基于松弛因子改进FastICA算法的遥感图像分类方法

多波段遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础.独立分量分析算法利用信号的高阶统计信息,去除了遥感图像各个波段之间的相关性,获得的波段图像是相互独立的.然而独立分量分析算法计算量太大,影响了其在多波段遥感图像分类上的应用.MFastICA算法可以改善FastICA算法的性能,减少计算量,但是同FastICA算法一样,其收敛依赖于初始权值的选择.在MFastICA算法中引入松弛因子,使算法可以实现大范围的收敛.应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度比原始遥感图像的精度高,并且3种独立分量分析算法的最终分类性能相当.     

独立分量分析在多光谱遥感图像分类中的应用

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。     

基于多元局部二值模式的遥感图像纹理提取与分类

纹理信息已经广泛应用于遥感图像分类以提高地物识别的精度。为了描述多光谱遥感图像多个波段之间的空间信息变化规律,将新型纹理提取算法局部二值模式（Local Binary Pattern,LBP）扩展到多维空间以计算多元纹理。单波段纹理信息、多元纹理信息分别与光谱信息结合后用于遥感图像分类,并根据分类精度评价其有效性。实验表明,加入单波段或多元纹理信息的分类精度均比光谱分类有明显提高;基于多元LBP纹理的分类不仅避免了传统单波段纹理参与分类前进行波段选择的繁琐,其精度还能与基于单波段纹理分类精度最高者相当或者更高。     

一种改进的快速独立分量分析算法及其在图象分离中的应用

独立分量分析是信号处理技术的新发展,它作为盲信号分离的一种有效的方法而受到广泛的关注,并在许多方面获得成功应用.讨论了独立分量分析的基本原理、判断条件和算法,并在此基础上,介绍了独立分量分析的一种快速算法——FastICA算法;对FastICA算法的核心迭代过程进行改进,得到M-FastICA算法,改进算法减少了独立分量分析的迭代次数,从而提高了算法的收敛速度.最后将M-FastICA算法应用到图象的分离上,实验结果表明,改进算法在分离效果相当的前提下,串行算法迭代次数减少了9％,并行算法迭代次数减少了27％,收敛速度更快.     

一种改进的遥感图像融合方法:LFF

通过遥感图像融合,可获得更丰富的信息,常用遥感图像融合方法如HIS彩色变换可将不同平台、不同光谱响应范围的高空间分辨率的遥感数据与多光谱遥感数据进行融合,但要求这两组数据的光谱响应范围一致,否则便会产生光谱扭曲的现象,从而影响了地物的识别。针对不同平台、不同光谱响应范围的遥感数据,该文在HSI变换的基础上,提出了一种改进的方法,即LFF融合法,首先对高几何分辨率的全色波段进行LoG滤波,而后将LoG滤波后的全色波段与多光谱经HSI正变换后的强度分量进行灰度直方图匹配,并替换之,经HSI逆变换便得到融合图像。论文从灰度变化指数和分类精度两方面分析了光谱保持性能和融合图像的分类精度,分析结果表明:LFF融合法的光谱保持性能优于HSI变换法,LFF融合后图像的分类精度高于HSI融合后的图像,LFF融合法是一种能较好地保持光谱特性的融合方法。     

改进的波段选择混合核函数遥感图像分类算法

针对遥感图像多波段不易成像、其图像信息冗余不适合图像分类以及传统LMBP算法迭代次数多且分类不够精确的问题,改进了OIF指数和可分性距离公式,分组并选出遥感图像最佳波段组合,并运用改进的LMBP混合核函数算法进行分类。仿真实验表明,改进算法对各波段信息分析更加全面客观,波段选择更加优化;与传统算法相比,网络训练迭代次数有明显减少,分类精度及Kappa系数分别提高了5%和6.625%,遥感图像分类更有效。     

一种基于多粒子群协同进化的高光谱图像波段选择与分类方法

针对高光谱图像分类过程中数据波段多以及信息冗余量大引起的处理速度慢及Hughes现象等问题,提出了一种基于多粒子协同进化算法进行高光谱图像自动波段选择与分类的方法:使用多粒子群协同进化算法搜索特征子集,对粒子群优化算法进行改进,定义新的位置和速度的更新策略,并以支持向量机为分类器,同时对特征子集和SVM核函数参数进行优化。在协同搜索过程中,引入遗传算法改善粒子群优化的"早熟"收敛问题,构建了一种新的MPSO-SVM(Multiple particle swarm optimization-SVM)分类模型。对高光谱遥感图像的实验结果表明:MPSO-SVM方法不仅能有效地压缩光谱的特征维数,得到最佳的波段组合,还能得到最优的SVM参数,达到较好的分类效果,提高分类精度。     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于多样性变异的QPSO算法的遥感图像分类

遥感图像分类是遥感领域研究的热点问题之一。结合量子粒子群优化(QPSO)算法和多样性变异的机制提出了一种新的高光谱遥感图像分类算法。在遥感图像分类过程中,采用无监督分类,图像中每个像素点到聚类中心的高斯距离作为分类标准,使用QPSO算法进行聚类中心的优化,在聚类过程中使用多样性变异机制防止QPSO算法早熟收敛,使分类结果达到最优化。在遥感图像上所做的实验表明:此分类算法具有较好的搜索速度和收敛精度,能有效寻找和优化最佳聚类中心,是一种有效、可行的遥感图像分类方法。     

基于改进萤火虫算法的高光谱遥感多特征优化方法

目前,高光谱遥感影像分类时光谱信息使用较多,难以充分挖掘空间信息。针对该问题,提出一种基于改进萤火虫算法(Firefly Algorithm,FA)的高光谱遥感多特征优化方法。首先提取高光谱遥感影像的4种空间特征:局部统计特征、灰度共生矩阵特征、Gabor特征和形态学特征,并与波段选择的部分光谱波段组合,构建多特征集合;然后利用萤火虫算法对提取的多特征集合进行优化和特征选择,针对萤火虫算法收敛速度较慢问题,借鉴粒子群优化算法,引入随机惯性权重改进了萤火虫算法的位置更新公式;目标函数采用JM距离(Jeffreys-Matusita Distance)和Fisher Ratio。利用两组城市高光谱遥感数据进行了土地覆被分类研究,并将仅利用原始光谱信息进行波段选择的分类结果与利用多特征信息的分类结果进行了对比分析。实验表明:随机惯性权重可以提高FA特征选择的速度,且优化后的光谱与空间信息特征有助于提高城市土地覆被分类的精度,两组实验数据的特征优选结果统计均表明空间特征中的形态学特征被选择次数最多,局部统计特征和形态学特征相对于GLCM特征和Gabor特征更有助于高光谱遥感图像的分类。     

Naive Bayesian Classifier在遥感影像分类中的应用研究

将Naive Bayesian Classifier（简单贝叶斯网络分类器）用于遥感影像的分类,并对其主要问题如特征选择和后验概率推理等展开研究。使用K2结构学习算法选出具有类别可分性的波段,进一步利用互信息测试对遥感波段之间的相关性做分析,去除冗余信息。特征（波段）的条件独立性假设简化了联合概率的计算,以较小的计算代价获得后验概率。在此基础上,将Naive Bayesian Classifier用于多光谱和高光谱影像的分类,获得很好的性能和相当高的稳健性。     

基于蚁群优化与独立特征集的遥感图像实时分类算法

为了提高遥感图像的实时分类准确率与效率,提出了一种基于蚁群优化算法与独立特征集的遥感图像集实时分类算法。首先,提取遥感图像的小波域特征与颜色特征,并且组成特征向量;然后,采用蚁群优化算法对特征空间进行优化,独立地选出每个分类的显著特征集,从而降低每个子特征空间的维度;最终,每个分类独立地训练一个极限学习机分类器,从而实现对遥感图像集的分类。基于公开的遥感图像数据集进行了仿真实验,结果显示本算法实现了较高的分类准确率,并且实现了较高的计算效率。     

基于ICA的全色影像和多光谱影像融合算法

提出了一种新的基于独立成分分析的全色图像和多光谱图像的融合算法。对于两幅图像的重叠区域，使用独立成分分析去除遥感影像中高阶数据冗余问题，然后对通过独立成分分析所分离的各个分量进行叠加从而得到最终的融合结果。该方法的优点在于去除了原始图像上的数据冗余，提高了融合后图像的信息量和信噪比。     

基于特征量积与PCA的小波遥感图像融合

在遥感图像融合中,传统PCA算法会损失部分有用信息,从而使得融合结果的光谱分辨率受到较大影响,针对这种情况,借助小波变换优良的时频分析特性,利用特征量积来融合多光谱图像的第一主成分,实现了一种基于特征量积与PCA的小波遥感图像融合算法。通过对来自不同场景不同卫星的多光谱和全色图像进行融合实验,结果表明,该算法无论在主观视觉还是在客观统计数据上,均具有比其他方法较佳的融合效果。     

ICA mixture model algorithm for unsupervised classification of remote sensing imagery

Conventional remote sensing classification algorithms assume that the data in each class can be modelled using a multivariate Gaussian distribution. As this assumption is often not valid in practice, conventional algorithms do not perform well. In this paper, we present an independent component analysis (ICA)‐based approach for unsupervised classification of multi/hyperspectral imagery. ICA used for a mixture model estimates the data density in each class and models class distributions with non‐Gaussian (sub‐ and super‐Gaussian) probability density functions, resulting in the ICA mixture model (ICAMM) algorithm. Independent components and the mixing matrix for each class are found using an extended information‐maximization algorithm, and the class membership probabilities for each pixel are computed. The pixel is allocated to the class having maximum class membership probability to produce a classification. We apply the ICAMM algorithm for unsupervised classification of images obtained from both multispectral and hyperspectral sensors. Four feature extraction techniques are considered as a preprocessing step to reduce the dimensionality of the hyperspectral data. The results demonstrate that the ICAMM algorithm significantly outperforms the conventional K‐means algorithm for land cover classification produced from both multi‐ and hyperspectral remote sensing images.