基于波段聚类的高光谱图像波段选择

为使无监督的波段选择能够更好地保留高光谱图像的信息,提出一种基于波段聚类的高光谱图像无监督波段选择方法.首先,计算高光谱图像各波段间的互信息,以此衡量各波段间的相关程度;然后,根据各波段间的互信息,对波段集合进行聚类;通过迭代使得各波段分组自动地聚集在信息量较大且具有代表性的波段周围,直到各聚类中心不再变化,则聚类结束.通过波段聚类过程保证了冗余波段的去除和有用信息的保留,最后,以各聚类中心波段作为所选的波段组合.实验结果证明,与传统方法相比,使用文中的方法选择波段,能够更有效地保留光谱信息,得到更高的分类精度.     

多策略结合的高光谱图像波段选择新方法

随着遥感成像技术的发展,高光谱图像的应用需求日益广泛。如何从多达数百个的波段中挑选出具有较好识别能力的波段组合成了亟待解决的问题。根据高光谱图像各波段间相关性高的特点,提出了基于条件互信息与自适应分支定界法相结合的波段分组方法,并在此基础上使用支持向量机和遗传算法相结合的搜索算法,选择最佳波段组合。实验结果表明:提出的算法具有相当出色的分类准确率和稳定性。     

基于SNMF聚类与类间可分性因子的高光谱波段选择

高光谱图像的波段范围广、光谱分辨率高,能为图像分类研究提供丰富的信息,但同时也给计算和存储带来了较大困难.论文提出一种基于SNMF聚类与类间可分性因子的方法来进行高光谱图像波段选择,以降低计算和存储开销.首先是数据预处理工作,将高光谱数据进行三维转二维表达,然后利用SNMF聚类算法得到波段的各个类簇,最后以各波段的类间...     

结合遗传算法和蚁群算法的高光谱图像波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的应用越来越广泛,但其自身的特点给高光谱图像的分类、识别等带来了很大的困难.如何快速地从高达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题.针对上述问题分析了已有的波段选择方法,提出一种结合遗传算法和蚁群算法的高光谱图像波段选择方法.该算法首先利用遗传算法以较快的寻优能力获得几组较优解,以此来初始化蚁群算法的初始信息素列表,然后用蚁群算法以较高的求精解能力获得最优解,并且在遗传算法部分中采用四进制的编码方式,使得算法编/译码简单、遗传算子操作简捷、且处理时所占空间小,同时在蚁群算法部分中巧妙地对预处理图像进行子空间划分来缩小蚂蚁搜索的范围,提高了算法的搜索效率,减小了输出波段组合的相关性和冗余度.由于该算法充分地吸取遗传算法和蚁群算法的优点、克服各自的缺陷,是一种计算耗时少、收敛性能好的波段选择方法.利用AVIRIS(airborne visible infrared imaging spectrometer)图像对提出的算法进行实验,实验结果表明,本文算法在所选波段性能和计算耗时方面都获得令人满意的效果.     

波段聚类和改进递归滤波的高光谱图像分类

针对高光谱图像分类任务中的Hughes现象及噪声问题,提出了联合波段聚类和改进递归滤波的高光谱图像分类方法.首先,利用相对熵对高光谱图像的光谱波段进行K-means聚类,对聚类后的光谱波段进行高斯滤波,得到模糊化图像,将其作为递归滤波的引导图像;然后,对聚类后的光谱波段递归滤波处理,从而增强高光谱图像的轮廓特征;最后,...     

高光谱遥感图像波段选择研究进展综述

高光谱成像遥感技术可获取地物的光谱、辐射和空间信息,在国民经济的各个领域得到广泛的应用.但其狭窄的波段间距带来丰富光谱信息的同时,也带来了信息冗余,增加了数据处理的难度.因此,高光谱遥感数据在进行实际应用前,需要进行波段选择并提取光谱特征,降低数据维数.对高光谱遥感图像的波段选择研究进展进行了综述,在分析、归纳波段选择...     

使用深度对抗子空间聚类实现高光谱波段选择

高光谱图像（HSI）由数百个波段组成,波段之间的相关性强且具有较高的冗余度,导致出现维度灾难并且分类的复杂性很高。为此,使用深度对抗子空间聚类（DASC）网络进行高光谱的波段选择,并引入拉普拉斯正则化使网络更优,在保证分类精度的前提下降低分类的复杂度。该网络通过在编码器和解码器中引入自表达层来模仿传统子空间聚类的“自表达”属性,充分运用光谱信息和非线性特征转换得到波段之间的相互关系,解决传统波段选择方法无法同时考虑光谱和空间信息的问题。同时,引入对抗学习来监督自编码器的样本表示和子空间聚类,使得子空间聚类具有更好的自表达性能。为了使网络性能更优,加入拉普拉斯正则化来考虑反映图像几何信息的局部流形结构。实验在两个公开的高光谱数据集上进行,所提出的方法和几种主流的波段选择方法进行对比的结果表明,DASC方法在分类精度上优于对比方法,其选出的波段子集可以满足应用需求。     

空间权重自适应的MRF高光谱图像模糊聚类方法

传统模糊聚类方法以像元光谱信息为基础,通过相似性准则在特征空间内进行自动聚集。高光谱图像聚类过程往往受到混合像元和"同物异谱"现象的影响,造成结果噪声和破碎严重,导致算法难以适应于高光谱图像地物识别。针对传统聚类算法的不足,考虑邻域像元间相关性和连续性即上下文特征,文章提出了一种新的基于空间权重自适应马尔科夫随机场模型(markov random field,MRF)的高光谱图像模糊聚类算法,在模糊C-均值聚类目标函数中引入空间项,并采用自适应权重系数控制其在聚类中的影响程度,将空间信息自适应地引入聚类过程中。通过模拟及真实高光谱数据实验证明,较仅使用光谱及分类后处理滤波算法,该算法有效提高了高光谱图像聚类的精度和抗噪能力。     

基于类别可分性的高光谱图像波段选择

高光谱遥感数据具有丰富的光谱信息,应用十分广泛,但其冗余的光谱信息有时会限制高光谱图像的分类等的精度以及计算复杂度.为了提高解译效率,高光谱图像降维不可或缺,这也是高光谱图像处理的研究热点之一.提出了一种基于类别可分性的高光谱图像波段选择方法(Endmember Separability Based band Selection,ESBB),该方法通过Mahalanobis距离最大化图像中各类地物的可分性来确定最优的波段组合.相较于其他监督波段选择算法,该方法不需要大量训练样本,不用对每个组合做分类处理.对波段选择后的结果进行分类的实验结果证明,该方法是一个快速有效的波段选择方法,可以得到一个较好的分类精度.     

嵌入式深度神经网络高光谱图像聚类

目的 高光谱图像的高维特性和非线性结构给聚类任务带来了"维数灾难"和线性不可分问题，以往的工作将特征提取过程与聚类过程互相剥离，难以同时优化。为了解决上述问题，提出了一种新的嵌入式深度神经网络模糊C均值聚类方法（EDFCC）。方法 EDFCC算法为了提取更加有效的深层特征，联合优化高光谱图像的特征提取和聚类过程，将模糊C均值聚类算法嵌入至深度自编码器网络中，可以保持两任务联合优化的优势，同时利用深度自编码器网络降维以及逼近任意非线性函数的能力，逐步将原始数据映射到潜在特征空间，提取数据的深层特征。所提方法采用模糊C均值聚类算法约束特征提取过程，学习适用于聚类的高光谱数据深层特征，动态调整聚类指示矩阵。结果 实验结果表明，EDFCC算法在Indian Pines和Pavia University两个高光谱数据集上的聚类精度分别达到了42.95%和60.59%，与当前流行的低秩子空间聚类算法（LRSC）相比分别提高了3%和4%，相比于基于自编码器的数据聚类算法（AEKM）分别提高了2%和3%。结论 EDFCC算法能够从高光谱图像的高维光谱信息中提取更加有效的深层特征，提升聚类精度，并且由于EDFCC算法不需要额外的训练过程，大大提升了聚类效率。     

一种改进的高光谱图像波段选择方法

根据高光谱波段选择的基本准则,将子空间划分、基于矩阵模式的高光谱波段选择方法(BSMM)、波段指数(OIF)三者相结合,提出了一种新的波段选择方法ABO。该方法首先根据各波段之间的相关性进行子空间划分;然后,在全波段范围内利用基于矩阵模式的高光谱波段选择方法得到单一量化指标W,选出各子空间中量化指标W取最大值所对应的波段;其次,针对已选波段计算任意3个波段的波段指数(OIF),波段指数最大值所对应的3个波段即为所选波段;最后,利用AVIRIS真实高光谱数据进行仿真实验,对所选3个波段进行RGB合成与HSV变换以及RX异常检测,通过与以往波段选择方法进行对比验证了所提方法的有效性。     

基于K-AP算法的高光谱图像波段选择方法

在高光谱图像分析领域中，波段选择是一种能有效减少高光谱图像维度的方法。K类仿射传播算法是一种高效的聚类算法，已成功地应用于人脸识别和数据分析等领域，但在高光谱图像分析领域还少有成功的应用。提出将K-AP算法应用于高光谱图像波段选择，对高光谱图像进行有效的数据压缩。针对K-AP算法的特点，基于Kullback-Leibler散度定义了新的相似度矩阵，对波段进行度量，再使用K-AP算法进行聚类，选择最有代表性的波段。实验结果表明，与常用的波段选择方法相比，所提出的方法有更好的表现。     

基于独立分量分析的高光谱图像降维与压缩算法

论文提出了一种基于快速独立分量分析的高光谱图像降维算法.利用虚拟维数算法估计需要保留的独立分量数目,采用非监督端元提取算法自动获取端元矢量,并对快速独立分量分析的混合矩阵进行有效初始化.采用最大噪声分离变换对原始数据进行预处理,利用快速独立分量分析从变换后的主分量中依次提取出各端元对应的独立分量,最后对各个独立分量分别实施无损压缩.实验结果表明,该算法降维后的独立分量具有较好的地物分类性能,并且可以获得较好的压缩性能.     

一种新的高光谱遥感图像降维方法

高光谱遥感图像的高数据维给图像进一步处理带来了困难，为了解决这一问题，提出了自适应波段选择(ABS)的降维方法。该方法充分考虑了高光谱图像的空间相关性和谱间相关性，通过计算各个波段的指数来选择信息量大并且与其他波段相关性小的波段。对各波段相应的指数重新排列之后，有两种方法来选择最终波段：一种是选择波段指数比设定指数大的波段，另一种方法是选择波段指数排在前n个的所有波段。为了验证ABS方法的有效性，对降维后的高光谱图像进行了贝叶斯监督分类，分类结果表明自适应波段选择的方法能够选择出信息丰富的波段，分类精度与使用原始波段相比提高10．4％，计算复杂度大大降低。     

结合近邻传播聚类的自适应图像分割

提出一种统一的图像自动分割模型。为了将图像分为颜色、纹理相近的不同的区域,提出了一个处理方法,具体分为两个步骤:首先,用改进的简单线性迭代聚类算法对输入图像进行预处理,即过分割;然后,用其低阶颜色矩表示这些区域的特征,并进一步利用近邻传播聚类算法将这些区域进行合并。在公开的数据集上进行了详细的实验,结果证明了所提算法的有效性和健壮性。     

基于聚类结构自适应稀疏表示的高光谱遥感图像修复研究

高光谱影像(Hyper-Spectral Image,HSI)的图像修复是其数据应用中重要的一个环节,最终会影响后续工作的准确性。提出一种新的基于聚类结构自适应稀疏表示的高光谱遥感图像的修复算法,该方法的优点是根据遥感图像地物的特征进行自适应地块大小选择,并对像素聚类后各个波段图像按照字典学习算法进行稀疏表示,通过稀疏逼近实现高光谱遥感图像的修复。实验结果表明:利用自适应获得的稀疏系数能更好地表示高光谱图像,图像的峰值信噪比(Peak Signal-toNoise Ratio,PSNR)为26.6dB,比其他研究的算法有所提高。该方法可以应用于遥感图像处理流程中,提高图像的应用潜力。     

基于超像素锚图二重降维的高光谱聚类算法

针对传统谱聚类算法难以应用于大规模高光谱图像,以及现有的改进谱聚类算法对大规模高光谱图像的处理效果不佳的问题,为降低聚类数据的复杂度,以降低聚类过程的计算成本从而多方面提升聚类性能,提出一种基于超像素锚图二重降维的高光谱聚类算法。首先,对高光谱数据进行主成分分析（PCA）处理,并针对高光谱图像的区域特性对其进行基于超像素切割的降维;其次,通过构造锚图的思想对上一步所得数据进行锚点的选取,并构建邻接锚图来实现二重降维,从而进行谱聚类;同时,为去除算法运行中人为调节参数的环节,在构建锚图时采用一种去除高斯核的无核锚图构造方式以实现自动构图。在Indian Pines数据集和Salinas数据集上的实验结果表明所提算法在保证可用性与低耗时的前提下可提高聚类的整体效果,从而验证了所提算法能提高聚类的质量与性能。     

一种改进的高光谱数据自适应波段选择方法

高光谱遥感数据具有的波段数目多、波段宽度窄、数据量庞大等特点给图像的进一步解译带来了困难。为了解决这一问题,对自适应波段选择的降维方法进行了改进,不仅考虑了高光谱遥感图像波段的信息量和波段间的相关性,更重要的是考虑了各地物连续光谱间的可分性。光谱间的可分性距离越大,表明类间的可分性越大,地物越清晰。首先选出了能有效区分图像上任意两类别的理想波段子集,再根据波段子集中任意3波段的相关系数之和最小和它们的均方差最小两个指标,选出任意两类对间那些包含信息量大、相关性又小、谱间差异又大的3波段组合(且不唯一),最后对整幅影像选出的最佳3波段45、75、85合成的假彩色图像用光谱角度制图法(SAM)进行了分类,总体分类精度达到91.7%,Kappa系数达到0.82。     

相对熵结合互信息的高光谱波段选择方法

针对目前大多数高光谱波段选择方法对光谱信息总体分布的定量描述不够理想的问题,引入相对熵生成归一化相对熵矩阵,构造波段间的光谱信息差异度模型;引入互信息生成平均互信息矩阵,构建波段间的光谱信息相关度模型。通过计算与分析相对熵矩阵和平均互信息矩阵的统计学参数,为二者赋予不同权重,构建能够定量描述高光谱影像光谱信息总体分布的综合光谱信息矩阵,并据此选择所需数量的波段。基于真实高光谱遥感影像,完成该方法与其他3种主流波段选择方法(SNMF、SpaBS、ABS)的实验与对比分析。实验结果表明,该方法能够保留更多的有效光谱信息,波段选择效果优于同类算法。     

标准分数降维的3D-CNN高光谱遥感图像分类

针对高光谱图像存在Hughes现象,以及空间和光谱特征利用效率低的问题,提出了一种结合标准分数降维和深度学习的高光谱图像分类算法.利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段,结合优化过的3D-CNN(3D Convolutional Neural Network)分类方法,通过使用大步距...