基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。     

基于谱聚类和稀疏表示的高光谱图像分类算法EI北大核心CSCD

为了增强高光谱遥感图像的分类效果,提出基于谱聚类和稀疏表示的两级分类算法。利用谱聚类将待分类的像元及其邻域内所有的像元分成两类,利用联合稀疏表示模型确定按规则选取的其中一类的具体类别,并以该类别作为像元的类。该算法充分利用高光谱图像的光谱及空间信息,两级分类过程均考虑了噪声及区域边界对分类效果的影响。进一步利用空间信息对分类算法进行修正,即关联邻近像元的类别,平滑分类结果。数值实验表明,该算法的分类精度高、稳定性好、抗噪性强。     

基于空谱字典的加权联合稀疏表示高光谱图像分类

稀疏表示广泛用于高光谱图像分类任务中。针对字典原子空间信息和光谱信息未得到充分利用的问题,提出了基于空谱字典的加权联合稀疏表示高光谱图像分类算法。计算测试像元与字典原子的空谱联合距离,选择相似度最高的K个字典原子,并将被选择字典原子的超像素邻域扩充到新的字典中,形成空谱字典。在联合稀疏模型中,对测试像元的超像素邻域像元使用不同的权重,在空谱字典上构建加权稀疏表示模型。基于所选的两个高光谱数据集的实验证明所提算法能够有效地提高分类精度。     

基于稀疏表示模型和自回归模型的高光谱分类

针对高光谱分类中对光谱信息和空间信息利用不足的问题,提出了一种基于稀疏表示模型和自回归模型相结合的分类算法。该算法利用稀疏表示模型和自回归模型,设计联合字典:在光谱维上,利用稀疏表示模型将高光谱的每个光谱向量表示为字典中训练样本的稀疏线性组合;在空间维上,利用自回归模型对每个光谱向量的8邻域进行约束。针对不同样本分别构造一个字典,在减少计算量的同时减小重构误差,最后在最小重构误差和邻域相关性的约束下求解稀疏表示问题,以最小重构误差为准则实现高光谱数据的分类。仿真结果表明,该方法能够有效地提高高光谱数据的分类精度。     

融合自适应稀疏表示和相关系数的高光谱伪装分类方法

目前比较成熟的高光谱成像手段有卫星遥感和航空成像技术,这两种成像方式侦察时间大致相同,入射光方向基本一致,因而地物的光谱曲线比较固定;在陆基条件下,地物的光谱曲线受成像环境的影响凸显,因此应该对适用于陆基条件下的高光谱图像分类方法进行研究。在陆基高光谱图像中,对每个地物进行类型以及种类的判别有利于后续对目标的识别和处理,不同于传统遥感图像分类,陆基条件下的高光谱图像目标分类训练样本不仅较难获得,并且在陆基条件下的高光谱图像中,训练样本之间的相关性随着目标类型、探测器参数以及成像环境等因素时刻发生变化。基于稀疏性表示的分类方法已经被广泛应用于处理图像问题以及各种机器视觉问题。对于陆基高光谱图像来说,基于固定范数约束的稀疏编码策略无法适应陆基条件下高光谱成像多变的环境,而自适应稀疏表示可以根据样本相关性自适应的调节范数约束,相关系数可以提高图像中的破坏因素（阴影、噪声点等）的识别精度。通过引入正则化参数,融合了自适应稀疏表示和相关系数,提出了一种新的高光谱图像分类方法。为了验证所提方法的有效性,分别在绿色植被背景和荒漠背景中设置伪装物,通过不同的分类方法对图像进行分类,实验结果表明,不管是分类精度还是分类一致性,该方法都有明显的优势,可以应用于陆基条件下的高光谱图像分类,为目标分类提供了理论基础。     

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。     

基于局部Gabor二进制模式的高光谱伪装目标图像分类

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。     

基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。随着高光谱遥感影像的空间分辨率的增加,高光谱影像中相同类别的地物在空间分布上呈现聚类特性,将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。但是,高光谱影像的高分辨率提供空间聚类特性的同时,在不同地物边缘处表现出的差异性更加明显,若不对空间邻域像素进行甄选,直接将邻域光谱信息引入,设计空谱联合稀疏表示进行图像分割,则分类误差较大,收敛速度大大降低。将光谱角引入空谱联合稀疏表示图像分类理论中,提出了一种基于邻域分割的空谱联合稀疏表示分类算法。该算法利用光谱角计算相邻像素的空间相似度,剥离相似度较低的邻域像素,将相似度高的邻域像素定义为同类地物,引入空谱联合稀疏表示模型中,采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解,以最小重构误差为准则进行分类。选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真,从中可以看出,随着光谱角分割阈值的提高,复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高,表明邻域分割在空谱联合稀疏表示分类中的必要性。     

基于改进MCA的干涉高光谱图像分解

干涉高光谱图像特殊的成像原理,使其帧内存在着大幅值且位置固定的干涉条纹,而帧间存在着水平移位的背景图像,这种特点会严重的破坏原始图像的固有结构,从而导致新兴的压缩感知理论与传统压缩算法的直接应用无法得到理想的效果。由于干涉条纹信息与背景图像信息的特征不同,能够对干涉条纹与背景图像进行稀疏表示的正交基也是不同的。基于这种思想,使用MCA(morphological component analysis)算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。由于干涉高光谱图像数据量庞大,传统的MCA算法对干涉高光谱数据的图像分解,迭代收敛速度慢,运算效率较低,故而针对干涉高光谱数据特点对传统MCA算法进行改进,改变其迭代收敛条件,当分离后的图像信号与原始图像信号的误差已经基本保持不变时,即终止迭代;并根据对应正交基能且仅能稀疏表示对应信号的思想,对阈值采用自适应的方式进行更新,在新的阈值更新模式中,图像信号在不同正交基下的映射系数被计算与比较。大量实验结果表明,对于LASIS数据与LAMIS数据,MCA算法都能够较完美的将干涉高光谱图像分解,改进的MCA算法更能在保持完美分解输出结果的同时,相对于传统MCA方法显著的减小迭代次数,更快的达到迭代收敛条件,从而有效的提高了算法的运算效率与实时性需求,也为新兴的压缩感知理论在干涉高光谱图像中的进一步应用提供了一种很好的解决方案。     

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.     

基于超分辨率和组稀疏表示的多聚焦图像融合

提出一种基于超分辨率结合组稀疏表示模型的多聚焦图像融合方法.首先,使用双三次插值方法增强源图像的分辨率及源多聚焦图像信息;然后采用自适应稀疏表示学习字典分别对没有明显主导方向和特定主导方向的图像块进行学习,并采用组稀疏表示模型对源多聚焦图像进行稀疏系数表示;最后采用最大l1范数来选择最终的表示系数向量.实验结果表明,所提方法克服了多聚焦图像融合易出现的低空间分辨率和模糊效果的缺点,具有更好的对比度和清晰度,主观视觉效果和客观指标均优于传统多聚焦图像融合方法,在三组图像融合结果的互信息指标上分别领先0.37、0.38和0.32.     

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.     

高光谱图像自适应核联合表示异常检测

针对高光谱图像目标检测问题,提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性,基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献,并且系数求解更加简单直接;在基于向量2-范数极小化问题求解联合表示系数时,引入相似性正则化矩阵与和为1的条件对系数进行约束,以增强算法的稳定性和分辨力;进而将联合表示检测算法扩展到核空间,利用高光谱图像的局部统计特性进行核参数自适应选取,增强了核参数的局部适应性。为验证该方法的有效性,采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验,并与传统异常检测方法的检测结果进行对比分析,结果表明该方法具有较传统异常检测方法更出色的检测效果。     

高光谱图像自适应核联合表示异常检测

针对高光谱图像目标检测问题,提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性,基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献,并且系数求解更加简单直接;在基于向量2-范数极小化问题求解联合表示系数时,引入相似性正则化矩阵与和为1的条件对系数进行约束,以增强算法的稳定性和分辨力;进而将联合表示检测算法扩展到核空间,利用高光谱图像的局部统计特性进行核参数自适应选取,增强了核参数的局部适应性。为验证该方法的有效性,采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验,并与传统异常检测方法的检测结果进行对比分析,结果表明该方法具有较传统异常检测方法更出色的检测效果。     

基于分层引导滤波与最近邻正则化子空间的高光谱图像分类

针对高光谱图像中同质异谱现象造成的分类精度较低以及边缘像元在联合空间光谱信息分类时特征易混淆的问题,提出了基于分层引导滤波与最近邻正则化子空间的分类方法.利用主成分分析获得高光谱图像的第一主成分.以第一主成分为引导图像对高光谱图像执行分层引导滤波操作,引导滤波的边缘保护特性,有效阻隔了边缘处类间光谱信息的混淆,并减小了局部区域类内光谱的差异,最后将预处理后的高光谱图像送至最近邻正则化子空间分类器进行分类识别.在Indian Pines,Salinas以及GRSS_DFC_2013高光谱数据集上与现有的方法进行对比实验.结果表明,本文提出的方法在三个数据集上分别取得了98.63%,99.13%与99.42%的总体分类准确率,有着更优的分类精度与可视化效果.     

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。     

基于局部高斯混合特征提取的高光谱图像分类

为了进一步提高高光谱图像的分类精度,提出一种基于局部高斯混合特征提取的分类(LGMFEC)方法.LGMFEC方法首先基于高光谱图像的空间结构为每个样本构建局部邻域集合,然后从局部邻域集合中提取高斯混合特征来充分表征空间-光谱信息及相关变化信息,最后将局部高斯混合特征融入包含黎曼核函数的支持向量机(SVM)分类器中,从而...     

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。     

基于DTCWT和稀疏表示的红外偏振与光强图像融合

针对红外偏振与光强图像彼此包含共同信息和特有信息的特点,提出了一种基于双树复小波变换和稀疏表示的图像融合方法.首先,利用双树复小波变换获取源图像的高频和低频成分,并用绝对值最大值法获得融合的高频成分;然后,用低频成分组成联合矩阵,并使用K-奇异值分解法训练该矩阵的冗余字典,根据该字典求出各个低频成分的稀疏系数,通过稀疏系数中非零值的位置信息判断共有信息和特有信息,并分别使用相应的规则进行融合;最后,将融合的高低频系数经过双树复小波反变换得到融合图像.实验结果表明,本文提出的融合算法不仅能较好地凸显源图像的共有信息,而且能很好地保留它们的特有信息,同时,融合图像具有较高的对比度和细节信息.