应用于血迹检测的高光谱成像技术研究综述

血迹作为暴力案件现场出现率较高的生物检材,其检验鉴定工作可为案件的快速侦破提供大量信息.高光谱成像技术可对案发现场的血迹检材进行无损、快速成像,相比于检测血迹的化学试剂法和传统的光谱分析方法,高光谱成像技术具有图谱合一的显著优势.在简要分析高光谱成像特点、数据表达方式和数据处理方法的基础上,介绍了高光谱成像技术在国防、...     

高光谱遥感在植被精细分类中的应用

文章论述了高光谱技术在植被遥感应用领域的若干问题，如植被“红边”定量分析及其应用、植被生物化学成分反演、植被研究中导数光谱的意义等；还利用高光谱遥感技术进行了植被生物量制图和植物精细分类试验．验证了高光谱遥感技术在植被研究中的巨大作用。     

高光谱目标分类技术发展与展望

高光谱成像技术源于遥感探测,具有谱图合一的独特优势,在农林、地矿、防伪和环境保护等领域的应用日益广泛。作为高光谱技术最常见和最基本的功能,目标分类在各个高光谱领域的应用均具有至关重要的作用。综述了高光谱目标分类技术的发展现状,分析了高光谱数据的结构特点,归纳了高光谱目标分类的一般流程,并详细阐述了数据读取、图像预处理和目标分类等高光谱目标分类流程的主流方法及其基本原理。结合近年来的典型案例,分析了高光谱目标分类的过程,并对其发展趋势进行了分析和展望。     

基于分类的高光谱图像压缩算法

高光谱图像庞大的数据量给存储与传输带来巨大挑战,必须采用有效的压缩算法对其进行压缩。提出了一种基于分类的高光谱图像有损压缩算法。首先利用C均值算法对高光谱图像进行无监督光谱分类。根据分类图,针对每一类数据分别采用自适应KLT(Karhunen-Love transform)进行谱间去相关;然后对每个主成分分别进行二维小波变换。为了获得最佳的率失真性能,采用EBCOT(Embedded Block Coding with Optimized Truncation)算法对所有的主成分进行联合率失真编码。实验结果表明,所提出算法的有损压缩性能优于其它经典的压缩算法。     

高光谱遥感分类与提取技术

本文介绍了高光谱遥感的特点,主要对现有的分类与提取技术进行了综述,并归纳出了其最新研究方向。主要的分类方法有最小距离法、最大似然法、人式神经网络和模糊模式等,提取技术包括光谱吸收指数、光谱角度匹配,光谱相似度等。     

高光谱遥感分类与信息提取综述

本文从高光谱遥感图像的特点与性质人手,介绍了高光谱遥感的应用情况;并对目前所采用的高光谱遥感图像分类与信息提取的算法,以及这些算法的优劣进行综述;接着,论述了投影寻踪在高光谱遥感图像分类中的可行性。     

基于光谱注意力图卷积网络的高光谱图像分类

近年来,图卷积网络因其特征聚合的机制,能够同时对单个节点以及近邻节点的特征进行表示,被广泛应用于高光谱图像的分类任务。然而,高光谱图像(HSI)中常存在波段冗余、同物异谱等问题,使得直接利用原始光谱特征构建的初始图可靠性不足,从而导致高光谱图像的分类精度低。为此,该文提出一种基于光谱注意力图卷积网络(SAGCN)的高光谱图像半监督分类方法。首先,利用注意力模块对光谱的局部与全局信息进行交互,以增加重要光谱的权重、减小冗余波段以及噪声波段的权重,从而实现光谱的自适应加权;然后,针对光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,通过图卷积对标记和无标记样本进行有效的特征聚合,并使用标记样本的聚合特征训练网络。在Indian Pines, Kennedy Space Center和Botswana 3个真实高光谱图像数据集上的实验结果验证了所提方法的有效性。     

遥感中的高光谱技术及应用

简要介绍了高光谱的概念、高光谱成像光谱技术及其相关的定标技术,并介绍了有关领域中高光谱的应用,据此反映高光谱技术在遥感中的重要作用。     

距离选通成像在无人机识别分类中的应用北大核心CSCD

针对无人机夜间难以识别的问题,采用YOLOv5算法对无人机激光图像进行识别分类。首先对距离选通成像原理进行了说明,其次介绍了YOLOv5网络结构,然后建立了五种无人机激光图像数据集,最后使用YOLOv5的四种网络模型对数据进行训练。实验结果得出,四种模型的准确率都是99.73%,损失率都在1%以内,同时,在YOLOv5s网络下五种无人机识别分类的平均识别率为96%、94.6%、95.2%、95.7%、95.4%,识别准确率较高。     

支持向量机的分类策略在图像识别中的应用

针对目前图像识别中能够获取的样本数非常少,而基于支持向量机的分类策略具有利用较少训练样本达到很好的分类结果能力的优点,阐述了支持向量机的基本原理,介绍了支持向量机的多模式分类策略,重点说明了"M-ary"分类策略的改进方法,即在M-ary分类策略中引进二进制编码分类,这样可以提高图像的识别速度,以及改进后的"M-ary"分类策略在车型识别中的应用.     

基于高光谱成像和模式识别的无损检测苹果表面损伤

为了实现苹果表面损伤的快速无损检测,基于高 光谱成像技术结合模式识别算法建立了苹果表面损 伤检测模型。首先,利用高光谱图像采集系统采集完好无损和表面损伤苹果样本的高光谱图 像,提取正常 区域和损伤区域的平均光谱反射率曲线；然后,采用标准正态变换(SNV)和多元散射校正(MSC)分别 对原始光谱数据进行预处理；最后,利用偏最小二乘判别分析(PLS-DA)方法,建立了苹 果表面损伤 SNV+PLS-DA和MSC+PLS-DA检测模型。结果表明:采用SNV和MSC光谱预处理方法可有效地消 除高 光谱图像中的噪声；利用SNV+PLS-DA检测模型对校正集和检验集样本的正确识别率分别为 70.8%和 77.5%,而采用MSC+PLS-DA检测模型对校正集和检验集样本的正确识 别率分别为71.7%和77.5%。因此, 基于高光谱成像技术结合模式识别方法,可实现苹果表面损伤的无损检测。     

Anomaly detection and classification for hyperspectral imagery

Anomaly detection becomes increasingly important in hyperspectral image analysis, since hyperspectral imagers can now uncover many material substances which were previously unresolved by multispectral sensors. Two types of anomaly detection are of interest and considered in this paper. One was previously developed by Reed and Yu to detect targets whose signatures are distinct from their surroundings. Another was designed to detect targets with low probabilities in an unknown image scene. Interestingly, they both operate the same form as does a matched filter. Moreover, they can be implemented in real-time processing, provided that the sample covariance matrix is replaced by the sample correlation matrix. One disadvantage of an anomaly detector is the lack of ability to discriminate the detected targets from another. In order to resolve this problem, the concept of target discrimination measures is introduced to cluster different types of anomalies into separate target classes. By using these class means as target information, the detected anomalies can be further classified. With inclusion of target discrimination in anomaly detection, anomaly classification can be implemented in a three-stage process, first by anomaly detection to find potential targets, followed by target discrimination to cluster the detected anomalies into separate target classes, and concluded by a classifier to achieve target classification. Experiments show that anomaly classification performs very differently from anomaly detection.     

图像识别技术在移动互联网中的应用

随着移动互联网的飞速发展,如何更好的利用它为用户带来更好的服务,成为了IT界关注的焦点.本文首先从信息传递的本质出发,分别从运营商和用户的角度探讨了图像识别技术与移动互联网结合的可能性;其次,明确提出图像过滤和图像搜索是图像识别技术在移动互联网中的核心应用;最后,详细介绍了图像过滤和图像搜索技术的技术现状和发展趋势,并...     

Kernel-based methods for hyperspectral image classification

This paper presents the framework of kernel-based methods in the context of hyperspectral image classification, illustrating from a general viewpoint the main characteristics of different kernel-based approaches and analyzing their properties in the hyperspectral domain. In particular, we assess performance of regularized radial basis function neural networks (Reg-RBFNN), standard support vector machines (SVMs), kernel Fisher discriminant (KFD) analysis, and regularized AdaBoost (Reg-AB). The novelty of this work consists in: 1) introducing Reg-RBFNN and Reg-AB for hyperspectral image classification; 2) comparing kernel-based methods by taking into account the peculiarities of hyperspectral images; and 3) clarifying their theoretical relationships. To these purposes, we focus on the accuracy of methods when working in noisy environments, high input dimension, and limited training sets. In addition, some other important issues are discussed, such as the sparsity of the solutions, the computational burden, and the capability of the methods to provide outputs that can be directly interpreted as probabilities.     

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...     

Cluster-space representation for hyperspectral data classification

This paper presents a generalization of the hybrid supervised-unsupervised approach to image classification, and an automatic procedure for implementing it with hyperspectral data. Cluster-space representation is introduced in which clustered training data is displayed in a one-dimensional (1-D) cluster-space showing its probability distribution. This representation leads to automatic association of spectral clusters with information classes and the development of a cluster-space classification (CSC). Pixel labeling is undertaken by a combined decision based on its membership of belonging to defined clusters and the clusters' membership of belonging to information classes. The method provides a means of class data separability inspection, visually and quantitatively, regardless of the number of spectral bands used. The class modeling requires only that first degree statistics be estimated; therefore, the number of training samples required can be many fewer than when using Gaussian maximum likelihood (GML) classification. Experiments are presented based on computer generated data and AVIRIS data. The advantages of the method are demonstrated showing improved capacity for data classification     

基于特征重选择的高光谱图像分类

在对高光谱图像进行分类时,由于高光谱数据维度很高,通常先对其进行特征选择,进而使用分类器进行分类。在分类时,最大似然分类器因为具有多分类、概率输出等特点而经常被采用。在实际分类中,我们发现,目标的真实类别所获得的概率值通常位于所有类别的前两位,我们称该现象为混淆现象。利用这一现象,通过特征重选择,我们给出一种新颖的特征选择框架。该框架首先对数据进行特征选择,进而对目标进行分类。若分类结果满足混淆条件,则针对易混淆的两类进行特征重选择,分类并得到最终结果。理论分析和实验结果表明,该框架稳定、有效。     

ARM NEON技术在车位识别算法中的应用

为了在车位检测系统中不使用DSP的情况下,达到实时处理和节约成本的目的,在嵌入式Linux系统中使用了CORTEX-A系列的NEON协处理器技术来优化一种车位图像检测算法的代码。在CORTEX-A8平台上使用该图像处理算法进行了大量的处理测试,图像算法处理速度得到很大提升。最后在多个平台下使用该图像处理算法进行测试对比,使用了NEON技术后其算法处理速度提升明显,能够满足实时要求。