多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于空谱融合和随机多图的高光谱遥感图像农作物分类

针对高光谱遥感图像复杂农作物分类问题,提出了一种基于空谱融合和随机多图的高光谱遥感图像农作物分类方法。通过使用一种潜在特征融合和最优聚类(Latent Features Fusion and Optimal Clustering Framework, LFFOCF)的波段选择方法和分段主成分分析(Segmented Principal Component Analysis, SPCA)进行光谱降维,采用多尺度二维奇异谱分析(2-D-Singular Spectrum Analysis, 2-D-SSA)应用于降维图像,以提取不同尺度的空间特征。将多尺度空间特征与主成分分析(Principal Component Analysis, PCA)得到的全局光谱特征融合送到随机多图(Random Multi-Graphs, RMG)中进行分类。在印度松树、萨利纳斯和龙口数据集上,所提出的方法与一些现有的方法进行了对比实验。实验结果表明,该方法的类别精度(Class Accuracy, CA)、总体分类精度(Overall Accuracy, OA)、平均分类精度(Average Accurac...     

基于图像欧式距离和拉普拉斯特征映射的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高。针对高光谱图像的非线性结构,提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法。该方法结合高光谱数据的物理特性,将图像欧氏距离引入拉普拉斯特征映射进行非线性降维以更好地去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元。真实高光谱数据实验表明,提出的方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成份分析算法和原始的拉普拉斯特征映射算法。     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

基于多特征的遥感影像决策树分类

构建了一种基于多特征的遥感影像决策树分类方法。通过对遥感影像进行波段代数运算、主成分分析和图像分割等处理,提取出影像上地物的光谱维特征、纹理特征和形状特征。在此基础上,结合试验区主要地物类型提纯后的训练样本集,采用C5.0决策树分类法进行影像分类,实现主要地物的空间分布专题信息提取,并利用该方法对Landsat-5TM影像进行了分类实验。结果表明,所提出的方法能够有效地提高分类精度。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

基于栈式自编码神经网络对高光谱遥感图像分类研究

为了有效利用高光谱遥感图像中的波段信息,提高高光谱遥感图像分类的精确度,本文提出了基于栈式自编码神经网络(Stacked Autoencoder,SA)对高光谱遥感图像进行分类。栈式自编码神经网络充分利用高光谱图像中的光谱信息,对其进行相应特征提取,避免了相邻信息间的相关性和信息的冗余,本方法采用无监督学习和监督学习相结合,既可以像传统方法那样进行降维,简化相关的计算复杂度,同时在分类精度上有很大地提高。     

高光谱图像基于像素结构的改进PCA算法

主成分分析法(PCA)作为一种常用的降维算法,被广泛的应用到如高光谱图像处理等需要进行大量数据处理的应用中。PCA的主要目的是利用正交变换,将具有相关性的高维数据的分量转换为线性不相关的新的成分变量,但当矩阵维数超过百万时候会造成严重的计算困难问题。本文针对PCA运算中协方差矩阵计算过程中内存调度的问题,提出了一种基于像素结构的改进的协方差矩阵计算方法,可以在确保与常规PCA具有相同性能的同时有效地降低计算所需的存储器规模。实验中分别采用传统PCA算法和改进算法对高光谱图像数据进行特征提取后利用支持向量机(SVM)进行分类,对比结果验证了改进算法的有效性和可靠性。     

基于超像素分割与卷积神经网络的高光谱图像分类

针对卷积神经网络（CNN）在分类高光谱图像时空-谱特征利用率不足和分类效率低的问题，提出基于超像素分割与CNN的高光谱图像分类方法。首先利用主成分分析（PCA）提取图像的前12个成分后对前3个主成分进行滤波，对滤波后的3个波段进行超像素分割；然后将样本点映射到超像素内，使其以超像素而不是像素为基本的分类单元；最后利用CNN进行图像分割。在两个公共的数据集WHU-Hi-Longkou和WHU-Hi-HongHu上进行实验，实验结果表明，相比仅利用光谱信息的方法，融合空-谱特征信息的方法的精度得到提升，在两个数据集上的分类精度分别达99.45%和97.60%。     

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3D Octave卷积和胶囊网络的高光谱图像分类

针对当前胶囊网络分类模型在高光谱图像分类中存在空谱联合信息利用不足和收敛较慢的问题,提出一种结合多尺度Octave三维卷积和胶囊网络的分类模型。首先,使用主成分分析（PCA）来降低高维的光谱特征并保留其关键特征;其次,通过多尺度Octave三维卷积模块使模型能够适应当前数据集目标尺寸跨度较大的特点,在减少空间冗余的同时提高高光谱图像的空谱联合信息的利用;最后,对动态路由算法进行改进,使用向量长度的相似性与方向的相似性来衡量两个向量的一致程度,从而解决网络在训练过程中收敛较慢的问题。为了验证改进后模型的有效性,选择Pavia University公开高光谱数据集,并且通过OA、AA以及Kappa系数将分类结果与当前主流的分类模型进行对比实验。结果表明,在Pavia University数据集上,改进后的模型在OA、AA以及Kappa系数上的精度要高于其他模型,因此,该模型能够更好地应用于高光谱遥感图像分类任务中。     

基于独立成分分析的高光谱图像数据降维及压缩

该文提出了一种以高光谱图像分析为目标的基于独立成分分析的高光谱图像降维和压缩方法。该方法首先通过独立成分分析提取高光谱数据的光谱特征实现高光谱图像降维,再对降维后的图像采用预测和自适应算术编码的方法进行压缩。对220波段和64波段高光谱数据的实验结果表明,该方法与基于主成分分析的降维相比,压缩比有所提高,特别是更有利于后续的分析处理,但峰值信噪比有所降低。     

基于ISOMAP的高光谱遥感数据的降维与分类

为挖掘高光谱遥感数据内在的非线性结构特性,采用全局化流形学习算法等距特征映射（ISOMAP）对高光谱遥感数据进行非线性降维,并取得了优于常用的最小噪声分离（MNF）变换方法的结果,具有更好的数据压缩性能。将光谱角相似性度量方法用于ISOMAP 算法,取得良好的降维效果。通过把ISOMAP 降维算法和k-最邻近分类器相结合对降维后子空间特征进行分类,实验表明:ISOMAP 利用较少的特征维数获得比MNF 更高的分类精度,并达到较高稳定的分类精度,尤其对难以区分、光谱相似的两类别问题,ISOMAP 的特征维数能够有效的提高两类别的可分性。     

基于主成分分析与局部二值模式的高光谱图像分类北大核心CSCD

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息,对降维后的图像利用局部二值模式进行空间纹理特征分析,采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,因此,此类算法不但能充分挖掘高光谱图像的谱间-空间特征,在较大程度上提高分类精度和Kappa系数,而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。     

联合局部二值模式与K-最近邻算法的高光谱图像分类方法

如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务.针对高光谱图像包含的丰富光谱与空间信息,提出了一种联合局部二值模式LBP(Local Binary Patterns)与K-最近邻KNN(K-Nearest Neighbors)算法的高光谱图像分类方法.首先,通过主成分分析PCA(P...     

基于多尺度混合卷积网络的高光谱图像分类

针对高光谱图像数据分布不均匀、空谱特征提取不够充分以及随着网络层数增加而导致的网络退化等问题，提出一种基于多尺度混合卷积网络的高光谱图像分类方法。首先，使用主成分分析对高光谱数据进行降维处理；接着，利用邻域提取将邻域内的像素点作为一个样本，补充相应的空间信息；然后，使用多尺度混合卷积网络对预处理后的样本数据进行特征提取，并加入混合域注意力机制来加强空间和光谱维中有用的信息；最后，使用Softmax分类器对每个像素样本进行类别划分。实验结果表明：将所提出的模型在Indian Pines和Pavia University两个高光谱数据集中进行实验，其总体分类精度、平均分类精度、Kappa系数分别能达到0.987 9、0.983 3、0.986 2和0.999 0、0.996 9、0.998 6。该算法能够更加充分地提取高光谱图像的特征信息，与其他分类方法相比取得了更好的分类效果。     

利用多尺度特征的极化SAR深度学习分类

针对极化合成孔径雷达(POLSAR)图像提取到的特征信息量低和噪声干扰等问题，提出了一种对不同特征信息进行多尺度融合的方法，并利用融合后的特征，通过深度学习网络算法进行目标地物分类。首先利用小波变换技术对Freeman、Yamaguchi等极化分解得到的特征分量在不同尺度上进行融合，再利用主成分分析(PCA)降维算法处理融合后的数据，最后输入到DeepLabV3网络结构中训练。利用该方法对白湖农场地区高分三号全极化SAR数据进行验证，对比融合前后的分类结果，提出的算法在分类精度上有明显的提升，证明了该方法的有效性。     

基于近邻图正则化的高光谱图像特征选择方法

高光谱图像分类是近年来的研究热点。其数据的 高维性引发了“维度灾难”问 题。数据降维成为解决问题的关键。针对高光谱数据有标记训练样本点匮乏的特点, 提出用无监督的特征选择方法对高光谱数据进行降维。该方法能够同时保持原始高光 谱数据的判别能力和局部几何结构。为了保持判别能力,用所选特征对原始高光谱数 据进行重构,利用重构误差最小化将特征选择问题转化为优化问题。为了保持局部几 何结构,建立近邻图,并将其转化为正则项加入目标函数中。通过迭代梯度下降方法 解此优化问题,得出优选特征子集参与高光谱图像分类识别任务。在真实数据集上的 实验表明,新方法能够提高分类识别的精度。     

基于Contourlet变换和主成分分析的高光谱数据噪声消除方法

该文提出了一种适合于高光谱超维数据处理的基于Contourlet变换和主成分分析的噪声消除方法。该方法首先利用Contourlet变换实现图像的稀疏表示,再利用主成分分析对Contourlet系数进行适当地消噪处理。通过对OMIS图像的实验结果表明该方法能够同时消除高光谱多个波段图像中的噪声,从整体上改善高光谱图像质量,且性能上要优于PCA和Contourlet变换方法。