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。     

基于高光谱基本准则的波段选择方法

高光谱数据具有光谱波段多、维度高、数据量庞大的特点,为了提高高光谱数据的处理速度,需要进行降维处理,而波段选择是高光谱降维的基本方法之一。综合考虑,提出基于高光谱波段选择相关性、信息量及类间可分性的方法。通过虚拟维度确定高光谱图像的本征维数,并根据波段间的相关系数进行子空间划分;提出利用基于信息量的离散波段指数,在各个子空间中计算出最大的波段指数构成子集;根据类间可分性准则在子空间中选出可分性因子最大的合适波段。利用光谱角匹配选出最适合分类的波段,组成最后的波段子集,从而实现波段选择的降维处理。通过实验验证,所提方法与传统的最佳指数和自适应波段选择方法相比,在一定程度上提高了高光谱图像的分类精度。     

基于高光谱数据季相特征的山地草甸植被分类识别

新疆天山北坡山地草甸是天山山区草地生产力最高的草地类型,草地退化情况较为严重。对草地植被进行分类与识别,监测草地生态系统本底状况,可以快速、准确、有效的评价草地退化动态与程度,是进行生态重建的关键。为了探索适合草地植被的分类方法,选择天山北坡中段山地草甸植被作为研究对象,利用高光谱成像光谱仪（SOC710VP）获取了典型植被多季相（4个关键生育期）的原始反射光谱数据,通过多项式卷积平滑（S-G）及最小噪声分离（MNF）变换对光谱数据进行平滑去噪及降维处理,分别采用支持向量机（SVM）、BP人工神经网络（BP-ANN）及波谱角填图（SAM）三种方法建立分类模型,并对分类结果进行了对比分析。结果表明：使用S-G滤波及MNF变换预处理方法可以有效的对草地植被高光谱数据进行降维除噪,获得较平滑的光谱曲线,减少了数据的冗余程度并缩短了分类时间。不同季相山地草甸植被的“绿峰”、“红谷”及“红边”等参数差异较大,在植被生长旺盛期（4月—5月）的光谱曲线特征比黄枯期的光谱曲线特征更容易区分,这个时期分类精度较高。SVM分类模型在返青期（4月）和分蘖（枝）期（5月）总体分类精度均超过了90%,Kappa系数也超过了0.9;利用SVM方法进行分类时,在植物生长旺盛期（4月—5月）Polynomial核函数分类精度较高,植物成熟期（6月—9月）径向基核（RBF）函数分类精度较高。BP-ANN在分蘖（枝）期分类精度较高,总体分类精度为91.07%,Kappa系数为0.89,其他时期分类效果一般,虽然在MNF变换降维后能极大的缩短数据处理时间,但分类时间还是较SVM时间要长。SAM分类速度最快,但在各生育期的分类精度都较低,最高值为分蘖（枝）期的总体分类精度77.80%,Kappa系数为0.73。因此,利用Polynomial核函数的SVM分类模型适合对山地草甸植被进行分类识别,分类结果类别完整,准确度高,误分、错分现象相对较少,相比BP-ANN及SAM等高光谱数据分类方法具有较大的优势。     

基于空谱特征优化选择的高光谱激光雷达地物分类

地物精细化分类一直是遥感领域的研究热点之一,也是生物量计算、全球碳循环、能量流动等研究的重要前提。为实现复杂场景下的地物高精度识别分类,本文基于高光谱激光雷达空间-光谱一体化同步获取优势,提出了基于空谱特征优化选择的高光谱激光雷达地物分类流程,构建了多种适用于高光谱激光雷达数据的空谱特征,并通过空谱特征优化选择,确定最优空谱特征组合进而实现高精度地物分类。14类地物分类结果表明,联合多种空谱特征,可优化某些类别因空间结构复杂造成光谱获取准确度不高从而引起的错误分类现象,总体分类精度可达95.57%,平均分类精度为84.37%;基于空谱特征优化选择确定最优空谱特征组合,可有效地消除特征冗余,使得总体分类精度进一步提高1.56%,平均分类精度提高4.36%。基于高空间分辨与高光谱分辨的一体化成像探测优势,高光谱激光雷达技术在地物精细化分类领域极具研究潜力与商业价值。     

基于多重分形谱的高光谱数据特征提取

针对单一分形维数在高光谱数据处理中的不足,提出了一种基于多重分形谱的光谱信号奇异性特征提取方法,引入多重分形谱表征光谱曲线的奇异性特征.该方法根据分形测度将光谱曲线进行划分,用光谱概率测度计算配分函数,通过尺度指数的Legendre变换实现光谱曲线多重分形谱的提取,根据各类地物间的类别可分性准则Bhattacharyya距离选择有效特征,最后利用地物分类实验来验证该方法的有效性.实验结果表明,多重分形谱用于分类时分类精度达95.2%,当其维数为原数据波段数的10%时,总体分类精度仍可达82.2 %.多重分形谱表征了具有相同奇异性的波段子集的分形维数,准确的描述了光谱曲线的奇异性和分布特点,该方法能够有效地实现高光谱数据的特征提取.     

基于Gabor特征与局部保护降维的高光谱图像分类算法

提出了两种基于Gabor特征与局部保护降维的高光谱图像分类算法。该算法利用嵌入主成分分析的Gabor变换对高光谱图像进行特征提取。为了保护相邻特征的局部信息,利用局部Fisher判别分析或局部保护非负矩阵分离对Gabor特征进行降维,并采用高斯混合模型分类器对降维后的特征进行分类。两组高光谱数据的实验结果表明,本文算法不但能充分挖掘高光谱图像的谱间-空间特征,而且有效保护了高光谱图像的局部特征信息与多模型结构。与现有的几种算法相比,本文算法能得到更高的分类精度和Kappa系数,在高斯噪声环境中也具有更强的稳健性。     

面向高光谱图像分类的空谱半监督局部判别分析

针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种基于空谱半监督局部判别分析(S3 ELD)和空谱最近邻(SSNN)分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性,在利用标记样本的判别信息保持数据集可分性的基础上,定义空间近邻像元散度矩阵来保存像元的空间近邻结构,提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3 ELD算法不仅能揭示数据集的局部几何关系,而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类,进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明,S3 ELD算法的总体分类精度分别达到了92.51%和96.29%;与现有几种算法相比,该算法能更有效地提取出判别特征信息,并达到更高的分类精度。     

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。     

改进粒子群优化算法的高光谱波段选择

高光谱图像具有数百个连续、狭窄的光谱带,光谱范围跨越可见光到红外光,可提供地物的精细光谱属性,对于地物材质和属性的识别分类具有重要应用价值。针对感兴趣目标选择有限的光谱波段进行传输和处理,对于提升高光谱数据处理时效性、以及设计面向特定应用的实用化光谱仪都具有重要意义。而如何结合目标特征选择最优波段成为在提升处理效率的同时保证目标识别或分类精度的必然要求。因此如何从数以百计维度的高光谱图像中选择出具有较好分类识别能力的波段子集是急需解决的问题。提出基于改进粒子群优化算法的高光谱波段选择方法,该方法区别于传统的粒子群优化算法,引入 “概率突跳特性”,并设定新解的淘汰机制,将“停滞”的新解进行淘汰,提高了算法的全局寻优性能。然后基于目标光谱特征采用了最优波段选择的优化目标函数,通过改进的粒子群优化算法求解目标函数,并将选定的波段子集反馈到支持向量机（SVM）中执行分类应用。采用两个标准的高光谱数据集（Indian Pines, Salinas）对选择出的波段子集进行分类测试,结果表明该方法相较于现有方法具有较高的分类精度,在几种方法中,传统的粒子群算法筛选出的波段效果最差;该算法筛选出的波段的分类精度最好,两个数据集的分类精度分别可以达到98.141 4%和99.084 8%。     

基于多标签共享子空间学习和内核脊回归的空谱分类算法

针对高光谱图像维度高、地物间非线性可分造成的分类精度低等问题,提出一种基于多标签共享子空间和内核脊回归的空谱分类算法.该算法利用内核脊回归将地物相近像素在线性空间的不可分特征映射到高维空间中,实现分类特性在高维空间下的有效分离,以提高地物相近特性的区分精度;同时将高维样本数据映射到低维共享子空间中,在低维环境下以多类标为指导,引入低秩矩阵建立类别标签与共享空间的预测关系,挖掘多标签间的共同特性,提高融合利用多类别间的共同属性提高高光谱图像的分类精度;最后利用奇异值分解迭代法求解目标函数,一定程度上加速参数求解.在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验,实验结果表明,与其他同类算法相比,在低样本比例下,本文算法在总体分类精度、平均分类精度和Kappa系数等评价指标上至少提高4.76%、4.24%和5.19%,与非内核化的算法相比,本文算法在基本不增加运行时间的情况下总体分类精度、平均分类精度和Kappa系数至少提高2.92%、2.8%和3.48%.     

对数变换、导数变换的高寒草地反射光谱特征分析与识别——以那曲地区HJ-1A/HSI图像为例

对比3种类型高光谱数据以及2种分类算法,从那曲地区HSI高光谱图像上识别4个草种。结合实地踏勘从HSI高光谱图像上采集藏北嵩草、紫花针茅、高山蒿草和小嵩草这4个草种的原始光谱反射率数据,并分别进行导数变换、对数变换,得到4个草种的原始光谱、一阶导数光谱、对数变换光谱。对这3种光谱数据进行谱线波形分异特征比较、单因素方差分析以及相关分析,从这3种光谱数据中提取出各自适用的敏感谱段,然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法,通过对HSI图像分类识别出4个草种。对比3种光谱数据各自分类图的识别精度,评价3种光谱数据敏感谱段的适用性;再将3种光谱数据的敏感谱段分别导入ICA-FCM算法,与KICA-NFCM算法分类结果比较对4个草种的识别精度。结果显示谱线波形分异特征比较、单因素方差分析以及相关分析表明,原始光谱、一阶导数光谱、对数变换光谱的敏感谱段分别为788～925, 711～742, 669～682与788～925 nm;使用这3种光谱数据进行KICA-NFCM分类,总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823;使用3种光谱数据进行ICA-FCM分类,总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异,为通过谱线波形分异特征比较选取敏感谱段创造条件; KICA-NFCM算法可以优化输入特征、并引入加权邻域空间信息计算隶属度函数,针对性解决了标准FCM算法在处理高光谱图像时,目标识别过程受邻域噪声影响,分类图像"椒盐效应"显著、同质区域连通性差的问题。结果表明:应用"对数变换光谱/KICA-NFCM算法"组合能够最准确的从HSI图像上识别4个草种,有效减少混分误判现象,为精准开展高寒草地成像高光谱观测提供技术基础。     

基于小波包变换的叶片高光谱数据的树种分类

非成像高光谱数据的特点为树种的精细识别提供了可能.非成像高光谱数据的多波段特性,使得利用数据间的微小差异来进行树种的识别分类研究成为可能.该文利用光谱相关匹配(Spectral correlation matching,SCM)方法来对树种进行识别分类,分别采用均值平滑法、中值平滑法、小波包变换对高光谱数据进行预处理及识别分类研究.结果表明,经过数据平滑预处理,可以有效地去除噪声,提高叶片高光谱数据的树种分类的精度.小波分析能有效的去除光谱中的噪声信息,保留光谱中的有效信息.在小波包变换的基础上,经过中值滤波数据预处理之后的分类精度高于均值滤波数据预处理后的分类精度.     

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。     

基于支持向量机(SVM)特征加权/选择的光谱匹配算法

高光谱数据波段多、冗余大,为了提高数据的分析效率和精度,降维是一个关键步骤。文章在文献(参考了后面的文献[18])研究的基础上,引入了迭代SVM特征选择/加权算法,为多目标遗传优化获取最优参考光谱提供一个包含有效分类信息的低维空间。基于Indiana-AVIRIS高光谱数据的实验表明,特征加权/选择的引入使光谱匹配分类精度提高了13%(相对于无特征选择的情况而言)。文章还根据光谱样本距SVM分类面的远近,定义和计算了局部权重,不仅细致刻画了同类光谱样本在局部特征空间中的分布,还使光谱相似度的计算更加灵活化,精度提高幅度达到了17%(相对于无特征选择的情况而言)。文章研究方法的提出推进了SVM在光谱数据分析中的应用深度和广度。     

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。     

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.     

联合光谱-空间信息的短波红外高光谱图像茶叶识别模型

茶叶种类识别和等级划分的实践意义重大。成像光谱技术较传统检测、识别手段具有图谱合一及快速无损等优势。获取了君山银针、无锡白茶、信阳毛尖、和六安瓜片4种外观相近的线条形茶叶的短波红外（1 000~2 500 nm）高光谱图像。首先利用最小噪声分数(MNF)和非参数权重特征提取(NWFE)将高维高光谱数据投影到低维子空间,然后用单因素方差分析(ANOVA)重新评估投影特征的可分性并选择对茶叶识别较为有效子空间,同时考虑到“光谱和特征”能较好地表征物质反射属性,将选择的投影子空间MNF₁,MNF₂,MNF₄,MNF₆,MNF₈,NWFE₁,NWFE₂,及“光谱和特征”一起作为光谱特征集并用SVM分类器获得光谱特征下像元的分类结果。另一方面,利用图像本质分解（IID）算法将高光谱图像的光谱分解为自身反射光谱R与阴影成分S;在均质性较优的光谱范围（1 006~1 900 nm）按照光谱距离对R求取梯度图像并用分水岭算法实现了图像空间分割,得到空间相关度较高的分割子块。最后,将像元分类和图像分割结果进行融合,具体：在每个图像分割子块中,重新统计像元分类结果并按照最大投票法对整个子块的类别进行赋值,也即联合光谱-空间信息的茶叶识别模型。结果表明,构建的模型对4种茶叶的识别结果较为满意,在仅为约1%水平的训练样本下,茶叶的总体分类精度达94.3%,Kappa系数为0.92。该模型还较好地克服了茶叶光谱的“同物异谱”现象,并期待方法对实践生产具有指导意义。     

高光谱图像分类的ReliefF-RFE特征选择算法构建与应用

高光谱图像具有波段连续、维数高、数据量大、相邻波段相关性强的特点,可为地物分类提供更为丰富的细节信息。但是,数据中存在大量冗余信息与噪声,在图像分类中如直接利用其所有波段特征而不进行有效分析与选择,将会导致较低的计算效率和较高的计算复杂度,分类精度亦可能随着波段维数增加而出现先增后减的“休斯（Hughes）现象”。为快速地从高达数十个甚至数百个波段的高光谱图像中提取出具有较好识别能力的特征子集,从而避免“维度灾难”,将过滤式ReliefF算法和封装式特征递归消除算法（RFE）相结合,构建了ReliefF-RFE特征选择算法,可用于高光谱图像分类的特征选择。该算法根据权重阈值,利用ReliefF算法快速剔除大量无关特征,缩小并优化特征子集的范围;利用RFE算法进一步搜索最优特征子集,将缩小范围后的特征子集中与分类器关联性小、冗余的特征进行递归筛选,进而得到分类性能最佳的特征子集。采用Indian pines数据集、Salinas-A数据集与KSC数据集等3个标准数据集作为实验数据,将ReliefF-RFE算法的应用效果与ReliefF和RFE算法进行对比。结果显示,在3个数据集中,应用ReliefF-RFE算法的高光谱图像分类平均总体精度（OA）为92.94%、F-measure为92.81%,Kappa系数为91.94%;ReliefF-RFE算法的平均特征维数是ReliefF算法的37%,而平均运算时间则是RFE算法的75%。由此表明,ReliefF-RFE算法能够在保证分类精度的同时,克服过滤式ReliefF算法无法有效减小特征之间冗余以及封装式RFE算法时间复杂度较高的缺陷,具有更为均衡的综合性能,适用于高光谱图像分类的特征选择。     

基于K-L散度与光谱可分性距离的波段选择算法

波段选择是高光谱降维的常用手段,文中从波段选择应遵循的3个原则出发设计了一种基于信息散度与光谱可分性距离的波段选择算法。将高光谱数据中每个波段的光谱分量看作一个一维向量,使用K-L散度表示其相互之间的信息量,选出信息量大且相似性最小的波段组合;根据每个波段中不同地物光谱可分性距离的计算,得到可分性较大的波段组合;将两组波段组合取交集,即得到最优组合波段。为了验证算法的有效性,将选出的最佳3个波段进行伪彩色合成,对其进行光谱角制图分类,分类精度达到92.2%,Kappa系数为0.88.     

高光谱信息的农林植被种类区分

为了能够更加快速、准确对粮食主产区的作物与树木进行种类区分,以黄淮海地区三种主要植被(玉米、小麦和杨树)为研究对象,获取该三种植被原始反射率光谱,并对原始光谱进行特征点提取、一阶微分变换、二阶微分变换以及植被指数计算四种方法的分析处理,提取三种植被各自的光谱特征点、特征波段、蓝黄红边微分值和、位置、振幅以及面积四个特征指标以及植被指数的数值区间。基于特征值在不同植被种类间数值重叠范围越小区分精度越高的原理,比较分析植被光谱在不同处理方法下的植被区分精度,并且最终选取重叠范围最小的特征指标作为区分不同植被的识别指标。结果显示：相较于原始光谱特征点提取、二阶微分变换以及植被指数计算,一阶微分变换对于玉米、小麦和杨树的识别分类具有较高的精度,其中黄边振幅、黄边面积以及黄边微分值和具有较高的识别精度,黄边振幅的识别精度达到97.5%,黄边面积以及黄边微分值识别精度达98.1%,用另外167组数据对该结果进行验证,显示黄边振幅的识别精度达96.4%,黄边面积以及黄边微分值和的识别精度达97.6%。该结果与用平均光谱曲线区分单种植被不同生长状态选取的特征值结果不同,这种方法能有效的保留个体光谱反射曲线的差异,从结果可见通过一阶微分变换提取黄边参数的方法能有效的用于树木和粮食作物共同种植区域的植被区分, 并且黄边面积以及黄边微分值和的识别精度最高。