组合核支持向量机高光谱图像分类

为了提高高光谱遥感图像分类中空间信息的利用率,提出一种将空间邻域信息和光谱信息结合的组合核支持向量机(SVM)学习算法.用SVM进行预分类,从分类结果图提取各像素的空间邻域特征,与光谱特征结合构造组合核SVM进行分类,并再次提取空间邻域特征进行多次空-谱信息组合核SVM迭代分类,如此迭代10次,从中选择合适的结果作为最终输出.结果表明,该方法对传统支持向量机的分类精度提升幅度可达10%左右.同时,与其他组合核支持向量机相比,该算法用更少的训练样本获得了更高分类精度.     

基于空谱联合的医学图像分类方法

为有效提高显微高光谱数据的利用率,提高分类精度,提出了一种联合显微高光谱空间信息和光谱信息的分类方法。首先,提取图像空间特征,包括Gabor特征等;其次,将空间特征和光谱信息联合,并使用短时傅里叶变换将其转化为二维图像;最后,使用卷积神经网络来提取空谱联合特征,实现分类。实验采用血细胞的显微高光谱图像作为数据集进行测试。实验结果表明,总体的分类精度可达98%,Kappa系数为0.973。相比于传统利用光谱信息分类的算法,在分类精度上有较明显的提升,这将为医学图像分类识别提供新的思路。     

空间4-邻域稀疏表示的高光谱图像目标检测

稀疏表示方法在高光谱图像目标检测中取得了较好的检测效果,但其只利用了图像的光谱信息,没有考虑空间信息.针对高光谱图像的空间相关性对目标检测算法的影响,提出了分别采用4-邻域平滑稀疏模型和4-邻域联合稀疏模型对高光谱图像进行目标检测的算法,将目标像素及其4-邻域像素的稀疏表示综合考虑,提高检测算法的效果和效率.使用3组高光谱图像数据进行了仿真实验,实验结果表明,所提出的2种方法分别在检测效果和计算效率上有一定程度的提高.     

小样本下基于空谱特征增强的高光谱图像分类

针对小样本下基于深度学习的高光谱图像分类方法精度不高的问题,本文提出一种基于空谱特征增强残差网络的高光谱图像分类方法.该方法利用三维卷积核同时提取高光谱图像的空间和光谱特征.同时,在普通三维卷积神经网络结构前加入空间和光谱特征增强的残差网络模块,通过恒等映射保留高光谱原始信息的同时用较少的参数增强网络的信息流,并且在构...     

面向高光谱图像分类的超像素级Gabor特征融合方法研究

由于高光谱图像中的地物空间分布具有规整性和局部连续性,同时超像素分割是一种将空间图像分割成多个同质区域的有效方法,因此从超像素的角度进行高光谱图像分类将具有重要意义.本文提出了一种超像素级Gabor特征融合的高光谱图像分类方法,简称为SPGF.首先,使用一组预定义的二维Gabor滤波器与原始高光谱图像进行卷积运算,提取有效特征.同时,利用简单线性迭代聚类(简称SLIC)超像素分割方法将原始高光谱图像划分成互不重叠的超像素.然后,对于每个Gabor特征模块,利用支持向量机分类器进行分类,并使用多数投票策略实现各模块分类结果的融合.最后,使用通过SLIC算法得到的超像素图对分类结果进行修正.在2个真实高光谱数据集上的实验结果表明,本文提出的SPGF方法能够比领域内的一些经典算法获得更高的分类效果.     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

联合多种空间信息的高光谱半监督分类方法

高光谱影像分类在遥感学科中具有重要的地位,针对传统高光谱图像分类忽略图像空间特征以及分类过程中有标签样本数目少的问题,本文提出了联合多种空间信息的高光谱半监督分类方法.该方法在高光谱图像处理的各个环节均引入了空间信息.此外,该方法对训练样本集进行扩充时,针对高光谱图像的特点,将教与学算法应用于图像分类中,并且将差分算法...     

基于增强图注意力网络的高光谱影像分类方法

高光谱遥感影像中隐含了不同地物的光谱特征,高光谱地物分类成为了遥感领域的一个研究热点。高光谱数据存在维度灾难以及训练样本标签过少等问题,进而影响了其分类精度。针对此问题,文章提出一种空-谱特征融合的增强图注意力网络高光谱影像分类方法,即从高光谱数据中获得初始的空-谱特征作为图的节点属性,并以节点的相邻关系构建图结构;将空-谱特征初步融合的高光谱图数据作为输入,并通过增强图注意力来提取节点的空-谱特征;以深度融合的空-谱特征来实现精准的高光谱地物分类。经在龙口和汉川数据集上的实验测试结果表明：这一方法能够有效提取深度融合的空-谱特征,总体分类精度分别达到99.62%和95.45%,实现了高光谱地物的精准分类。     

空间约束半监督高斯过程下的高光谱图像分类

针对高光谱遥感图像分类中带标记训练样本较少、导致分类正确率偏低的问题,提出用于高光谱图像分类的空间约束半监督高斯过程方法.由于高光谱图像的特征空间满足流形分布假设,大量未标记样本可以使数据空间变得更加稠密,从而有助于更加准确地刻画局部空间特性,提高分类的精度和普适性.通过对高斯过程模型中的核函数施加空间近邻约束,建立未标记样本与带标记样本之间的空间联系.该半监督高斯过程分类器不仅可以提升高光谱遥感图像的分类性能,而且构造简单,实现方便.实验结果表明,在仅有少量带标记的训练样本情况下,半监督高斯过程分类方法对高光谱图像有较高的分类精度和稳定性.     

基于人工蜂群算法高光谱图像波段选择

为减少高光谱遥感图像光谱空间冗余、降低计算复杂度,提出一种基于人工蜂群算法的高光谱图像波段选择方法.首先,根据波段相关性矩阵对全波段进行预处理,获得相关性较小的波段子空间;然后,利用人工蜂群算法以最佳指数与JM距离的加权和为适应度函数在各子空间进行邻域搜索,不断更新至收敛为止,从而获得最优波段组合.最后,利用AVIRIS数据和ROSIS数据对提出的算法与基于蚁群,粒子群,拟态物理学算法的波段选择方法进行实验.仿真结果表明:基于人工蜂群算法的波段选择能够在保证良好收敛性的同时,大大降低计算花费,所获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度.     

结合局部空谱信息的高光谱图像多端元提取

针对传统高光谱单端元提取算法不能描述光谱变异、混合像元分解精度不高的缺点,提出一种结合局部空谱信息的高光谱图像多端元提取(multiple endmember extraction algorithm with local spatial-spectral information,MEELSI)方法。首先将原始高光谱图像进行图像子空间划分获取不重叠的图像块,并利用自动目标生成算法分别在图像块上提取候选端元;然后对候选端元的邻域像元进行光谱相似性分析,优化精选候选端元;最后利用K-means聚类算法对所有端元集进行聚类分析,得到最终的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明,与传统单端元提取方法相比较,MEELSI算法具有表征遥感图像中光谱变异的能力,能够有效提高混合像元分解精度。     

基于邻域灰阶共生矩阵的海底沉积物分类

提出了一种邻域灰阶共生矩阵,用于对侧扫声纳海底图像进行纹理分析及沉积物分类.与用于图像纹理分析的常规灰阶共生矩阵相比,邻域灰阶共生矩阵描述了图像中某一像素与其邻域中所有像素的灰阶联合分布,从而能够更全面地描述图像区域的纹理特性.分别从常规灰阶共生矩阵和邻域灰阶共生矩阵计算相同的6种纹理特征,借此对泥、沙、石3种类型海底的侧扫声呐图像进行分类,分别获得了83.3%和86.4%的正确识别率.     

土地覆盖分类影像融合与精度评价研究

影像融合技术可以使遥感影像具有高光谱和高空间分辨率的效果,实现不同空间、光谱、时间等多种分辨率的信息资源互补,从而提高图像的空间分辨率,提高图像的几何精度.文章利用ERDAS软件,对遥感影像数据进行融合,采用乘积变换、PCA变换、Brocey变换、小波变换等遥感影像融合方法对多光谱与全色影像进行融合和土地覆盖分类研究.通过结合图像的光谱统计参数和融合图像的分类精度,对这些方法的分类精度进行评价.这4种方法对于原始影像分类精度,均有不同程度的提高.而小波变换所得融合影像与原多光谱影像的相关系数最大,均方差、平均梯度和信息熵最大,偏差指数最小,影像所含信息量最多;在光谱特性、图像清晰度、对于空间细节信息的表现能力上其它三种方法都好,所得融合影像的分类精度也是最高的.小波变换更适合融合影像的土地覆盖分类研究.     

一种自适应多层结构和空谱联合的高光谱图像异常检测方法

针对传统高光谱图像异常检测算法大多只考虑异常点与背景像素的光谱差异、忽略二者空间结构差异等问题,提出一种基于局部空间结构差异的自适应多层结构空谱联合异常检测方法.该新方法计算待测像素与背景窗像素在光谱维度上的差异以及内窗与背景窗在空间结构上的差异,重点构建了一种自适应多层结构的异常检测框架.该框架基于背景抑制的思想,构...     

基于空间像素纯度指数的端元提取算法

为了减小光谱变化以及异常像素点对端元提取结果的影响,根据局部区域内纯像元和混合像元光谱特征的不同,提出一种基于空间像素纯度指数的端元提取算法.将光谱角距离和欧氏距离加权相加作为新的混合距离测度;采用固定大小的邻域窗口计算图像中所有像素的空间像素纯度指数,在此基础上,根据光谱角距离测度和设定的端元光谱区分性阈值依次搜索端元.仿真数据和真实高光谱图像实验结果表明:该算法能够准确地提取图像中的端元,并且精度高于其他一些端元提取算法.     

二进脊波变换的高光谱遥感图像融合分类

将二进脊波变换应用到高光谱遥感图像的数据融合中,并针对该算法的特点,提出了将变换数据分成两部分分别进行融合的融合算法,即将经过二进小波行变换的图像数据进行划分,对于包含图像概貌特征的低频数据进行归一化方差加权融合,对于包含图像边缘、直线等细节特征的高频数据选择各波段数据对应像素点小波系数绝对值最大者作为融合后该像素点的像素值.对标准的AVIRIS高光谱遥感图像实现了数据融合,并在此基础上完成了对高光谱遥感图像的分类.实验结果表明,无论是从直观上还是从数值结果上来看,该方法能有效地实现高光谱遥感图像的数据融合与分类.     

视觉特征方向流邻域加权PCM的SAR图像分割

应用聚类方法对合成孔径雷达(SAR)图像进行分割时,受SAR图像斑点噪声的影响,在聚类过程中应当既要考虑聚类原型的空间自适应性,又要考虑像素间强相关性,这就要求聚类隶属度与空间信息的有效结合．针对此问题提出了基于方向流场构建自适应邻域空间加权可能性c-均值聚类(PCM)算法,通过可操纵小波变换和视觉特征预测编码模型建立方向流场,用基于方向流场的Markov随机场(MRF)描述当前像素与其邻域像素间的相互关系,在像素的聚类隶属度估计中直接引入这种邻域信息,使聚类隶属度得到有效修正．实验表明这种方法在抑制噪声的同时可以保留图像的细节信息,对SAR图像有较好的分割结果．     

改进的核空间直觉模糊C-均值聚类分割算法

针对鲁棒模糊局部信息C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的核空间直觉模糊C-均值聚类算法。将像素空间邻域信息和直觉指数引入到鲁棒模糊局部信息C-均值聚类目标函数,给出改进的像素空间邻域信息约束的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,以便提高图像局部信息的有效分割能力。实验结果表明,改进的核空间直觉模糊聚类分割算法相比现有鲁棒模糊局部信息C-均值聚类分割算法能获得更好的分割效果。     

基于混合光谱特征的建筑物高分影像分类样本筛选

设计了随机样本、感兴趣样本筛选方案,选择典型建筑物样本瓦片通过 Ｋ ｍｅａｎｓ非监督分类获得核心地类的最小样本信息及提高精度的影响因素。利用二值聚类获取建筑物的错分漏分光谱变化,从光谱统计角度分析高空间分辨率影像的聚类分割规律,发现地表真实像元的光谱特征与聚类结果类别光谱分布的内在联系,提出了解决建筑物混合光谱感兴趣区筛选的有效方法。研究表明,该方法可以更好的了解高分影像分类器性能对样本瓦片先验场景光谱分布的依赖程度,进而提高建筑物的分类精度。     

基于高分辨率遥感影像的输电线走廊场景分类

提出了一种将纹理特征和颜色特征相结合的输电线走廊遥感图像分类方法.该方法首先采用简单线性迭代聚类(SLIC)过分割技术将一幅大场景遥感图像分割为若干个尺寸大致规则的超像素块,然后对这些超像素块进行联合散射纹理特征和颜色词袋(BOC)特征提取,接着将这两种特征级联融合,最后将组合后的特征输入到直方图交叉核支持向量机(HIK-SVM)中训练分类器并进行场景分类.武汉地区输电线走廊场景的高分辨率遥感影像分类实验结果表明,与仅利用单个特征相比,两种互补特征的组合具有更高的分类准确率,可获得更为满意的场景分类结果.