基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（Karhunen-Loève Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Truncation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

基于多尺度空谱鉴别特征的高光谱图像分类

为了应对高光谱图像同质区域面积分布不均的问题,同时更充分地挖掘空间和光谱信息之间的内在联系,提出了一种基于多尺度空谱鉴别特征的高光谱图像分类方法。该算法首先对图像进行不同尺度的滤波操作,接着分别从得到的多幅图像中提取鉴别的空谱特征,并使用支持向量机(SVM)进行分类。最后,该算法采取“决策级融合”的策略,来综合不同滤波尺度图像的分类结果。在Indian Pines,Kennedy Space Center和University of Pavia数据集上的实验表明,该算法能够提取较为有效的空间信息,当随机选取10%的像素作为训练样本时,该算法的总体分类准确率均能达到96%以上,其分类精度和Kappa系数均优于其他分类算法。     

3D密集全卷积的高光谱地物分类算法研究

针对高光谱遥感图像训练样本较少、光谱维度较高、空间特征与频谱特征存在差异性而导致高光谱地物分类的特征提取不合理、分类精度不稳定和训练时间长等问题,提出了基于3D密集全卷积（3D-DSFCN）的高光谱图像（HSI）分类算法。算法通过密集模块中的3D卷积核分别提取光谱特征和空间特征,采用特征映射模块替换传统网络中的池化层和全连接层,最后通过softmax分类器进行分类。实验结果表明,基于3D-DSFCN的HSI分类方法提高了地物分类的准确率、增强了低频标签的分类稳定性。     

基于光谱分类的超光谱数据压缩方法

提出了一种基于光谱分类的超光谱图像数据压缩新方法：通过光谱分类把原先的三维遥感图像数据转化为一个分类表和一个光谱表,实现数据压缩。由于光谱分类的精度直接影响压缩和恢复图像的效果,重点比较和研究了三种光谱分类的方法：最大值法,欧氏距离法和小波变换法。实验证明：图像经小波变换法分类压缩后的重建效果最佳,但耗费时间最多;欧氏距离法的重建效果比小波变换法要差一些,所用时间比小波变换法要少的多;最大值法的效果最差,但耗费时间最少。     

基于包络线消除的高光谱图像分类方法研究

在高光谱遥感中,包络线消除法一般仅局限于对单个像元的光谱进行光谱分析,从中提取出有助于分类识别的特征波段。而该文则以包络线消除算法为基础,应用VC++语言编程实现了对整个高光谱图像文件去包络、归一化并且提取出分类的特征空间的功能,并且针对原图像文件和去包络线后的图像文件,比较了应用最大似然分类法和光谱角度匹配法进行分类的结果。     

基于direct LDA的高光谱遥感影像地物分类

针对高光谱遥感影像的降维问题,提出一种高光谱影像地物分类方法:direct LDA子空间法。先采用直接线性判别分析(direct linear discriminant analysis, direct LDA)进行特征提取,然后在特征子空间中采用最短距离分类器进行地物分类。机载可见光/红外成像光谱仪(airborne visible/infrared imaging spectrometer,AVIRIS)的高光谱影像识别结果表明,该方法相比LDA子空间法和原空间法,可显著降低数据维数,提高识别率。     

基于改进GraphSAGE的高光谱图像分类

针对传统的图卷积网络节点嵌入过程中接受邻域范围小的问题,本文提出了一种基于改进GraphSAGE算法的高光谱图像分类网络.首先,利用超像素分割算法对原始图像进行预处理,减少图节点的个数,既最大化保留了原始图像的局部拓扑结构信息,又降低了算法的复杂度,缩短运算时间;其次,采用改进的GraphSAGE算法,对目标节点进行平均采样,选用平均聚合函数对邻居节点进行聚合,降低空间复杂度.在公开的高光谱图像数据集Pavia University和Kenndy Space Center上与相关模型进行对比,实验证明,基于改进GraphSAGE算法的高光谱图像分类网络可以取得较好的分类结果.     

基于二阶矩稀疏编码的高光谱遥感图像分类

高光谱遥感技术是当前遥感领域的前沿技术,将稀疏编码应用于高光谱遥感图像处理是近年来高光谱信息处理的一个热点研究方向。以提升高光谱遥感图像分类准确度为目标,提出一种基于二阶矩空谱联合稀疏编码的遥感图像分类方法。首先从各地物参考数据中选取训练样本,通过学习构造得到字典,然后在训练得到的字典的基础上通过稀疏编码获得每个像元的稀疏系数,之后将稀疏系数作为分类器的输入,通过分类器的分类判决得到最终的分类结果。利用北京市朝阳地区的天宫一号可见近红外高光谱遥感图像数据和KSC高光谱数据,将该方法与支持向量机(SVM)、基于光谱维信息的稀疏编码以及一阶矩空谱联合稀疏编码等方法进行了比较。实验结果表明,提出的分类方法较其他几种方法可以取得更好的分类效果,在天宫一号和KSC数据上的总体分类精度分别可达到95.74%和96.84%,Kappa系数分别可达到0.9476和0.9646。     

基于MFA与kNNS算法的高光谱遥感影像分类

为了研究高光谱影像数据的维数约简和分类问题,提出了一种基于边际费希尔分析(MFA)和kNNS的高光谱遥感影像数据分类算法。该方法利用数据的类别信息,通过MFA将高光谱数据从高维观测空间投影到低维流形空间,然后利用邻域内多个近邻点的信息通过kNNS分类器对低维空间中的数据进行分类。在Urban、Washington和Indian Pine数据集上的分类识别实验表明,该方法能够较为有效地发现高维空间中数据的内蕴结构,在每类随机选取4,6,8个训练样本的情况下,该方法的总体分类精度能够比其他算法提高3.7%～8.5%,分类精度有了明显的提高。     

基于随机森林的高光谱遥感图像分类

为了充分利用高光谱图像的光谱信息和空间结构信息,提出了一种新的基于随机森林的高光谱遥感图像分类方法,首先,利用主成分分析降低数据的维数,并对主成分进行独立成分分析提取其光谱特征,同时消除像元的空间相关性,再采用形态学分析提取像元的空间结构特征,然后,根据像元的谱域和空域特征分别构造随机森林,并引入空间连续性对像元点的预测结果进行约束修正,最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明,所提方法的分类性能要优于传统的高光谱图像分类方法,且分类精度高于基于单一特征的方法。     

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。     

基于最佳线性预测器的高光谱图像无损压缩算法

针对高光谱遥感图像细节丰富纹理复杂，空间相关性弱，难于压缩的特点，本文充分利用了高光谱遥感图像的谱间相关性，设计出对相邻谱段进行预测并将预测残差均方降为最小的一种最佳线性预测器。最后利用整数小波变换，并结合SPIHT算法，有效的去除空间相关性。实验表明该算法可以收到良好的效果，优于3D—SPIHT算法和WINRAR压缩软件。     

基于波段分组的3D-SPIHT高光谱图像无损压缩算法

波段间隔为纳米级的高光谱图像具有很强的谱间相关性，但不同频谱波段图像之间的相关性不同，本文提出了一种基于波段分组的3D—SPIHT(set partitioning in hierarchical trees)高光谱图像无损压缩方法。对高光谱图像按照谱段类型进行分组，接着通过3维整型小波变换，对图像组去除空间相关性和光谱维相关性，最后以3D—SPIHT的空间方向树组织方式来进行编码，去除小波变换后子带间系数的冗余。实验结果表明，该方法能够有效地去除空间和谱间相关性，在算法复杂度和计算时间上较整体处理有一定优势，同时可获得较好的无损压缩结果。     

一种基于自适应预测的高光谱图像近无损压缩方法*

提出一种高光谱图像的近无损压缩方法.首先使用三维自适应预测有效地去除高光谱图像的空间和谱间相关性;然后对预测误差进行量化,以进一步降低编码率.实验结果表明,该方法能在控制重建误差的前提下显著地降低了比特率.     

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。     

CCSDS压缩算法对高光谱数据质量的影响研究

成像光谱仪能够探测获取目标的空间信息和光谱信息,逐渐在军事/民用遥感领域广泛应用.然而随着成像光谱仪的空间分辨率和光谱分辨率的提高,数据量也飞速提高.受数据下行链路带宽限制,星载高分辨率成像光谱仪所获取的海量数据必须进行有损压缩,而采用有损压缩又带来了一个关键问题:有损压缩所造成的数据失真究竟会对高光谱数据质量及后续遥感应用造成怎样的影响.本文基于CCSDS压缩算法的两种压缩方案,从统计性能、辐射性能、空间性能、光谱性能和应用性能5个方面,系统性分析了数据压缩对高光谱数据质量造成的影响.结果表明,利用高光谱数据的高谱间相关性,采用谱间去相关与CCSDS空间数据压缩相结合的方案,与直接采用CCSDS进行空间数据压缩的方案相比,具有更好的压缩性能,对高光谱数据质量造成的影响更小.     

Hybrid Multi-Strategy Aquila Optimization with Deep Learning Driven Crop Type Classification on Hyperspectral Images

Hyperspectral imaging instruments could capture detailed spatial information and rich spectral signs of observed scenes. Much spatial information and spectral signatures of hyperspectral images (HSIs) present greater potential for detecting and classifying fine crops. The accurate classification of crop kinds utilizing hyperspectral remote sensing imaging (RSI) has become an indispensable application in the agricultural domain. It is significant for the prediction and growth monitoring of crop yields. Amongst the deep learning (DL) techniques, Convolution Neural Network (CNN) was the best method for classifying HSI for their incredible local contextual modeling ability, enabling spectral and spatial feature extraction. This article designs a Hybrid Multi-Strategy Aquila Optimization with a Deep Learning-Driven Crop Type Classification (HMAODL-CTC) algorithm on HSI. The proposed HMAODL-CTC model mainly intends to categorize different types of crops on HSI. To accomplish this, the presented HMAODL-CTC model initially carries out image preprocessing to improve image quality. In addition, the presented HMAODL-CTC model develops dilated convolutional neural network (CNN) for feature extraction. For hyperparameter tuning of the dilated CNN model, the HMAO algorithm is utilized. Eventually, the presented HMAODL-CTC model uses an extreme learning machine (ELM) model for crop type classification. A comprehensive set of simulations were performed to illustrate the enhanced performance of the presented HMAODL-CTC algorithm. Extensive comparison studies reported the improved performance of the presented HMAODL-CTC algorithm over other compared methods.     

一种基于网格编码量化的高光谱图像无损压缩方法

由于遥感图像的数据量非常庞大,给有限的存储空间和传输带宽带来很大的压力,同时,由于高光谱图像获取代价昂贵,具有广泛的应用领域,且压缩时一般不能丢失任何信息,即要求无损压缩,因此没有有效的压缩方法,高光谱图像的普及应用将受到极大的限制.网格编码量化（TCQ）借鉴了网格编码调制（TCM）中信号集合扩展、信号集合划分和网格状态转移的思想,其虽具有良好的均方误差（MSE）性能,而且计算复杂度适中,但目前TCQ主要被应用于图像的有损压缩,为了对高光谱图像进行有效的无损压缩,通过将TCQ引入高光谱图像的无损压缩,并根据高光谱图像的特点,提出了一种基于小波变换和TCQ的高光谱图像无损压缩方法.实验结果表明,与JPEG2000和JPEG-LS中无损压缩算法相比,该算法对高光谱图像具有更好的压缩性能.     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。     

一种多尺度高光谱影像小波分形维特征计算方法

提出了一种基于高光谱曲线小波分形测度的高光谱影像多尺度分形维特征分析方法。对高光谱影像的光谱响应曲线的小波域高频和低频系数统计特性、分形特征进行了分析,提出以小波低频分形维表征原始光谱曲线分形特征,以小波系数高频分形维表征高光谱细节特征方法,设计了基于高光谱曲线小波分形维的多尺度特征计算算法,实验结果表明,小波分形维值可有效表征丰富的光谱特征,可用于高光谱影像特征提取和分类。