基于流形波段选择的高光谱图像分类

为解决高光谱图像中高维数据和有标记训练样本不 足的矛盾导致“维度灾难”问题,提出一种无监督的基于流形学习的波段选择(MLBS)方法。 首先通过流形学习方法,得到原始数据的流形嵌入映射;然后通过LASSO优化过程,运用顺 向坐标下降算法,得到原始波段对每个流形结构 维度的贡献度;最后统计每个波段的贡献度,选取贡献度大的波段形成波段子集。用 真实的AVIRIS高光谱图像对算法进行仿真实验的结果表明,本文方法在小样本下的高光谱 地物分类识别问题上具有良好的效果。     

用Kohonen 神经网络对高光谱分辨率图像进行无监督分类的研究

讨论了将Kohonen自组织神经网络用于成像光谱仪高光谱分辨率遥感图像无监督分类的结果。用于研究的是0.46-0.76um15个波段的高光谱分辨率的原始航空遥感图像. 该图像复盖了澳大利亚达尔文市周围约200km^2的试验区，包括了海湾、岛屿、海滩、河流、城市与旷野等各种地物类型。神经网络分类的结果提供了试验区内地物分布符合实际的预测和 估计，它与传统的分类方法的结果相比较，用神经网络所得到的结果更准确可信。     

基于特征融合方法的高光谱图像分类综述

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要.然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度.受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战.随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的...     

基于最大信息量的高光谱遥感图像无监督波段选择方法

提出一种基于最大信息量的高光谱遥感图像无监督波段选择方法.该方法以在所选择的波段中保留原数据中所包含的最大信息量为目标,并采用逐个移除波段的方式来实现.算法使用K-L散度来定量表示信息量的大小,并通过信息量在整个数据集中的分布情况来决定所移除的波段.与传统方法相比,具有物理意义明确、计算过程简单的优点,同时还能够完全自动地完成任务,实现无监督的波段选择.     

基于特征重选择的高光谱图像分类

在对高光谱图像进行分类时,由于高光谱数据维度很高,通常先对其进行特征选择,进而使用分类器进行分类。在分类时,最大似然分类器因为具有多分类、概率输出等特点而经常被采用。在实际分类中,我们发现,目标的真实类别所获得的概率值通常位于所有类别的前两位,我们称该现象为混淆现象。利用这一现象,通过特征重选择,我们给出一种新颖的特征选择框架。该框架首先对数据进行特征选择,进而对目标进行分类。若分类结果满足混淆条件,则针对易混淆的两类进行特征重选择,分类并得到最终结果。理论分析和实验结果表明,该框架稳定、有效。     

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。     

一种基于归一化光谱向量的高光谱图像实时性非监督分类方法

在保证分类结果清晰、准确的前提下,为了提高分类执行效率,本文基于图形处理器(graphic processing unit,GPU)及并行优化,提出一种基于归一化光谱向量的高光谱图像实时性非监督分类方法.利用高光谱图像的空间一致性有效提高分类精度,同时,利用归一化光谱向量简化了像元间相似性的计算公式,统一了图像内像元处理方式,并利用GPU并行技术有效提高计算速度.首先,利用GPU并行处理方法计算空间相邻像元间光谱向量相似性,根据高斯拟合取得安全阈值;然后利用光谱角作为像元光谱相似测度,将相似像元划为同质区;最后以同质区内各像元平均光谱向量表述同质区光谱特征,根据安全阈值合并相似的同质区完成分类.用AVIRIS数据评估了该方法性能.本文的理论分析和实验结果显示,与现有非监督分类方法相比,该方法分类精度更高,同时,算法本身运行速度更快.     

基于光谱注意力图卷积网络的高光谱图像分类

近年来,图卷积网络因其特征聚合的机制,能够同时对单个节点以及近邻节点的特征进行表示,被广泛应用于高光谱图像的分类任务。然而,高光谱图像(HSI)中常存在波段冗余、同物异谱等问题,使得直接利用原始光谱特征构建的初始图可靠性不足,从而导致高光谱图像的分类精度低。为此,该文提出一种基于光谱注意力图卷积网络(SAGCN)的高光谱图像半监督分类方法。首先,利用注意力模块对光谱的局部与全局信息进行交互,以增加重要光谱的权重、减小冗余波段以及噪声波段的权重,从而实现光谱的自适应加权;然后,针对光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,通过图卷积对标记和无标记样本进行有效的特征聚合,并使用标记样本的聚合特征训练网络。在Indian Pines, Kennedy Space Center和Botswana 3个真实高光谱图像数据集上的实验结果验证了所提方法的有效性。     

基于空-谱特征K-means的长波红外高光谱图像分类

高光谱图像(hyper spectral imagery,HSI)分类已成为探测技术的重要研究方向之一,同时也在军事和民用领域得到广泛运用.然而,波段数目巨大、数据冗余、空间特征利用率低等因素已成为高光谱图像分类的挑战,且现有的高光谱分类大多利用可见光或短波红外高光谱数据分类.针对这些问题,本文提出了一种基于光谱和空间特征的K-means分类方法.首先提取空间特征,然后将光谱与空间特征相结合并降维,最后引入K-means算法得到较普通K-means更佳的分类结果.并将此算法运用在长波红外的高光谱图像分类中.     

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。     

基于深度学习的高光谱影像分类方法研究

针对高光谱影像分类方法精度不足的问题,提出一种基于空间-频谱变换（Spectral-Spatial Transformer,SST）网络的高光谱影像分类方法。首先,将高光谱影像预处理为一维特征向量。然后,设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%,表明此方法具有较高的分类精度,为高光谱影像分类及应用提供了一种新方案。     

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network,CNN) 的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中 随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。     

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...     

基于正交指数局部保留投影的高光谱图像特征提取

针对高光谱图像,在判别局部保留投影(Discri minant Locality Preserving Projection,DLPP)的基 础上,提出了一种名为正交指数判别局部保留投影(Orthogonal Exponential Discriminan t Locality Preserving Projection,OEDLPP)的特征提取方法。该算法不但保留了DLPP算法的有监督特性,还利用 了指数矩阵(the matrix exponential)来获取更有效的样本信息,避免了小样本问题。同时,OEDLPP 对投影矩阵进行 施密特正交化,解决了特征的冗余性问题。应用OEDLPP算法对高光谱图像进行特征提取后, 并采用支持 向量机(SVM)对降维后的数据进行分类。与主成分分析(PCA)、局部保留投影(LPP)、 判别局部保 留投影(DLPP)、指数判别局部保留投影(EDLPP)、正交判别局部保留投影(ODLPP)等对 比实验结 果表明,本文算法对样本有效信息的获取具有一定的优越性,分类精度提升了2%~3%左右。     

基于自适应加权的超光谱图像分类方法

为了进一步提高已有的加权超光谱图像分类方法的识别性能,以支持向量机(SVM)作为基本框架,结合超光谱图像的谱间与空域信息,提出了一种自适应加权的超光谱图像分类方法.所提方法的自适应权值是由两部分构成,即改进的具有归一化取值的互信息(MI)与一定量的归一化图像标准方差之和,不仅考虑到了超光谱图像的谱间信息对分类会产生的作...     

一种基于可变形卷积的高光谱图像分类算法

随着深度学习的不断发展,基于深度学习的机器 视觉方法被广泛应用,其中,卷积神 经网络(convolutional neural network,CNN)对高光谱图像(hyperspectral imagery,HSI ) 分类有着显著的效果。传统卷积网络中卷积核的采样位置是固定的,不能根据HSI中复杂的 空间结构而改变,忽略了数据在空间分布上的特征,为了提高高光谱图像分类在实际应用中 的性能,本文提出了一种基于可变形卷积的高光谱图像分类方法,考虑到HSI高维度的特性 , 将可变形卷积从2D引伸到3D,从而更好地提取3D空间上的特征。本文结合双分支双注意机制网络(double- branch dual-attention mechanism network,DBDA)的网络结构和3D可变形卷积,在Indi an Pines(IP)和Botswana(BS)2个数据集上进行了实验。实验结果表明,本文的方法在 综合精度(overall accuracy, OA) 、平均精度(average accuracy, AA)、KAPPA评价标准上均获得了更好的分类准确 率,相较于次优算法,OA提高了0.15%—0.23%,AA提高了0.21%, KAPPA提高了0.000—0.001。     

基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上提出一种基于加权模糊C均值算法改进型原型空间特征提取方案。该方案通过加权模糊 C 均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比 该方案在相对较小的数据集下,其性能仍具有较为理想的稳定性,且具有相对较高的分类精度,这样子就大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。     

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始末降维数据,降维后的高光谱图像分类精度有较大幅度的提高.