基于3D Octave卷积和胶囊网络的高光谱图像分类

针对当前胶囊网络分类模型在高光谱图像分类中存在空谱联合信息利用不足和收敛较慢的问题,提出一种结合多尺度Octave三维卷积和胶囊网络的分类模型。首先,使用主成分分析（PCA）来降低高维的光谱特征并保留其关键特征;其次,通过多尺度Octave三维卷积模块使模型能够适应当前数据集目标尺寸跨度较大的特点,在减少空间冗余的同时提高高光谱图像的空谱联合信息的利用;最后,对动态路由算法进行改进,使用向量长度的相似性与方向的相似性来衡量两个向量的一致程度,从而解决网络在训练过程中收敛较慢的问题。为了验证改进后模型的有效性,选择Pavia University公开高光谱数据集,并且通过OA、AA以及Kappa系数将分类结果与当前主流的分类模型进行对比实验。结果表明,在Pavia University数据集上,改进后的模型在OA、AA以及Kappa系数上的精度要高于其他模型,因此,该模型能够更好地应用于高光谱遥感图像分类任务中。     

基于多特征融合和混合卷积网络的高光谱图像分类

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型.首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征.然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递.最后,用二维卷积层对提取的特征进行空间信息...     

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。     

基于多尺度混合卷积网络的高光谱图像分类

针对高光谱图像数据分布不均匀、空谱特征提取不够充分以及随着网络层数增加而导致的网络退化等问题，提出一种基于多尺度混合卷积网络的高光谱图像分类方法。首先，使用主成分分析对高光谱数据进行降维处理；接着，利用邻域提取将邻域内的像素点作为一个样本，补充相应的空间信息；然后，使用多尺度混合卷积网络对预处理后的样本数据进行特征提取，并加入混合域注意力机制来加强空间和光谱维中有用的信息；最后，使用Softmax分类器对每个像素样本进行类别划分。实验结果表明：将所提出的模型在Indian Pines和Pavia University两个高光谱数据集中进行实验，其总体分类精度、平均分类精度、Kappa系数分别能达到0.987 9、0.983 3、0.986 2和0.999 0、0.996 9、0.998 6。该算法能够更加充分地提取高光谱图像的特征信息，与其他分类方法相比取得了更好的分类效果。     

SSCDenseNet:一种空-谱卷积稠密网络的高光谱图像分类算法

基于深度学习的高光谱遥感图像地物分类是目前研究的热点.但由于其参数规模大以及结构复杂,深度网络通常需要大量训练样本和较长训练时间,如何在小规模样本下建立深度学习监督分类模型是需要解决的关键问题.本文提出了一种小规模样本下高光谱图像分类的空-谱卷积稠密网络算法,称为SSCDenseNet,其包含三种新颖的架构策略：（1）空-谱分离卷积,即采取光谱维一维卷积和空间维二维卷积的分离卷积结构构成隐层单元,并通过多个隐层单元堆叠构造深度网络;（2）隐层单元中使用批归一化,减少数据协方差漂移及加速网络训练;（3）隐层单元间构建稠密连接,缓解梯度消失问题并实现特征复用.通过Indian Pines、Pavia University与Salinas数据集进行综合测评,表明该方法优于若干最新深度学习方法,特别在小规模样本下具有优异的分类性能.     

一种具有隐蔽色特征物体的图像分类方法研究

针对图像中某几类物体具有相似颜色特征而导致的分类困难问题,本文提出了一种具有隐蔽色特征物体的图像分类方法.该方法针对可见光图像中具有颜色隐蔽性物体而难以区分的问题,通过将二维图像的邻域像素空间特征与高光谱图像的谱段特征相结合并使用改进的局部线性嵌入降维算法实现了空谱联合的特征降维,最终利用主动学习胶囊网络训练高光谱数据...     

基于空谱融合和随机多图的高光谱遥感图像农作物分类

针对高光谱遥感图像复杂农作物分类问题,提出了一种基于空谱融合和随机多图的高光谱遥感图像农作物分类方法。通过使用一种潜在特征融合和最优聚类(Latent Features Fusion and Optimal Clustering Framework, LFFOCF)的波段选择方法和分段主成分分析(Segmented Principal Component Analysis, SPCA)进行光谱降维,采用多尺度二维奇异谱分析(2-D-Singular Spectrum Analysis, 2-D-SSA)应用于降维图像,以提取不同尺度的空间特征。将多尺度空间特征与主成分分析(Principal Component Analysis, PCA)得到的全局光谱特征融合送到随机多图(Random Multi-Graphs, RMG)中进行分类。在印度松树、萨利纳斯和龙口数据集上,所提出的方法与一些现有的方法进行了对比实验。实验结果表明,该方法的类别精度(Class Accuracy, CA)、总体分类精度(Overall Accuracy, OA)、平均分类精度(Average Accurac...     

基于图像分割和LSSVM的高光谱图像分类

提出一种基于图像分割和LSSVM的高光谱图像分类方法,将空谱信息结合起来进行高光谱图像的分类。首先利用均值漂移算法对高光谱图像进行分割,然后对每一块分割区域数据进行降维并且对降维后的数据LSSVM分类,最后用最大投票方法融合分割图和分类得到最终的分类结果。该文分类方法先对分割后的区域求出相似性矩阵并训练新样本集求出低秩系数矩阵,由相似性矩阵和低秩系数矩阵构造特征值方程求解出降维矩阵,然后利用混合核LSSVM对降维后的数据进行分类。实验结果表明,提出的基于图像分割和LSSVM的高光谱图像分类方法有效提高了高光谱图像的分类精度。     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

基于3D卷积联合注意力机制的高光谱图像分类

由于高光谱图像存在较高的数据维数,会给分类过程带来一些困难。为了提高分类的准确率,提出了一种使用3D卷积联合注意力机制的高光谱图像分类方法。首先,将中心像素与周围相邻的其它像素进行配对,可以通过配对构成多组新的像素对,充分利用了像素之间的邻域相关性。接着,将像素对放入3D卷积联合注意力机制网络框架中进行分类,它能够对高光谱图像中的特征进行选择性的学习。最后,通过投票策略获得像素标签。实验是在两个真实的高光谱图像数据集上进行。结果表明,所提出的方法充分挖掘了高光谱图像的光谱空间特征,能有效地提高分类精度。     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network,CNN) 的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中 随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。     

基于特征重要性的高光谱图像分类

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息,本文提出了一种基于特征重要性的卷积神经网络（convolutional neural networks,CNN）分类模型。首先,利用贝叶斯优化训练得到的随机森林模型（random forest,RF）对高光谱遥感图像进行特征重要性评估;其次,依据评估结果选择合适数目的高光谱图像波段,以作为新的训练样本;最后,利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据,实验结果均表明:相比原始光谱信息直接采用支持向量机（support vector machine,SVM）和卷积神经网络的分类效果,本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。     

基于生成对抗网络的高光谱图像分类

为了解决简单卷积神经网络(convolutional neural network, CNN)不能有效提取与充分利用高光谱图像特征信息的问题,提出了一种 基于残差网络的多层特征匹配生成对抗网络模型。提出的模型引入残差网络以挖掘高光谱图 像的深层特征,生成可分性更高的高光谱图像,并通过一个特征融合层进行特征融合,充分 利用网络的各层特征。提出的算法在Indian Pines、Pavia University和Salinas数据集 上的分类精度分别达到了97.6%,99.3%,99.1%,与径向基函数支持向量机(radial basis function-support vector machine, RBF-SVM)、堆叠自动编码器(stacked autoencoder, SAE)、深度置信网络(deep belief network, DBN)、PPF-CNN (CNN based on pixel-pair feature)、CNN和三维卷积网络 (three-dimensional convolutional neural network, 3D-CNN)方法相比较,其分类精度具有明显的提高。实验结果表明,提出的方法是一种有效 的高光谱图像分类方法。     

基于多特征多分辨率融合的高光谱图像分类

由于数据维数高,利用高光谱数据对地物进行分类,常规方法难以获得令人满意的结果,在基于小波多分辨率融合方法进行特征图像的提取过程中,提出了利用多个空间特征所构成的特征矢量确定多分辨率融合权值的算法,有效地降低了原始图像的数据维并获得了用于后续分类的特征图像．对AVIRIS数据进行的实验表明,利用新方法提取的特征进行分类,获得了高于传统方法确定融合权值的结果。     

基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上提出一种基于加权模糊C均值算法改进型原型空间特征提取方案。该方案通过加权模糊 C 均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比 该方案在相对较小的数据集下,其性能仍具有较为理想的稳定性,且具有相对较高的分类精度,这样子就大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。