基于克隆选择支持向量机高光谱遥感影像分类技术

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明：提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。     

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明：各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数：0.85,提取误差：1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数：0.79,提取误差：9.34%)提取效果最好...     

结合纹理和空间特征的多光谱影像面向对象茶园提取

云南茶园主要分布于山区,往往与其他地物混合,破碎化程度高,给基于遥感的高精度茶园提取带来困难。破碎化山地茶园的遥感识别能力有待进一步提高。以西双版纳北部及普洱市南部山区为研究区,以高分一号(GF-1)遥感影像为数据源,基于易康(eCognition9.0)软件,采用多尺度分割(MRS)方法对影像进行分割,并通过ED3_Modified评估影像的最优分割尺度。首先构造了包括14个光谱特征、6个纹理特征和3个空间特征的23维初始特征,通过计算样本的分离度对分类特征空间进行优化,确定了16维最优特征空间。然后应用面向对象的监督分类方法[贝叶斯(Bayes)、决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。采用实地调查样点和随机点结合的方法对提取结果进行精度验证,并比较了不同分类方法的茶园提取精度。面向对象的监督分类[多分类（茶园、森林、农田、不透水层、水体）]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70),(DT: 88.52%, 0.72),(RF: 91.23%, 0.78)。三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%),(DT: 68.84%, 83.83%),(RF: 70.54%, 87.13%);相比于面向对象的RF多分类,面向对象RF二分类（茶园、其他地物）OA和Kappa系数分别提高了3.24%和0.07,茶园提取的PA与UA分别提高了5.99%和5.61%;相较于仅利用光谱特征的基于像元的RF多分类,面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27,茶园提取PA与UA分别提高了21.10%和29.03%。结果表明：采用面向对象的监督分类方法在对茶园提取方面有应用潜力,尤其面向对象的RF分类精度更高,二分类相较于多分类对于茶园提取更为精细和准确。该方法对于复杂、破碎山地茶园提取精度较高,能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。     

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。     

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HSI高光谱和TM图像的土地盐渍化信息提取方法

选择黄河三角洲垦利县代表性盐碱化区域为研究区,以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源,经几何纠正、图像裁剪、大气校正等预处理,分析不同盐渍化程度土地、水体、滩涂等主要地类的光谱特征,确定地类信息提取特征波段。结合土壤盐分含量,采用定量与定性相结合规则,构建地类信息提取模型,以决策树分类方法进行图像分类,提取土地盐渍化信息。利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果,对遥感解译数据进行精度验证,并对高光谱和多光谱影像的分类精度进行比较分析。结果表明：HSI图像的总体分类精度达96.43%,Kappa系数为95.59%,而TM图像的总体分类精度为89.17%,Kappa系数为86.74%,说明相比多光谱TM数据,基于高光谱图像可以更为准确有效地提取土地盐渍化信息;由分类结果图可以看出,高光谱影像土地盐渍化的区分度高于多光谱影像。该研究探索了高光谱图像土地盐渍化信息的提取技术方法,提供了不同盐渍化土地的分布比例数据,可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。     

三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类

高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。     

基于深度学习的高分辨率遥感影像分类研究

针对高空间分辨率遥感影像的分类问题,提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征,利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类,并与基于单源光谱信息的DBN分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明:相对于单源光谱信息,利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度;相对于SVM、NN等分类方法,DBN能够更加准确地挖掘高分辨率遥感影像的空间分布规律,提高分类的准确度。     

基于主成分分析的自组织竞争神经网络在多光谱遥感影像分类中的应用

多光谱遥感影像具有波段多、信息量大的特点,传统的分类方法难以达到提高精度的要求.利用主成分分析对多波段遥感图像进行降维,再采用竞争型自组织神经网络对图像进行非监督分类.这种方法的分类精度为87.5%,Kappa系数为0.86,明显高于最大似然法,最小距离法和基于像元的自组织竞争神经网络法.实验结果表明该方法在多光谱遥感影像分类中具有较好的适用性.     

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%.     

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.     

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.     

水稻分蘖期无人机高光谱影像混合像元特征分析与分解

开展水稻无人机高光谱解混,获取水稻植株的高光谱反射率信息,对于提高水稻理化参量的反演模型精度具有重要意义.目前大多基于高光谱遥感影像自身数据进行解混,运用算法模型进行高光谱数据解混,将高光谱图像和可见光图像进行优势互补,提出一种基于无人机高清影像与高光谱遥感影像融合的稻田无人机高光谱解混方法,解决单一数据局限性问题,增...     

基于谱聚类与类间可分性因子的高光谱波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难。高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵。再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明：两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度。     

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。