基于高光谱特征的迷彩伪装评价

伪装效果分析是伪装设计和识别的重要环节,为了对高光谱探测下的目标伪装效果进行有效评价,结合高光谱图像光谱分辨率较高的特点,提出了一种基于高光谱特征的迷彩伪装评价方法。在光谱维,分析并提取伪装目标的光谱特征。在空间维,对图像第一主成分进行多层小波分解,提取高频分量和低频分量的比值、水平分量和垂直分量的比值以及低频图像的对比度、相关性、能量、同质性等6个特征作为纹理特征。利用欧氏距离分别计算光谱特征距离与纹理特征距离,最后将二者进行综合,距离越小说明伪装效果越好。实验数据表明:本文的方法可以量化高光谱成像下的迷彩伪装效果,评价客观。得到迷彩雨衣与草坪背景之间的综合距离为1.3225,两者融合效果最好。     

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。     

空间信息自适应融合的高光谱图像分类方法

针对单一的滤波器提取高光谱图像空间纹理信息时不能获得完整的图像特征的不足,提出一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法.该方法采用空间信息自适应融合的分类寻优,先对高光谱波段进行抽样分组,再用双边滤波和域转换标准卷积滤波对分组后的波段进行滤波,两种空间信息进行线性融合后交由支持向量机完成分类.实验表明,相比使用光谱信息、高光谱降维、空谱结合的支持向量机分类方法和边缘保持滤波以及递归滤波的方法,本文所提算法对高光谱图像的分类精度有较大提高,在训练样本仅为5%和3%的情况下,对印第安农林和帕维亚大学图像的总体分类精度分别达到了96.95%和97.89%,比其他算法高出213个百分点,验证了该方法在高光谱图像分类的有效性.     

空-谱二维蚁群组合优化SVM的高光谱图像分类

提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。     

基于形态学空间特征的高光谱遥感图像分类方法

传统的高光谱图像分类主要是基于像素的光谱特征,在一定程度上忽略了高光谱遥感图像中像素之间的空间相关性。为了充分利用高光谱图像中的空间信息,提出了一种基于加权多结构元素无偏差形态学的空间特征提取方法,并基于形态学的多尺度特征和结构保持性提出了基于邻域的多尺度空间特征提取方法,得到了高光谱遥感图像的空间特征。对k-NN分类算法进行改进,提出了基于变精度粗糙集和重构误差的k-NN分类算法,实现了基于空间特征的高光谱遥感图像分类。在两个不同的高光谱遥感图像的实验验证了基于空间特征和改进k-NN分类算法的性能。     

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外（372.53~1 038.57 nm）范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G（Savitzky-Golay）平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机（ELM）中进行分类。此外,还和基于灰度共生矩阵（GLCM）的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个：一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。     

基于纹理特征和形态学特征融合的高光谱影像分类法

针对传统融合空间和光谱特征方法仅使用单一空间特征,并未充分利用其双高分辨率的特点,提出了一种基于纹理特征和形态学特征融合的高光谱影像分类方法.首先利用传统主成份分析变换降低高光谱影像的维数,消除空间相关性,然后对每一主成分采用灰度共生矩阵提取纹理特征,获得扩展纹理特征,最后结合形态学特征和部分光谱特征进行高光谱影像的分类.实验证明,本文提出的方法能更好地克服传统光谱特征分类的局限性,提高高光谱影像的分类准确度.     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域。目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况,因此本文通过引入密集卷积进行深度特征学习,提高域自适应高光谱图像分类的精度。在Indiana高光谱数据集和Pavia高光谱数据集上验证所提算法的有效性,整体分类精度分别为61.06%和89.63%,与其他域自适应高光谱图像分类方法对比,所提方法具有更好的分类精度。     

基于聚类和最佳指数的快速高光谱波段选择方法

最佳指数法是常用的高光谱图像数据波段选择方法,但存在运算时间过长的问题。运用K-means聚类算法,对最佳指数方法进行了改进,提出了聚类最佳指数法,并进行了一系列伪装目标识别的对比实验。实验结果表明,与最佳指数法相比,改进后的方法在保证目标分类精度的前提下,运算速度提高了数十倍;与单纯使用K-means聚类运算相比,不仅运算时间缩短,而且分类精度有所提高。利用改进算法能够在伪装环境下更加快速有效地识别目标。     

基于容限近集理论的光学伪装评价研究

在对地面目标光学伪装评价的研究中,根据地面背景伪装图像的特点,提出了一种基于容限近集理论的评价地面目标光学伪装效果的方法。提取伪装图像中的目标和背景区域,将这些区域作为容限空间中的集合分别进行分块,每块子图像作为集合元素,提取各子图像的统计、颜色和纹理等特征,在容限空间中计算背景与目标并集集合的所有容限近似类,用近似测量(tNM)指标评价伪装效果,并将tNM与豪斯多夫距离（tHD）比较。结果表明,容限近似理论作为一种新的评价伪装图像伪装效果的方法能很好地代替人眼主观评价;tNM作为评价伪装效果的指标优于tHD。     

基于光谱-空间特征的黄茶多酚含量估算模型

茶多酚是黄茶中的重要成分之一,具有保健和药用功效。准确估测茶多酚含量对茶叶品质鉴定和定量分析具有重要的意义。学者们已经利用电子鼻、电子舌、高光谱和近红外技术开展了茶多酚的估测研究,取得了良好的效果。然而,由于缺乏空间特征,难以满足黄茶内外品质综合判断的要求。随着高光谱成像系统的发展,尽管基于灰度共生矩阵的茶叶成分估测已经被证实取得较好的效果,但在实际应用中仍然存在一些障碍。一方面,分辨率较低时,图像的纹理特征不会有显著差异,并且少数特征无法充分地解译高光谱图像,从而导致模型估测效果较差。另一方面,分辨率较高时,特征的增加会导致模型更复杂。因此,在保留高光谱图像原始信息的前提下,有必要进一步挖掘高光谱图像的潜在特征,尤其是纹理的细节部分。因此,提出了一种融合光谱和空间特征的模型来提高茶多酚估测的准确性。首先,利用连续小波变换提取光谱信息的小波系数;其次,根据不同尺度的小波系数能量优选小波系数特征,分别是第4尺度的959和1 561 nm,第5尺度的1 321,1 520和1 540 nm,以及第6尺度的1 202和1 228 nm;再者,基于小波系数能量之和优选2个特征波长,分别是1 102和1 309 nm;然后,根据特征波长对应的高光谱图像分别提取灰度共生矩阵和小波纹理。最后,分别利用小波系数特征、灰度共生矩阵、小波纹理和他们的组合构建黄茶多酚含量的估测模型。通过对五种黄茶的分析和验证,比较基于不同特征的不同模型估测效果,包括偏最小二乘回归、支持向量回归和随机森林方法。结果表明,融合小波系数特征,共生矩阵和小波纹理的支持向量回归模型效果最佳,校正集的R2为0.933 0,验证集的R2为0.823 8。因此,所提出的模型能有效的提高茶多酚含量的预测精度,为预测茶叶的其他成分提供了技术基础。     

Combined multi-kernel support vector machine and wavelet analysis for hyperspectral remote sensing image classification

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features.Multi-kernel classifiers,however,are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs.Using a support vector machine(SVM) as classifier,different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area,Beijing City.Results show that by integrating spectral and wavelet texture information,multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers.Moreover,when the multi-kernel SVM classifier is used,the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy(97.06%).Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.     

基于植被特征库的高光谱植被精细分类

目前,高光谱数据精细分类面临两方面问题：一方面,传统单纯利用光谱信息的分类往往难以满足各应用行业对精度的需求,另一方面,基于像元的分类结果受制于椒盐噪声,影响其有效应用。为此,提出了一种基于植被特征库构建与优化的高光谱植被精细分类策略。首先,从高光谱影像中的原始光谱特征出发,结合灰度共生矩阵和局域指示空间分析两类纹理特征,并有针对性地加入了对植被叶绿素、胡萝卜素、花青素和氮素叶面积指数等理化参量敏感的光谱指数特征,构建了完备的植被特征库,以提高植被类别间的可分性;进而对植被特征库进行光谱维优化,提出了基于类对可分性的光谱维优化算法,选择对各类对具有最高识别能力的特征波段,通过迭代使各类别间均达到较高的区分度,并利用最优索引因子法进一步降低数据冗余,以提高分类效率;在进行植被特征库空间维优化时,主要基于地物分布通常具有一定的空间连续性这一理论,提出了基于邻域光谱角距离的植被特征库空间维优化算法,以去除分类结果中的椒盐噪声,提高分类精度和分类图像平滑度。基于航空高光谱数据的植被精细分类验证表明,该方法可以显著提高分类精度,在作物品种识别、精准农业等方面将具有广泛的应用前景。     

基于分层引导滤波与最近邻正则化子空间的高光谱图像分类

针对高光谱图像中同质异谱现象造成的分类精度较低以及边缘像元在联合空间光谱信息分类时特征易混淆的问题,提出了基于分层引导滤波与最近邻正则化子空间的分类方法.利用主成分分析获得高光谱图像的第一主成分.以第一主成分为引导图像对高光谱图像执行分层引导滤波操作,引导滤波的边缘保护特性,有效阻隔了边缘处类间光谱信息的混淆,并减小了局部区域类内光谱的差异,最后将预处理后的高光谱图像送至最近邻正则化子空间分类器进行分类识别.在Indian Pines,Salinas以及GRSS_DFC_2013高光谱数据集上与现有的方法进行对比实验.结果表明,本文提出的方法在三个数据集上分别取得了98.63%,99.13%与99.42%的总体分类准确率,有着更优的分类精度与可视化效果.     

基于空-谱约束的中餐馆过程混合模型高光谱图像聚类方法

高光谱图像分类是高光谱研究的重要内容,也是许多其他应用的前提。针对传统高光谱图像分类仅考虑光谱信息而忽略空间信息的问题,对距离依赖的中餐馆模型(distance dependent Chinese restaurant process, ddCRP)进行改进,提出一种基于空-谱约束的中餐馆过程混合模型(spatial-spectral Chinese restaurnt process, ssCRP)用于高光谱图像聚类。该模型充分考虑像素邻域的空间和光谱信息,并将其统一纳入模型的建模及求解过程中,得到一般基于像素的聚类方法无法实现的效果,可在一定程度上满足高光谱图像聚类分析的需求。首先,为利用高光谱图像的空间和光谱信息,定义基于像素空间距离和光谱角的指数衰变函数作为像素间相似性的度量。然后,在考虑像素相似性的基础上利用基于餐桌的构造形式为每个像素确定所在的餐桌。最后,对每张餐桌分配一道菜作为聚类类别,从而达到聚类的目的。利用航空可见-近红外成像光谱仪AVIRIS高光谱影像评估该模型性能,实验结果表明：ssCRP模型可较好地实现高光谱图像的自动聚类,与传统的K-means和ISODATA方法相比,该模型结果斑块规整,“椒盐效应”得到抑制,具有较高的空间一致性,分类精度高,其总体精度达到63.57%,Kappa系数为0.632 3,能很好反映真实地物分布。同时,分类结果的地物间边界清晰,能很好保持图像边缘。     

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.