基于相关向量机的高光谱图像噪声评估算法

为了更准确的估计高光谱图像噪声强度,提出了一种基于相关向量机(RVM)的高光谱图像噪声评估算法。对该算法所采用的RVM回归原理、残差与噪声的关系等进行了研究。首先,介绍了高光谱图像噪声评估中应用较为广泛的空间/光谱维去相关法的特点及不足。接着,对可有效进行非线性回归分析的RVM进行了介绍。然后,针对传统的空间/光谱维去相关法在系统中存在较强的非线性关系时,得到的残差将会过大这一问题,提出利用RVM回归分析去除具有高相关性的信号,利用得到的残差图像对噪声进行估算,从而提高评估系统的稳定性。实验结果表明:噪声强度估计精度优于8%;相比传统算法更有效。总体看,该算法可以满足自动高光谱图像噪声评估的稳定可靠、精度高等要求。

基于空间上下文单类分类器的目标检测算法

为了实现对高光谱图像中的目标自动检测,提出了一种基于空间上下文单类分类器的目标检测算法。对所采用的空间与光谱结合的特征、SVDD分类器原理、算法流程等进行研究。首先分析了支持向量数据描述(SVDD,support vector data description)的单类分类原理。接着,结合高光谱图像特点,介绍了如何利用空间上下文信息和光谱特征作为SVDD分类器输入特征。然后,在分析比较空间光谱结合单类分类器性能的基础上,说明了采用该算法的原理。最后,给出了该算法的具体实现方法。实验结果表明:该方法优于常规的直接利用光谱信息的CEM等算法,在AVIRIS成像的某国外海军基地数据中,检测飞机目标的精度达到了90%以上。基本满足目标检测的稳定可靠、低虚警率、高识别率等要求。

基于二元函数拟合的遥感图像配准方法

为了提高寻找光学遥感图像配准控制点的精确度，提出了一种基于二元函数拟合的遥感图像配准方法。利用基于模板的互信息法在可能区域上搜索同名点，与经典的利用区域的互信息最大值的坐标作为同名点坐标不同，对搜索过程中生成的测度矩阵进行二维高斯拟合，以高斯函数顶点位置作为配置控制点的同名点坐标值。利用配准控制点实现遥感图像的配准。分别利用该算法和传统互信息法对某地区的光学遥感图像进行配准，实验结果表明，该算法配准精度高于普通方法，配准误差小于0.1，精度达到亚像素级。基本满足光学遥感图像配准要求，为后续进一步融合、变化检测等应用提供必要的数据支持。

基于集成学习的高光谱图像一类分类算法

由于高光谱图像的光谱分辨率已经达到了10 nm甚至更高，使其具有了辨识很多原本在其他遥感图像中无法识别出现的地物。但较高的光谱分辨率也带来了高维数据的处理难题。为了充分利用高光谱图像的高维数据信息，提高一类分类器性能，提出了一种基于集成学习的高光谱图像一类分类方法。该方法将训练样本生成多个随机子空间的低维训练样本集，在这些子空间训练集上训练支持向量数据描述（SVDD），并对其进行精简处理，最后均值合并这些分类器为一个集成分类器。实验结果表明，与光谱角匹配、一类支持向量机（OC-SVM）和直接SVDD算法相比，该方法具有更高的分类精度，总体精度不低于90%。