重庆大学光电技术及系统教育部重点实验室, 重庆 400044
针对传统高光谱影像特征提取算法大多仅考虑光谱信息或提取空间信息不够精细的问题,提出了一种监督空间正则化流形鉴别分析(SSRMDA)算法,以提高遥感地物的分类性能。该算法首先利用样本数据的标签信息构建谱域类内图和类间图,以揭示高光谱数据潜在的非线性流形结构;然后构建空域类内图,并将空间信息以正则化方式与光谱信息融合,实现谱-空信息的有效融合,并可在低维空间内使类内数据更加聚集,增强嵌入数据的可分性。在Indian Pines和Washington DC Mall数据集上的实验表明,所提算法的总体分类精度分别为91.58%和96.67%,说明所提算法有效提升了地物分类能力,尤其在小样本下的优势更为明显,更有利于实际应用。
遥感 高光谱影像分类 特征提取 图嵌入 流形学习 空间正则化
重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
鉴于传统维数约减方法对高光谱遥感影像进行降维时, 往往只利用了单一的光谱特征, 限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法, 该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征, 然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构, 在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性, 而且使同类点尽可能紧致、不同类点远离, 实现空-谱联合低维鉴别特征提取, 以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明, 本文算法的分类精度在不同实验条件下均优于传统的维数约减方法, 其分类精度可达95.05%和96.20%, 在较少训练样本条件下优势更为明显, 有利于实际应用。
高光谱遥感 维数约减 纹理特征 多特征学习 流形学习 hyperspectral remote sensing dimensionality reduction texture feature multiple features learning manifold learning
重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
鉴于传统高光谱影像分类大都采用监督学习方法, 且仅利用了光谱信息, 未考虑影像空间特征和流形结构。提出一种基于空-谱协同流形重构误差的高光谱影像分类方法, 该算法基于高光谱影像中地物分布的空间一致性, 利用少量标记的样本和大量的无标记空间近邻样本来进行半监督学习, 并利用测试样本在每一子流形上的重构误差来表征相似性, 实现鉴别分类。在Indian Pines和University of Pavia数据集上的实验结果表明, 本文方法的分类精度在各种条件下要优于其他分类算法, 其最高总体精度分别达到了95.67%和91.92%。该算法将高光谱遥感影像中的空间-光谱信息融入不同地物的子流形结构表征, 在训练样本数量较少时仍能得到好的分类效果, 有效提升了分类性能。
高光谱遥感 图像分类 空-谱特征 流形学习 重构误差 hyperspectral remote sensing image classification spatial-spectral feature manifold learning reconstruction error
重庆大学 光电工程学院 光电技术与系统教育部重点实验室, 重庆 400044
传统的稀疏表示分类方法仅利用图像数据的稀疏特性分类, 未利用高光谱图像的邻域信息, 为此提出了一种联合稀疏特性和邻域相似度量的分类方法.该方法首先利用稀疏表示揭示出数据的稀疏特性, 然后计算在各类样本中的稀疏相似性, 并结合邻域特性, 构建数据在各类样本中的稀疏-邻域联合相似关系, 最后根据联合相似性大小判断数据类别.在利用数据的稀疏特性的同时结合像元的邻域信息, 增强各种地物类别间的区分性, 提升分类效果.在Indian Pines和PaviaU高光谱数据集上的实验表明：本文算法的分类精度高于其他方法, 总体分类精度分别达到了81.69%和86.59%, 能得到具有更多同质区域的分类结果图, 拥有更好的总体分类精度、平均分类精度和Kappa系数.
高光谱图像 相似度量 稀疏表示 联合相似性 邻域信息 Hyperspectral Image Similarity Metrics Sparse Representation Federated Similarity Neighborhood Information
重庆大学光电技术及系统教育部重点实验室， 重庆 400044
针对荧光微球图像分割存在粘连及有限标记样本分类困难等问题，提出了一种基于改进分水岭及半监督最小误差重构分类器(SSMREC)的荧光微球图像分割及分类方法。采用改进分水岭方法对荧光微球图像进行分割，有效分离粘连，得到独立的荧光微球对象；对微球对象的色调(H)、饱和度(S)、明度(V)即HSV颜色空间进行非均匀量化，去除冗余信息，提取鉴别特征；采用半监督误差重构分类器实现荧光微球分类。将本文方法与线性鉴别分析分类器(LDA)、随机森林分类(RFC)、稀疏表示分类器(SRC)、K近邻分类器(KNN)、支持向量机(SVM)分类方法进行比较。实验结果显示，针对每类样本随机选取2，4，6，8个有类别标记的样本时，本文方法的总体分类精度比其他算法高3.5%～14.3%，该算法在类别标记样本量较少的情况下，能够有效提高分类精度。
生物光学 半监督分类 误差重构 分水岭 特征提取 荧光微球
重庆大学光电技术及系统教育部重点实验室, 重庆 400044
由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05%和94.16%; 在5%样本比例下, 地物总体分类精度达到了97.38%和97. 50%。结果表明: 由于SSDL特征提取算法融合了数据中深层非线性特征和空间信息, 能够提取出更具鉴别特性的特征, 较其他同类算法能够获取更高分类精度。
图像处理 高光谱图像分类 特征提取 深度学习 空间信息 激光与光电子学进展
2017, 54(10): 101001
