1 昆明理工大学国土资源工程学院，云南 昆明 650093
2 昆明理工大学计算中心，云南 昆明 650500
针对卷积神经网络（CNN）在分类高光谱图像时空-谱特征利用率不足和分类效率低的问题，提出基于超像素分割与CNN的高光谱图像分类方法。首先利用主成分分析（PCA）提取图像的前12个成分后对前3个主成分进行滤波，对滤波后的3个波段进行超像素分割；然后将样本点映射到超像素内，使其以超像素而不是像素为基本的分类单元；最后利用CNN进行图像分割。在两个公共的数据集WHU-Hi-Longkou和WHU-Hi-HongHu上进行实验，实验结果表明，相比仅利用光谱信息的方法，融合空-谱特征信息的方法的精度得到提升，在两个数据集上的分类精度分别达99.45%和97.60%。
超像素 卷积神经网络 主成分分析 空-谱特征融合 滤波 激光与光电子学进展
2023, 60(16): 1610010
1 长安大学地质工程与测绘学院，陕西 西安 710054
2 自然资源部矿山地质灾害成灾机理与防控重点实验室，陕西 西安 710054
针对传统深度残差网络在对高光谱图像进行特征提取和分类过程中因参数量大导致的训练时间长的问题，提出一种基于深度可分离卷积的轻量化残差网络模型（DSC-Res14）。该模型首先基于一层三维卷积层对经主成分分析方法降维后的高光谱影像进行光谱特征和空间特征初提取；其次，引入3个不同尺度的三维深度可分离卷积残差层对影像的深层语义特征进行提取，减少了网络训练参数量，增强了网络对高维、多尺度空间特征信息的表达能力。经在公开的 Indian Pines 和 Pavia University 标准数据集上进行实验验证，结果表明：所提模型在两个数据集上的分类精度分别为99.46%和99.65%；对比同类模型，所提模型在保证较高分类精度的同时，参数量和计算量小，训练时间短，并具有良好的鲁棒性。
遥感 高光谱影像 深度可分离卷积 空-谱特征 轻量化 光学学报
2023, 43(12): 1228010
1 武汉大学中国南极测绘研究中心，湖北 武汉 430079
2 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079
3 武汉大学电子信息学院，湖北 武汉 430079
4 地球空间信息技术协同创新中心，湖北 武汉 430079
5 上海无线电设备研究所，上海 201109
地物精细化分类一直是遥感领域的研究热点之一，也是生物量计算、全球碳循环、能量流动等研究的重要前提。为实现复杂场景下的地物高精度识别分类，本文基于高光谱激光雷达空间-光谱一体化同步获取优势，提出了基于空谱特征优化选择的高光谱激光雷达地物分类流程，构建了多种适用于高光谱激光雷达数据的空谱特征，并通过空谱特征优化选择，确定最优空谱特征组合进而实现高精度地物分类。14类地物分类结果表明，联合多种空谱特征，可优化某些类别因空间结构复杂造成光谱获取准确度不高从而引起的错误分类现象，总体分类精度可达95.57%，平均分类精度为84.37%；基于空谱特征优化选择确定最优空谱特征组合，可有效地消除特征冗余，使得总体分类精度进一步提高1.56%，平均分类精度提高4.36%。基于高空间分辨与高光谱分辨的一体化成像探测优势，高光谱激光雷达技术在地物精细化分类领域极具研究潜力与商业价值。
遥感与传感器 激光雷达 高光谱成像 空谱特征 地物分类 光学学报
2023, 43(12): 1228008
1 辽宁工程技术大学软件学院，辽宁 葫芦岛 125105
2 湖州师范学院信息工程学院，浙江 湖州 313000
针对高光谱影像波段间相关度强、光谱和空间结构复杂性高和训练样本数量有限等问题，提出一种边缘保护滤波和深度残差网络结合的分类方法。首先采用联合双边滤波增强地物的边缘结构以提取出高质量的空间特征，将空间特征与光谱特征融合得到原始空谱特征；然后构建二维卷积神经网络，在卷积层中加入跳层连接将模型改进为一种深度残差网络模型；最后采用该模型提取影像的深层空谱特征并将其输入到Softmax分类器完成影像分类。实验在两个数据集上与相关先进方法比较，结果表明，本文方法考虑到了地物边缘结构的重要作用，缓解了卷积神经网络分类中的过拟合现象，显著提高了高光谱影像的分类精度。
成像系统 高光谱遥感影像 空谱特征 联合双边滤波 卷积神经网络 残差网络 激光与光电子学进展
2022, 59(16): 1611005
1 空军航空大学, 吉林 长春 130022
2 东北师范大学地理科学学院, 吉林 长春 130024
3 中国人民解放军95910部队, 甘肃 酒泉 735000
4 中国人民解放军95795部队, 广西 桂林 541000
针对现有基于阶梯网络(LN)的高光谱图像分类算法无法充分提取图像的空谱特征而导致分类精度降低的问题,提出一种基于改进阶梯网络的高光谱半监督分类算法。首先将三维卷积神经网络(3D-CNN)与长短时记忆(LSTM)网络结合,提出一种新的空谱特征提取(3D-CNN-LSTM)网络,使用该网络分步提取局部空间特征与光谱特征。然后使用3D-CNN-LSTM网络对阶梯网络的编码器与解码器进行改进,提出一种3D-CNN-LSTM-LN半监督分类算法,增强阶梯网络的特征提取能力。最后在Pavia University和Indian Pines两个数据集上对不同算法进行实验。实验结果表明,在小样本条件下,所提算法取得了最佳的分类效果,验证了所提算法具有优越性。
遥感 高光谱图像 半监督分类 阶梯网络 空谱特征提取 激光与光电子学进展
2021, 58(24): 2428008
1 安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心，安徽 合肥 230601
2 安徽大学 电子信息工程学院，安徽 合肥 230601
如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务。针对高光谱图像包含的丰富光谱与空间信息，提出了一种联合局部二值模式LBP（Local Binary Patterns）与K-最近邻KNN（K-Nearest Neighbors）算法的高光谱图像分类方法。首先，通过主成分分析PCA（Principle Component Analysis）对高光谱数据进行降维；然后，使用LBP提取降维后的高光谱图像空间纹理信息，将光谱与空间特征变量堆叠成空—谱特征向量；最后，输入最近邻分类器得到分类结果。选取Pavia University、Indian Pines和Salinas三种公开高光谱数据集的训练集和测试集作为建模和验证数据源，选取KNN、基于径向基核函数的支持向量机（RBF-SVM）、核联合正交匹配追踪（Kernel Simultaneous Orthogonal Matching Pursuit，KSOMP）三种经典分类算法作为比较。在Pavia University与Indian Pines数据集中随机选取10%作为训练样本，总体精度和Kappa系数分别达到99.15%、98.87%和97.88%、97.58%；在Salinas数据集中随机选取2%作为训练样本，总体精度与Kappa系数为98.46%和98.29%。实验结果表明，在训练样本仅为数据集10%甚至2%的条件下，本文提出的方法仍可达到98%以上的分类精度，可满足训练样本难以获取的应用场景对高分类精度要求。
高光谱遥感 局部二值模式 K-最近邻 空谱特征 主成分分析 hyperspectral remote sensing local binary patterns（LBP） k-nearest neighbors（KNN） spatial and textural features principle component analysis
西安电子科技大学综合业务网理论及关键技术国家重点实验室, 陕西 西安 710071
高光谱与全色影像融合旨在通过融合高空间分辨率的全色影像与低空间分辨率的高光谱影像来获得高空间分辨率的高光谱影像。基于深度卷积神经网络(CNN),提出了一种遥感影像融合方法,利用两个独立的分支网络逐级从高光谱和全色影像中提取光谱和空间特征。该融合网络由两个分支网络和一个主线网络组成,利用两个分支网络分别从高光谱与全色影像中提取空谱特征,主线网络基于分支网络提取的特征,重建得到最终融合的高空间分辨率的高光谱影像。在CAVE和Pavia Center数据集上分别进行了实验验证,通过对比可以发现,所提出的融合算法在空间细节和光谱保真度上较当前主流算法均表现出更优异的性能。
图像处理 高光谱影像 融合 卷积神经网络 空谱特征
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125100
2 中国科学院海西研究院泉州装备制造研究所, 福建 泉州 362000
传统的高光谱图像分类大多只考虑地物的光谱信息,而忽略了空间信息,现有的空谱联合分类方法难以有效提取空间邻域信息。针对上述问题,提出了一种卷积神经网络和稀疏字典联合学习的算法。现有稀疏编码方法大多仅考虑光谱信息而丢弃空间信息,而所提算法利用卷积神经网络可以有效提取数据深层特征的优势,对高光谱图像同时提取空谱特征,获取高维深层特征;然后再通过字典学习对深层特征进行稀疏编码,以获取用于分类的鉴别特征;最后采用分类器确定分类结果。在实验部分,采用所提算法与现有几种算法在三个公开数据集上进行分类,结果发现:相比于其他算法,所提算法的总体分类精度、平均分类精度和Kappa系数均有所提升。所提方法可以同时提取高光谱数据的空谱特征,具有良好的鲁棒性和判别性,有效地提高了分类的准确率,并且在样本数量小的数据集上表现良好。
遥感 高光谱图像 空谱特征 稀疏编码 卷积神经网络 激光与光电子学进展
2020, 57(18): 182802
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
火箭军工程大学作战保障学院, 陕西 西安710025
利用高光谱遥感图像对**工程进行伪装效果评估,提出了一种基于直觉模糊决策的高光谱伪装效果综合评估方法,以及包括光谱泛相似测度、亮度对比度、视觉相似性测度和结构相似性测度等在内的高光谱伪装效果综合评价指标体系;建立了面向高光谱伪装效果评估的直觉模糊多属性决策模型;采用逼近理想解的排序算法进行模型决策,并提出了基于直觉模糊集Hamming距离的灰关联测度以提高方案之间的区分度。研究结果表明,利用所提方法得到的评估结果与专家评估结果一致,验证了其合理性和可行性。
图像处理 伪装效果评估 高光谱 空谱特征 直觉模糊集 逼近理想解的排序算法 灰关联 激光与光电子学进展
2019, 56(5): 051003
