基于空间和光谱内容的高光谱图像压缩

为提高高光谱图像的压缩性能,提出一种同时利用高光谱图像的光谱信息和空间信息的深度卷积神经网络压缩方法．主要通过主成分分析对高光谱图像进行光谱维降维预处理,在保持图像空间结构特性的同时,去除光谱冗余性．在此基础上,在编码端利用重要性图网络对压缩编码进行内容自适应码率分配,避免低码率下强边缘或小纹理处码率分配不足,从而提高图像压缩重建质量．在高光谱数据上的实验结果表明：该方法在低码率(0.184 4)下依然能达到较好的压缩性能,峰值信噪比为27.209 9,结构相似度为0.922 4.     

基于多特征图像集成的高光谱图像分类方法

对于多波段、高维度的高光谱图像,不同的地物有着不同的特征表示,单独的一种特征可能无法全面覆盖所有的地物信息。因此,希望获得多特征以尽可能的覆盖所有地物信息,以期有效地选择和利用多种类型的特征。本研究提出了一种基于多特征图像的集成学习方法(MFI-EL)用于高光谱图像分类。首先,不同的特征提取方法获得反映不同地物信息的特征图像。其次,每一种特征图像采用支持向量机分类,选择其中最优的作为基本核之一。最后,利用自适应增强方式不断进行学习,获得多个最优的基本核,根据每个核的重要性将其集成为最终的分类结果。采用三幅真实的高光谱图像进行实验,实验结果表明,提出的方法优于其他的集成方法。     

基于视觉显著性波段选择的高光谱分类

波段选择是一种能够减少高光谱图像数据量的同时不改变其物理信息的处理方式,然而,大部分波段选择方法都以选择信息量最大的波段子集为思路,而信息量最大的波段子集却并不一定在后续的分类中有着最佳表现.为达到更好的高光谱分类效果,引入视觉显著性方法,定义基于显著图的波段评价指标,以充分利用各波段图像的空间信息,结合固有的光谱信息...     

基于3-D Gabor纹理特征和GBDT分类器的高光谱分类方法

为了有效提取高光谱图像的空间和光谱维特征,获得准确率和分类效率俱佳的方法,利用52个不同方向和频率的3-D Gabor滤波器提取图像的纹理特征,结合梯度优化决策树分类器(GBDT)完成高光谱图像分类.结果表明3-D Gabor+GBDT方法的分类准确率高于CNN算法、Gabor以及EMAP为纹理特征的方法,且高于CNN和以SVM为分类器的方法.虽然3-D Gabor+GBDT建模训练时间长,但是该方法在保持高准确率的前提下,分类效率依然较高,适合大规模高光谱图像的在线分类场景.     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

基于模糊空谱特征的高光谱图像分类

难以兼得高空间分辨率和光谱分辨率的高光谱遥感数据常存在“同物异谱”和“同谱异物”现象,这种光谱异质问题给分类过程带来了一定的不确定性,且现有深度分类网络存在空间信息利用不足和拟合退化问题.提出一种联合空间和模糊光谱特征的双分支高光谱遥感图像分类方法,通过在光谱分支中设计非对称卷积模糊模块增强卷积层的光谱表征能力,解决分类数据中的光谱异质问题,进而对地物特征进行精确的分类描述.采用门控循环单元模型分组获取相邻光谱序列信息,缓解因网络深度增加带来的拟合退化问题,在空间分支中利用波段间的相关性引入卷积长短时记忆模块,充分捕捉空间上下文信息.在三个公开的高光谱数据集上的实验结果表明,双分支结构的模糊分类网络能充分利用光谱和空间包含的细粒度信息,更具判别力的空谱特征有效地克服了光谱异质问题,比流行的深度学习方法取得了更好的分类结果 .     

基于改进训练策略的高光谱图像分类

将卷积神经网络应用在高光谱图像分类中,提出了一种基于训练集损失的训练策略.这种策略选取固定训练周期后半段训练集损失最小时的权重作为最终使用的权重,模型在固定周期下训练完毕,输出的模型为训练集损失最小时的模型.为了评估提出训练策略的有效性,在Indian Pines、Pavia University、Salina Val...     

基于卷积神经网络的高光谱图像谱-空联合分类

随着深度学习的发展,卷积神经网络在各种视觉任务中都具有优越的性能;特别是在二维图像分类上,更是获得了很高的分类精度。针对于高光谱图像分类问题,设计了一种新的卷积运算;利用高光谱图像谱-空联合信息建立三维卷积神经网络对其进行分类;并针对高光谱图像样本不均匀性,在网络输出不同类别加入不同的权重加以训练。通过对两个公开高光谱图像数据集的测试,相对于传统方法,能够得到更高的分类精度,表明卷积神经网络对高光谱图像具有更强的特征表达能力。     

基于光谱特征的沉水植物种类识别研究

沉水植物种类的光谱特征识别可为大尺度遥感监测沉水植被提供种类识别的有效参数.本研究利用高光谱地物光谱仪获取上海市郊最大的天然淡水湖泊淀山湖6种典型沉水植物狐尾藻、竹叶眼子菜、金鱼藻、大茨藻、黑藻和苦草群落冠层的反射光谱,分析不同种类沉水植物的原始光谱和一阶导数光谱特征,通过主成分分析(Principal Components Analysis,PCA)筛选对沉水植物光谱种间差异敏感的植被指数和光谱指数,探寻能够有效识别不同种类水生植物的光谱识别方法.研究结果表明:①不同种类沉水植物的光谱曲线形状在可见光和近红外波段近似,但光谱反射率值差异较大;②光谱指数NAV、REP和NGP是识别6种沉水植物最敏感的特征指数,这些指数综合体现和放大了不同种类沉水植物在形态结构、叶绿素含量、光合和保护色素等方面的特征及所栖居的水体环境特征的种间差异.研究结果可为高光谱遥感影像准确解译与提取沉水植物群落组成、分布和生物多样性的动态变化信息提供理论依据和技术支持.     

高光谱图像预处理方法研究及进展

高光谱图像预处理方法在高光谱图像处理中具有重要意义,有效的预处理方法可以尽可能地减少甚至消除无关信息(如样品背景、电噪音和杂散光等)对高光谱图像的影响,为后续基于高光谱图像的数据分析提供更为可靠的数据来源.基于高光谱图像谱图合一的数据结构特点,该文综述了直方图均衡化,中值滤波,边缘检测等图像预处理方法以及平滑,导数,标准归一化,多元散射校正等光谱预处理方法,并给出了这些方法的应用实例.该文还详细介绍了傅立叶变换和小波变换这两种基于数据压缩和信息提取的光谱预处理方法.这些新方法的研究为后续的数据分析奠定了良好的基础.     

融合植被指数的3 D-2D-CNN高光谱图像植被分类方法

对于基于高光谱图像的植被分类,利用三维卷积神经网络和空谱结合可以取得良好的效果。但存在计算代价大、参数过多容易过拟合等问题。基于此,设计了一种三维卷积与二维卷积相结合的深度网络,通过数据分块的思想减小了计算量;并提出了一种融合植被指数的特征提取方法,改善了现阶段因高光谱图像样本数量少、光谱层间信息相关度高,造成的容易过拟合的问题。在植物园数据集、IP数据集和PU数据集上的实验结果表明该算法以较低的计算复杂度取得了出色的分类效果,具有较好的应用价值。     

基于随机矩阵的高光谱影像非负稀疏表达分类

考虑到常规的高光谱影像稀疏表达分类模型的不足,提出随机矩阵-非负稀疏表达分类模型来提高高光谱影像的分类精度.通过引入随机矩阵来改善传统稀疏表达分类模型中测量矩阵以更好满足限制等距特性条件,同时限定系数向量的非负性以提高重构系数的可解释性.基于两个不同的高光谱数据集,对随机矩阵-非负稀疏表达分类模型采用三种方法进行系数重构,并对比常规稀疏表达分类模型的分类结果.实验证明,所提的模型能够明显提高常规稀疏表达分类模型的分类结果.同时,随机矩阵的投影维数对分类精度的影响研究实验表明,较大的投影维数能够保证该模型用以提高高光谱影像的分类精度.     

结合Gabor滤波和同质性判定的高光谱图像分类

针对传统高光谱图像分类算法多利用目标类别光谱信息而忽略空间信息的问题,提出了一种综合利用空间信息与光谱信息的分类算法．首先,利用主成分分析（PCA）和无参数加权特征提取（NWFE）分别对高光谱数据进行特征提取;然后,在PCA第一主成分的基础上进行二维Gabor滤波得到像元纹理特征,结合纹理信息与光谱信息利用支持向量机对图像分类;最后利用多尺度区域同质性判定进一步改进图像分类精度．实验表明,该算法能够消除“噪声”像元,有效地提高图像分类精度．     

基于集合论的光谱相似性度量及在影像检索中的应用

将高光谱遥感中光谱向量相似性度量转换为相应的集合相似性度量,提出了两种适用于光谱的相似性度量方法,即基于光谱多边形面积和基于特征波段位置匹配度量.实验结果表明,基于光谱多边形的方法能够更有效地综合应用反射率和波长二维信息,有效度量光谱向量相似性.     

基于合成核支持向量机的高光谱土地覆盖分类

提出一种基于合成核支持向量机的高光谱数据分类方法。该方法首先对高光谱数据进行分组, 对得到的不同数据组分别运用支持向量机方法进行分类参数的优化, 然后组合不同的核函数来综合不同的数据组, 得到最终的分类结果。利用华盛顿地区 HYDICE 高光谱数据对所提出的方法进行评价和验证, 结果表明, 基于合成核支持向量机的高光谱图像分类, 可获得比传统支持向量机更高的分类精度。     

遗传关联向量机高光谱影像分类

基于高光谱影像临近波段相关性高, 直接在高维空间分类并非最优,并且使用交叉验证进行分类器参数寻优过程繁琐,提出了遗传关联向量机（GA RVM）高光谱影像分类算法,使用遗传算法搜索面向关联向量机（RVM）的最优参数和特征子空间, 消除冗余信息, 简化参数优化过程.实验环节验证了GA RVM算法的有效性,剔除约50%冗余波段后,总体分类精度提高3%, 对难分地物改进尤为明显, 其中混分最严重的2种大豆精度提高了8%.     

基于SPOT影像的城市建筑物的识别应用

在SPOT高分辨率影像预处理的基础上,采用HIS变换法对2.5m分辨率全色影像和10m分辨率多光谱影像进行了融合处理,通过建筑物阴影提取了建筑物高程;采用正交小波变换方法提取了图像的纹理信息,将光谱信息、高程信息与纹理信息组合起来,对东莞市的高、中、低层建筑物进行了识别.结果表明,此方法对提取城市建筑物识别的精度较高.     

植被高光谱遥感分类方法研究

结合具体的OMISI高光谱遥感数据,对各种常用植被高光谱遥感分类方法进行分类训练,通过比较分类性能,得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上,提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。     

基于潜在低秩图判别分析的高光谱分类

提出一种基于潜在低秩图判别分析（LatLGDA）算法,利用数据的自表示对数据的列表示系数矩阵和行表示系数矩阵同时施加低秩约束,得到保留数据结构的亲和矩阵,再与图嵌入模型相结合实现高光谱图像的流形降维并进行分类。与其他基于稀疏图或稀疏低秩图的高光谱特征提取算法相比,LatLGDA可利用数据的行信息弥补列信息的不足或缺失,对噪音的抗干扰能力更强;在真实数据集上的实验结果表明,LatLGDA算法具有较高的分类精度和运算效率,应用前景广阔。