基于空间相关性约束稀疏表示的高光谱图像分类

该文提出一种新的基于稀疏表示的高光谱图像分类方法。首先利用训练数据构造结构化字典,建立基于稀疏表示的高光谱图像分类模型;然后添加空间相关性约束项和训练数据的空间信息,提高稀疏表示模型分类的准确性;最后采用快速的交替方向乘子法求解模型。实验结果表明:该文方法能够有效提高分类精度,且分类结果稳定。     

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。     

基于优化字典学习的遥感图像融合方法

为提升全色图像和多光谱图像的融合效果,该文提出基于优化字典学习的遥感图像融合方法。首先将经典图像库中的图像分块作为训练样本,对其进行K均值聚类,根据聚类结果适度裁减数量较多且相似度较高的图像块,减少训练样本个数。接着对裁减后的训练样本进行训练,得到通用性字典,并标记出相似字典原子和较少使用的字典原子。然后用与原稀疏模型差异最大的全色图像块规范化后替换相似字典原子和较少使用的字典原子,得到自适应字典。使用自适应字典对多光谱图像经IHS变换后获取的亮度分量和源全色图像进行稀疏表示,把每一个图像块稀疏系数中的模极大值系数分离,得到极大值稀疏系数,将剩下的稀疏系数称为剩余稀疏系数。针对极大值稀疏系数和剩余稀疏系数分别选择不同的融合规则进行融合,以保留更多的光谱信息和空间细节信息,最后进行IHS逆变换获得融合图像。实验结果表明,与传统方法相比所提方法得到的融合图像主观视觉效果较好,且客观评价指标更优。     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法.首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选...     

基于稀疏表示的高光谱数据压缩算法

如何降低高光谱图像大规模数据的存储和传输代价一直是学者们关心的问题。该文提出一种基于稀疏表示的高光谱数据压缩算法,通过一种波段选择算法构造训练样本集合,利用训练得到的基函数字典对高光谱数据所有波段进行稀疏编码,并对表示结果中非零元素的位置和数值进行量化和熵编码,从而实现高光谱图像压缩。实验结果表明该文算法与3维小波相比具有更好的非线性逼近性能,其率失真性能明显优于3D-SPIHT,并且在光谱信息保留上具有巨大的优势。     

一种新的两分类器融合的空谱联合高光谱分类方法

本文提出一种两分类器融合的高光谱空谱联合分类方法,首先利用子空间多项式逻辑回归在图像的特征子空间中分类,得到满概率图;根据满概率将每个像元分至概率最大的两个最可信类别,并在原始空间中构建最可信类别字典,利用稀疏解混对每个像元在最可信类别字典下进行稀疏表示,得到稀疏概率图;最后将满概率图和稀疏概率图线性融合,并利用边缘保持的马尔可夫正则项挖掘图像空间信息,得到具有边缘保持的空谱分类模型.实验表明,提出的两分类器融合方法即使在训练样本较少时也比现有方法得到更好的分类结果.     

基于多字典稀疏表示的遥感图像亚像元映射

本文提出了一种基于多字典稀疏表示的亚像元映射算法,利用已知的同类型高空间分辨率地物分布图像,构建能够更好反映不同类别地物空间分布模式的多个字典,将待分类亚像元用每一类字典稀疏表示,并依据重构误差最小化原则以及光谱失真程度约束条件来划分亚像元的地物类别.模拟与真实数据上的实验结果表明,本文算法能有效应对地物空间分布模式的多样性,具有更高的亚像元映射精度和更好的算法鲁棒性.     

联合表示求解二元假设模型的高光谱目标检测

针对稀疏表示目标检测理论中稀疏度难以确定的问题,本文将联合表示应用于目标检测,提出了一种新颖的目标检测算法,并给出了该算法的非线性形式.其核心思想是：背景像元的光谱能够被其周围背景像元的光谱（背景字典）线性表示,而目标像元的光谱只能被其周围背景像元的光谱和目标先验光谱（联合字典）线性表示.该算法首先用背景字典和联合字典分别对待检测像元进行联合表示,然后比较两次联合表示的重构误差确定像元类别.通过真实的高光谱图像进行验证,结果表明,与其它目标检测算法相比,该算法具有较好的检测性能.     

基于Gabor特征的稀疏表示纹理分割研究

稀疏表示和字典学习在图像去噪、图像重建和模式识别等应用上取得了良好的效果,其利用稀疏系数和重构误差来作为模式分类的判别准则。稀疏表示纹理分割方法是将图像分割问题转换为像素点的分类问题。但通常稀疏表示分类方法是基于图像块特征,难以准确表征图像纹理信息。为了解决上述问题,提出基于Gabor特征的稀疏表示纹理分割方法。因为Gabor特征对图像纹理信息的鲁棒性,算法首先从每类纹理中选择一些像素点作为训练样本,计算其不同尺度和方向下的Gabor特征,将其作为初始化字典,通过判别性的字典学习算法(D-KSVD)更新字典,该字典学习算法在KSVD基础上使得字典更具有类别判别能力,最后以待分割图像的每个像素点作为测试样本,计算其Gabor特征。利用OMP算法得到测试样本在字典下的稀疏系数,根据稀疏系数得到类标签,进而对像素点进行分类,完成分割。通过在Brodatz纹理库上的实验结果表明,该方法有效提高了稀疏表示算法对纹理图像分割的正确率。     

基于二次空间处理的联合稀疏表示高光谱图像分类

针对许多应用于高光谱图像分类的传统算法存在的分类精度低、光谱和空间信息利用不充分的问题,提出了一种基于二次空间处理的联合稀疏表示高光谱图像分类算法。在字典训练之前提取形态学特征,和光谱特征共同构建初始字典,以达到更快训练出较高质量的字典原子的目的。为了充分利用空间信息,首先通过超像素分割获取边缘信息,然后在超像素边缘和固定邻域双重约束下通过权值计算自适应选择邻域原子,实现空间信息的二次利用。在两个常用数据集上进行仿真实验,证明了本文所提算法可有效提升分类精度。      

基于光谱稀疏模型的高光谱压缩感知重构

提出了一种基于光谱稀疏化的压缩感知采样与重构模型,通过从训练样本中构建光谱稀疏字典提升光谱稀疏化效果,同时在重构时兼顾空间图像的全变分约束进一步提升重构精度.对200波段AVIRIS高光谱场景进行压缩感知重构的实验表明,利用构建的光谱稀疏字典与传统的DCT字典和Haar小波字典相比光谱稀疏化效果明显提升,同时在25%采样下基于光谱稀疏字典几乎无差别重构出了高光谱图像,同样条件下在空间和光谱的精度与现有常用方法相比有较大的提升.     

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪; 然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度; 最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。     

基于改进的扩散平滑和RBM的高光谱图像分类

为了改善传统分类方法在高光谱遥感图像去噪和特征提取方面的不足,提出了一种基于改进的扩散平滑算法和RBM的方法.该方法使用自适应扩散系数,对相应的区域进行不同程度的扩散平滑,实现了对高光谱遥感图像的快速去噪;然后利用多层限制玻尔兹曼机构建DBN网络,实现对高光谱遥感图像的分类.实验表明,与传统的分类方法和DBN相比,该方法在高光谱图像地物分类精度上有所改善.     

基于端元字典稀疏解混的高光谱图像亚像元定位

针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

空谱结构保持的高光谱图像分类

高光谱遥感图像具有特征（波段）数多、冗余度高等特点,因此特征选择成为高光谱分类的研究热点。针对此问题,提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性,首先对图像进行加权空谱重构,使图像的空间结构信息自动融入光谱特征,形成空谱特征集;对利用最小二乘回归模型保存数据集的全局相似性结构的基础上,加入局部流形结构正则项,使挑选的特征子集更好地保存数据集的内在本质结构;讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明,该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息,而且深入挖掘了数据集的内在本质结构,从而得到更有鉴别性的特征子集,相比传统方法明显提高了分类精度。     

基于核Fisher判别字典学习的稀疏表示分类

在基于稀疏表示分类的模式识别中,字典学习(DL) 可以为稀疏表示获得更为精简的数据表示。最近的基于Fisher判别的字典学习(FDDL)可以学 习到更加判别的稀疏字典,使得稀疏表示分类具有很强的识别性能。核空间变换可以学习到 非线性结构信息,这对判别分类非常有用。为了充分利用 核空间特性以学习更加判别的稀疏字典来提升最终的识别性能,在FDDL的基础上,提出了两 种核化的稀疏表示DL方法。首先原始训练数据被投影到高维核空间,进行基于Fisher 判别的核稀 疏表示DLFDKDL;其次在稀疏系数上附加核Fisher约束,进行基于核Fisher判别的核稀疏表 示DL(KFDKDL),使得所学习的字典具有更强的判别能力。在多个公开的图像数据库上的稀疏 表示分类实验结果验证了所提出的FDKDL和KFDKDL方法的有效性。