基于区域特征光谱的自组织特征映射神经网络高光谱图像主成分提取方法

非监督分类算法用于高光谱图像主成分提取时存在分类精度受数据分布状态和噪声影响大的缺点,导致提取效果差。论文提出基于空间信息的神经网络非监督分类主成分提取算法,该算法首先通过空间邻域自动聚类提取区域特征光谱替代像元光谱作为自组织特征映射神经网络的训练样本,经过训练神经网络自适应获取高光谱图像地物类别特征,最后通过对光谱矢量聚类完成主成分的统计和提取。论文提出采用区域特征光谱替代单象元光谱作为训练样本有效抑制了噪声对分类结果的影响,同时显著减少了神经网络的数据处理量,使主成分得到快速准确地提取。对深圳红树林自然保护区高光谱图像的仿真结果表明:神经网络训练样本数降低了约95%,更重要的是算法快速准确地提取了主成分,提取效果明显好于K-均值算法。

基于区域特征光谱的高光谱图像神经网络分类方法研究

通过分析在无人工选择训练样本条件下,图像光谱噪声对高光谱图像SOFM神经网络分类的影响,针对分类结果中产生的麻点现象,论文提出了通过提取区域特征光谱以抑制图像噪声,并给出了相似度阈值选取的方法;在此基础上提出了基于区域特征光谱的高光谱图像SOFM神经网络分类方法,通过对具有不同地物分布特点的高光谱数据进行仿真,结果表明:在无人工选择训练样本的条件下,与传统SOFM网络分类方法相比较,本文提出的方法显著抑制了麻点现象,分类结果更加合理。

三维荧光光谱的特征区域选择方法

将数学中的二元凸函数判定和数据挖掘中的聚类分析方法结合,提出了针对三维荧光的光谱区域选择方法,并利用此种方法从光谱图中提取出含有丰富光谱信息的凸集区域。对水体中总有机碳的检测和白酒中黄曲霉素的检测进行了实验研究,实验结果表明,采用本文提出的三维荧光光谱区域选择方法提高了模型的精度,与利用全光谱所建立的回归模型相比,模型精度分别提高了6.17%和4.97%。

一种基于SOFM神经网络的高光谱图像快速分类方法

高光谱图像的快速准确分类是遥感图像处理的关键技术之一。本文提出了区域特征光谱(RFS)的概念,并采用空间邻域聚类方法提取区域特征光谱;提出了以区域特征光谱作为SOFM神经网络输入的RFS-SOFM高光谱图像快速分类方法,该方法通过区域特征光谱代替单个像元光谱实现神经网络运算量的降低和对图像噪声的抑制。对AVIRIS图像数据的仿真结果表明:RFS-SOFM分类精度高于SOFM神经网络和K-均值算法,计算量约为K-均值的163.6%,SOFM神经网络的5.9%.

基于RFS和ART的高光谱图像主成分提取方法

针对传统高光谱图像主成分提取方法受数据分布状态和噪声影响大的缺点,提出基于区域特征光谱的ART(Adaptive Resonance Theory)神经网络主成分提取算法.首先通过多方向阈值空间邻域聚类提取区域特征光谱作为ART的输入模式,利用ART网络的自适应特性获取地物光谱矢量特征,并通过对光谱矢量聚类完成图像的主成分提取.对高光谱图像仿真结果表明:通过提取区域特征光谱,神经网络的数据处理量减少了约97%;算法能够较准确地提取图像主成分且提取效果明显好于K-均值算法.

无人工选择训练样本的高光谱图像神经网络分类方法研究

文中针对在无人工选择训练样本条件下高光谱图像中奇异点及噪声对SOFM神经网络分类效果的影响,提出应先对高光谱图像进行奇异点检测处理以消除其对网络分类的干扰和提取区域特征光谱以抑制噪声,并给出了相似度阈值的选取方法;在此基础上提出了基于区域特征光谱的高光谱图像无人工选择训练样本分类方法,通过对高光谱数据进行仿真,结果表明:文中提出的方法显著抑制了噪声的影响,分类结果更加合理。

结合空间信息的高光谱图像快速分类方法

针对由高光谱图像的大数据量和噪声等因素造成的计算量大、处理时间长以及应用效果差等问题,本文提出了一种高光谱图像快速分类方法,充分利用高光谱图像的空间信息,在实现整个原始图像空间及光谱信息特征提取的基础上,达到降低计算量、抑制图像噪声从而改善分类器性能的目的。通过仿真实验表明:该方法显著抑制了"麻点现象",在改善分类器分类效果的同时,运算时间也明显减少。