基于光谱分类的端元提取算法研究

目前成熟的端元提取算法是基于单形体几何学的像元纯度指数(PPO)算法,N-FINDR,VCA等算法.这些算法从图像所有像元中提取纯光谱,具有提取速度慢、精度不高的缺点;部分算法需要进行光谱降维,不利于小目标信息的提取.该文提出先利用基于空间特征的光谱分类算法进行分类,将格个图像划分成空间相邻、光谱相似的若干类,每一类的...     

基于核映射多光谱特征融合的高光谱遥感图像分类法

多光谱遥感图像的波段设定在理论和实践上都极具地物针对性,在更有效的数据挖掘方法帮助下可以提取足够的光谱特征以区分地物,本文将光谱匹配技术用于相似性度量,以提高分类准确度.首先选定光谱角制图、光谱相关制图、Mahalanobis距离、光谱相似度和光谱信息差异做为光谱度量;随后选择高斯核函数,在选定核函数之后,得到了核映射下的光谱特征度量来挖掘高光谱遥感数据的光谱特征.最后采用核映射多光谱特征融合法对多光谱遥感图像光谱特征的相似性进行描述,得到基于核映射多光谱特征融合的高光谱遥感图像分类算法.使用MATLAB中的LIBSVM工具箱对AVIRIS高光谱遥感数据进行分类实验,并与已有算法进行对比,结果表明本文提出的算法具有较高的分类准确度和性能.     

基于多层卷积特征融合的目标尺度自适应鲁棒跟踪

针对复杂跟踪条件下目标的鲁棒跟踪和精确尺度估计问题,提出了一种基于多层卷积特征融合的目标尺度自适应鲁棒跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征,通过相关滤波算法构建二维定位滤波器,得到多层卷积特征并进行加权融合,从而确定目标的中心位置;然后通过对目标区域进行多尺度采样,提取其HOG特征构建一维尺度相关滤波器,确定目标的最佳尺度。在复杂跟踪条件下的实验结果表明,与6种当前主流跟踪算法相比,该算法取得了最好的跟踪成功率与精度,同时在跟踪过程中较好地实现了对目标快速尺度变化的自适应跟踪,且具有较快的跟踪速率。     

基于3D卷积自编解码器和低秩表示的高光谱异常检测

针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题,提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先,通过3D卷积自编解码器提取高光谱影像的空谱特征,并针对高光谱图像的局部区域强相关性,设计了一种新的损失函数来约束中心像素和周围像素,以提取判别性较强的特征图;然后,针对所提取的特征图,通过基于密度的空间聚类算法构建背景字典,并利用低秩表示分离出异常区域;最后,融合由3D卷积自编解码器得到的重构误差和异常区域检测结果,得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性,在两个真实的机场高光谱数据集上进行飞机等目标检测实验,ROC、AUC量化指标和主观分析等实验结果表明,与其它6种异常检测算法相比,本文算法具有更高的异常目标检测精度。     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于高光谱图像信息融合的红提糖度无损检测

红提糖度是重要的内部品质衡量指标,传统的检测方法均为破坏性生化检测,本文基于高光谱成像技术,提出了一种基于高光谱信息融合的红提糖度含量无损检测方法。采集并提取260个红提样本的光谱信息和图像信息,对光谱信息分别利用SNV、S-G等光谱预处理方法建立PLSR模型,确定最好的光谱预处理方法,分别采用一次降维(GA、CARS、IRIV)算法和组合降维算法(CARS-SPA、IRIV-SPA、GA-SPA)共六种降维方法对光谱信息进行特征变量提取;获取灰度共生矩阵的图像纹理信息,结合图像的颜色信息(R、G、B、H、S、V、L、a、b),组成19个图像特征参数,采用PCA算法对图像信息进行降维,分别建立基于降维处理后的光谱信息、图像信息以及两者融合的红提糖度线性预测模型PLSR、非线性预测模型LSSVM,并对比分析模型的优劣。结果表明,若只利用光谱信息建模,IRIV-SPA可有效地提取红提糖度光谱信息的特征波长,提高模型的预测性能;若只利用图像信息进行建模,模型的预测性能不好,PCA降维有效地提高了模型的预测性能,但提高的性能有限;将IRIV-SPA特征波段提取后的光谱和经PCA降维后的图像信息进行融合,分别建立PLSR和LSSVM模型,红提糖度的最优PLSR模型的校正集和预测集相关系数分别为0.943,0.941;红提糖度的最优LSSVM模型的校正集和预测集相关系数分别为0.954,0.952。LSSVM所建模型的效果好于PLSR所建模型,但模型的运算时间较长。两种模型的精度均比单方面基于光谱或图像信息的模型都有较大的提高,表明融合高光谱图像的光谱与图像信息不仅可以提高模型的运算速度、简化模型,同时有效地提高了红提糖度预测性能,为红提糖度的检测找到了一种新的方法。     

基于多层卷积特征融合的目标尺度自适应稳健跟踪

针对复杂跟踪条件下目标的稳健跟踪和精确尺度估计问题,提出了一种基于多层卷积特征融合的目标尺度自适应稳健跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征,通过相关滤波算法构建二维定位滤波器,得到多层卷积特征并进行加权融合,从而确定目标的中心位置;然后通过对目标区域进行多尺度采样,提取其梯度方向直方图特征构建一维尺度相关滤波器,确定目标的最佳尺度。实验结果表明,与6种当前主流跟踪算法相比,该算法取得了最好的跟踪成功率与精度,同时在跟踪过程中较好地实现了对目标快速尺度变化的自适应跟踪,且具有较快的跟踪速率。     

高光谱图像中纯光谱提取方法

利用线性解混合方法处理高光谱图像数据,需要获取存在于光谱图像中的纯光谱.目前的纯光谱提取方法都需要复杂的运算,并且都没有被证明具有普遍适用的特点,在特征空间对光谱图像中信息存在形式进行有效分析的基础上,提出基于特征空间分析和光谱相关制图法相结合的纯光谱提取方法(FSASCM),具有复杂度低、对大多数高光谱图像数据普遍适用的特点,     

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。     

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。     

基于多分支CNN的高光谱与全色影像融合处理

高光谱与全色影像融合旨在通过融合高空间分辨率的全色影像与低空间分辨率的高光谱影像来获得高空间分辨率的高光谱影像。基于深度卷积神经网络(CNN),提出了一种遥感影像融合方法,利用两个独立的分支网络逐级从高光谱和全色影像中提取光谱和空间特征。该融合网络由两个分支网络和一个主线网络组成,利用两个分支网络分别从高光谱与全色影像中提取空谱特征,主线网络基于分支网络提取的特征,重建得到最终融合的高空间分辨率的高光谱影像。在CAVE和Pavia Center数据集上分别进行了实验验证,通过对比可以发现,所提出的融合算法在空间细节和光谱保真度上较当前主流算法均表现出更优异的性能。     

基于自适应多层卷积特征决策融合的目标跟踪

针对在复杂环境中目标尺度变化、形状变化以及场景光照变化、背景干扰等因素导致的目标跟踪稳定性下降问题,提出一种基于自适应多层卷积特征决策融合的目标跟踪算法。首先,通过卷积神经网络VGG-Net-19提取目标候选区域的多层卷积特征;其次,在相关滤波模型框架下,利用这些卷积特征构建多个弱跟踪器;接着,根据每个弱跟踪器的决策损失变化自适应地调节它们的决策权重,完成基于多层卷积特征的目标位置估计;然后,根据尺度相关滤波模型在目标中心区域进行多尺度采样,并利用相邻帧的尺度变化先验分布完成对目标尺度的预测。选取51组具有多种挑战因素的视频序列对所提算法的跟踪性能进行测试。实验结果表明,与当前主流的目标跟踪算法相比,所提算法取得了更高的跟踪精度和成功率,同时可以较好地适应目标的尺度变化,并且在目标发生形变、场景出现光照变化及背景干扰等复杂条件下仍具有较好的跟踪鲁棒性。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。     

基于波段子集特征融合的高光谱图像异常检测

高光谱图像分析中，对未知环境下伪装目标的检测识别具有较大难度，因为缺乏背景与目标的先验光谱信息.针对这一问题，提出一种高光谱图像异常检测算法.将高光谱图像分成波段子集进行特征提取，利用对图像中噪声程度及目标、背景之间可分性敏感的特征样本高阶统计量构造基本置信指派函数，通过D-S证据推理实现特征层智能融合异常检测.理论分析及仿真实验结果表明了算法的有效性.     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

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。     

基于核循环结构的自适应特征融合目标跟踪EI北大核心CSCD

视频跟踪中,使用单一特征对目标进行描述难以适应复杂场景的变化,目标的尺度变化、形变、遮挡等因素易导致跟踪失败。为提高跟踪的稳健性,基于核循环结构,提出一种自适应特征融合和模型更新的跟踪方法,并引入尺度更新机制。首先利用目标的灰度特征和局部二值模式特征分别计算滤波响应图,依据响应图的峰值旁瓣比(PSR)自适应地分配权值并加权融合,从而估计目标的最佳位置。然后根据融合后响应图的PSR来判断跟踪质量,据此决定是否更新模型。最后在目标位置周围提取方向梯度直方图特征构建尺度金字塔,训练尺度相关滤波器,用来估计目标的最佳尺度。实验选取标准测试数据集中具有光照变化,遮挡和尺度变化的视频序列进行实验,结果表明,该算法能够实现对目标的稳定跟踪,并且在距离精度和成功率上均优于对比算法。     

特征融合的尺度自适应相关滤波跟踪算法

为提高相关滤波(CF)跟踪算法的稳健性,并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题,提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先,将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间,提取搜索区域的Lab 3通道颜色特征;然后,融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征,利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置;最后,基于Lab颜色特征建立尺度模型,从当前帧的目标位置处截取不同尺度图像块,通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试,并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明,所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性,其平均性能优于对比方法,同时具有76frame·s~(-1)的实时跟踪速度。     

基于核循环结构的自适应特征融合目标跟踪

视频跟踪中,使用单一特征对目标进行描述难以适应复杂场景的变化,目标的尺度变化、形变、遮挡等因素易导致跟踪失败。为提高跟踪的稳健性,基于核循环结构,提出一种自适应特征融合和模型更新的跟踪方法,并引入尺度更新机制。首先利用目标的灰度特征和局部二值模式特征分别计算滤波响应图,依据响应图的峰值旁瓣比(PSR)自适应地分配权值并加权融合,从而估计目标的最佳位置。然后根据融合后响应图的PSR来判断跟踪质量,据此决定是否更新模型。最后在目标位置周围提取方向梯度直方图特征构建尺度金字塔,训练尺度相关滤波器,用来估计目标的最佳尺度。实验选取标准测试数据集中具有光照变化,遮挡和尺度变化的视频序列进行实验,结果表明,该算法能够实现对目标的稳定跟踪,并且在距离精度和成功率上均优于对比算法。