高光谱遥感图像空谱联合分类方法研究

在遥感影像研究领域里,高光谱数据分类是一个热点问题。近年来,在这个问题上涌现出很多研究方法,然而,大多数方法都是用浅层的方法提取原始数据的特征。将深度学习的方法引入高光谱图像分类中,提出一种新的基于深信度网络(DBN)的特征提取方法和图像分类架构用于高光谱数据分析。将谱域-空域特征提取和分类器相结合提高分类精度。使用高光谱数据进行实验,结果表明该分类器优于当前的一些先进的分类方法。此外,本文还揭示了深度学习系统在高光谱图像分类研究中具有的巨大潜力。     

面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

基于内容的高光谱图像无损压缩

提出了一种基于内容的高光谱图像无损压缩算法.采用自适应波段选择算法对高光谱图像进行降维,引入G-means算法对降维后的光谱矢量进行无监督分类.利用单调后向排序算法确定波段的预测顺序,并根据相邻波段的相关系数大小进行自适应波段分组.针对每一类地物,选取类内部分像素进行最优预测系数的训练,采用多波段线性预测的方案去除同类像素的谱间相关性,预测残差进行JPEG-LS无损压缩.对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验,并与未进行分类预测的算法比较.结果显示,提出的算法的平均压缩比分别提高约0.11和0.7,验证了该算法在无损压缩方面的有效性.     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。     

应用于高光谱成像的CMOS图像传感器

文中介绍了应用于高光谱地球观测的CMOS有源图像传感器。该器件由全局曝光模式的像素组成512×256面阵,可实现450帧/s的帧频。全局曝光模式是由在光二极管外增加1个储存电容的方式实现的。该器件采用0.5μm标准CMOS工艺,满阱电子达到140 000电子,瞬态噪声29电子,动态范围74 d B。采用该器件开发的高光谱成像仪的空间及频谱分辨率具有很高水平。     

面向高光谱图像分类的半监督双流网络

为了提取高光谱图像中的深度鉴别特征,往往需要大量标记样本,但是高光谱图像样本标定困难,基于高光谱图像的“图谱合一”特性提出一种基于深度-流形学习的半监督双流网络。该网络用卷积网络和神经网络分别提取少量标记样本以及大量无标记样本中的空-谱联合特征,然后分别构建基于监督图和非监督图的流形重构图模型,以挖掘其中的本征流形结构。在此基础上设计了基于均方误差和流形学习的联合损失函数,以协同度量流形边界和空-谱概率残差,实现双流网络的一体化反馈和优化,进而实现地物分类。在WHU-Hi龙口和黑河高光谱数据集上实验的总体分类精度分别达到97.53%和96.79%,有效提升了地物分类能力。     

面向高光谱影像分类的深度流形重构置信网络

鉴于传统深度学习方法只提取了高光谱图像中的深度抽象信息,而未能充分揭示样本之间的局部几何结构关系,限制了分类性能的提升,本文提出了一种新的特征提取网络——深度流形重构置信网络。该网络首先通过深度置信网络提取深度抽象特征,为进一步增强抽象特征的鉴别能力,在图嵌入框架下通过样本数据的邻域点和各邻域的同类近邻重构点来构建类内图和类间图,并在低维空间中分离类间近邻点与其重构点的同时压缩类内近邻点和相应的重构点,实现提取深度鉴别特征,以改善不同类数据的可分性,进而提升地物分类精度。在KSC和MUUFL Gulfport高光谱数据集上的实验结果表明,本文算法的总体分类精度分别达到了94.71%和86.38%。相比较其他算法,本文算法有效提升了地物分类能力,更有利于实际应用。     

最速上升关联向量机高光谱影像分类

针对高光谱影像近邻波段高度相关,直接在高维空间分类并非最优的问题,提出了基于最速上升和关联向量机(SA-RVM)的高光谱影像分类算法.使用最速上升(SA)算法搜索最优特征子空间,剔除冗余特征;然后,在特征子空间中训练RVM并分类.对4套测试数据进行的实验表明,SA选择的特征子空间中,RVM分类精度提高了2.5％以上,与支持向量机(SVM)相当.对训练样本较少的2套数据,精度提高了5.63％和6.2％.此外,SA-RVM的解稀疏,预测未知样本类别属性所需时间短.总体来看,SA-RVM精度高、判别速度快,适合处理大场景高光谱影像.     

利用区域增长技术的自适应高光谱图像分类

针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。     

应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定。针对此问题,本文提出了相关近邻（CN）LLE（CN-LLE）和相关最近邻分类（CNN）算法。提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%,Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类。     

基于半监督稀疏鉴别嵌入的高光谱遥感影像分类

为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。     

加权空-谱与最近邻分类器相结合的高光谱图像分类

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法 ,并将其应用到最近邻分类器(KNN)中,导出了一种新的高光谱图像分类算法。该算法利用高光谱图像的物理特性,通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息,利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上,增大了同类像元间的相似性以及异类像元间的差异性,获得了更为有效的鉴别特征,从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验,结果表明:将提出的WSSD-KNN算法应用于高光谱图像分类时,其分类精度高于其他算法,总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息,提取出了更为有效的鉴别特征,故不仅有效地改善了高光谱数据的地物分类精度,而且可在训练样本较少时,保持较高的识别率。     

基于鉴别稀疏保持嵌入的高光谱影像地物分类

在高光谱影像地物分类应用中时常因光谱波段数多而导致"维数灾难"问题,提出了一种鉴别稀疏保持嵌入的维数约简算法。该方法利用稀疏表示的自然鉴别力,分别构建了类内e_1图和类间e_1图;在低维嵌入空间中,保持同类数据的内在稀疏流形结构,同时分离开非同类数据,提取出鉴别特征。DSPE不仅继承了稀疏表示的优点,而且增加了非同类数据间的可分性。在PaviaU和Urban高光谱数据集上的地物分类实验结果表明,该方法的总体分类精度分别提高到87.53%和80.49%。提出的方法能自适应地揭示出数据间的内在关系,更有效地提取出鉴别特征,改善地物分类精度。     

一种基于渲染目的的自适应图像分类新算法

国际色彩协会在色彩管理系统中规定了三种渲染方式，针对不同渲染目的对图像进行自动分类，以达到最佳匹配效果。本文对基于图像的彩色特征、边缘特征、纹理特征和灰度特征等单图像牲基于渲染目的进行分类，结果发现单个特征分类的精度并不是十分理想。因此提出一种基于渲染目的的自适应图像分类算法，它将多个图像特征联合起来对图像按照高彩色图像、计算机生成图像和自然图像等渲染方式进行自适应分类。     

局部保护降维与高斯混合模型的高光谱图像分类

高光谱图像具有高谱间分辨率和低空间分辨率的特点,传统的分类方法难以得到较高的分类精度。针对该问题,该文研究了两种局部保护降维法——局部保护投影(LPP)和局部保护非负矩阵分离(LPNMF)对高光谱图像降维,这两种方法能很好地保护输入空间相邻像素间的局部特征。由于高光谱图像各类间的统计分布多为复杂的多模型结构,文中采用高斯混合模型(GMM)分类器对降维后的数据进行分类。实验结果表明,将局部保护降维与高斯混合模型相结合的高光谱图像分类算法不但在小样本情况下能有效地提高分类精度,而且在背景像素混合的情况下和高斯白噪声环境中具有一定的鲁棒性。     

最佳递归双向预测的高光谱图像无损压缩

提出一种基于最佳递归双向预测的高光谱图像无损压缩算法。首先根据高光谱图像各波段的谱间相关系数,选择相应的压缩方式。谱间相关系数小于0.9的波段使用bzip2模式进行压缩。谱间相关系数大于0.9的波段,对参考波段进行单波段最佳前向预测,非参考波段采用最佳递归双向预测,并对预测残差采用JPEG-LS模式压缩。对AVIRIS高光谱图像进行压缩,实验结果表明该算法的平均压缩比达到3.217倍,优于其他无损压缩算法0.09-1.374倍。     

电力线图像检测方法研究

针对无人机图像中图像分辨率低、背景杂乱等问题,提出了一种电力线图像自动检测方法。通过使用机器学习方法对无人机采集的图像进行自动识别,可以排除噪声区域图像,准确识别出无人机图像中的电力线部分。通过使用 9 张无人机采集的图像对所提方法进行了验证,结果表明所提出的方法可以有效地进行电力线图像的自动识别。