基于小波神经网络的光谱数据压缩与分类研究

文中介绍了一种基于小波分析而构造的神经网络模型－小波神经网络,利用它并适当选取网络结构和小波基。实现了对化学物质红外光谱数据的压缩表达和分类,实验表明,网络在大幅度压缩数据的同时能很好地恢复原始光谱,较准确地反映吸收峰的和强度。在分类方面它比其它网络具有更高的分辨率和特征提取能力。     

基于整数小波变换的遥感超光谱图像无损压缩

由于遥感图像信息十分宝贵,应尽可能采用无损压缩或近无损压缩方法。本文提出基于"提升"(Lifting)算法实现整数小波变换(IWT)的方法,将变换方法用于去除空间冗余,保证了小波变换后图像信息无损失,再用算术编码对图像进行无损压缩。由于变换方法的去相关性能良好,实验证明将IWT应用于遥感图像无损压缩是有效的,能达到预期的目的,解码后的图像能无失真的恢复。     

基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（ Karhunen-Loeve Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Trtmcation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（Karhunen-Loève Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Truncation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

电能质量信号的三维数据压缩

为提高电能质量数据的压缩性能,满足低压缩比下高信噪比的工程要求,采用三维表示方法重构电能质量数据,利用三维小波分解与3D-SPIHT编码算法对七种典型的电能质量扰动信号的三维数据块进行压缩编码,并与传统SPIHT算法结果对比。实验证明三维压缩方法的优越性,在相同码率的条件下三维压缩方法具有更高的信噪比。在此基础上确定七种电能质量扰动信号在当前实验环境下的极限比特率与极限压缩比,分析信号特点对压缩比的影响。     

一种基于超光谱的血细胞分类方法*

对近红外—可见光范围内的超高光谱血液图像进行血细胞分类。不同于常见的血细胞识别方法,对血细胞的特征提取不但含有图像灰度特征,而且还包含了丰富的光谱特征,在分类方法上利用具有自适应能力的遗传算法和神经网络设计分类器进行血细胞的分类。实验结果表明,该法对背景点、红细胞和病变细胞核可取得比较好的识别结果。相对于10波段光谱和80波段高光谱而言,220波段的超光谱以增加运行时间为代价,取得了较好的分类结果。     

小波变换在静态图像数据压缩中的应用

图像数据压缩是多媒体的关键技术之一，寻求好的数据压缩方法是目前的一个热点，本文结合小波变换对图像数据压缩的编码方法进行研究，并在静态图象数据压缩方面进行了有益的尝试。     

用分形与小波进行计算机图像数据压缩的进展

本文简要介绍分形、小波进行计算机图像数据压缩的原理特点和发展情况，并介绍我们的一些做法     

基于改进的三维卷积神经网络的高光谱遥感影像分类技术研究

高光谱遥感影像数据具有多样化的光谱信息和空间信息,然而传统的高光谱影像分类只是针对目标的光谱特征进行处理。基于三维空间滤波操作可以作为一种简单高效的提取高光谱影像光谱和空间特征的方式,基于此提出一种改进的三维卷积神经网络框架以实现更加准确的高光谱遥感影像分类。利用高光谱遥感影像数据立方体有效地提取光谱-空间组合特征,而不依赖于任何预处理或后期处理。另外,与其他传统的基于深度学习的方法相比,该方法去除了池化层,从而达到所需参数更少,模型规模更小,更容易训练的效果。将该方法与其他基于深度学习的高光谱遥感影像分类方法进行了比较,并使用两个真实场景的高光谱遥感影像数据集作为测试。实验结果表明,该方法在地物分类准确度方面较传统的基于深度学习的高光谱遥感影像分类方法取得了更好的分类效果。     

基于二阶矩稀疏编码的高光谱遥感图像分类

高光谱遥感技术是当前遥感领域的前沿技术,将稀疏编码应用于高光谱遥感图像处理是近年来高光谱信息处理的一个热点研究方向。以提升高光谱遥感图像分类准确度为目标,提出一种基于二阶矩空谱联合稀疏编码的遥感图像分类方法。首先从各地物参考数据中选取训练样本,通过学习构造得到字典,然后在训练得到的字典的基础上通过稀疏编码获得每个像元的稀疏系数,之后将稀疏系数作为分类器的输入,通过分类器的分类判决得到最终的分类结果。利用北京市朝阳地区的天宫一号可见近红外高光谱遥感图像数据和KSC高光谱数据,将该方法与支持向量机(SVM)、基于光谱维信息的稀疏编码以及一阶矩空谱联合稀疏编码等方法进行了比较。实验结果表明,提出的分类方法较其他几种方法可以取得更好的分类效果,在天宫一号和KSC数据上的总体分类精度分别可达到95.74%和96.84%,Kappa系数分别可达到0.9476和0.9646。     

谐波能量谱特征向量的高光谱影像Bayes分类

摘要：对于高光谱影像存在高维非线性、数据冗余多、纯训练样本难以提取等不足,本文引入频率域空间的谐波分析（Harmonic Analysis,HA）理论并提出了一种高光谱影像的HA-Bayes监督分类方法。该方法在保持高光谱数据空-谱特性不变的情况下,从光谱维角度分析不同分解层的影像光谱谐波特征,将高光谱影像变换成由谐波能量谱组成的频率域特征矢量信息。通过建立谐波能量谱特征向量的先验知识,实现Bayes准则下谐波能量谱特征矢量信息判别与分类,最终实现高光谱影像分类。将此方法应用到ROSIS高光谱影像分类时获得的分类总体精度达85.5%,Kappa系数也达到了0.812。进一步实验也证明频率域的谐波分析在高光谱遥感影像特征提取与分类方面具有更好的优势和潜力。     

面向图象压缩的图象分类及压缩结果预测

图象数据存在冗余使图象压缩成为可能 ,而不同图象的数据冗余度特别是空间冗余度相差很大 .对被压缩图象的空间冗余度这一图象的本质属性进行研究、减少图象压缩及方法选择时的盲目性是非常必要的 .为此提出了面向图象压缩的图象分类这一新概念以及具体分类算法 .该算法利用图象小波高频系数的分布特点 ,采用图象边缘度作为图象空间冗余度的度量 ,将不同内容的图象按边缘度大小分类 .分类的结果可对不同图象的压缩结果进行预测 .实验结果表明 ,图象分类结果和对压缩结果的预测是有意义的 ,并与人的视觉相吻合 .该分类思想对其他图象处理算法的选择和优化也有参考价值 .     

基于direct LDA的高光谱遥感影像地物分类

针对高光谱遥感影像的降维问题,提出一种高光谱影像地物分类方法:direct LDA子空间法。先采用直接线性判别分析(direct linear discriminant analysis, direct LDA)进行特征提取,然后在特征子空间中采用最短距离分类器进行地物分类。机载可见光/红外成像光谱仪(airborne visible/infrared imaging spectrometer,AVIRIS)的高光谱影像识别结果表明,该方法相比LDA子空间法和原空间法,可显著降低数据维数,提高识别率。     

遥感超谱（Hyperspectral）图象处理技术

由于遥感超谱图象谱分辨高的提高,如今已可以获得比多光谱图象更丰富的信息,并使得许多原先用多光谱信息不能解决的问题现在可以得到解决,它的问世是遥感技术应用的一个重大飞跃。另外,分类和压缩是目前国际上对超谱图象研究非常活跃的两个相对彼此独立、又相互联系的专题,因为压缩可以看作是给不同的子块分配不同的码字而实现的一种分类;反过来,分类也可以看作是一种提取感兴趣的地物信息的压缩。两者的差别主要在于评价最后处理结果的出发点不同,压缩一般侧重于恢复图象的平均误差,而分类则侧重于分类结果的错分概率。由于两者具有内在的相互联系,因此在实现算法上有许多相似之处,为了使人们对其发展的现状有所了解,因此对目前超谱图象分类和压缩广泛应用的方法进行了全面的综述,并对二者在应用中的相同之处和不同点作了比较分析,在此基础上,结合具体实例分别介绍了进行超谱图象分类和压缩的过程,并进行了计算机模拟仿真,最后给出了相应的结论和进一步研究的建议。     

基于新型光谱相似度量的高光谱影像谱聚类算法

高斯径向基函数是基于光谱向量间欧氏距离的度量,其对于同种地物光谱变化的适应性较弱,使得基于高斯径向基函数的高光谱影像谱聚类算法的性能下降。为了解决该问题,从光谱曲线形状描述出发,基于光谱角度余弦提出了一种新型光谱相似度量,并将其用于构建谱聚类算法的亲和度矩阵。最后利用多组高光谱数据进行了实验分析,结果证明了该算法的有效性。     

基于包络线消除的高光谱图像分类方法研究

在高光谱遥感中,包络线消除法一般仅局限于对单个像元的光谱进行光谱分析,从中提取出有助于分类识别的特征波段。而该文则以包络线消除算法为基础,应用VC++语言编程实现了对整个高光谱图像文件去包络、归一化并且提取出分类的特征空间的功能,并且针对原图像文件和去包络线后的图像文件,比较了应用最大似然分类法和光谱角度匹配法进行分类的结果。     

基于经验模分解高光谱图像数据尺度变换的光谱保真性分析

经验模分解是具有自适应性特点的尺度变换方法。高光谱图像数据近乎连续的光谱是开展信息提取的重要信息来源,然而尺度变换会使光谱发生变化。因此,分析EMD尺度变换后高光谱图像数据的光谱保真性具有重要意义。应用CHRIS高光谱图像数据,使用光谱相关系数、光谱偏差、光谱相对偏差和光谱角等评价指标,开展EMD升尺度图像及其典型地物的光谱保真性实验,并将EMD与Mallat小波变换光谱保真性比较。实验结果得出:11~10级EMD尺度变换后图像整体光谱保真性都较好,相关系数均在0.979以上,偏差小于55,相对偏差小于0.036,光谱角在0.041以内;2图像光谱保真性随EMD尺度变换次数增加而略有降低,且前4级变换光谱失真相对明显,后续降幅微弱;31~10级尺度变换后7种湿地典型地物的光谱保真性都较好,其中芦苇和河流的光谱保真程度较突出,养殖水面的相对不理想;4EMD与小波变换光谱保真性比较,随着变换次数的增加EMD表现出相对稳定且较小的光谱失真。     

基于自适应主动学习与联合双边滤波的高光谱图像分类

在高光谱图像分类中,选择合适的样本作为训练样本对分类器进行训练非常重要。将样本的不确定性与代表性相结合,通过自适应主动学习方法来完成样本的选择。用核K均值聚类来获取具有代表性的样本,用最优标号和次优标号的概率差值与两者比值的加权和来度量不确定性。此外,为了提高分类的准确率,利用联合双边滤波来获取高光谱图像的空间信息,并将其融入分类过程中。最后,提出一种融合自适应主动学习与联合双边滤波的空谱结合高光谱图像分类方法,并通过实验验证了所提方法的优越性。     

基于多尺度空谱鉴别特征的高光谱图像分类

为了应对高光谱图像同质区域面积分布不均的问题,同时更充分地挖掘空间和光谱信息之间的内在联系,提出了一种基于多尺度空谱鉴别特征的高光谱图像分类方法。该算法首先对图像进行不同尺度的滤波操作,接着分别从得到的多幅图像中提取鉴别的空谱特征,并使用支持向量机(SVM)进行分类。最后,该算法采取“决策级融合”的策略,来综合不同滤波尺度图像的分类结果。在Indian Pines,Kennedy Space Center和University of Pavia数据集上的实验表明,该算法能够提取较为有效的空间信息,当随机选取10%的像素作为训练样本时,该算法的总体分类准确率均能达到96%以上,其分类精度和Kappa系数均优于其他分类算法。     

基于自适应脊波网络的高光谱遥感图像分类

神经网络是遥感地物自动分类的重要工具之一。利用多尺度几何分析中的眷波基函数建立了一种自适应眷波网络模型。在传统自适应粒子群算法的基础上,提出一种引入粒子密度因子的自适应粒子群优化算法作为网络训练算法。为验证其性能,利用互信息约简技术对22。波段AVIRIS 92AV3C高光谱数据进行约简,并将它们作为网络输入实现对高光谱遥感地物的自动分类。仿真试验表明:引入粒子密度因子的粒子群算法与传统粒子群算法相比,不易出现早熟问题,在处理高维非线性组合优化问题时具有一定优势;由于眷波函数对高维奇异性的表征能力,相比于传统的RBF和SVM分类器,脊波神经网络分类器对具有明显边界特征的地物分类问题具有较高的精度,同时网络规模小,结构简单。