多核融合多尺度特征的高光谱影像地物分类

对于高光谱影像地物分类问题,为更加有效地利用像元空间信息和光谱信息,提高地物分类精度,提出了多核融合多尺度特征的分类方法。首先,通过多尺度空间滤波和PCA白化,提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征,在分类器内实现特征自动融合,根据子核与理想核、子核之间距离求取核组合的权重,使用训练集所构成的字典在特征空间内对待测样本进行线性表示,根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明:对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%,较传统方法明显提高,并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力,并且具有较强的稳定性和鲁棒性。     

基于多尺度稀疏字典的多聚焦图像超分辨融合

由于传统的多聚焦图像融合算法不能对图像中聚焦区域划分进行有效度量,提出了一种新的多聚焦图像超分辨融合方法来改善图像融合效果。该方法对图像清晰区和模糊区进行度量,并利用稀疏表示方法对度量后的清晰区域进行超分辨重建。首先,采用空间频率方法提取源图像中清晰区域与模糊区域,然后确定清晰区域中的主清晰区和次清晰区,并计算它们的真实下采样尺度。最后,通过学习多尺度稀疏表示字典对图像中次清晰区域进行超分辨率重建,并与清晰区域结合形成最终融合图像。实验及各种定量评价结果表明,提出的方法较常规方法具有更好的融合性能,得到的图像更清晰。对比Harr小波,非下采样轮廓波变换(NSCT),剪切波(Shearlet)变换等方法,其熵(EN)提升了1%,峰值信噪比(PSNR)提升了0.62dB,清晰度(SP)和空间频率(SF)提升30%,均方误差(MSE)下降了6%左右。     

基于张量表示的高光谱图像目标检测

高光谱图像目标检测作为一个研究热点在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息,本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP(Canonical Polyadic)张量分解技术和张量块分解(Block Term Decomposition,BTD)分别对高光谱数据进行盲源分析,提取了有效的局部图像块空谱特征,建立了一个基于稀疏表示和协作表示的检测模型,针对多种类型背景复杂的场景数据进行实验,并与当前流行的目标检测算法进行比较。从可视化检测结果来看,本文算法在复杂背景和强噪声环境下,有效提取了空谱特征,对背景具有较好的抑制能力,检测的目标显著。此外,本文从接收机操作曲线(Receiver Operating Characteristic Curve,ROC)和ROC曲线下面积(Area Under Curve,AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例,在10%的虚警率下,本文算法取得90%的检测精度,AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度,更强的鲁棒性。     

基于张量表示的高光谱图像目标检测算法

高光谱图像目标检测是当前一个研究热点。其在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息,本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP张量分解技术和张量块分解(BTD)分别对高光谱数据进行盲源分析,提取了有效的局部图像块空谱特征,建立了一个基于稀疏表示和协作表示的检测模型,针对多种类型背景复杂的场景数据进行实验,并与当前流行的目标检测算法进行比较。从可视化检测结果来看,本文算法在复杂背景和强噪声环境下,有效提取了空谱特征,对背景具有较好的抑制能力,检测的目标显著。此外,本文从接收机操作曲线(ROC)和ROC曲线下面积(AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例,在10%的虚警率下,本文算法取得90%的检测精度,AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度,更强的鲁棒性。     

基于半监督稀疏鉴别嵌入的高光谱遥感影像分类

为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。     

有限训练样本下的多尺度空洞密集网络高光谱影像分类

为了在有限训练样本情况下充分提取高光谱影像的空间光谱特征,提高分类精度,提出一种结合空洞卷积和密集网络 的高光谱影像分类方法。 首先,构建多尺度空洞特征提取模块,引入不同数量的空洞卷积层和普通卷积层通过级联的方式增大 模型的感受野,并提取多尺度特征。 然后,在多尺度空洞特征提取模块之间建立密集连接,实现特征复用的同时缓解梯度消失 问题,而模块内部无密集连接,避免构建深度网络而导致网络参数过多的问题。 最后,将得到的特征依次通过池化层,全连接层 和 Softmax 层完成分类。 另外,本文在全连接层后加入 dropout 正则化防止出现过拟合。 在 Indian Pines 和 WHU-Hi-Longkou 数 据集上与经典分类方法进行对比,本文方法 OA 分别为 98. 75% 和 98. 82% 。 实验结果表明,本文设计的网络模型在有限训练样 本情况下,分类效果最优。     

高光谱图像分类的研究进展

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点,对图像中的每个像素进行分门别类,以达到对地物目标进行高精度分类和自动化识别的目的,是对地观测的重要组成部分。在分析高光谱图像特点的基础上,本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较,通过具体实验的结果对比,直观地展现各种算法的优劣。针对高光谱分类问题,本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面,在算法研究上,高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度,利用多源遥感数据、多特征综合、多尺度复合,提升小样本、少参数分类模型的分类精度,适应智能化、快速化高光谱遥感对地观测的发展要求;另一方面要紧密结合市场应用需求,重视高光谱图像在实际中的应用,研究具有市场竞争力的高效分类算法,提升高光谱图像分类在遥感技术应用领域的竞争力。     

基于空间-光谱字典的不完备高光谱图像重构

提出了一种新的空间-光谱字典学习方法,用于不完备高光谱图像的重构.根据高光谱图像具有丰富的空间和谱间相关性的特点,将高光谱图像分割成三维重叠的小立方体块,从中学习出能够对这些块进行稀疏表示的空间-光谱字典.首先固定字典,用非负正交匹配追踪法计算稀疏系数;然后固定系数,用梯度下降法更新字典,上述两步交替进行直到算法收敛.依据这种分块模型学习出的字典更符合高光谱图像的特点.在谱向上字典原子为物质的光谱反射曲线,在空间向上字典为普通二维空间块字典.最后将字典应用于不完备高光谱图像的重构,实验结果表明,该方法以较低的采样率获得了良好的重构效果.     

基于手背静脉图像多特征稀疏表示的身份识别

为了准确地对人的身份进行识别,提出了一种对采集静脉图像的全局特征和局部特征进行稀疏表示的识别算法.该算法首先应确定静脉样本库中所有的静脉对象,并在不同光强下对每一手背静脉进行采集,此外将采集图像进行适当压缩与旋转,并将变换后的所有图像作为库中描述该静脉对象的样本;其次,分别提取该静脉对象所有样本的全局特征与局部特征,并通过求解每一特征系数向量的最小1范数,对未知静脉图像的全局与局部特征进行稀疏表示;最后,融合稀疏表示结果,完成静脉识别的过程.通过在3种光强下对200个人的手背静脉进行采集,并经过图像压缩与旋转调整后建立实验所需的静脉样本数据库,识别实验表明该识别方法正确识别率达到98％以上,并且对于采集时出现多种不合作因素具有较好的鲁棒性,同时具有较好的实用价值.     

基于鉴别稀疏保持嵌入的高光谱影像地物分类

在高光谱影像地物分类应用中时常因光谱波段数多而导致"维数灾难"问题,提出了一种鉴别稀疏保持嵌入的维数约简算法。该方法利用稀疏表示的自然鉴别力,分别构建了类内e_1图和类间e_1图;在低维嵌入空间中,保持同类数据的内在稀疏流形结构,同时分离开非同类数据,提取出鉴别特征。DSPE不仅继承了稀疏表示的优点,而且增加了非同类数据间的可分性。在PaviaU和Urban高光谱数据集上的地物分类实验结果表明,该方法的总体分类精度分别提高到87.53%和80.49%。提出的方法能自适应地揭示出数据间的内在关系,更有效地提取出鉴别特征,改善地物分类精度。     

面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

利用区域增长技术的自适应高光谱图像分类

针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。     

高光谱遥感图像空谱联合分类方法研究

在遥感影像研究领域里,高光谱数据分类是一个热点问题。近年来,在这个问题上涌现出很多研究方法,然而,大多数方法都是用浅层的方法提取原始数据的特征。将深度学习的方法引入高光谱图像分类中,提出一种新的基于深信度网络(DBN)的特征提取方法和图像分类架构用于高光谱数据分析。将谱域-空域特征提取和分类器相结合提高分类精度。使用高光谱数据进行实验,结果表明该分类器优于当前的一些先进的分类方法。此外,本文还揭示了深度学习系统在高光谱图像分类研究中具有的巨大潜力。     

稀疏表示下的噪声图像超分辨率重构

为了能够完成噪声图像的超分辨率重构,提出了一种基于稀疏表示的噪声图像超分辨率重构方法,可以同时完成图像去噪和超分辨率重构。首先,对样本图像和低分辨率图像进行块划分,建立样本库。其次,建立图像退化模型,采用相似样本加权平均的方式对输出的高分辨率图像块进行表示。根据输入的低分辨率图像块,计算样本块与输出的高分辨率图像块之间的相似性。提出了一种相似性描述方法,能够很好地解决噪声带来的影响。然后,采用相似性对稀疏编码优化模型进行惩罚,提出一种权值求解模型。模型可以自适应的搜索相似样本块而不需要预先设定相似块的个数。最后,求解权值,根据权值和样本块重构高分辨率图像块,并重构高分辨率图像。实验结果表明:所提出的方法较其它常见超分辨率算法的峰值信噪比可提高0.5dB左右,重构的图像细节更丰富,去噪效果更好,更适合实际应用。     

一种基于稀疏表示的图像去噪算法

利用稀疏表示的自适应特征,将稀疏表示的多分辨理论应用于图像的去噪处理中,提出了一种基于稀疏表示的图像分块去噪方法。首先将噪声图像分割成一定尺寸的图像块,选出同质块与非同质块;然后利用小波去噪方法处理同质块,而采用脊波去噪方法处理非同质块,从而得到去噪后的图像;最后采用维纳滤波器对去噪后的图像进一步处理。实验结果表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,较好地去除图像噪声,并且很好地保存图像的边缘纹理信息。     

联合块匹配与稀疏表示的卫星云图修复

针对卫星云图在接收及传输过程中受噪声、大气湍流、太阳风暴及卫星轨道漂移等影响造成的云图数据破损,提出了一种联合块匹配与稀疏表示的卫星云图修复方法。首先,根据破损区域的优先权值确定待修复像素,对该像素的邻域进行分块处理。然后,利用待修复块与各匹配块之间的结构相似度,建立相应的冗余字典;通过求解稀疏表示问题修复该破损区域。最后,沿着等照度线不断更新优先权值,实现整幅图像的修复。实验结果表明,提出的方法不仅能避免传统偏微分方程(PDE)修复法所导致的结构丢失,也能很好地改善基于纹理填充修复方法所导致的修复不足及块效应现象。测试结果显示:在云图存在局部区域缺失时,修复后云图的峰值信噪比(PSNR)比匹配追踪法及总变分法的修复结果平均提高了8.50dB和0.28dB,而且在纹理细节及边缘区域具有更好的视觉效果。