一种结合空谱聚类的高光谱图像快速压缩算法

对高光谱图像进行快速压缩已经成为了高光谱遥感领域的研究热点.针对现有的高光谱图像数据量大和压缩所需运算量大的问题,提出了一种基于频段聚类+主成分分析(PCA)与空间分类相结合的高光谱图像快速压缩算法.首先利用最大相关度频段聚类算法(MCBC)将频段聚类,接着将每一类频段用PCA压缩,然后将压缩后的图像利用聚类信号子空间投影(CSSP)算法进行图像分类,最后在每一类内利用LBG(Linde Buzo Gray)算法通过矢量量化快速完成高光谱图像的编码.在不同的压缩比下进行实验,结果表明提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下,大幅度降低运算复杂度,实现高光谱图像的快速压缩.     

高光谱遥感图像分类算法的研究

现如今高光谱图像分类广泛应用于遥感图像的分析.高光谱图像像素级分类是利用高光谱图像的主要特点——丰富的光谱信息,对地面物体进行逐像素的高精度类别划分.通过对高光谱遥感图像独特的高光谱信息分析,从算法研究方面,对目前高光谱图像的像素级分类的研究进展和对今后的研究方主要从辅助方法、机器学习方法、深度学习方法三个方面总结高光...     

基于空-谱特征K-means的长波红外高光谱图像分类

高光谱图像(hyper spectral imagery,HSI)分类已成为探测技术的重要研究方向之一,同时也在军事和民用领域得到广泛运用。然而,波段数目巨大、数据冗余、空间特征利用率低等因素已成为高光谱图像分类的挑战,且现有的高光谱分类大多利用可见光或短波红外高光谱数据分类。针对这些问题,本文提出了一种基于光谱和空间特征的K-means分类方法。首先提取空间特征,然后将光谱与空间特征相结合并降维,最后引入K-means算法得到较普通K-means更佳的分类结果。并将此算法运用在长波红外的高光谱图像分类中。     

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。     

基于逻辑回归改进的随机行走空谱融合分类

针对只利用光谱信息进行分类没有充分利用高光谱图像的空间信息和光谱信息的融合,文中提出了改进的随机行走算法,将高光谱的空间信息和非空间信息(光谱)充分融合。针对传统的马尔科夫随机场在物体边缘分类上的欠缺,提出了对高光谱图像先进行主成份分析获得第一主成分构造拥有最大均方特性的加权图G=(V,E)。最后将基于加权图和改进的随机行走理论结合进行高光谱图像分类。针对逐像素支持向量机在估计初始概率时没有考虑高光谱图像的空间信息,尝试提出利用逻辑回归分类器LOR与改进的随机行走的算法结合来提升分类精度。对比实验表明文中算法具有更高的分类精度。     

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FPGA的高光谱图像奇异值分解降维技术

为了解决高光谱图像维数高、数据量巨大、实时处理技术实现难的问题,提出了高光谱图像实时处理降维技术.采用奇异值分解(SVD)算法对高光谱图像进行降维,又在可编程门阵列(FPGA)芯片中针对这一算法划为自相关模块、特征求解模块、特征提取模块和降维实现模块4个模块进行编程实现、仿真和验证.仿真结果表明,高光谱图像降维后数据量为降维前的1/3,而降维后的分类像素点误差为0.2109%,证明了奇异值分解算法进行高光谱图像降维算法的有效性.     

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.     

主动学习高光谱图像分类算法GPU并行计算优化

本文利用高光谱图像的空间-光谱维信息,结合主动学习算法实现高光谱图像分类。该算法利用较少的训练样本获得较高的分类精度,与此同时,该算法的运算过程复杂度高且计算效率非常低。针对这一特点,本文提出了一种利用图像处理器(Graphic processing units,GPUs)对算法进行数据级并行计算优化。并且利用真实场景的高光谱图像对文中提出的并行计算优化方案进行了实验验证,结果表明该方法在保证与串行分类精度一致的情况下,其计算加速比达到34倍左右,验证了基于GPU的高光谱图像分类算法的有效性。     

基于自适应加权的超光谱图像分类方法

为了进一步提高已有的加权超光谱图像分类方法的识别性能,以支持向量机(SVM)作为基本框架,结合超光谱图像的谱间与空域信息,提出了一种自适应加权的超光谱图像分类方法.所提方法的自适应权值是由两部分构成,即改进的具有归一化取值的互信息(MI)与一定量的归一化图像标准方差之和,不仅考虑到了超光谱图像的谱间信息对分类会产生的作...