基于PCA和SVM的高光谱遥感图像分类研究

支持向量机(SVM)是根据统计学习理论提出的新的研究方法,它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势,在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。     

基于改进型相关向量机的高光谱图像分类

相关向量机(RVM)高光谱图像分类算法是一种基于贝叶斯概率模型的监督机器学习算法,其分类精度较高、测试时间较短。然而算法本身存在训练时间随着训练样本增加直线上升、分类效率整体降低等问题。针对这种情况,提出一种基于改进型相关向量机(VRVM)的高光谱图像分类算法。本算法在传统概率模型中引入一个新的分布,使得计算复杂度较高的积分运算可近似地拆分成两个较为简单的对数和形式。实验结果表明,VRVM高光谱图像分类算法的总体分类精度和相关向量的数量与RVM基本相同,但训练时间随样本数的增加有明显的减少。     

基于置信学习机与近红外光谱的煤种快速分类方法

基于近红外光漫反射谱技术的检测分析具有简单,快捷,安全等优势而被广泛应用于各行各业。应用近红外光谱分析技术实现不同煤种的快速分类,该方法可以替代费时费力费财的传统化学分析方法。同时首次将置信学习机(confidence machine)引入近红外分析中,实现了对分析结果的风险评估。采集了来自不同矿区共四种不同煤种(肥煤,焦煤,瘦煤和贫瘦煤)的199个煤样本的近红外光谱,通过机器学习的方法针对煤的近红外光谱构建了煤种分类器来实现煤种的快速分类。在近红外分析中引入了置信学习机的分析方式,结合支持向量机(SVM),构建了离线和在线的CM-SVM分类器。置信学习机是一种概率方法,使用概率(CM-SVM)来取代分类超平面(SVM)进行分类,不仅分类效果好于传统的SVM,达到了95.48%的分类率,还能同时给出每个样本分类结果的置信度,可靠度等风险信息。另外,CM-SVM通过对置信水平的设定,得到不同置信度下预测区间,该区间的预测正确率是与置信水平严格对应的,对于产品质量控制有非常重要的意义。置信学习机同时是一种在线的学习模型,新样本的不断加入会提高模型的性能,非常适合于工业现场的在线分析。在线的CM-SVM模型随着样本数的增加,预测结果的置信度有所提高,对工业现场近红外分析有重要意义。     

基于改进光谱特征拟合算法的高光谱数据矿物信息提取

根据光谱特征拟合算法在实际应用中存在的问题,介绍一种改进光谱特征拟合算法,该算法综合常规的特征拟合处理和地物光谱吸收特征参量约束为一体,能更细致地进行高光谱数据地物信息提取.实验基于不同空间分辨率和信噪比的高光谱数据,编程实现改进光谱特征拟合算法对实验区的白云母、方解石、绿泥石等蚀变矿物信息提取,与常规光谱特征拟合和光谱角制图处理结果的比较分析发现改进算法在矿物混淆区分、信息提取精细度上均得到提高,有较强的实用性.     

高光谱图像特征结合光谱特征用于毛桃碰伤时间分类

毛桃从果树上成熟到最后到达消费者手中,中间需要经过采摘、包装、运输等一系列过程,在每一个过程中都有可能产生碰伤果。因此查看哪一个过程产生的碰伤果最多,从而对加工过程进行针对性地改进就显得尤为重要。纵观国内外高光谱技术在检测水果碰伤方面的应用,绝大多数都是忽略图像特征而只使用了光谱特征,基于图像特征结合光谱特征建模的少之又少。其次在水果碰伤时间定性判别方面,多以天数为间隔,时间间隔较大意味着水果碰伤时间越久,其变化越明显,检测准确率也就越高,目前尚缺乏有效方法对于碰伤时间较短的水果进行碰伤时间分类。以90个模拟表面碰伤的毛桃为实验样本,分别采集毛桃碰伤12,24,36和48 h后的高光谱图像。毛桃样品的光谱特征提取是采用感兴趣区域的100个像素点的平均光谱以防止单个像素点的光谱信息与整体光谱信息差距较大;通过主成分分析（PCA）对毛桃图像进行降维后选取最能体现毛桃碰伤的PC1图像,在 PC1图像的权重系数曲线中波峰波谷处挑选出4个特征波长点（512,571,693和853 nm）作为特征图像,特征图像灰度化操作后计算得到平均灰度值作为毛桃碰伤图像特征。最后基于最小二乘支持向量机（LS-SVM）算法分别建立毛桃碰伤时间的光谱特征模型、图像特征模型以及图像特征结合光谱特征模型共三种判别模型,并且根据其分类准确率来判断模型的性能。结果表明：三种毛桃碰伤模型的分类准确率都随碰伤时间的增加而增加;基于径向基核函数（RBF_kernel）建立的图像特征结合光谱特征的模型预测效果最好,对碰伤12,24,36和48 h的毛桃样品识别正确率分别为83.33%,96.67%,100%和100%,这可能是由于具有非线性特点的径向基核函数所建立的模型更加适合用于毛桃碰伤时间的分类。图像特征结合光谱特征的模型能够较好地实现对水果碰伤时间的估计,可为水果外部品质分选提供一定的参考和依据,并对水果销售和深加工企业具有一定的借鉴意义。     

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。     

基于模糊支持向量机的高光谱图像分类

常规支持向量机应用到高光谱图像分类中有较好的分类效果,但它对训练样本内部的噪声和孤立点特别敏感,在一定程度上影响了支持向量机的分类性能,针对该问题,引入了模糊支持向量机(FSVM),并且利用灰色关联分析代替模糊隶属度的求解,将这种基于灰色关联分析的模糊支持向量机与一对多算法相结合,解决了多类高光谱图像分类问题。HYDICE高光谱图像分类结果表明,噪声和孤立点训练样本对支持向量机的影响得到了有效地抑制,相比于常规支持向量机方法,分类精度得到了明显的提高。     

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。     

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%。     

一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法

由于某些矿物,特别是与成矿作用有关的热液蚀变矿物的光谱特征差异较小,更受到矿物混合光谱等因素的影响,导致大多数光谱识别方法对一些光谱特征相似的矿物极易出现混淆和误判现象。因此,针对矿物光谱的“同物异谱”、“同谱异物”现象,提出了一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法。通过对白云母、高岭石,这两种光谱特征相近的典型蚀变矿物的实验测试、分析,并与光谱角匹配、二进制编码、光谱特征拟合等同类方法进行对比,结果表明该方法能够充分地利用吸收特征波谷位置、吸收特征深度、包络线斜率等多种矿物光谱识别属性特征,进而将不同种类的矿物更明显地予以区分,具有较高的分类识别准确率。     

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。     

基于无人机高光谱影像的建筑垃圾分类研究

建筑垃圾“围城”已经成为现阶段城市环境治理面临的主要问题,严重制约了城市生态环境的可持续发展,做好建筑垃圾的分类对保护城市水资源、提高城市土地利用率、提升居民生活质量意义重大。该研究将GaiaSky-mini 2推扫式机载高光谱成像仪（400～1 000 nm）搭载在经纬M600Pro无人机上,选择晴朗无风的试验环境,实时获取研究区高光谱遥感影像。对采集的研究区高光谱遥感影像进行几何校正、图像裁剪、辐射校正等预处理;将研究区内地物分为背景地物和建筑垃圾两大类,其中背景地物包括芦苇、蒿子、水体、阴影、裸土和柏油路,建筑垃圾包括白色塑料、防尘布、地基渣土和瓦砾砂石;基于影像像元选取样本点,分别提取研究区内6种背景地物和4种建筑垃圾的光谱信息,制作光谱曲线,并依据光谱特征差异,选取特征波段,通过波段计算统计并选取合理阈值,利用决策树分类法实现背景地物的分离和建筑垃圾的识别提取;针对不同类别的背景地物和建筑垃圾分别选取验证样本点,对背景地物的分离结果和建筑垃圾的识别结果进行精度评价。结果表明,背景地物和建筑垃圾总体识别精度为85.91%,Kappa系数为0.845;针对建立的背景地物分离决策树,6种背景地物的分类效果均较好,其中芦苇、柏油路和裸土的生产者精度为95%,整体能较好的将背景地物分离;针对建立的建筑垃圾识别决策树,防尘布和瓦砾砂石的生产者精度为95%,白色塑料和地基渣土的生产者精度为90%,能精确的提取研究区内的建筑垃圾。研究表明决策树分类法在无人机高光谱遥感影像中实现建筑垃圾的识别与提取具有很好的分类准确度,同时也验证了无人机高光谱遥感在建筑垃圾分类提取领域的科学性和可行性,对未来建筑垃圾的分类识别工作具有一定的实际意义。     

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。     

利用高光谱数据进行地物识别分类研究

分析了传统统计分类方法在高光谱影像地物分类中的弊端,提出并详细讨论了基于端元的监督分类技术.利用端元监督分类技术对LASIS高光谱影像进行分类,同时应用IsoData非监督分类技术即自动迭代聚类对高光谱影像进行分类.分析比较了两种分类结果,表明基于端元的监督分类技术更能满足对地物识别分类的需要.     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396～1 010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。