用支持向量机（support vector machine,SVM）和卷积神经网络的分类效果,本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。     

基于图像欧氏距离的高光谱图像流形降维算法

提出两种基于图像欧氏距离的非线性降维方法.该方法利用高光谱图像物理特性, 将图像欧氏距离引入到传统的流形降维算法中.与其它应用于高光谱图像的降维算法相比, 该算法具有诸多优点.图像欧氏距离的引入, 在考虑高光谱图像本身的空间关系的同时, 很好地保持了数据点之间的局部特性, 可以实现有效地去除原始数据集光谱维和空间维的冗余信息.实际高光谱数据的实验结果表明, 该算法应用于高光谱图像分类时, 与其它常见的方法相比具有更高的分类精度.     

基于流形学习的新高光谱图像降维算法

提出了一种新的基于图像块距离的邻域选择方法,并将其应用于流形学习中,得到一类新的高光谱图像非线性降维算法。该类算法利用高光谱图像物理特性,结合图像的光谱信息和空间信息,在最大限度减小图像信息冗余的基础之上,很好地保持了原始数据集的特性。与其它高光谱图像的降维算法相比,改进的流形学习算法不仅考虑到高光谱图像本身的空间关系,而且利用图像块距离更好地保持了数据点之间的局部特性,从而有效地去除原始数据集光谱维和空间维的冗余信息。实际高光谱数据的实验结果表明,所提出的算法在应用于高光谱图像分类时,与其它方法相比具有更高的分类精度。     

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始末降维数据,降维后的高光谱图像分类精度有较大幅度的提高.     

一种具有隐蔽色特征物体的图像分类方法研究

针对图像中某几类物体具有相似颜色特征而导致的分类困难问题,本文提出了一种具有隐蔽色特征物体的图像分类方法.该方法针对可见光图像中具有颜色隐蔽性物体而难以区分的问题,通过将二维图像的邻域像素空间特征与高光谱图像的谱段特征相结合并使用改进的局部线性嵌入降维算法实现了空谱联合的特征降维,最终利用主动学习胶囊网络训练高光谱数据...     

基于压缩感知理论的波段重构方法

针对高光谱图像数据量大、信息冗余多、传输难度大等问题,从波段压缩采样入手,通过采样数据重构出原始波段,提出一种基于压缩感知理论的波段重构方法。压缩感知理论是一种在不遵循奈奎斯特采样定理的情况下,能够高精度重构出原始信号的新型压缩采样理论。由于高光谱图像谱间相关性高,具有很强的稀疏性,故可将压缩感知理论用于高光谱数据的波段重构,仅选择少量波段,便能够重构得到原始高光谱数据。实验结果表明,压缩感知理论能够对高光谱图像波段维进行压缩与重构,并可达到较高的重构比例,同时获得较高的重构效率,且重构数据光谱曲线与原始数据光谱曲线的波形一致度高。     

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。     

基于矩阵分解的高光谱数据特征提取

利用有限的标记样本,将其作为硬性约束加入矩阵分解中;同时构建局部邻域graph,挖掘数据的流形结构并保持局部的不变特性,提出一种基于矩阵分解的高光谱数据特征提取(FEMF)方法.经过矩阵分解,使得原始高维光谱特征空间中相近的数据在低维空间中仍然相近,而相同类别的标记数据则被投影到同一个位置.这样的低维表示具有更强的判别性能,从而得到更好的分类和聚类效果.该方法的求解过程是非凸规划问题,同时给出了一个乘性更新规则获得局部优化解.最后,对真实高光谱数据进行特征提取验证了该方法的有效性.     

多尺度超像素纹理特征保持与融合的高光谱图像分类

高光谱图像的低空间分辨率特性往往导致全局纹理提取技术难以获取地物要素的精准纹理信息,同时,单一尺度的局部纹理提取技术难以达到有效识别地物的目的。基于此,该文设计了一种多尺度超像素纹理保持与融合(MSuTPF)的高光谱图像分类方法,主要架构如下:首先,利用2D Gabor滤波器对高光谱图像进行多方向与尺度的全局纹理提取,并通过融合各尺度的纹理特征,增强纹理结构表征能力;其次,融合纹理与光谱主成分特征以形成光谱-纹理联合判别特征;再次,采用形状自适应的超分割方法,作用至光谱-纹理联合特征进行局部纹理信息保持与融合,尤其是,为克服超像素邻域像元的隐性不相关问题,该文定义了基于密度最近邻相似性评价准则,使超像素纹理进一步趋于一致性;最后,将各更新的光谱-纹理联合特征输入像素级分类器获取其对应的类标签,并采用多数表决的决策融合机制取得最终分类结果。Indian Pines和Pavia University真实数据集的实验表明,该方法在小样本条件下的分类精度优于基准分类器(SVM)、深度学习方法(GFDN)以及最新的空-谱分类方法(S3-PCA)等8个对比方法,充分证明了该文所提方法的实用性和有效性。     

空谱结构保持的高光谱图像分类

高光谱遥感图像具有特征（波段）数多、冗余度高等特点,因此特征选择成为高光谱分类的研究热点。针对此问题,提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性,首先对图像进行加权空谱重构,使图像的空间结构信息自动融入光谱特征,形成空谱特征集;对利用最小二乘回归模型保存数据集的全局相似性结构的基础上,加入局部流形结构正则项,使挑选的特征子集更好地保存数据集的内在本质结构;讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明,该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息,而且深入挖掘了数据集的内在本质结构,从而得到更有鉴别性的特征子集,相比传统方法明显提高了分类精度。     

基于生成对抗网络的高光谱图像特征提取

特征提取是高光谱数据处理领域的一个重要研究 内容。高光谱数据获取过程中的复 杂性使传统的特征提取方法无法良好地处理高光谱图像。同时,高光谱图像标记样本数量的 有限性,也为常用于特征提取的监督深度学习方法带来不利影响。为了摆脱对高光谱图像中 标记样本的依赖,在卷积神经网络的基础上引入生成对抗网络,针对光谱特征提出了一种无 监督的高光谱图像特征提取的方法。为了稳定网络的训练过程,提高生成对抗网络中判别器 的特征表示能力,在目标函数中引入梯度惩罚项,将判别器的性能不断逼向最优。在特征提 取阶段,针对高光谱图像的光谱结构,提出了一种通道最大池化方法,能够在降低数据维度 的同时尽可能保留高光谱图像的光谱信息。使用支持向量机(support vector machines,SVM)和k近邻(k-hearest neighbor,KNN)方法对 提取到的特征进行分类测试。在两个真实数据集上的实验结果表明,提出的方法优于传统的 特征提取方法。     

采用SIFT特征的高光谱数据自动几何精校正

针对几何精校正过程中人工选取控制点误差大、未考虑高光谱数据光谱特征一致性等问题,提出了基于SIFT特征的自动几何精校正方法。首先提取图像的SIFT特征,利用高光谱数据的地理坐标定位进行局部特征匹配,然后为了进一步提取高精度、分布均匀的控制点,提出了一种分区域的随机采样一致（Random Sample Consensus,RANSAC）算法。利用航空高光谱成像仪Hymap获取的新疆东天山数据进行算法性能的分析与验证,并采用CE90/CE95以及均方根误差等指标进行定位精度的评价,提出的基于SIFT特征的自动几何精校正方法能够达到0.8像元的定位精度,并且校正前后光谱的光谱角小于0.01 rad。     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

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。