高光谱数据分类新方法研究

传统的独立分量分析（ICA）算法无法确定高光谱数据中独立分量的个数,利用概率神经网络（PNN）训练时间短的优点,根据分类精度可以较快地确定出独立分量的个数。提出了一种在确定高光谱数据的维数之后利用支持向量机（SVM）分类的新算法思想,首先利用ICA对高光谱数据降维,并利用PNN确定出独立分量的个数,而后对降维后的数据利用SVM作交叉验证,并采用混合核函数进行分类的算法思想。通过仿真实验表明,该算法可以在保证分类精度的同时大大减少分类的时间。     

基于改进独立分量分析的高光谱数据分类研究

高光谱数据波段数目多,光谱信息量大,采用传统的分类方法无法取得较好的精确分类效果.针对上述问题,结合独立分量分析(ICA)和概率神经网络(PNN)在高光谱数据特征提取及分类中的优势,提出了一种改进的独立分量分析与概率神经网络相结合的高光谱数据分类方法,首先采用改进的独立分昔分析对高光谱数据进行降维,然后采用概率神经网络对提取的独立分量进行分类.通过仿真实验结果表明,方法可以在获得较高分类精度的同时大大节省分类的时间.     

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.     

基于LFDA和GA-ELM的高光谱图像地物识别方法研究

高光谱图像的高维特性和波段间的高相关性,导致高光谱图像地物识别问题研究中,面临着数据量大、信息冗余的问题,降低了高光谱图像的分类识别精度。针对以上问题,提出了基于局部保留降维（Local Fisher Discriminant Analysis,LFDA）结合遗传算法（Genetic Algorithm, GA ）优化极限学习机（Extreme Learning Machine, ELM）的高光谱图像分类方法。首先,采用LFDA对高光谱图像数据进行降维处理,消除信息冗余并保留局部邻域内主要特征;然后用GA优化ELM,对降维处理后的特征样本进行分类,提高高光谱图像的分类识别精度。将该方法应用于Salinas和Pavia University高光谱图像的地物识别问题研究,分类精度分别达到了98.56%和97.11%,由此验证了该方法的有效性。     

基于多视图边界判别投影的高光谱图像分类

高光谱图像分类是遥感领域研究的热点问题,其关键在于利用高光谱图谱合一的 优势,同时融合高光谱图像中各个像元位置的光谱信息和空间信息,提高光谱图像分类精度。 针对高光谱图像特征维数高和冗余信息多等问题,采用多视图子空间学习方法进行特征降维, 提出了图正则化的多视图边界判别投影算法。将每个像元处的光谱特征看作一个视图,该像元 处的空间特征看作另一个视图,通过同时优化每个视图上的投影方向来寻找最优判别公共子空 间。公开测试数据集上的分类实验表明,多视图学习在高光谱图像空谱融合分类方面具有显著 的优越性,在多视图降维算法中,该算法具有最高的分类准确性。     

应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解（Two-dimensional Empirical Mode Decomposition,2-D EMD）和独立成分分析（Independent Comment Analysis,ICA）相结合的掌纹识别新方法。利用2-D EMD自适应的时频局域化多尺度和ICA II表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-D EMD分解得到多层本征模函数（Intrinsic Mode Function,IMF）;其次,利用基于PCA（Principal Component Analysis）降维处理的FastICA II算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试（2-D EMD+ICA II）的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICA II相比,具有重构图像信噪比好、识别率高等优点。     

基于PSO-ICA的文本分类研究

文本分类在采用向量空间模型（VSM）表达文本特征时,容易出现特征向量高维且稀疏的现象,为了对原始的文本特征向量进行有效简化,提出了一种基于粒子群（PSO）优化独立分量分析（ICA）进行降维的方法,并将其运用到文本分类中。在该算法中,以负熵作为粒子群算法的适应度函数,依据其高斯性原理作为独立性判别标准对分离矩阵进行自适应更新。实验结果表明,相比于传统的特征降维方法,该方法可以解决高维度文本特征向量降维困难的问题,使得文本分类的效率、准确率显著提升。     

结合超像元和子空间投影支持向量机的高光谱图像分类

目的 高光谱图像包含了丰富的空间、光谱和辐射信息,能够用于精细的地物分类,但是要达到较高的分类精度,需要解决高维数据与有限样本之间存在矛盾的问题,并且降低因噪声和混合像元引起的同物异谱的影响。为有效解决上述问题,提出结合超像元和子空间投影支持向量机的高光谱图像分类方法。方法 首先采用简单线性迭代聚类算法将高光谱图像分割成许多无重叠的同质性区域,将每一个区域作为一个超像元,以超像元作为图像分类的最小单元,利用子空间投影算法对超像元构成的图像进行降维处理,在低维特征空间中执行支持向量机分类。本文高光谱图像空谱综合分类模型,对几何特征空间下的超像元分割与光谱特征空间下的子空间投影支持向量机（SVMsub）,采用分割后进行特征融合的处理方式,将像元级别转换为面向对象的超像元级别,实现高光谱图像空谱综合分类。结果 在AVIRIS（airbone visible/infrared imaging spectrometer）获取的Indian Pines数据和Reflective ROSIS（optics system spectrographic imaging system）传感器获取的University of Pavia数据实验中,子空间投影算法比对应的非子空间投影算法的分类精度高,特别是在样本数较少的情况下,分类效果提升明显;利用马尔可夫随机场或超像元融合空间信息的算法比对应的没有融合空间信息的算法的分类精度高;在两组数据均使用少于1%的训练样本情况下,同时融合了超像元和子空间投影的支持向量机算法在两组实验中分类精度均为最高,整体分类精度高出其他相关算法4%左右。结论 利用超像元处理可以有效融合空间信息,降低同物异谱对分类结果的不利影响;采用子空间投影能够将高光谱数据变换到低维空间中,实现有限训练样本条件下的高精度分类;结合超像元和子空间投影支持向量机的算法能够得到较高的高光谱图像分类精度。     

谐波分析光谱角制图高光谱影像分类

目的 针对光谱角制图(SAM)分类算法对高光谱像元光谱曲线的局部特征和其辐射强度不敏感,而且易受噪声和维数灾难影响,致使分类效率低和精度较差等缺陷,将谐波分析(HA)技术引入到SAM高光谱影像分类中,提出一种基于谐波分析的光谱角制图(HA-SAM)高光谱影像分类算法.方法 利用HA技术将高光谱影像从光谱维变换到能量谱特征维空间,并提取低次谐波分量及特征系数(谐波余项、相位和振幅),用特征系数组成的向量代替光谱向量,对高光谱影像进行SAM分类.结果 将SAM和HA-SAM同时应用于EO-1卫星的Hyperion高光谱影像分类,通过对比和分析,验证了HA-SAM的优越性,再选择AVIRIS(airborne visible infrared imaging spectrometer)高光谱影像对HA-SAM进行验证,结果表明该算法具有较强的普适性.结论 HA-SAM提高了传统SAM高光谱影像分类的效率和精度,而且适用性较强具有良好的应用前景.     

基于空谱融合网络的高光谱图像分类方法

针对高光谱图像分类中提取的空-谱特征表达能力弱及维数较高的问题,提出一种基于空-谱融合网络（SSF-Net）的高光谱图像分类方法。首先,利用双通道卷积神经网络（Two-CNN）同时提取高光谱图像的光谱和空间特征;其次,使用多模态压缩双线性池化（MCB）将所提取的多模态特征向量的外积投射到低维空间,以此产生空-谱联合特征。该特征融合网络,既可以分析光谱特征和空间特征向量中元素之间的复杂关系,同时也避免对光谱和空间向量直接进行外积计算,造成维数过高、计算困难的问题。最终实验表明,与现有基于神经网络的分类方法相比,所提出的高光谱图像分类算法能够获得更高的像元分类精度,表明该网络所提取的空-谱联合向量对高光谱图像具有更强的特征表达能力。     

混合PCA/ICA与JPEG2000结合的高光谱图像压缩

主成分分析(PCA)常常结合JPEG2000压缩标准用来对高光谱图像进行压缩。然而,由PCA得到的主成分仅利用了二阶统计信息。对于高光谱图像应用来说,只采用二阶统计信息是远远不够的,如异常像素的处理常常需要用到更高阶的统计信息。研究了一种混合PCA/ICA与JPEG2000相结合的高光谱图像压缩算法。首先,对原始高光谱图像进行PCA变换,提取出前m个主成分对应的特征向量矩阵WPCA;然后,对其余的特征向量进行ICA变换,得到n个特征向量矩阵WICA;最后,将得到的混合投影矩阵、原始高光谱图像及其均值向量共同嵌入JPEG2000比特流,从而完成对高光谱图像的压缩。在不同码率的情况下,通过空间相关系数(ρ)、信噪比(SNR)、光谱角填图(SAM)等技术指标对混合PCA/ICA+JPEG2000算法的压缩性能进行评估。实验结果表明,混合PCA/ICA+JPEG2000算法不但能有效去除高光谱图像的谱间相关性,而且能够有效提高光谱保真度,保护异常像素信息。     

分段2维主成分分析的超光谱图像波段选择

目的 超光谱图像具有极高的谱间分辨率,巨大的数据量给分类识别等后续处理带来很大压力。为了有效降低图像数据维数,提出基于分段2DPCA的超光谱图像波段选择算法。方法 首先根据谱间相关性对原始图像进行波段分组,然后根据主成分反映每个光谱波段的信息比重分别对每组图像进行波段选择,从而实现超光谱图像的谱间降维。结果 该算法有效降低了超光谱图像的光谱维数,选择的波段明显反映出不同地物像元矢量的区别。结论 实验结果表明,该波段选择算法相对传统算法速度更快,并且较好地保留了原始图像的局部重要信息,对后续处理有积极意义。     

基于独立成分分析的高光谱图像有损压缩方法

提出一种结合小波变换和独立成分分析(ICA)的高光谱图像有损压缩方法。采用最大似然估计与最大噪声分离相结合的方法对原始高光谱数据进行维数估计。依据维数估计的结果在光谱方向上采用 ICA,在空间上运用离散小波变换。对于变换后的系数,使用多级树集合分裂算法和算术编码分别进行量化编码和熵编码。在机载可见光/红外成像光谱仪220波段高光谱数据上的实验结果表明,该算法可以在获得较高压缩率的同时,保留高光谱图像的光谱特性。     

Parallel processing of remotely sensed hyperspectral imagery: full‐pixel versus mixed‐pixel classification

The rapid development of space and computer technologies allows for the possibility to store huge amounts of remotely sensed image data, collected using airborne and satellite instruments. In particular, NASA is continuously gathering high‐dimensional image data with Earth observing hyperspectral sensors such as the Jet Propulsion Laboratory's airborne visible–infrared imaging spectrometer (AVIRIS), which measures reflected radiation in hundreds of narrow spectral bands at different wavelength channels for the same area on the surface of the Earth. The development of fast techniques for transforming massive amounts of hyperspectral data into scientific understanding is critical for space‐based Earth science and planetary exploration. Despite the growing interest in hyperspectral imaging research, only a few efforts have been devoted to the design of parallel implementations in the literature, and detailed comparisons of standardized parallel hyperspectral algorithms are currently unavailable. This paper compares several existing and new parallel processing techniques for pure and mixed‐pixel classification in hyperspectral imagery. The distinction of pure versus mixed‐pixel analysis is linked to the considered application domain, and results from the very rich spectral information available from hyperspectral instruments. In some cases, such information allows image analysts to overcome the constraints imposed by limited spatial resolution. In most cases, however, the spectral bands collected by hyperspectral instruments have high statistical correlation, and efficient parallel techniques are required to reduce the dimensionality of the data while retaining the spectral information that allows for the separation of the classes. In order to address this issue, this paper also develops a new parallel feature extraction algorithm that integrates the spatial and spectral information. The proposed technique is evaluated (from the viewpoint of both classification accuracy and parallel performance) and compared with other parallel techniques for dimensionality reduction and classification in the context of three representative application case studies: urban characterization, land‐cover classification in agriculture, and mapping of geological features, using AVIRIS data sets with detailed ground‐truth. Parallel performance is assessed using Thunderhead, a massively parallel Beowulf cluster at NASA's Goddard Space Flight Center. The detailed cross‐validation of parallel algorithms conducted in this work may specifically help image analysts in selection of parallel algorithms for specific applications. Copyright © 2008 John Wiley & Sons, Ltd.     

基于独立分量分析的高光谱遥感影像决策树分类

为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难”间的矛盾并提高分类精度,针对传统特征选择方法信息损失大的缺陷,基于EO-1 Hyperion高光谱遥感影像,采用独立分量分析(ICA)和决策树分类(DTC)方法联合运作流程,开展影像的地物分类实验研究,提出了ICA-DTC模型。首先运用ICA方法对影像进行特征提取,并以所提取的独立分量特征及其他地理辅助要素组成分类指标集;继而选择适当的指标组合和阈值设定判别规则,建立DTC模型进行影像的地物分类;最后将分类结果与传统最大似然分类法进行比对。结果显示：从分类的总体精度看,前者可达89.34%,高出后者18.8%;从单一地物的分类精度看,前者仅水体的精度略低于后者,而其他11种地物的精度都高于后者。理论分析与实验结果均表明,ICA-DTC模型可有效提高复杂地形条件下的地物分类精度。     

单形体体积最小化的差分进化光谱解混算法

目的 光谱解混是高光谱遥感图像处理的核心技术。当图像不满足纯像元假设条件时,传统算法难以适用,基于(单形体)体积最小化方法提供了一种有效的解决途径。然而这是一个复杂的约束最优化问题,更由于图像噪声等不确定性因素的存在,导致算法容易陷入局部解。方法 引入一种群智能优化技术-差分进化算法(DE),借助其较强的全局搜索能力以及优越的处理高维度问题的能力,并通过对问题编码,提出了一种体积最小化的差分进化(VolMin-DE)光谱解混算法。结果 模拟数据和真实数据实验的结果表明,与现有算法相比,该算法在15端元时精度(光谱角距离)可提高7.8%,当端元数目少于15个时,其精度普遍可以提高15%以上,特别是10端元时精度可以提高41.3%;在20~50 dB的噪声范围内,精度变化在1.9~3.2(单位:角度)之间,传统算法在2.2~3.5之间,表明该算法具有相对较好的噪声鲁棒性。结论 本文算法适用于具有纯像元以及不存在纯像元(建议最大纯度不低于0.8)这两种情况的高光谱遥感图像,并可在原始光谱维度进行光谱解混,从而避免降维所带来的累计误差,因此具有更好的适应范围和应用前景。     

融合BOVW和复杂网络的高光谱遥感图像分类

为挖掘高光谱遥感图像的深层光谱特征,获取优化特征空间以提高分类准确率,提出了一种基于视觉词典和复杂网络的高光谱遥感图像分类的光谱特征提取方法.通过改进视觉词典方法,使用K-Means方法计算各类样本的聚类中心作为词典,并计算各待测试样本的光谱像素值与词典光谱向量中相同光谱波段的差值,计算出单个待测样本点的词频直方图.同...     

局部投影可分离的高光谱图像异常检测

针对高光谱异常检测中临近异常像素相互干扰和背景地物复杂的问题,提出基于局部投影可分离的高光谱图像异常检测算法.在归一化的数据中,将待测像素光谱作为参考光谱,构造目标子空间,然后把邻域背景像素投影到该子空间,用投影后向量模值构造异常度计算式.最后将检测到的异常与全局主要背景地物进行比对,肖除部分虚警.利用HyMap高光谱数据进行仿真实验结果表明,本文算法具有克服背景复杂性和干扰点的影响,尤其对异类干扰点的抑制效果更佳.