面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

局部保护降维与高斯混合模型的高光谱图像分类

高光谱图像具有高谱间分辨率和低空间分辨率的特点,传统的分类方法难以得到较高的分类精度。针对该问题,该文研究了两种局部保护降维法——局部保护投影(LPP)和局部保护非负矩阵分离(LPNMF)对高光谱图像降维,这两种方法能很好地保护输入空间相邻像素间的局部特征。由于高光谱图像各类间的统计分布多为复杂的多模型结构,文中采用高斯混合模型(GMM)分类器对降维后的数据进行分类。实验结果表明,将局部保护降维与高斯混合模型相结合的高光谱图像分类算法不但在小样本情况下能有效地提高分类精度,而且在背景像素混合的情况下和高斯白噪声环境中具有一定的鲁棒性。     

加权空-谱与最近邻分类器相结合的高光谱图像分类

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法 ,并将其应用到最近邻分类器(KNN)中,导出了一种新的高光谱图像分类算法。该算法利用高光谱图像的物理特性,通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息,利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上,增大了同类像元间的相似性以及异类像元间的差异性,获得了更为有效的鉴别特征,从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验,结果表明:将提出的WSSD-KNN算法应用于高光谱图像分类时,其分类精度高于其他算法,总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息,提取出了更为有效的鉴别特征,故不仅有效地改善了高光谱数据的地物分类精度,而且可在训练样本较少时,保持较高的识别率。     

改进高斯过程回归的高光谱空谱联合分类算法

针对高斯过程回归在高光谱图像分类中计算量较大、分类精度较低等问题,提出一种基于改进高斯过程回归的高光谱空谱联合分类算法。算法以最大方差为指标选取样本的子集缩小高斯过程回归参数求解的计算范围,采用平方根矩阵分解法对新添加样本进行模型结果预测,有效提升运算效率;算法以空间-光谱特征信息为基础,在像元近邻空间中重新定义邻域像元空-谱关联距离,将融入空间近邻信息的空-谱关联距离作为权值来度量邻域像元相似性,加大同类地物归为近邻的概率,从而提高地物分类的精度。在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验,实验结果可知,与其他同类算法横向相比,本文提出的改进算法在总体分类精度、平均分类精度和Kappa系数等评价指标至少提高了2.3%,1.4%和1.07%,与改进前的模型算法纵向对比可知,本文提出的改进算法在取得较高总体分类精度的同时,大幅降低了算法的运行时间。     

面向高光谱影像分类的多特征流形鉴别嵌入

鉴于传统维数约减方法对高光谱遥感影像进行降维时,往往只利用了单一的光谱特征,限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法,该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征,然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构,在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性,而且使同类点尽可能紧致、不同类点远离,实现空-谱联合低维鉴别特征提取,以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明,本文算法的分类精度在不同实验条件下均优于传统的维数约减方法,其分类精度可达95.05%和96.20%,在较少训练样本条件下优势更为明显,有利于实际应用。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

空-谱协同流形重构的高光谱影像分类

鉴于传统高光谱影像分类大都采用监督学习方法,且仅利用了光谱信息,未考虑影像空间特征和流形结构。提出一种基于空-谱协同流形重构误差的高光谱影像分类方法,该算法基于高光谱影像中地物分布的空间一致性,利用少量标记的样本和大量的无标记空间近邻样本来进行半监督学习,并利用测试样本在每一子流形上的重构误差来表征相似性,实现鉴别分类。在Indian Pines和University of Pavia数据集上的实验结果表明,本文方法的分类精度在各种条件下要优于其他分类算法,其最高总体精度分别达到了95.67%和91.92%。该算法将高光谱遥感影像中的空间-光谱信息融入不同地物的子流形结构表征,在训练样本数量较少时仍能得到好的分类效果,有效提升了分类性能。     

基于张量表示的高光谱图像目标检测算法

高光谱图像目标检测是当前一个研究热点。其在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息,本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP张量分解技术和张量块分解(BTD)分别对高光谱数据进行盲源分析,提取了有效的局部图像块空谱特征,建立了一个基于稀疏表示和协作表示的检测模型,针对多种类型背景复杂的场景数据进行实验,并与当前流行的目标检测算法进行比较。从可视化检测结果来看,本文算法在复杂背景和强噪声环境下,有效提取了空谱特征,对背景具有较好的抑制能力,检测的目标显著。此外,本文从接收机操作曲线(ROC)和ROC曲线下面积(AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例,在10%的虚警率下,本文算法取得90%的检测精度,AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度,更强的鲁棒性。     

基于内容的高光谱图像无损压缩

提出了一种基于内容的高光谱图像无损压缩算法.采用自适应波段选择算法对高光谱图像进行降维,引入G-means算法对降维后的光谱矢量进行无监督分类.利用单调后向排序算法确定波段的预测顺序,并根据相邻波段的相关系数大小进行自适应波段分组.针对每一类地物,选取类内部分像素进行最优预测系数的训练,采用多波段线性预测的方案去除同类像素的谱间相关性,预测残差进行JPEG-LS无损压缩.对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验,并与未进行分类预测的算法比较.结果显示,提出的算法的平均压缩比分别提高约0.11和0.7,验证了该算法在无损压缩方面的有效性.     

近邻样本密度和隶属度加权FCM算法的遥感图像分类方法

针对FCM算法具有对数据集进行等划分趋势的缺陷,利用样本本身的近邻分布特性,提出近邻样本密度加权FCM(NSD-WFCM)、近邻样本隶属度加权FCM( NSM-WFCM)以及近邻样本密度和隶属度加权FCM( NSDM-WFCM)算法,并应用于遥感图像分类.对比FCM算法,NSD-WFCM、NSM-WFCM和NSDM-WFCM算法的总体分类精度和Kappa系数分别提高了5.67％、7.50％和11.17％:8.50％、11.25％和16.75％.实验结果表明:这些加权方法都在一定程度上克服了FCM算法的缺陷,提高了遥感图像的无监督分类能力,其中,NSM-WFCM算法的分类性能优于NSD-WFCM算法的分类性能,NSDM-WFCM算法分类性能最好.     

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。     

随机采样子空间保局投影人脸识别算法

在模式识别中,融合多个有差异且互补的弱分类器进行识别,可以提高系统的识别精度及稳定性。Bagging、Boosting和随机子空间等弱学习方法是常用的弱分类器融合方法。本文针对单一保局投影算法分类识别能力弱的问题,提出了一种随机采样子空间保局投影算法。该算法在对训练样本的主元子空间进行随机采样的基础上,利用保局投影得到了多个既有差异且又互补的保局投影子空间;测试样本被分别投影到这些保局投影子空间上,然后利用最近邻分类器进行分类识别,最后根据多数投票原则融合多个子空间上的分类结果来确定样本所属类别。在FERET人脸图像子库上的实验表明,随机采样子空间保局投影算法有效地融合了各LPP投影空间的互补信息,可以显著地提高人脸识别的精度。     

加权Schatten范数低秩表示的高光谱图像恢复

高光谱图像在获取过程中常受到多种类型噪声的干扰,如高斯噪声、脉冲噪声、条纹噪声等,为确保后续应用的顺利进行,提出了一种基于加权Schatten范数低秩表示的高光谱图像恢复方法。该方法引入低秩表示模型恢复高光谱数据,采用加权Schatten范数代替核函数,更精确地逼近秩函数;并选用初步无噪图像作为低秩表示的字典,进一步提高了模型对图像的恢复能力。另外,引入拉普拉斯正则项刻画数据内部的几何结构,能保持图像的细节。模拟和实际高光谱数据的实验结果表明,较多种相关的方法在视觉效果和量化指标值都有很大的改进。与经典的基于低秩先验的恢复方法相比,本文算法的平均峰值信噪比提高2.74 dB,平均结构相似性数值指标提高0.03,而平均光谱角能降低1.40。新模型不仅能充分利用高光谱图像光谱维的低秩先验,而且保持了数据内部的几何结构,有利于恢复出高质量的清晰图像。     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。     

基于最近最远距离保持投影算法的发动机失火状态识别

目前的局部保持投影算法(Locality and preserving projections, LPP)只考虑样本点的近邻矩阵,但是对于那些处于与该样本点距离最远处的样本特性并没有做出研究,这些最远处的样本同样具有描述数据结构信息的功能。为了更好地保留数据结构信息,在考虑样本的近邻点分布的同时分析其最远处的样本点分布,即同时考虑样本的“近邻矩阵”和“最远矩阵”,通过二者结合实现数据维数的约简,由此提出基于最近最远距离的保持投影算法(Nearest and farthest distance preserving projections, NFDPP)。将该算法运用于发动机失火状态的仿真数据及实际测试中,通过与主成分分析(Principal component analysis, PCA)、LPP、邻域保持嵌入(Neighborhood preserving embedding, NPE)、线性判别分析(Linear discriminant analysis, LDA)等算法的对比,得出NFDPP算法能够得到更低的识别错误率曲线,证明所提出的NFDPP算法能够有效地识别发动机失火故障状态。     

Comparison of hyperspectral classification methods for the analysis of cerium oxide nanoparticles in histological and aqueous samples

Hyperspectral imaging (HSI) and classification are established methods that are being applied in new ways to the analysis of nanoscale materials in a variety of matrices. Typically, enhanced darkfield microscopy (EDFM)‐based HSI data (also known as image datacubes) are collected in the wavelength range of 400–1000 nm for each pixel in a datacube. Utilising different spectral library (SL) creation methods, spectra from pixels in the datacube corresponding to known materials can be collected into reference spectral libraries (RSLs), which can be used to classify materials in datacubes of experimental samples using existing classification algorithms. In this study, EDFM‐HSI was used to visualise and analyse industrial cerium oxide (CeO₂; ceria) nanoparticles (NPs) in rat lung tissues and in aqueous suspension. Rats were exposed to ceria NPs via inhalation, mimicking potential real‐world occupational exposures. The lung tissues were histologically prepared: some tissues were stained with hematoxylin and eosin (H&E) and some were left unstained. The goal of this study was to determine how HSI and classification results for ceria NPs were influenced by (1) the use of different RSL creation and classification methods and (2) the application of those methods to samples in different matrices (stained tissue, unstained tissue, or aqueous solution). Three different RSL creation methods – particle filtering (PF), manual selection, and spectral hourglass wizard (SHW) – were utilised to create the RSLs of known materials in unstained and stained tissue, and aqueous suspensions, which were then used to classify the NPs in the different matrices. Two classification algorithms – spectral angle mapper (SAM) and spectral feature fitting (SFF) – were utilised to determine the presence or absence of ceria NPs in each sample. The results from the classification algorithms were compared to determine how each influenced the classification results for samples in different matrices. The results showed that sample matrix and sample preparation significantly influenced the NP classification thresholds in the complex matrices. Moreover, considerable differences were observed in the classification results when utilising each RSL creation and classification method for each type of sample. Results from this study illustrate the importance of appropriately selecting HSI algorithms based on specific material and matrix characteristics in order to obtain optimal classification results. As HSI is increasingly utilised for NP characterisation for clinical, environmental and health and safety applications, this investigation is important for further refining HSI protocols while ensuring appropriate data collection and analysis.