1 长安大学理学院, 陕西 西安 710064
2 陕西师范大学计算机科学学院, 陕西 西安 710000
针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到97.24%。实验结果表明,该算法分类精度高,边界点分类效果更好。
图像处理 高光谱图像 多特征 流形学习 自编码网络 神经网络 激光与光电子学进展
2020, 57(8): 081010
针对高光谱图像数据维度高、特征非线性以及标签数据获取难度大的特点,结合堆栈稀疏自动编码网络,提出了一种基于非局部方式特征融合的二级分类算法。与传统堆栈稀疏自动编码网络相比,光谱角匹配算法将找到的与被分类像元最相似的光谱信息堆叠形成新的光谱信息,然后输入到SoftMax分类器中进行一级分类;将满足条件的像元添加到训练数据集,用于堆栈稀疏编码网络的分类训练;最后根据空间邻域信息对分类算法进行修正,使分类结果更加趋于平滑。通过与其他分类算法进行对比,发现改进后的分类算法在各类别的分类精度较高,且可以有效改善高光谱图像分类效果。
图像处理 高光谱遥感图像 图像分类 深度学习 激光与光电子学进展
2020, 57(6): 061017
1 长安大学理学院, 陕西 西安 710064
2 江西理工大学信息工程学院, 江西 赣州 341000
根据高光谱遥感图像数据维度高、空间相关性、特征非线性的特点,提出了一种基于深度学习的空-谱特征提取分类算法。首先在堆栈稀疏自动编码机中加入权重衰减项,再利用主成分分析方法对图像数据进行降维处理,然后根据主成分影像块内所有像元的第一主成分与中心像元间的差距对邻域信息进行排序、删除、重组和堆栈,最后将得到的空-谱信息输入到与SoftMax分类器相结合的堆栈稀疏自动编码机中进行分类。通过两组实验数据的对比,验证了所提分类算法可以提高高光谱图像的分类精度。
遥感 高光谱遥感图像 遥感图像分类 深度学习 空-谱特征 激光与光电子学进展
2019, 56(19): 192801
1 长安大学理学院, 陕西 西安 710064
2 西安电子科技大学电子工程学院, 陕西 西安 710071
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。
遥感 高光谱遥感图像 遥感图像分类 联合稀疏表示 谱聚类
为了提高基于联合稀疏表示的高光谱图像的分类精度, 提出一种基于邻域相似度联合稀疏表示的分类算法。与传统的联合稀疏表示算法相比, 邻域内不同地物类别的像元对待测像元P的影响权重不同, 依据邻域内的像元与像元P的相似程度, 设定相似度阈值。通过联合稀疏表示与像元P相似度高的像元来确定像元P的类别, 然后进一步利用空间信息修正分类算法, 即关联邻近像元的类别, 平滑分类结果。实验结果表明, 基于邻域相似度的联合稀疏表示的分类算法精度更高, 结果更稳定。
图像处理 高光谱图像 图像分类 联合稀疏表示 邻域相似度 激光与光电子学进展
2017, 54(12): 122803
为了去除高光谱影像的数据冗余, 提高高光谱影像处理的精度和效率, 提出了一种基于波段指数的高光谱影像波段选择算法。采用小波变换对高光谱图像数据进行去噪处理, 依据联合偏度-峰度指数将波段进行分组, 再根据波段指数的大小确定相对较小指数的波段, 并将其作为冗余波段进行去除, 从而得到最小波段集。结果表明, 利用该波段集和全波段所选的端元是一致的, 在不影响端元提取的前提下, 最大程度地去除了冗余波段, 而且该波段集与全波段的分类精度较接近。该算法在波段选择过程中具有可行性与有效性, 为降低高光谱影像维数提供了一种帮助。
图像处理 波段选择 最小波段集 联合偏度-峰度指数 波段指数 image processing band selection the set of the minimum bands joint skewness-kurtosis figure band index
端元提取是高光谱混合像元分解的重要环节。为了提取高光谱图像的端元，本文基于线性表示理论与凸锥模型理论，论证了：与单体共面的单体外向量被单体的顶点向量线性表示时，表示系数必有负值，从而给出了理想情形下判别端元的充要条件，并在此基础上，针对非理想情形提出了一种提取端元的迭代算法。实验结果表明，算法提取端元的精度优于VCA 算法、效率高于搜索算法，算法稳定性好，对噪声的敏感性低。
高光谱 凸锥模型 端元提取 单体 hyperspectral convex cone endmember extraction simplex
为了提高多光谱图像与全色图像的融合质量, 研究了多种滤波器和融合算法, 提出了基于多级引导滤波器的区域融合方法。采用该方法对多光谱图像进行插值,利用改进的分水岭算法对全色图像进行区域划分, 并将划分结果映射至每个多光谱图像, 然后将多光谱图像与全色图像利用多级引导滤波器分别进行滤波, 得到各自的细节信息, 最后根据每个区域中全色图像和多光谱图像的关系指标局部相关系数与4阶相关系数的大小, 对细节信息进行区域融合, 得到融合后的多光谱图像。结果表明, 该算法充分保留了多光谱图像的光谱信息, 并尽可能多地注入了全色图像的细节信息, 成功地提高了多光谱图像的融合效果。
图像处理 图像融合 多级引导滤波器 分水岭分割 4阶相关系数 局部相关系数 image processing image fusion multistage guide filter watershed segmentation fourth-order correlation coefficient local correlation coefficient
