空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系,忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法(SSRSHE)。该算法首先利用稀疏表示揭示像元之间的相关性,自适应选择近邻,并构建稀疏本征超图和惩罚超图,以有效表征像元间的复杂多元关系,并进行正则化处理。然后利用遥感图像空间一致性原则,计算局部空间邻域散度来保持样本局部邻域结构,并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中,尽可能使类内数据聚集、类间数据远离,提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明,本文算法总体分类精度分别达到86.7%和 92.2%。相比传统光谱维数约简算法,该算法可有效改善高光谱图像地物分类性能。

面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络

深度学习已经在高光谱血细胞图像分类中获得广泛应用。然而,传统深度学习模型需要大量标记数据作为样本,忽略了高光谱图像“图谱合一”的性质,不能充分挖掘高光谱图像内蕴信息,且存在参数多、复杂度高问题。针对上述问题,提出了空-谱可分离卷积神经网络(S3CNN),在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能。根据高光谱血细胞图像分布的空间一致性,S3CNN模型首先通过空-谱联合距离(SSCD)得到训练集中各像素点的空-谱近邻,并对这些近邻点赋予与相应中心像素点相同的标签,进行样本扩充,然后在网络模型中采用一组深度卷积和点卷积代替经典卷积,优化了模型复杂度,实现血细胞分类。在Bloodcells1-3和Bloodcells2-2两个不同场景下的高光谱血细胞数据集上的实验结果显示,本文所提算法的总体分类精度分别达到87.32%、89.02%。与其他传统血细胞分类算法相比,本文算法能有效提升高光谱血细胞图像的分类性能。在训练时间上,所采用的可分离卷积模型比经典卷积模型减少27%。实验结果表明,所提网络框架不仅能有效提升高光谱血细胞分类性能,且可减少模型训练时间。

BYOL框架下的自监督高光谱图像分类

高光谱图像可以获取波段连续的图谱合一的立体数据,其具有丰富的图谱信息,能区分不同物质的类别,被广泛应用于各种遥感勘测领域。但在实际中高光谱图像的标注需要耗费大量的人力、财力和时间,可用的标注样本数量较少,难以通过训练来获得准确的分类结果,所以针对于只有少量标记样本的高光谱图像分类是一个挑战。近年来,自监督学习(Self-supervised Learning,SSL)已成为一种有效的方法,可以减少高光谱图像分类对昂贵的数据标注的依赖。SSL方法通过学习在同一图像的不同视图之间产生的潜在特征,在自然图像分类中取得了较高的分类精度。为了探索SSL方法在高光谱图像分类中的潜力,一种Bootstrap Your Own Latent(BYOL)框架下的自监督高光谱图像分类方法(BSSL)被提出。该方法通过引用自监督的图像特征学习框架BYOL,可以不需要负样本对,利用空间光谱相似的同类样本对进行网络训练及参数微调,提取到更具判别性特征。具体来说,该方法主要包括四个部分:BYOL的预训练、超像素聚类、基于“相似对”的BYOL的再训练和最终分类。为了验证该方法的有效性,在三个公开数据集上进行测试,并与五种先进的无监督、自监督分类方法SuperPCA、S3PCA、ContrastNet、SSCL和N2SSL进行对比,在Indian Pines和Salinas数据集上,BSSL方法的总体分类精度(OA)、平均分类精度(AA)、Kappa系数、召回率(recall)和f1分数(f1-score)都取得了更优值。其中在Indian Pines数据集上,OA分别比SuperPCA,S3PCA,ContrastNet,SSCL和N2SSL提高了1.32%,1.05%,5.68%,3.12%和1.27%。而在University of Pavia数据集上,BSSL方法表现没有那么出色,但在综合分类性能上也表现最优。这表明BSSL方法更适用于地物区域面积较大且分布较集中的场景,因为这对于超像素聚类来说更友好。

结合并行CNN与极限学习机的高光谱图像分类

针对传统方法不能充分利用高光谱图像的空间和光谱信息,无法进一步提升高光谱图像分类精度的问题,提出了一种结合卷积神经网络的并行异构极限学习机(spatial-spectral convolutional neural network and parallel extreme learning machine,SSCNN-PELM)分类模型。卷积神经网络(convolutional neural network,CNN)由并行的二维卷积(two-dimensional convolution,2D-CNN)和一维卷积(one-dimensional convolution,1D-CNN)构成,其中2D-CNN提取空间信息和部分光谱信息,1D-CNN补偿损失的光谱信息;并行异构极限学习机(parallel extreme learning machine,PELM)将输入层数据并行映射到隐藏层,同时求解出并行隐藏层的连接权重,进而实现特征融合及分类任务。实验结果表明,SSCNN-PELM模型在Indian pines、Pavia university数据集上总体分类精度分别为99.07%、99.51%,对比了支持向量机(support vector machine,SVM)、CNN等分类方法,SSCNN-PELM模型在提高分类精度的同时兼顾了分类速度。

基于K近邻字典的协同表示高光谱图像分类方法

近年来基于协同表示的分类方法在高光谱图像分类领域取得很大的成功.但在重建测试样本时,由于用全部训练样本充当字典,导致一些差别较大的样本参与表示,不仅影响分类的精确度,还浪费分类时间.在实施空-谱联合后,用K近邻对重构字典做出二次选择,并参照最近正则子空间的做法提出基于K近邻字典的协同表示分类器.通过在两个基准HSI数据集上的实验证明,所提分类器既提高了分类精度,还节省了分类时间,特别对小样本类别的分类效果改善更明显.

基于挥发性风味物质的花椒产地溯源技术研究

采用静态顶空(Headspace,HS)联合气相色谱-质谱联用技术(Gas Chromatography-Mass Spectrometry,GC-MS)对陕西、山东、四川、甘肃4个省份共45个产地花椒的挥发性风味物质进行检测。利用自动质谱退卷积定性系统(AMDIS)结合Kováts保留指数(RI)分析,共得到99种挥发性风味物质。产自陕西、甘肃、山东和四川省的花椒分别鉴定出79、69、68和63种挥发性组分。建立多种数学模型进行产地鉴别,其中正交偏最小二乘法(Orthogonal partial least squares,OPLS-DA)模型能准确区分4个省份的花椒样品,模型拟合参数Q2为0.84,6种关键性差异物质(VIP>2)分别是胡椒酮、蒎烯、萜品烯、3-蒈烯、罗勒烯和α-水芹烯。进一步应用GC-MS全谱数据结合随机森林(Random Forest,RF)模型进行产地鉴别,可以成功区分产自陕西、甘肃、山东和四川省的花椒,准确率为100%。

应用级联多分类器的高光谱图像分类

目的高光谱分类任务中,由于波段数量较多,图像中存在包含噪声以及各类地物样本分布不均匀等问题,导致分类精度与训练效率不能平衡,在小样本上分类精度低。因此,提出一种基于级联多分类器的高光谱图像分类方法。方法首先采用主成分分析方法将高度相关的高维特征合成无关的低维特征,以加快Gabor滤波器提取纹理特征的速度;然后使用Gabor滤波器提取图像在各个尺寸、方向上的纹理信息,每一个滤波器会生成一张特征图,在特征图中以待分类样本为中心取一个d×d的邻域,计算该邻域内数据的均值和方差来作为待分类样本的空间信息,再将空间信息和光谱信息融合,以降低光线与噪声的影响;最后将谱-空联合特征输入级联多分类器中,得到预测样本关于类别的概率分布的平均值。结果实验采用Indian Pines、Pavia University和Salinas 3个数据集,与经典算法如支持向量机和卷积神经网络进行比较,并利用总体分类精度、平均分类精度和Kappa系数作为评价标准进行分析。本文方法总体分类精度在3个数据集上分别达到97. 24%、99. 57%和99. 46%,相对于基于径向基神经网络(RBF)核函数的支持向量机方法提高了13. 2%、4. 8%和5. 68%,相对于加入谱-空联合特征的RBFSVM(radial basis function-support vector machine)方法提高了2. 18%、0. 36%和0. 83%,相对于卷积神经网络方法提高了3. 27%、3. 2%和0. 3%;Kappa系数分别是0. 968 6、0. 994 3和0. 995 6,亦有提高。结论实验结果表明,本文方法应用于高光谱图像分类具有较优的分类效果,训练效率较高,无需依赖GPU,而且在小样本上也具有较高的分类精度。