基于支持向量机的高光谱遥感图像分类

分析和处理航空高光谱遥感图像对于我国遥感事业意义重大,文章首先分析了高光谱遥感图像的特征,依据该特征确定了支持向量机分类方法以及相应的参数优化确定的方法,并最终构建了高光谱遥感图像的分类模型。     

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。     

基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

高光谱图像光谱域噪声检测与去除的DSGF方法

高光谱遥感图像中不仅存在空间域噪声而且存在光谱域噪声.传统的图像滤波仅对图像空间域噪声进行处理,而不能去除光谱域噪声,为改进这种状况,提出了DSGF(Derivative based Savitzky-Golay F ilter)方法.首先,基于反射率光谱的二阶导数对反射率光谱各波段噪声大小进行判定,然后用不同大小平滑窗的Savitzky-Golay滤波器对反射率光谱作两步滤波.对高光谱图像进行的逐像元DSGF滤波,在去除光谱域中噪声的同时,保留了图像反射率光谱的大部分细微特征.     

基于光谱-空间一致性正则化的高光谱图像分类

近年来高光谱遥感技术迅速发展,高光谱图像分类是遥感领域中的热点研究方向.传统的光谱-空间分类框架,将光谱特征提取与空间特征提取分开进行,忽略了二者之间的相关性,导致分类精度不佳.文中提出基于光谱-空间一致性正则化的高光谱图像分类方法,建立长短期记忆神经网络(LSTM)和八度卷积(Octave Convolution)两...     

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谱图像分类领域的研究现状。未来高光谱分类算法的发展方向将更好的结合高光谱图像的特性,形成完整的深度学习系统。     

基于DE-GEP的高光谱遥感图像分类

高光谱遥感数据具有波段数目多、数据量庞大等特点.针对传统方法应用于高光谱图像分类中存在波段选择时计算量大、运行时间长,以及图像分类精度不高等问题,首先利用差分演化算法进行波段选择,有效地降低了信息的冗余和数据的维度,然后对波段选择后的结果成图,并对要识别地物的典型区域进行取样,最后采用基因表达式编程算法构建分类器进行图像分类.在波段选择中,与完全搜索的结果相比,差分演化算法可以在很快的时间里取得了较好的搜索结果,基因表达式编程在遥感图像分类中,分类结果优于传统的KNN算法.     

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.     

基于多核Boosting特征组合的高光谱影像分类

针对高光谱数据多特征组合问题,提出了一种在多核学习框架下利用多核Boosting实现特征组合最优和异质互补的高光谱影像分类算法.此算法充分利用了高光谱遥感数据的光谱特征和空间特征,在大量的影像属性和分类器中实现最优分类,以充分利用遥感数据的互补信息.多核Boosting算法是对常用的多特征组合方法的拓展,与传统的多核学...     

基于艇载遥感成像数据的高空间分辨率全色遥感图像仿真

高空间分辨率全色遥感图像在军事侦察、地面监视等领域具有较高的应用价值.为模拟星载全色遥感图像, 提出了一种由艇载遥感成像系统获取的低空遥感图像为数据源的高空间分辨率全色遥感图像仿真方法.首先将低空宽视场图像按典型地物类型进行监督分类, 其次将低空宽视场图像与多光谱图像按不同地物类型分类拟合, 并将多光谱拟合结果合成高空间分辨率全色仿真图像, 最后对高空间分辨率全色仿真图像进行仿真精度评价.相比星载全色遥感图像, 仿真图像同样具备高空间分辨率、全色波段、宽视场等特点.仿真方法可为星载全色遥感图像仿真提供较准确的数据支撑.     

基于地标空间信息的高光谱遥感图像分类

高光谱遥感图像同时具有光谱与空间特征信息,充分利用空间特征能够有效提高分类结果.高光谱图像上同类像素点的邻域空间信息差异较大会影响分类效果,针对这个问题提出了一种新的空间信息利用方法,记作地标空间信息.将光谱信息与地标空间信息结合使用,通过深度信念网络提取特征.实验表明地标空间信息能够有效提高深度信念网络以及对比方法的分类结果.     

基于稀疏表示及光谱信息的高光谱遥感图像分类

该文结合稀疏表示及光谱信息提出了一种新的高光谱遥感图像分类算法。首先提出利用高光谱遥感图像数据集构造学习字典,然后根据学习字典计算每个像元的稀疏系数,从而获得像元的稀疏表示特征,最后根据稀疏表示特征和光谱信息分别构造随机森林,通过投票机制得到最终的分类结果。在AVIRIS高光谱遥感图像上的实验结果表明:该文所提方法能够提高分类效果,且其分类总精度和Kappa系数要高于光谱信息和稀疏表示特征方法。     

针对高光谱图像的目标分类方法现状与展望

进入21世纪,遥感技术成为一项非常重要的空间成像技术。高光谱图像分类是遥感技术应用中非常重要的一项研究内容,在民用和军用上都实现了应用。高光谱图像分类是通过给每个像元添加分类标签,最终达到区分地物并且识别目标的目的。本文简要阐述了高光谱图像的分类过程及其面临的主要问题;在总结前人研究的基础上归纳了4类主要的高光谱图像分类策略,简要分析了其优缺点及适用范围;分析了近年来出现的新型分类器及其优化方法。最后,对于高光谱图像分类研究存在的主要困难进行了总结,并对未来发展的方向进行了展望。     

邻域谱概率协同表示的高光谱图像分类方法

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。     

结合NAPCA 和复小波变换的高光谱遥感图像去噪

提出了一种能够良好地保持高光谱遥感图像细节特征的噪声去除方法。该方法首先利用噪声调整的主成分分析(NAPCA)进行特征提取,再利用复小波变换(CWT)对NAPCA 变换后的低能量成分进行去噪处理。对此低能量成分的每个波段利用二维复小波去噪,此时复小波系数采用BivaShrink 函数进行收缩。然后对低能量成分的每条光谱进行一维复小波变换,利用邻域阈值函数进行小波系数的收缩。对AVIRIS 图像贾斯珀桥、月亮湖和盆地进行的仿真实验表明:该方法去噪后的信噪比与HSSNR 相比提高了4.3~7.8 dB,与PCABS 相比提高了0.8~0.9 dB,验证了该算法的可行性。真实数据OMIS 图像的实验结果验证了该方法的有效性和适用性。     

高光谱与机载LiDAR结合的树种分类研究

高光谱遥感图像虽然具有较高的光谱分辨率,但只能提供二维光谱信息,而激光雷达(Light Detection and Ranging,LiDAR)可以提供可靠的三维数据和森林的冠层特征,二者结合能够优势互补,协同提高地物分类能力。基于此,本文提出了一种利用高光谱和机载激光雷达数据进行树种识别的方法,探讨了二者协同对树种精细分类的影响,最后通过公开数据的实验来验证方法的有效性。结果表明,高光谱和激光雷达数据结合后,树种分类精度得到了显著提高。通过本文提出的方法,即使使用少量特征也能大大提高分类精度。整体分类准确率最高达到9321,比单个高光谱数据的分类准确率提高931。     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

基于测地线距离和正交投影的端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素,制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构,提出一种基于测地线距离的正交投影端元提取算法,将测地线距离引入端元单体提取过程,利用正交投影方法逐个提取端元。为了降低测地线距离计算量,在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明,该方法能够表征光谱数据中非线性因素,端元提取结果优于传统自动目标生成端元提取方法。