基于优选样本的KPCA高光谱图像降维方法

 降维是高光谱图像常用的预处理手段,而核主成份分析通过非线性映射能够挖掘数据的高阶统计特性,是目前较常使用的特征提取方法.本文提出了一种基于优选样本的核主成份分析高光谱图像降维方法,算法挑选参与核主成份分析运算的样本时兼顾整幅高光谱图像的统计特性,以与全图能量分布相近的最小样本集为最终选择样本.本算法由IDL7.0实现,并在实际高光谱图像Cuprite上进行实验.结果表明,在大幅缩短运算时间的同时,降维效果优于传统的核主成份分析方法.     

基于优选样本的KPCA高光谱图像降维方法

降维是高光谱图像常用的预处理手段,而核主成份分析通过非线性映射能够挖掘数据的高阶统计特性,是目前较常使用的特征提取方法.本文提出了一种基于优选样本的核主成份分析高光谱图像降维方法,算法挑选参与核主成份分析运算的样本时兼顾整幅高光谱图像的统计特性,以与全图能量分布相近的最小样本集为最终选择样本.本算法由IDL7.0实现,...     

基于线性嵌入和张量流形的高光谱特征提取

为了使降维结果更好地体现高光谱数据的空间结构信息,并进一步提高分类精度,提出了一种基于线性嵌入和张量流形的高光谱特征提取算法。不同于其他流形结构的表达方法,所提算法采用协同表示理论求解全局线性嵌入的权重矩阵,更有利于保持高维数据的全局信息,提高了流形结构表达的准确性。同时,建立了基于多特征描述的张量流形降维框架,得到的显式映射具有较强的可靠性和全局适应性。实验结果表明:与主成分分析、局部线性嵌入、拉普拉斯特征映射和线性保留投影等算法相比,所提算法表现出了更优越的分类性能。     

基于半监督稀疏多流形嵌入的高光谱影像分类

提出了一种半监督稀疏多流形嵌入方法,并应用于高光谱影像分类.该方法充分利用少量标记和大量无标记样本,采用稀疏表示方法得到样本的稀疏系数,并选取来自同一流形的点作为近邻点,然后构建相似图来表征多流形结构,得到样本在每个流形上低维鉴别特征,增加来自同一流形的数据点聚集性,进而提升分类性能.本文方法在PaviaU和Salinas两个高光谱数据集上的总体分类准确度分别达到84.91%和89.74%,相较于其他方法明显提高了地物分类性能.     

融合加权均值滤波与流形重构保持嵌入的高光谱影像分类

高光谱影像中波段数过多易导致"维数灾难",而传统高光谱影像维数约简算法仅利用光谱特征而忽略了空间信息.针对上述问题,提出一种融合加权均值滤波与流形重构保持嵌入的维数约简算法.该方法利用影像中地物分布的空间一致性特点,对所有像素进行加权均值滤波,消除同类光谱差异性较大的像素影响,并在流形重构过程中增大空间近邻点的权重,提取出更为有效的鉴别特征,实现维数约简.在PaviaU和Urban高光谱数据集上的实验结果表明:相比于其它相关方法,该方法能获得更高的分类准确度,在分别随机选取5%和1%的训练样本情况下,其总体分类准确度分别提高到98.76%和80.21%.该方法在发现内在低维流形结构的同时,有效融入了影像中的空间信息,改善了分类性能.     

非线性流行降维与近红外光谱分析技术的大米贮藏期快速判别

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线,利用直接正交信号矫正法(direct orthogonal signal correction, DOSC)对原始光谱进行预处理,滤除光谱数据中与因变量Y矩阵无关的信号,以消除无关信息对后续特征变量建模精度的影响。采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性,并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量,并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。实验用陈年米和新米的样本数均为200个,随机将训练集和测试集样本划分为300个和100个。通过比较各个模型的预测结果得出,基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好,预测相关系数(R2_P)、预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917,0.187和2.698。实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力,该研究为今后大米贮藏期的快速无损检测提供了科学的手段。     

基于矩阵R理论的光谱降维方法研究

针对传统光谱降维方法的缺点,提出一种基于矩阵珟R理论的线性光谱降维方法。该方法在Cohen定义的矩阵R理论基础上提出修正矩阵珟R,可将物体光谱反射率分解为基本光谱和同色异谱黑光谱,再分别对两者进行线性降维。基本光谱的三个基向量由颜色匹配函数与光源的乘积再进行正交化得到,其三个基向量的累积贡献率可达100%。同色异谱黑光谱的基向量由主成分分析推导,取前三个特征向量作为同色异谱黑光谱的基向量。实验结果表明,使用该方法构建的六维线性模型能在光谱和色度两个方面较好地表征原始高维光谱反射率,满足光谱颜色复制的要求。     

基于光谱匹配降维和特征融合的高光谱目标跟踪

针对现有高光谱视频目标跟踪算法在目标尺度发生变化时容易出现跟踪精度下降的问题,提出一种基于光谱匹配降维和特征融合的高光谱目标跟踪算法。首先,利用目标局部光谱和阈值来估计目标光谱,并利用目标光谱与高光谱图像进行朴素相关,实现高光谱图像降维,从而提取目标的深度特征。然后,利用局部方差判断目标区域,提取目标的3D方向梯度直方图（HOG）特征。为保留高光谱图像的光谱信息以及深度特征的语义信息,利用通道卷积融合的方法,得到更具辨别力的融合特征。最后,将融合特征送入相关滤波器,通过尺度池思想提高算法在目标尺度变化挑战下的跟踪鲁棒性。实验结果表明,所提跟踪算法在目标尺度变化挑战下具有更好的性能。     

光谱信息降维及判别模型建立用于识别湿地植物物种

研究分析了北京地区常见湿地植物的高光谱数据特征。主要采用马氏距离法和主成分分析法对光谱进行降维,并对光谱特征进行分析和提取;利用提取的光谱信息构建判别模型对湿地植物进行判别,并对模型精度进行比较评价,最后获得最佳判别模型。研究结果显示:(1)马氏距离法和主成分分析法都能对光谱进行有效降维,(2)利用从光谱中提取的特征参数建立的判别模型,得到物种识别的精度都高于90%。可见,湿地植物高光谱数据信息的变换和利用能促进对湿地植物光谱特征的认识和提取,而建立模型进行植物判别可以指导未来遥感领域的湿地制图和监测。     

高光谱数据基于流形的半监督特征选择

传统的高光谱数据特征选择方法分为监督和无监督模式,然而在高光谱数据实际处理中,大量无标记和少量有标记数据并存.此外,传统方法忽视了真实数据嵌入在高维空间中的流形结构.本文提出一种基于流形的半监督特征选择算法,定义一个合理的特征评判准则,考虑标记样本的先验信息以及高维数据局部和非局部结构的不变特性.通过对标记数据类间方差和类内方差的极大化和极小化,优化数据的判别结构;同时通过构建局部graph和非局部graph,挖掘高维数据的流形结构.然后,选择一组有效的特征子集,实现高维数据的特征选择.最后,通过对特征选择后的真实高光谱数据进行分类实验,结果显示本文方法可以很好地对高光谱数据实现降维并且保留数据的主要结构.     

半透射高光谱结合流形学习算法同时识别马铃薯内外部缺陷多项指标

针对马铃薯内外部缺陷多项指标难以同时识别的问题,提出了一种半透射高光谱成像技术采用流形学习降维算法与最小二乘支持向量机(LSSVM)相结合的方法,该方法可同时识别马铃薯内外部缺陷的多项指标。试验以315个马铃薯样本为研究对象,分别采集合格、外部缺陷(发芽和绿皮)和内部缺陷(空心)马铃薯样本的半透射高光谱图像,同时为了符合生产实际,将外部缺陷马铃薯的缺陷部位以正对、侧对和背对采集探头的随机放置方式进行高光谱图像采集。提取马铃薯样本高光谱图像的平均光谱(390~1 040 nm)进行光谱预处理,然后分别采用有监督局部线性嵌入(SLLE)、局部线性嵌入(LLE)和等距映射(Isomap)三种流形学习算法对预处理光谱进行降维,并分别建立基于纠错输出编码的最小二乘支持向量机(ECOC-LSSVM)多分类模型。通过分析和比较建模结果,确定SLLE为最优降维算法,SLLE-LSSVM为最优马铃薯内外部缺陷识别模型,该方法对测试集合格、发芽、绿皮和空心马铃薯样本的识别率分别达到96.83%,86.96%,86.96%和95%,混合识别率达到93.02%。试验结果表明：基于半透射高光谱成像技术结合SLLE-LSSVM的定性分析方法能够同时识别马铃薯内外部缺陷的多项指标,为马铃薯内外部缺陷的快速在线无损检测提供了技术参考。     

基于流形学习和空间信息的改进N-FINDR端元提取算法

光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF),像元内的多重散射和亚像元成分的异质性等因素,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取的端元精度不高。在光谱非线性混合的基础上,提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构,将原始高光谱数据非线性降维到低维空间。接着利用地物分布具有连续性的特点,通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构,并利用了空间信息,提高了端元提取的精度。模拟数据实验和真实高光谱遥感数据实验结果均表明,采用该算法得到的结果优于顶点成分分析(VCA) 算法、基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域.目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况...     

结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择

为了充分利用高光谱图像蕴含的丰富的光谱信息和空间信息,提出了结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择算法.算法利用基于l2,1范数的数学模型,选出同时保存全局相似性结构和局部流形结构的特征子集;在多个尺度的窗口中使用双边滤波,自适应计算滤波核,自动在光谱数据中融入空间信息,增强了类内相似性和类间相异性,避免了参量选择;引入层级结构实现空间信息和光谱信息的深入融合,提高了分类准确度;讨论了层级数目和窗口尺度个数对分类准确度的影响.在Indian Pines和PaviaU两个数据集的实验表明,该算法在大部分地物种类上的分类准确度都有较大幅度的提升,总体分类准确度分别达到90.98%和94.20%,相比其他方法明显提高了地物分类准确度.     

一种基于流形学习的近红外光谱分析建模方法

近红外光谱分析的重要内容之一是基于校正样品集建立光谱和化学成分或类别之间的回归模型。流形学习是一类新的机器学习方法,它能够揭示出复杂数据的本质维数,提取最重要的特征信息,并用于建立回归或分类模型。文章以近红外光谱为研究对象,针对近红外光谱数据维数高、谱带归属难以确定等特点,基于流形学习中局部线性嵌入(LLE)算法的思想,提出了一种最小二乘局部加权回归(LS-LWR)建模方法。最后,利用各种浓度葡萄糖溶液的近红外光谱,对该方法进行了验证。同时建立主成份回归(PCR)和偏最小二乘回归(PLSR)模型,通过计算预测标准偏差(SEP)与LS-LWR模型进行比较。实验结果表明,LS-LWR模型有更好的预测效果,而且具有模型简单、稳定性好和计算省时等优点。     

一种基于空间一致性降元的高光谱图像非监督分类

为了提高分类精度和边缘辨识性,该文引入图像空间一致性降元(pixels reduction with spatial coherence property, PRSCP)及线性回归分析,提出了一种基于空间一致性降元的非监督分类。该方法从像元光谱相似性出发,利用像元最小关联窗口合并相邻相似像元为像块完成降元。使用线性关系建模像块内像元的光谱向量,并利用F检验判断像块数据的线性显著性。利用一元线性回归(one dimensional linear regression, ODLR)估计出像块的基准向量,根据基准向量合并相似(同类)像块完成分类。利用AVIRIS数据评估了该方法性能,实验结果表明：与K-MEANS和ISODATA方法相比,该方法精度高、边缘辨识度好及鲁棒性强。     

一种基于无人机高光谱影像的土壤墒情检测新方法

土壤含水量(SMC)是生物地球化学和大气耦合过程的关键变量,在干旱区农业、生态和环境中扮演着重要角色。相较于星载遥感系统,无人机(UAV)具有可控性强、分辨率高等特点从而被广泛应用,为中小尺度地表参量的快速监测提供新的遥感平台。机载高光谱传感器的引入,为UAV遥感系统提供了高维海量、纳米级的数据源。然而基于UAV高光谱数据的研究并未深度挖掘,也尚未形成一个标准的技术方案。该研究立足于新疆维吾尔自治区典型农业区,利用6种预处理方案,包括一阶导数(FDR),二阶导数(SDR),连续体去除(CR)、吸光度(A)、吸光度一阶(FDA)和吸光度二阶(SDA),对所获取的UAV高光谱数据进行处理。在此背景下构建4种类型的适宜光谱指数:差值型指数(DI),比值型指数(RI),归一化型指数(NDI)和垂直型指数(PI),并从光谱机理上讨论指数的合理性。最后利用梯度提升回归树(GBRT)、随机森林(RF)和eXtreme Gradient Boosting(XGBoost)算法,以28个最适光谱指数为独立变量建立SMC估算模型,并通过不同集成学习算法的重要性对变量进行排序,从线性和非线性的角度对所构建光谱指数的效果进行考量评价。结果表明:(1)预处理和最适光谱指数能有效地消除了大气干扰和土壤背景,其中预处理A突出更多的光谱信息,PI相关性显著;(2)通过分析比较相关性系数(r)和集成学习算法的重要性,发现A_PI(|r|=0.773)是最适光谱指数,在线性和非线性关系中均有较优的表现;(3)在3种基于集成学习的SMC预测模型中,XGBoost估算模型效果拔群(R 2 val=0.926,RMSEP=1.943和RPD=2.556),其预测值的统计学特征与实测值的最为接近。3种模型效果排序为:XGBoost>RF>GBRT。综上所述,基于UAV高光谱影像,结合不同预处理和光谱指数,为低空遥感监测土壤墒情提出新的方案。该研究的方案具有潜在的高精度,是检测干旱区SMC的有效方法,针对快速易行地监测地表属性提供了崭新视角。相关结果为干旱区精准农业、生态系统给予更好的管理和保护策略。