基于Transformer和通道混合并行卷积的高光谱图像去噪

目的 高光谱图像因设备及环境因素容易受到噪声污染,导致图像的可见性和分析精度降低,因此高光谱图像去噪任务已经成为遥感图像处理领域国内外研究热点。当前的高光谱图像去噪方法主要面临两个难题：1）对特征的全局信息利用不足。当前基于卷积神经网络的方法受限于卷积核的大小,难以捕获特征的全局信息;2）卷积神经网络和 Transformer 在结构上存在差异,导致两者难以融合,因此,需要考虑合理的特征交互方式,来平衡局部和全局特征提取之间的关系。方法 针对上述问题,本文提出了基于 Transformer 和通道混合并行卷积的高光谱图像去噪模型,包括 3 个模块：通道混合特征提取模块、基于块下采样的全局增强模块和自适应双向特征融合模块。通过这 3 个模块的相互作用,可以充分结合全局和局部的特征信息,处理不同区域中的噪声和纹理差异,有效提高模型对空间细节信息的恢复能力。结果 实验在 2 个数据集上与主流的 5 种方法进行比较,在 Pavia 数据集中设置不同高斯噪声强度的情况下,相比于性能第 2 的模型,峰值信噪比（peak signal-to-noise ratio,PSNR）值最大提高了0. 4 dB;在 ICVL 数据集中设置各种混合噪声的情况下,相比于性能第 2 的模型,PSNR 最大提高了 2. 18 dB。同时可视化的去噪结果图像体现了本文所提出的去噪模型的优异性能。结论 本文方法在各种噪声情况下均具有较好的去噪效果,显著优于当前主流方法,能够有效去除高光谱图像中噪声,同时保留图像丰富的纹理信息。     

高光谱图像深度模糊核聚类的洋底锰结核识别

目的 海洋资源调查是海洋科学研究的重要组成部分，对于开发利用海洋资源、保护海洋环境有重要意义。将深海高光谱图像用于调查洋底锰结核资源，相比传统图像方法信息更为全面，识别更为准确。但是高光谱方法中用于有监督分类识别的分类器需要人工标定的标签，这在深海环境中是较为困难的。针对这一局限性，本文提出了一种融合深度网络与模糊核聚类的深度模糊核聚类（deep kernel fuzzy C-means，DKFCM）算法，实现对洋底锰结核高光谱图像的无监督聚类。方法 DKFCM由随机深度卷积网络（Rdnet）及改进的模糊核聚类算法两大模块组成。Rdnet通过降维、随机图块卷积及非线性激活操作的循环，实现对高光谱图像浅层及深层特征的提取，融合这两类特征作为后续聚类识别的输入。改进的模糊核聚类算法先用欧氏距离计算初始聚类中心，再用模糊核聚类的方法以实现海洋资源的准确分类。结果 实验结果表明，DKFCM无监督聚类能有效聚类洋底资源，对锰结核的聚类准确率达到76.59%，相比单用K-means聚类提高了20.99%，相比经Rdnet提取特征后再用K-means聚类提高了13.76%，对比实验表明DKFCM算法在无标签数据的情况下也能达到良好的准确率。结论 本文所提的高光谱深度模糊核聚类方法，实现了深海锰结核的无监督聚类，可以用于海洋资源量的评估。     

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。     

热红外高光谱成像技术的研究现状与展望

高光谱成像具有精细的光谱分辨能力,在热红外谱段实施高光谱成像对目标探测与识别有显著效果.与国外相比,我国在该领域的研究还相对薄弱,应用部门的研究主要基于国外数据,国内尚未有成熟的仪器.对国内外研究现状进行了详细调研,并结合目前国内已经布局的研究项目对该领域未来的发展进行了展望,对我国发展高性能空间红外光谱成像技术具有一定意义.     

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。     

基于作用距离的红外探测系统工作波段选择方法

选择合适的工作波段对获得性能优越的红外探测系统具有十分重要的意义.通过对红外探测系统与高光谱遥感工作波段的选择原则进行比较,从探测原理出发,结合高光谱遥感类间可分性的波段选择思想,发展了一种基于作用距离的波段选择方法.仿真结果表明,这种方法是可行的,能有效地计算出符合要求的工作波段参数.     

人体头发中重金属元素铬含量的高光谱检测

头发中的重金属含量可以反映出人体健康的变化。提出了运用高光谱数据检测头发中重金属元素铬含量的方法。对头发的透射率波长曲线进行了包络线消除、吸收特征参量化等处理。以化学检测的铬含量作为标准数据,化学检测精度可达90%以上。然后训练人工神经网络,通过调节网络的隐含层层数、结点数和激活函数来优化模型。实验计算表明,隐含层层数为1,结点数为7或9的人工神经网络的预测效果较好。利用统计实验结果对人工神经网络的内部精度和外部精度进行评价。人体头发中铬的敏感波段为1380 nm～1550 nm、1880 nm～2100 nm、2120 nm～2210 nm;训练后的神经网络预测的均方根误差为13%,精度达87%。实验结果表明,应用高光谱技术可以快速无损地检测人体头发中的重金属元素铬的含量。     

高光谱成像系统在中医舌诊中的应用研究

舌诊是传统中医诊病的重要方法,然而传统舌诊中存在一个很大的问题是具有主观性,难于进行定量化描述.随着计算机技术的发展,图像处理和模式识别技术正在用于舌诊的辅助诊断.目前舌图像的采集方法基本都是使用数码相机,所提供的舌图像包含的病理信息有限,使得分析算法非常复杂且效果不甚理想.针对这种情况,提出使用高光谱成像系统代替数码相机进行舌图像的采集.由于高光谱舌图像具有丰富的图谱信息,初步试验表明了这一方法的有效性,为中医舌诊提供了一种新方法.     

基于高光谱成像技术的青花椒产地识别研究

目的 基于高光谱成像技术结合机器学习建立一种青花椒产地的快速识别方法,实现四川、贵州、云南、重庆等10个青花椒主要产地样品的快速无损鉴别。方法 本研究利用全平皿法、五点平均法和中心点法3种不同的兴趣区域(region of interest, ROI)提取方式,获得平行光谱数据,分别采用5种预处理方法消除数据噪声提升模型性能,并比较了偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)、随机森林(random forests, RF)和支持向量机(support vector machine, SVM) 3种模型的产地识别效果。结果 采用全平皿法提取兴趣区域,通过二阶导(second derivative, D2)预处理后建立的RF模型分类效果最佳,训练集和测试集的准确率均可达到100%。进一步采用连续投影算法(successive projections algorithm, SPA)选择27个特征波长建模,结果表明多元散射校正(multiplicative scatter correction, MSC)-RF模...     

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%。