基于Fisher判别零空间的高光谱图像混合像元分解

传统的光谱混合分析方法假设每个端元必须具有完全稳定的光谱特性,而在实际问题中同类地物的端元光谱往 往存在着差异。为了有效地抑制同物异谱对混合像元分解的影响,本文提出一种基于Fisher判别零空间的高光谱遥感图像混合像元分 解算法。Fisher判别零空间方法通过对高光谱图像数据进行线性变换,使得变换后的数据中同一端元内的光谱差异减小为零,而不同 端元间的光谱差异尽可能地增大。利用变换后的光谱数据对混合像元进行分解就可以较大程度地减少同物异谱现象对分解结果的影响。 对模拟高光谱图像数据以及Indiana地区和Cuprite地区的实际AVIRIS数据的解混结果表明,用Fisher判别零空间方法处理混合像元分 解问题,可以得到较高的分解精度。     

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...     

基于光谱特征增强的高光谱图像地物目标识别

在地物识别过程中,目标光谱特征不明显是制约识别算法性能的一个重要原因,当图像中存在与目标光谱特征相似的背景杂波时,算法性能会受到很大影响.针对这一问题,提出了一种基于光谱特征增强的高光谱图像目标识别方法.利用多分辨率分解和非线性变换突出了未知光谱与标准参考光谱间微小的光谱特征差异,实现了对未知目标的识别.实验结果表明,相比于未进行光谱特征增强的方法,方法能够很好地分辨出不同地物间微小的光谱特征差异,同时有效地抑制了图像中背景杂波的干扰,具有更好的识别能力.     

基于多尺度卷积神经网络的高光谱图像分类算法

为了提高高光谱图像的分类精度,提出了一种基于多尺度卷积神经网络的高光谱图像分类算法.首先,利用等距特征映射算法处理高光谱数据,以挖掘数据的非线性特性,保持数据点的内在几何性质;然后,构建以标记像元为中心的训练图像块,训练多尺度卷积神经网络;最后,利用softmax分类器预测测试像元的标签.提出的方法在Indian Pines、University of Pavia和Salinas scene高光谱遥感数据集上进行分类实验,并与CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法进行性能比较.实验结果表明,在3个数据集上提出的方法的总体识别精度分别达到98.51％、98.64％和99.39％,与CNN算法相比分别提高了约8.35％、6.37％和7.81％.本文提出的方法无论是在分类精度还是Kappa系数上都优于另外4种方法,是一种较好的高光谱遥感数据分类方法.     

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。     

基于多尺度近端特征拼接网络的高光谱图像分类方法

针对基于传统卷积神经网络模型的高光谱图像分类算法细节表现力不强及网络结构过于复杂的问题,设计了一种基于多尺度近端特征拼接网络的高光谱图像分类方法.通过引入多尺度滤波器和空洞卷积,在保持模型轻量化的同时可以获取更丰富的空间-光谱判别特征,并提出利用卷积神经网络近端特征间的相互联系进一步增强细节表现力.在3个基准高光谱图像...     

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。     

基于全局结构和自相似性约束的高光谱多光谱图像融合

光谱信息丰富的高光谱图像被广泛应用于航海、军事、农业等领域,但其空间结构信息较为匮乏、图像空间分辨率较低。鉴于此,提出了一种基于耦合稀疏表示策略的高光谱和多光谱图像融合方法。该策略首先将高光谱图像进行光谱学习得到完备字典,其次把多光谱图像的全局结构和光谱自相似性作为约束条件,实现空间结构信息和光谱信息的充分利用,最后进行全局凸优化求解得到高质量融合图像。通过开展非盲融合及盲融合实验,进一步验证上述算法对于高光谱图像重建空间分辨率的提升效果。实验结果表明,本算法的峰值信噪比(PSNR)、全局相对误差(ERGAS)、均方根误差(RMSE)的值分别为46.78 dB、0.77、1.39。相较其他算法而言,基于此算法的融合效果图具有更丰富的纹理细节、重建误差更小。     

对光照变化不敏感的微观高光谱图像木材树种识别算法研究

木材往往堆积在室外,在对木材样本采集高光谱图像时往往会受到外界因素(光照、温度、湿度)的影响,从而造成木材树种的误判。为了解决这一问题,本文利用PLS(Pattern Lacunarity Spectrum)和LBP(Local Binary Pattern)对木材横截面的高光谱图像的纹理信息进行了特征提取,而后将高光谱图像的近红外光谱与纹理特征相融合,并以融合后的新特征作为识别的依据,最后使用SVM(Support Vector Machine)和BP(Back Propagation)神经网络两种分类器对木材树种进行了识别,实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别,本文仿真了光照变化对高光谱图像的影响,并对比了影响前后的识别正确率,结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别,优于传统的和近期主流的木材树种分类算法。     

高光谱图像组合光谱特征研究

在此分析了典型植被、岩矿、土壤和水体地物的光谱特性曲线及其一阶和二阶导数的特点与异同。研究表明通过光谱导数技术,可以快速分析出高光谱特性曲线的反射峰和吸收谷谱带的相关特征,且不同类别地物目标在原始光谱曲线和各阶光谱导数曲线上存在不同敏感波段。因此提出将高光谱原始数据和其各阶导数曲线的敏感波段综合起来构成组合光谱特征,以此达到优化高光谱特征性和降低分类难度,从而进一步提高分类性能的方法。实验结果表明组合光谱特征可以实现高光谱图像有效分类。     

基于可见光光谱图像的红外多光谱图像仿真生成

阐述了红外多光谱图像仿真技术的意义和原理,研究了一种红外多光谱图像的仿真生成方法.提出了一种基于可见光/近红外波段多光谱、超光谱图像数据的地面场景建模方法,以及无监督分类方法和有监督分类方法相结合的地物像元分类、匹配、标记的策略,可以高效地解决像元地物自动匹配标记的问题.利用RGB彩色图像验证了这一方法,在将图像分割后为每类像元赋予相应的红外发射率数值,生成了4个红外波段的多光谱仿真图像,验证了该方法的可行性,指出了多光谱、超光谱图像数据在仿真应用中的各自特点.从仿真结果可以看出:不同波段图像中目标和背景之间呈现不同的特征.该方法可以生成空间形貌和辐射特征接近真实环境的红外多光谱仿真图像,对长波红外波段的多光谱成像探测仪器的研制和目标、背景光谱特征分析与探测算法的研究具有一定意义.     

Frequency hopping modulation recognition based on time-frequency energy spectrum texture feature

For frequency hopping modulation identification,a novel method based on time-frequency energy spectrum texture feature was proposed.Firstly,the time-frequency diagram of the frequency hopping signal was obtained by smoothed pseudo Wigner-Ville distribution,and the background noise of the time-frequency diagram was removed by two-dimensional Wiener filtering to improve the resolution of the time-frequency diagram under low SNR conditions.Then,the connected-domain detection algorithm was used to extract the time-frequency energy spectrum of each hop signal and convert it into a time-frequency gray-scale image.The histogram statistical features and the gray-scale co-occurrence matrix feature were combined to form a 22-dimensional eigenvector.Finally,the feature set was trained,classified and identified by optimized support vector machine classifier.Simulation experiments show that the multi-dimensional feature vector extracted by the algorithm has strong representation ability and avoids the misjudgment caused by the similarity of single features.The average recognition accuracy of the six modulation methods of frequency hopping signals BPSK,QPSK,SDPSK,QASK,64QAM and GMSK is 91.4% under the condition of -4 dB SNR.     

基于频谱形状的低复杂度雷达信号分类

为解决雷达信号调制识别中存在的计算复杂度高、低信噪比环境识别准确率低和仿真数据真实度低等问题,提出了基于频谱形状的低复杂度雷达信号分类算法。对信号频谱进行归一化,按频谱采样的方法提取特征参数,训练机器学习分类模型。雷达信号源生成数据的测试结果表明,本算法对Barker码、Frank码、LFM、BPSK、QPSK调制和常规雷达信号的分类准确率大于90%(SNR≥3 dB),计算复杂度低,能适应信号参数变化,具有很好的泛化性。     

（英）基于多尺度高斯滤波和形态学变换的红外与其他类型图像融合方法

为了同时保证融合质量和效率,提出了一种基于多尺度高斯滤波和形态学变换的图像融合方法。设计了多尺度高斯滤波,将源图像分解为一系列细节图像和近似图像,并使用多尺度顶帽和底帽分解来完全提取近似图像中不同尺度的明暗细节。构造了多尺度形态学内外边缘分解,以充分提取细节图像的边缘信息。实验结果表明,该方法与典型的基于多尺度分解的融合方法相当甚至更好,同时比一些先进的基于多尺度分解的方法（如NSCT和NSST）运算速度快得多。     

基于sMLD特征的远红外航空图像配准算法

航空场景下的远红外图像迫切需要准确、鲁棒、快速的特征描述与自动配准方法。由于已有的多重线型描述符MLD特征存在“特征孤岛”和“尺度变换受限”的问题,因此针对远红外航空图像的配准问题,文章提出了一种聚合特征点以及线型描述符分段统计的特征描述方式,即sMLD特征。结合sMLD特征相互连接构成网状拓扑结构的特性,还提出了一种由粗到细的分支加速匹配算法RF-BA。其中,RF-BA粗匹配充分利用拓扑图的结构,通过局部寻优算法提高匹配的效率。RF-BA精匹配利用最小外接凸四边形原则和GMS校验原则,提升配准精度。实验结果表明,与已有的几种代表性配准方法相比,所提方法在配准精度和时间开销方面均具有更好的性能。     

基于神经网络的图像识别

神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新型图像识别技术。在进行图像识别之前需要利用数字图像处理技术进行图像预处理以及特征提取。本文选取字符图像0~9作为识别目标,对图像预处理过程进行了叙述,并在此基础上选取字符图像矩阵每行的与每列的黑色像素点之和以及图像欧拉数这两个特征作为BP神经网络的输入样本。经实验仿真表明图像的平均识别率为89%,这表明图像预处理的结果和提取的特征是合适的、有效的,设计的BP网络也较好的完成了模式分类识别工作。     

一种基于产生式分数空间的图像识别方法

针对传统图像识别方法没有利用数据分布信息的特点,提出了一种基于产生式分数空间的图像识别方法,使用概率产生式模型对数据分布建模,并从模型中学习出分数函数(特征映射),该分数函数编码了隐变量、样本和模型参数等用于分类的高层语义信息.最后,在两个标准图像数据库上对本文模型进行仿真和验证,实验结果验证了方法的有效性和稳定性.     

基于邻域统计信息的红外与可见光图像融合

针对红外图像与可见光图像的融合问题,提出了一种基于邻域统计信息的图像融合新算法。首先对图像进行多尺度分解,得到一系列子带系数,然后针对各子带系数的物理特性,提出了高低频规则不同的图像融合算法。对于图像低频部分,首先定义基于邻域统计信息的目标和场景特征参数,然后设计了加权系数自适应变化的加权平均融合策略;对于图像高频部分,首先定义邻域系数分布特征参数,然后设计了受邻域统计信息调制的系数比较取大融合策略。实验结果表明该算法能够很好地将红外图像与可见光图像进行融合,且融合效果优于其他一些算法。