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。     

基于生成对抗网络的高光谱图像分类

针对高光谱图像分类领域中特征利用不足的问题,提出了一种基于生成对抗网络（Generative Adversarial Networks,GANs）的高光谱图像分类方法。根据高光谱图像空间域和光谱域的相关性,利用GANs方法,挖掘其深层特征,生成可分性更高的高光谱图像,并通过支持向量机（Support Vector Machine,SVM）对生成的高光谱图像进行分类。使用两组高光谱数据进行实验,结果表明,该方法能够在少量高光谱波段的情况下,对抗学习到较好的生成模型,使得生成的高光谱图像在地物分类实验中具有更高的分类精度。     

结合导向滤波和最大概率的高光谱图像分类

针对利用滤波器提取高光谱图像的空间特征辅助光谱信息来提高高光谱图像分类精度的不足,提出导向滤波提取的空间纹理信息和最大概率结合的高光谱图像分类算法(SGD-SVM-GD)。鉴于空间纹理信息挖掘不足,该方法首先利用导向滤波提取由主成分分析降维后的高光谱图像空间纹理特征,然后将空间信息与光谱信息结合,交由支持向量机完成分类得到初始分类结果,最后结合导向滤波和概率最大化优化分类结果。实验表明,相比单纯使用光谱信息、纯空间信息和空谱结合的SVM分类方法以及边缘保持滤波的方法,所提出的SGDSVM-GD方法对高光谱图像的分类精度有较大提高,表明了该方法的有效性。     

基于同质性降维和CMP算法的高光谱图像分类

针对高光谱数据维数高,波段间冗余信息大的问题,提出一种基于同质性降维和组合匹配追踪算法的高光谱图像分类方法。该方法首先利用均值漂移算法对高光谱图像进行分割得到同质性图像块,对同质性的图像块进行流行学习得到降维映射函数,然后由降维后的高光谱数据训练稀疏最小二乘支持向量机分类模型,为避免正交匹配追踪稀疏重构算法迭代次数多的缺点,提出一种基于组合匹配追踪的稀疏重构求解方法。通过高光谱数据的分类结果可以得出,该方法有效提高了高光谱图像的分类精度。     

关联子域对齐网络的跨域高光谱图像分类

目的 近年来,深度网络成功应用于高光谱图像分类。然而,难以获取充足的标记数据大大限制了深度网络的充分训练,进而导致网络对高光谱图像的分类能力下降。为解决以上困难,提出一种关联子域对齐网络的高光谱图像迁移分类方法。方法 基于深度迁移学习方法,通过对两域分布进行多角度、全面领域适应的同时将两域分类器进行差异适配。一方面,利用关联对齐从整体上对齐了两域的二阶统计量信息,适配了两域的全局分布;另一方面,利用局部最大均值差异对齐了相关子域的一阶统计量信息,适配了两域的局部分布。另外,构造一种分类器适配模块并将其加入所提网络中,通过对两域分类器差异进行适配,进一步增强网络的领域适应效果。结果 从4组真实高光谱数据集上的实验结果可看出：在分别采集于不同区域的高光谱图像数据对上,所提方法的精度比排名第2的分类方法高出1.01%、0.42%、0.73%和0.64%。本文方法的Kappa系数也取得最优结果。结论 与现有主流算法相比较,所提网络能够在整体和局部、一阶和二阶统计量上分别对两域进行有效对齐,进而充分利用在源域上训练好的分类器完成对目标域高光谱数据的跨域分类。     

基于全局注意力信息交互的高光谱图像分类

近年来,研究者们发现基于双分支结构的高光谱图像分类方法可以更有效地提取图像的光谱特征和空间特征用于分类.但在双分支结构中,各分支只侧重于细化、提取光谱特征或空间特征,忽略了对光谱-空间跨维特征交互的研究,且两分支各自提取的部分交互不明显,因此影响了分类的性能.针对这一问题,本文提出了一种基于全局注意力信息交互的高光谱图像分类方法.首先采用密集连接网络分两个分支分别细化图像的光谱特征和空间特征,然后结合全局注意力机制(GAM)得到通道全局注意力特征和空间全局注意力特征,最后通过一个信息交互的模块实现光谱和空间信息的交互,更充分地利用光谱和空间信息实现分类.本文提出的方法分别在Pavia University(PU)和Salinas Valley (SV)两个数据集上进行了实验,相较于其他的4种方法,本文提出的方法在分类性能上取得了明显的提升.     

基于上下文感知和超像素后处理的多光谱图像分类

高质量的地物类别提取是大量地学应用的基础。现有的基于像素的分类方法没有充分挖掘多光谱遥感图像中的上下文关联信息,且分类后的标签图像容易产生破碎。为了提升高分辨率遥感图像的分类精度,本文提出一种基于上下文感知网络和超像素后处理的多光谱图像分类方法。该方法利用新设计的卷积神经网络模型来更好地学习多光谱图像中的空间上下文信息。超像素后处理使用小区域分割和投票的策略来合并结构上关联的区域,以避免破碎标签的产生。本文方法在高分一号卫星数据上进行测试,并与6个分类算法进行比较。实验结果表明本文方法在精度和视觉效果上都优于比对算法。另外,对基于新模型分类后的结果进行超像素后处理,不仅减少了分类结果的破碎度,也进一步提升了图像的分类精度。     

基于空谱分组卷积密集网络的高光谱图像分类

针对高光谱图像分类在特征提取过程中高分辨率信息丢失,导致分类精度下降的问题,提出一种基于空谱分组卷积密集网络的高光谱图像分类方法。设计光谱-空间三维分组卷积密集模块,对光谱与空间特征进行分步提取,利用分组卷积构造的密集网络能减少数据固有信息冗余,使高分辨率的特征进行重用,避免细节特征信息丢失;设计光谱残差注意力模块,该模块通过结合空-谱特征计算注意力权重,对提取到的光谱特征进行权重重分配,对光谱信息富有的区域进行增强。实验结果表明,相比于若干最优的深度网络方法,所提高光谱图像分类方法具有更好的分类性能。     

利用提升树模型综合Gabor和LPQ特征进行遥感地物识别

为充分融合高光谱遥感图像空间域和频率域的特征信息,提出了一种综合多尺度Gabor和LPQ特征的空谱融合遥感地物识别模型（Ms＿GLPQ）。首先,在空间域上利用Gabor滤波器组,提取出遥感图像各类地物多尺度、多方向的空间邻域特征信息,以描述图像的边缘和纹理等空间结构信息;其次,在频率域上将局部相位量化（Local Phase Quantization,LPQ）算子应用于高光谱遥感图像,提取出高光谱图像的多尺度频域纹理特征,获得图像的相位不变特征描述;然后针对其中特征冗余的问题采用主成分分析（PCA）算法进行降维,再将空间域、频率域的特征进行特征融合,获得了能充分描述图像信息的特征向量;最后采用基于提升树的机器学习分类器（XGBoost、CatBoost等）进行识别。在Indian Pines、Salinas和茶树等高光谱遥感数据集上进行学习与分类测试,准确率分别为85.88%、94.42%和92.61%。实验结果表明：与传统方法相比,Ms＿GLPQ模型能够提取小比例样本图像中的有效特征,取得了区分性更强的多特征区域描述子,且在采用提升树模型进行分类时效果更优,得到了比常用分类器更高的识...     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。