图像级高光谱影像高分辨率特征网络分类方法

基于深度学习的高光谱影像分类方法通常将高光谱影像切分为局部方块作为模型的输入,这不但限制了长距离空-谱信息关联的获取,还带来了大量额外的计算开销。以全局图像作为输入的图像级分类方法能够有效避免这些缺陷,然而,现有的基于全卷积神经网络特征串行流动模式的图像级分类方法在信息恢复时的细节损失会导致分类精度低、分类图视觉效果差等问题。因此,本文提出一种基于HRNet的图像级高光谱影像快速分类方法,在全程保持高分辨率特征的基础上对影像的多重分辨率特征进行并行计算与交叉融合,从而缓解了传统特征串行流动模式造成的信息损失问题。同时,提出多分辨率特征联合监督和投票分类策略,进一步提升了模型分类性能。利用4组开源高光谱影像数据集对本文方法进行验证,试验结果表明,与现有的先进分类方法相比,本文方法能够取得具有竞争性的分类结果,同时显著减少训练和分类时长,在实际应用时更具时效性。为了保证方法的复现性,笔者将代码开源于https://github.com/sssssyf/fast-image-level-vote。

光谱角余弦与相关系数测度组合的光谱匹配分类方法与实验

光谱相似性测度是高光谱影像光谱匹配分类的准则,但单一的光谱相似性测度不能综合考虑光谱曲线的形状、辐射等多种特征,因此将其用于高光谱影像光谱匹配分类时精度较低,研究发现两种或多种相似性测度的组合能够有效提高光谱匹配分类的精度。在光谱角余弦测度和相关系数测度的基础上,采用算术平均的组合方式,得到光谱角余弦-相关系数测度,将其用于光谱匹配分类,实现光谱角余弦与相关系数测度组合的光谱匹配分类方法。提出了基于光谱角余弦-相关系数测度的光谱匹配分类流程,通过ROSIS和OMIS两组高光谱影像分类实验表明,相比于光谱角余弦测度和相关系数测度,将光谱角余弦-相关系数测度用于光谱匹配分类能够得到较高的总体分类精度,对单一地物的分类精度也有一定程度的改善。

高光谱地物要素识别潜力分析与前景展望

近年来,人工智能方法在高光谱遥感领域得到了广泛应用,特别是基于深度学习的影像分析和信息提取技术已成为持久的热点,有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上,系统地介绍和总结了高光谱影像分析方面的进展,针对高光谱地物探测的智能化问题,重点讨论了近年来深度学习的新思路。首先,结合地形要素分类体系和高光谱探测能力,将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类,并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后,在影像分析方面,重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展,给出研究方向和热点;在智能化处理部分,按照监督学习、半监督学习及自监督学习的思路,系统总结了当前应用于高光谱地物探测的深层神经网络模型,同时分析了迁移学习、元学习等机器学习策略的研究情况。最后,结合上述分析,对高光谱影像地物探测的发展趋势加以展望,以期拓展下一步的研究思路。

面向多源异质遥感影像地物分类的自监督预训练方法

近年来,深度学习改变了遥感图像处理的方法。由于标注高质量样本费时费力,标签样本数量不足的现实问题会严重影响深层神经网络模型的性能。为解决这一突出矛盾,本文提出了用于多源异质遥感影像地物分类的自监督预训练和微调分类方案,旨在缓解模型对于标签样本的严重依赖。具体来讲,生成式自监督学习模型由非对称的编码器-解码器结构组成,其中深度编码器从多源遥感数据中学习高阶关键特征,任务特定的解码器用于重建原始遥感影像。为提升特性表示能力,交叉注意力机制模型用于融合异源特征中的信息,进而从多源异质遥感影像中学习更多的互补信息。在微调分类阶段,预训练好的编码器作为无监督特征提取器,基于Transformer结构的轻量级分类器将学习到的特征与光谱信息结合并用于地物分类。这种自监督预训练方案能够从多源异质遥感影像中学习到刻画原始数据的高级关键特征,并且此过程不需要任何人工标注信息,从而缓解了对标签样本的依赖。与现有的分类范式相比,本文提出的自监督预训练和微调方案在多源遥感影像地物分类中能够取得更优的分类结果。

骨水泥充填结合内固定治疗老年性肱骨近端Neer三、四部分骨折的回顾性分析

目的介绍应用骨水泥充填结合内固定治疗老年性肱骨近端Neer三、四部分骨折的经验并评估其疗效。方法采用切开复位、骨水泥充填结合内固定治疗25例老年性肱骨近端Neer三、四部分骨折,术后早期行患肢功能锻炼。结果25例随访8个月～5年,肩关节功能评分(按Neer评分标准)为85～96分,其中优21例,良4例。结论骨水泥充填结合内固定治疗可使骨折得到复位及稳定的固定,患肢能早期功能锻炼,是治疗老年性肱骨近端Neer三、四部分骨折的一种较好方法。

高光谱──遥感测绘的新机遇

通过对高光谱遥感技术的主要优势、基本特征和地理空间信息探测潜力的分析,展示了高光谱数据在遥感测绘领域大规模应用的可能性。同时,还分析了围绕高光谱测绘应用相关的一系列问题,包括高光谱数据的测绘需求、面向测绘应用的高光谱影像分析的关键技术、高光谱遥感测绘模式以及实用化系统建立的设想等。通过对这些问题的进一步深化研究,高光谱技术就可充分与现有的遥感测绘手段有机结合,并对地理空间信息的遥感探测技术产生有力的推动。

联合纹理和光谱特征的高光谱影像多核分类方法

为充分利用高光谱影像"图谱合一"的特性,提出一种联合纹理和光谱特征的高光谱影像多核学习分类方法。该方法首先利用Gabor滤波器组提取影像的纹理特征,然后与原始光谱特征相结合形成新的特征数据,最后采用多核学习方法的MKSVM分类器进行分类。通过利用中科院上海技术物理研究所研制的PHI高光谱影像进行试验,试验结果表明该方法有效地消除了分类结果中同质区域内出现的"麻点"现象,同时提高了分类精度。

基于简约集支持向量机的高光谱影像分类

针对高光谱影像支持向量机分类的预测过程中需要花费大量计算时间的问题,提出了一种利用简约集算法提高高光谱影像分类预测效率的方法。采用径向基核函数,使用一对一构造多类支持向量机分类器,通过交叉验证网格搜索法对参数进行模型参数选择,并利用简约集算法来减少分类预测过程计算量。通过高光谱影像分类试验表明,保持支持向量机的泛化能力并不需要使用所有计算得到的支持向量,简约集算法能够在保持分类预测精度的同时,大大提高高光谱影像分类预测的速度。

老年髋部骨折患者的围手术期处理体会

目的探讨老年髋部骨折患者的围手术期的处理。方法总结120例60岁以上老年髋部骨折术前、术中及术后的处理体会。结果除2例死亡外,其余患者均安全渡过围手术期,伤口甲级愈合。结论正确的围手术期处理是老年髋部骨折患者手术的安全保障。

多时相遥感图像相对辐射校正

相对辐射校正是多时相遥感图像处理和分析的前提。本文分析了几种常规的相对辐射校正方法的优缺点,然后在此基础上提出了一种基于小波变换的遥感图像相对辐射校正方法。该方法对源图像小波变换域的低频成分实施辐射变换,并保持高频成分不变,重构的图像具有保持高频信息的特性,因而能够较好地保留源图像中由于地物变化引起的辐射差异。

高光谱遥感技术的发展与应用现状

20世纪80年代初期出现的高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,与传统的全色、多光谱遥感相比,在地物识别方面具有明显的优势。高光谱遥感技术在许多国家的重视下发展迅速,其应用领域也日趋广泛并更加成熟。对高光谱遥感技术的发展与应用现状进行总结。

联合空-谱信息的高光谱影像深度三维卷积网络分类

针对高光谱影像分类高维和小样本的特点,提出一种基于深度三维卷积神经网络的高光谱影像分类方法。首先,该方法直接以高光谱数据立方体为输入,利用三维卷积操作提取高光谱数据立方体的三维空-谱特征。然后,利用残差学习构建深层网络,提取更高层次的特征表达,以提高分类精度。最后,采用Dropout正则化方法防止过拟合。利用Pavia大学、Indian Pines和Salinas 3组高光谱数据进行试验验证,结果表明,与支持向量机和现有的基于深度学习的高光谱影像分类方法相比,该方法能有效提高高光谱影像的地物分类精度。

基于核Fisher判别分析的高光谱遥感影像分类

高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起。高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别。在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器。通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短。

基于相关向量机的高光谱影像混合像元分解

提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.

基于分布异常的高光谱遥感影像小目标检测算法

提出一种基于分布异常的高光谱遥感影像小目标检测方法。该算法用基于近似相对熵的实码遗传优化投影寻踪方法(RCGOA-PP),有效地将高维数据中隐藏的目标信息集中投影到低维空间中,并用直方图分割的方法提取出小目标。实验证明,此算法精度较高,适用于对高光谱影像中的小目标进行检测。

基于直线特征匹配的序列图像自动配准

提出了一种运用相应直线段特征作为控制基础的序列图像自动配准方法。根据相应直线段"共线"原理建立了图像配准模型,该模型的优点是不必精确定位相应直线段的端点,突破了相应特征必须严格"同名"的限制。同时,根据图像配准对控制直线段的要求,分别设计了序列图像中直线段特征的自动提取和自动匹配算法,从而实现了概略对准条件下的序列图像的全自动配准。

基于相关向量机的高光谱影像分类研究

从分析支持向量机用于高光谱影像分类时存在的不足出发,提出一种基于相关向量机的高光谱影像分类方法。在介绍稀疏贝叶斯分类模型的基础上,将相关向量机学习转化为最大化边缘似然函数参数估计问题,并采用快速序列稀疏贝叶斯学习算法。通过PHI和OMIS影像分类试验分析表明基于相关向量机的高光谱影像分类方法的优势。

面向高光谱遥感影像的分类方法研究

20世纪80年代初期出现的高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起。高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好地进行地面目标的分类识别,然而其复杂的高维数据结构也对传统的遥感影像分类方法提出挑战。提出很多针对高光谱遥感影像的分类方法,对其进行研究。

一种基于模糊混合像元分解的高光谱影像分类方法

高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。