一种改进的基于峭度指标的FastICA算法

基于峭度指标的FastICA算法具有较快的收敛速度和较高的计算效率,被广泛应用于多光谱图像的特征提取。经典的FastICA算法基于固定点迭代法得到图像的各个独立成分,在迭代过程中,每一个独立成分的求解都需要所有像元的参与。因此,当数据量较大或图像中像元较多时,FastICA的计算量很大,此时它的速度优势就会大打折扣。遥感数据一般都具有较大的尺寸,因此如何将FastICA直接应用于遥感数据,是一个具有实际意义的问题。通过引入多光谱图像协峭度张量的概念,将FastICA的固定点迭代问题转化为代数形式的张量计算,避免每次迭代过程中需所有像元参与的缺陷,因而大大降低计算复杂度。多光谱图像实验结果表明,该算法明显快于传统的基于峭度指标的FastICA算法。

一种基于谱聚类算法的高光谱遥感图像分类方法

结合K-means算法和谱聚类方法的优点,提出一种新的高光谱图像聚类方法。该方法在对高光谱图像数据进行特征降维的基础上,采用K-means算法对图像进行粗聚类处理,然后采用谱聚类方法对粗聚类结果进行较高精度的聚类。与K-means聚类算法相比,该方法有效提高了高光谱图像聚类的分类精度。对模拟数据和真实的高光谱数据的对比实验表明,相对于K-means和谱聚类方法,该方法具有良好的聚类性能。

基于卷积神经网络与主动学习的高光谱图像分类

在利用主动学习方法进行高光谱图像分类时,往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题,提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本,通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类;然后,基于高光谱图像的空间相似性和光谱相似性,对无标注样本进行标注,并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明,该方法能在较少标注样本的情况下,有效提高高光谱图像的分类精度。

一种改进的基于奇异值分解的亚像素级图像配准算法

基于奇异值分解(SVD)的相位相关法是一种经典的具有亚像素级精度的图像配准算法,但当两幅待配准图的平移量较大或噪声较强时,该配准算法中的积分法得到的相位解缠结果往往不可靠。根据线性相位的单调变化特性,提出一种改进的相位解缠算法,通过比较相邻相位差和趋势斜率的一致性判断是否进行校正,从而得到真实相位值。针对真实光学图像的实验表明,该方法可以有效地对积分法所得到的结果进行校正,进而提高匹配精度。

基于深度学习的多尺度导弹发射井目标检测

导弹发射井是重要的遥感目标,发射井目标检测的研究对国防事业意义重大。在数据层面,由于发射井样本数量少,目前没有可用于其目标检测的有效数据集,构建有效的数据集对相关领域研究有极大价值。在算法层面,遥感图像分辨率的不同导致发射井目标呈现多尺度的特性,这是解决发射井目标检测问题的难点之一。基于以上分析,首先利用Google Earth构建首个发射井目标检测的数据集,然后针对发射井目标检测任务设计有效的检测模型。本文的模型充分融合了目标的多尺度特征和上下文的信息,并通过级联网络多阶段检测目标,有效检测出多尺度导弹发射井目标,检测效果优于目前主流的算法。