基于局部Gabor二进制模式的高光谱伪装目标图像分类(英文)

为提高光谱伪装目标图像分类精度,提出了一种基于局部Gabor二进制模式(LGBP)的空间分类方法。LGBP作为一种多尺度算法,被用来提取高光谱图像的纹理特征。然后高光谱图像中的每一个像元可以用一个光谱特征向量及一个纹理特征向量表示。通过这种方法,增大类间距离。最后使用多核支持向量机结合光谱信息和空间纹理信息实现对高光谱伪装目标图像的分类。实验证明了该方法的有效性,分类总体精度和Kappa系数分别达到了95.6%和0.937。所提出的方法对于提高分类精度及鲁棒性具有重要意义。     

Wavelet SVM in Reproducing Kernel Hilbert Space for hyperspectral remote sensing image classification

Combining Support Vector Machine (SVM) with wavelet analysis, we constructed wavelet SVM (WSVM) classifier based on wavelet kernel functions in Reproducing Kernel Hilbert Space (RKHS). In conventional kernel theory, SVM is faced with the bottleneck of kernel parameter selection which further results in time-consuming and low classification accuracy. The wavelet kernel in RKHS is a kind of multidimensional wavelet function that can approximate arbitrary nonlinear functions. Implications on semiparametric estimation are proposed in this paper. Airborne Operational Modular Imaging Spectrometer II (OMIS II) hyperspectral remote sensing image with 64 bands and Reflective Optics System Imaging Spectrometer (ROSIS) data with 115 bands were used to experiment the performance and accuracy of the proposed WSVM classifier. The experimental results indicate that the WSVM classifier can obtain the highest accuracy when using the Coiflet Kernel function in wavelet transform. In contrast with some traditional classifiers, including Spectral Angle Mapping (SAM) and Minimum Distance Classification (MDC), and SVM classifier using Radial Basis Function kernel, the proposed wavelet SVM classifier using the wavelet kernel function in Reproducing Kernel Hilbert Space is capable of improving classification accuracy obviously.     

基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

三维Gabor滤波器与支持向量机的高光谱遥感图像分类

根据高光谱遥感图像的特点及二维Gabor滤波器纹理分割的原理,提出了一种基于三维Gabor滤波器的高光谱遥感图像分类方法。三维Gabor滤波器能够对高光谱遥感图像所有波段同时进行滤波,将大量的图像信息抽取为少量的不同尺寸、方向和波谱的响应,极大减少了高光谱遥感图像纹理信息提取的计算量。利用不同方向和尺寸的三维Gabor滤波器对祁连山黑河流域上游地区的Hyperion影像全波段进行滤波处理,获取26个纹理响应特征,并分析不同纹理对不同地物的区分度。利用自动子空间划分的波段指数(BI)进行波段选择,选取不同的波段组合进行试验,寻找最佳降维幅度。按照纹理对不同地物响应的区分度逐一加入三维Gabor纹理特征,利用三维Gabor纹理辅助光谱信息,运用支持向量机(SVM)的方法进行监督分类。结果表明,基于三维Gabor纹理和自动子空间BI波段选择的SVM分类方法能够在有效降低光谱维数的同时,提高高光谱遥感图像分类的精度和效率。     

基于多特征融合的城市遥感图像自动解译方法

为更全面有效地解译城市遥感图像,提出了一种新的基于多特征融合的自动解译方法。该方法定义对象网络来表达图像结构并获取更为准确的处理单元。在此基础上,综合分析颜色、纹理、形状和位置等众多特征,通过自适应的概率学习训练最优分类器并标记目标类别。方法中还结合上下文信息进行空间平滑,大大消除了噪音、遮挡等影响,矢量标绘后得到最终解译结果。实验表明,该方法准确率高、鲁棒性好,适用于多种遥感图像城市场景的自动解译。     

A novel binary tree support vector machine for hyperspectral remote sensing image classification

According to the principle of support vector machine (SVM) and the inter-class separability rule of hyperspectral data, a novel binary tree SVM classifier based on separability measure among different classes is proposed for hyperspectral image classification. J–M distance is used to measure the separability in order to generate the binary tree automatically. By experiments using airborne operational modular imaging spectrometer II (OMIS II) data, satellite EO-1 Hyperion hyperspectral data and airborne AVIRIS data, the classification accuracy of different multi-class SVMs is obtained and compared. Experimental results indicate that the proposed adaptive binary tree classifier outperforms other existing multi-class SVM strategies. Use of the adaptive binary tree SVM classifier is a novel approach to improve the accuracy of hyperspectral image classification and expand the possibilities for interpretation and application of hyperspectral remote sensing image.     

基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据（20维）、提取后数据的纹理变换（20维）和主成分分析的前（20维）,组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类（MDC）算法(40.88%)。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。     

支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外（372.53～1 038.57 nm）波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域（ROI）的平均光谱,分别采用连续投影算法（SPA）和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机（SVM）分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵（GLCM）的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。     

基于双树复数小波变换的微钙化诊断方法

提出一种基于双树复数小波变换的微钙化分类方法.通过提取基于小波和灰度直方图的纹理特征,结合遗传算法进行特征优化,分别用神经网络,支持向量机和KNN分类器进行微钙化的良恶性分类.对三种不同的分类器进行对比,结果表明:KNN分类器取得最好的效果,而支持向量机优于神经网络.KNN分类器对比于神经网络和支持向量机,无需训练,可节约训练时间,最直接地利用了样本和样本之间的关系,减少了类别特征选择不当对分类结果造成的不利影响,可以最大程度地减少分类过程中的误差项.在类别决策时,KNN分类器只与极少量的相邻样本有关,可以较好地避免样本数量的不平衡问题.与传统的小波比较,双树复数小波具有近似平移不变性和正则性,对图像信号具有良好的方向选择性,且冗余度有限,计算量较小.     

Hyperspectral remote sensing image classification based on decision level fusion

To apply decision level fusion to hyperspectral remote sensing (HRS) image classification,three decision level fusion strategies are experimented on and compared,namely,linear consensus algorithm,improved evidence theory,and the proposed support vector machine (SVM) combiner.To evaluate the effects of the input features on classification performance,four schemes are used to organize input features for member classifiers.In the experiment,by using the operational modular imaging spectrometer (OMIS) II HRS im...     

机器学习法的干旱区典型农作物分类

当前,基于机器学习方法开展农作物分类研究,对于确保干旱区粮食安全和生态安全有着极为重要的现实意义。基于机器学习方法,采用时间序列Sentinel 2A遥感数据提取农作物分类信息,通过引入地块基元和红边特征,探讨了不同分类特征组合对机器学习分类精度的影响。结果表明：随机森林分类器可以有效集成光谱和植被指数等多维向量的优势,将其应用于干旱区典型农作物分类上的精度均在89%以上,分类组总体精度最高可达94.02%。地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度,使光谱组及指数组的分类精度分别提高3.13%和4.07%,并能有效解决“椒盐”效应及耕地边缘廓线模糊等问题。红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39 %和1.63%,并使春、冬小麦的识别能力显著提高,表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异。该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考。     

基于第二代小波的超谱遥感图像融合算法研究

超谱遥感图像包含了大量的波段．波段之间的相关性较高．采用信息融合技术可以降低超谱图像的分析难度。提出了一种结构新颖的第二代小波加权融合算法。首先将图像分解为两个序列．用2阶Neville滤波器构造预测和更新算子．对两个序列以矩形栅格和梅花形栅格的格式进行交替预测和更新;再以各个波段的方差作为融合的特征．进行特征级第二代小波加权融合．最后对图像进行第二代小波重构。为了验证新方法的有效性．采用机载可见光-红外成像光谱仪超谱遥感图像进行仿真．并与典型融合方法主成分分析和离散小波变换的融合效果相比较。实验结果表明提出的第二代小波加权融合算法能够很好地保持图像的空间特性和光谱特性．其熵值高于主成分分析融合结果0．1949,高于离散小波变换融合结果0．7998。     

冬小麦叶面积指数遥感反演方法比较研究

叶面积指数(leaf area index, LAI)是反映作物生长状况和进行产量预测预报的主要指标之一,对诊断作物生长状况具有重要意义。遥感技术为大面积、快速监测植被LAI提供了有效途径。利用高光谱遥感影像,结合田间同步实验数据,探讨不同方法对冬小麦叶面积指数遥感反演的能力。介绍了支持向量机、离散小波变换、连续小波变换和主成分分析四种LAI反演方法。分别利用上述四种方法构建冬小麦LAI反演模型,并对不同算法反演的LAI模型进行了真实性检验。结果显示,支持向量机非线性回归模型精度最高,对冬小麦LAI估算能力最强,反演值与实测值拟合的决定系数为0.823 4、均方根误差为0.419 5。离散小波变换法和主成分分析法都是基于特征提取和数据降维,其多元变量回归分析对LAI估算能力相近,决定系数分别为0.697 1和0.692 4,均方根误差分别为0.605 8和0.554 1。连续小波变换法回归模型精度最低,不适宜直接用其小波系数来反演LAI。结果表明,非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。     

Environmental noise classifier using a new set of feature parameters based on pitch range

Automatic Noise Recognition was performed in two stages: (1) feature extraction based on the pitch range, found by analyzing the autocorrelation function and (2) classification using a classifier trained on the extracted features. Since most environmental noise types change their acoustical characteristics over time, we focused on the “pitch range” of the sounds in order to extract features. Two different classifiers, Support Vector Machines (SVM) and k-means clustering, were performed and compared using the proposed features. The SVM and k-means clustering classifiers achieve recognition rates up to 95.4% and 92.8%, respectively. Although both classifiers provided high accuracy, the SVM-based classifier outperformed the k-means clustering classifier by approximately 7.4%.     

不同分辨率无人机数码影像的马铃薯地上生物量估算研究

地上生物量（AGB）是表征作物生命活动的重要参数,对作物长势监测和产量预测尤为关键。因此,快速准确地获取AGB信息,对于监测作物生长状况、指导农业管理和提高产量具有重要的意义。以无人机为平台搭载数码相机传感器,因机动性强、价格低、空间分辨率高的优势,能够及时准确的估算作物AGB,已成为遥感估算研究的热点之一。由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同,因此,尝试在马铃薯的块茎增长期,通过设置10,20,30,40和50 m共5种无人机飞行高度,获取不同分辨率的数码影像,探究其对以光谱信息、纹理特征和光谱信息+纹理特征构建AGB模型精度的影响。首先,基于无人机数码影像,分别提取光谱信息和纹理特征,通过光谱信息构建的植被指数和纹理特征,分别结合地面试验获取的实测地上部生物量数据进行相关性分析,分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。然后,分别以3种输入变量整合方差膨胀因子（VIF）进行主成分分析（PCA）降维处理,获得最佳主成分后以多元线性回归（MLR）构建AGB估算模型。最后,对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。结果发现：（1）获得的影像分辨率在0.43~2.05 cm之间变化时,纹理特征与马铃薯AGB相关性弱于植被指数,但都达到极显著相关水平（p<0.01）,随着数码影像分辨率降低,二者相关性差异明显。（2）同种分辨率影像下,光谱信息+纹理特征估算AGB的效果最优,其次为单一纹理特征模型,而单一光谱模型表现效果最差。（3）随着数码影像分辨率提高,光谱信息、纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。     

一种光谱与纹理特征加权的高分辨率遥感纹理分割算法

高分辨率遥感影像呈现极其丰富的光谱和结构信息,传统的基于光谱的遥感影像分割方法往往使得分割区域过于细碎且分割精度不高.尝试将纹理信息引入到特征空间以期解决该问题.本文算法中,特征空间由光谱和纹理两类构成,并采用加权最小距离分类器.光谱信息通过对原始影像的变带宽均值漂移滤波获得,纹理信息由对原始影像逐波段采用多尺度伽博(Gabor)滤波器组滤波获得;依据训练样区中各特征维的方差确定该地物类别分类时特征维的权重,并通过训练样区的特征加权平均获得各地物类别的聚类中心;最后,将像素点归为到加权聚类中心距离最小的类别.实验结果表明,提出的均值漂移带宽确定方法是有效的,加权融合算法较基于光谱的分割方法在分割精度上有一定程度的提高.     

荒漠绿洲区带状防护林遥感提取方法研究——以磴口为例

防护林是我国荒漠绿洲区主要植被类型，可为该地区防风固沙、水盐调控、水热平衡提供有力保障，调查防护林空间分布信息十分重要。然而荒漠绿洲防护林条带较窄、斑块面积小、分布广且零散，不易大尺度准确提取。为解决此难点，以磴口县荒漠绿洲为研究区，基于GF-2号遥感影像，采用面向对象分类技术提取防护林空间分布信息。分类前，首先基于局部方差（LV）和LV变化率（ROC）曲线，选取分割防护林的最优分割尺度。然后采用随机森林（RF）算法的袋外误差率（OOB error）及基尼系数（Gini）对包含光谱、形状和纹理的分类特征进行重要性评估并筛选特征、优化模型参数；最后，基于随机森林、CART决策树、支持向量机（SVM）、K近邻（KNN）四种分类器提取防护林空间分布信息并对比验证。结果表明：(1）采用ROC-LV曲线方法相比于遍历分割参数，可更客观更高效地筛选最优分割参数的可能值；(2）基于RF算法计算的袋外误分率和基尼系数可以有效筛除冗余特征，配合分类器参数优化，在保证分类精度的同时，有效提高分类器性能，大幅提升数据处理速度；(3）基于实测数据集对分类结果进行验证，结果显示基于随机森林算法的特征优化结合SVM分类器提取的防护林空间分布信息精度最高，生产者精度达到97.14%，总体防护林面积为208.99 km2，与实际210 km2接近，在小区块中，SVM分类器的分类效果优于其他三种分类器；(4）因GF-2影像分辨率高，并且含有近红外波段，通过波段合成得到亚米级信息，故基于面向对象的方法能够以单条林带为基本单位研究防护林林网属性，例如提取断带信息等林网结构特征。研究结论可为荒漠绿洲区带状防护林提取提供重要技术支撑。     

Classification of visible and infrared hyperspectral images based on image segmentation and edge-preserving filtering

The classification of hyperspectral images with a few labeled samples is a major challenge which is difficult to meet unless some spatial characteristics can be exploited. In this study, we proposed a novel spectral-spatial hyperspectral image classification method that exploited spatial autocorrelation of hyperspectral images. First, image segmentation is performed on the hyperspectral image to assign each pixel to a homogeneous region. Second, the visible and infrared bands of hyperspectral image are partitioned into multiple subsets of adjacent bands, and each subset is merged into one band. Recursive edge-preserving filtering is performed on each merged band which utilizes the spectral information of neighborhood pixels. Third, the resulting spectral and spatial feature band set is classified using the SVM classifier. Finally, bilateral filtering is performed to remove “salt-and-pepper” noise in the classification result. To preserve the spatial structure of hyperspectral image, edge-preserving filtering is applied independently before and after the classification process. Experimental results on different hyperspectral images prove that the proposed spectral-spatial classification approach is robust and offers more classification accuracy than state-of-the-art methods when the number of labeled samples is small.