基于核最小噪声分离变换的高光谱遥感影像多类SVM分类

高光谱遥感影像具有高维非线性、数据冗余多、训练样本难以获得等特点。在线性最小噪声分离变换MNF(Minimum Noise Fraction)的基础上,引入核方法,提出核最小噪声分离变换KMNF(Kernel Minimum Noise Fraction)高光谱遥感影像非线性特征提取方法。在KMNF特征提取后的影像上利用多类SVM进行高光谱影像分类,分析数据维数、样本个数对分类结果的影响,并与传统的最小距离分类方法进行对比。发现最小距离分类法存在维数灾难现象,当达到一定的特征维数之后,多类SVM分类方法受维数影响较小,具有一定的抗噪声能力,在一定程度上避免了维数灾难现象;利用多类SVM进行分类时,随着样本数目的减少,合理设置有关参数,高光谱图像的分类能够维持在较高精度;而传统的最小距离分类法当样本数量较小时,效果很差,这说明了SVM小样本分类的优势。

基于改进最小噪声分离变换的特征提取与分类

在最小噪声分离变换的基础上，引入核方法，采用小波核函数代替传统核函数对最小噪声分离变换予以改进。小波核函数的多分辨率分析特性可进一步提高算法的非线性映射能力。相关向量机高光谱图像分类是一种较新的高光谱图像分类方法，将新型核最小噪声分离变换方法与相关向量机相结合，对高光谱影像数据进行分类实验。仿真实验结果表明，基于小波核最小噪声分离变换的方法体现了高光谱影像的非线性特征，将所提出的方法应用于HYDICE系统在Washington DC Mall上空拍摄的数据，与对照算法相比，分类精度可提高3％～89／6，并可有效地提高小样本区域的分类精度。

最小噪声分离(MNF)变换应用于模糊印章提取的研究

为了提高印章的可辨识度,尝试解决印章与画意重合的问题,应用高光谱图像系统,采集了上海博物馆馆藏“清明上河图”作品的高光谱图像信息,对其中三枚可辨识度不高,与画意重合严重的印章进行了提取。通过最小噪声分离(Minimum Noise Fraction,缩写为MNF)解决了其中一枚印章可识别度不高的问题;对与画意高度重合的两枚印章,通过波段裁剪结合最小噪声分离处理,有效地将印章与画意分离开,取得了令人满意的效果。结果表明,最小噪声分离可以有效地提高模糊印章的可辨识度,结合相应的波段裁剪处理,也可以有效地将印章与画意分离开。

基于最小噪声分离变换的遥感影像融合方法

针对主成分分析(PCA)融合算法的不足和最小噪声分离(MNF)变换的优势,以IKONOS新型高分辨率观测卫星提供的全色和多光谱数据为实验数据,提出了基于最小噪声分离变换的遥感影像融合方法,并与其它融合方法进行定量和视觉比较,结果表明该方法能得到更好的融合效果。

基于最小噪声分离变换的高光谱异常检测方法研究

RX算法和核RX算法能很好地分离目标和背景,是较为广泛使用的异常检测算法,但是高光谱图像数据量大且存在冗余信息和噪声,直接进行RX及核RX异常探测运算量大且容易受噪声影响。针对此问题,提出一种基于最小噪声分离变换的高光谱图像异常检测方法,首先采用残差分析法估计噪声协方差矩阵以改进最小噪声分离变换,然后利用改进后的最小噪声分离变换来有效地降低高光谱图像数据的维数并分离出噪声,最后对低维降噪后的数据进行RX及核RX异常检测,避免了随机噪声对RX及核RX异常检测结果的影响并提高了异常检测率。对真实的AVIRIS数据测试表明,该算法优于传统的相应的RX、核RX异常检测算法。

基于改进最小噪声分离变换的异常检测算法

为了降低噪声对高光谱异常检测结果的影响以及提高异常检测率,提出了一种基于改进最小噪声分离(MNF)变换的新型高光谱异常检测算法。首先对传统的MNF变换进行改进,采用加权邻域均值法对噪声矩阵进行估计,对邻域内每一个像元给予一个特定的权值,提高背景像元在邻域矩阵中的比例,进而抑制噪声像元的比例,通过差值计算提取噪声信息,然后应用改进的MNF变换对高光谱图像进行降维去噪处理,最后,将获取的低维去噪图像利用异常检测算法进行检测,并用真实的AVIRIS数据进行了测试。结果表明,该算法有更好的降维去噪效果,提高了异常检测率。

最小噪声分离变换与Haar小波变换结合的壁画线状特征增强方法

在壁画的保护与修复中,线状特征具有重要的意义。然而由于自然环境等因素的影响,壁画经常出现褪色残缺等病害,导致其线状特征难以辨认。因此,利用高光谱成像与Haar小波变换结合,提出了一种壁画线状特征增强方法。首先,对高光谱影像进行最小噪声分离(MNF)变换,选取前10波段进行MNF逆变换进行重构,实现高光谱影像的降噪处理。其次,对重构后的影像选择真彩色波段变换为灰度图像,对灰度图像进行Haar小波分解。然后,对最小噪声分离变换后的影像,利用最大平均梯度法进行最优波段选择,将最优波段利用Haar小波进行变换,利用其分解后的低频信号与灰度图像分解后的低频信号相融合,高频信号使用MNF逆变换重构后的灰度图像。最后,对优化组合的低频和高频信号进行Haar小波逆变换得到结果图像,达到增强线状特征的目的。经过与原始灰度影像、主成分分析线状特征增强方法对比,验证了线状特征增强方法的有效性。研究结果可为壁画的保护修复提供更丰富、更直观的参考信息。

基于独立分量分析及小波变换的内燃机辐射噪声盲源分离和识别

为了分离和识别内燃机噪声源,结合独立分量分析和小波变换技术对内燃机辐射噪声信号进行了盲源分离和声源识别的研究.根据独立分量分析的基本原理,采用基于负熵极大的FastICA算法对4缸柴油机的辐射噪声信号进行了盲源分离,将噪声信号分解成一系列独立分量.采用快速傅里叶变换和小波变换技术对各个独立分量进行了分析,结合时频分析的结果和内燃机各噪声源信号的频谱结构,确定了分离得到的各独立分量与内燃机不同噪声源的对应关系.研究结果表明:这些独立分量分别对应着柴油机的燃烧噪声、活塞敲击噪声、正时齿轮噪声及排气辐射噪声等噪声源.

基于最小噪声分离的籽棉异性纤维高光谱图像识别(英文)

针对籽棉表层多类难检异性纤维,包括纸屑、白发、丙纶丝、化纤和地膜等5种白色物质,采用高光谱技术和最小噪声分离(minimum noise fraction,MNF)分析方法对含有异性纤维的籽棉图像进行研究。该文在400～1 000 nm的光谱范围内采集高光谱图像,根据光谱曲线选取子区域,应用最小噪声分离分析方法降维、去噪。取MNF变换后的前4幅分量图像,通过视觉评价,选定最佳成分图像并融合中值滤波、灰度变化等图像处理的方法确定最佳分割图像,提取异性纤维。试验结果表明,对于以上5种异性纤维,该方法的识别率达到91.0%。该研究可为棉花异性纤维检测系统的开发提供参考。

乘性噪声消除的同态变换盲源分离算法

为消除乘法性观测噪声,利用独立分量分析的冗余取消特性,提出一种基于同态变换盲源分离(BSS)的消噪新方法.通过对原始观测信号的同态变换———对数变换,将乘法性噪声转变为加法性噪声.引入经过相同对数变换的虚拟噪声分量,将变换后的一维观测信号扩展为多维观测.依据最大化估计分量间独立性的准则(由高阶累积量构成)对多维观测实施盲源分离.最后,联合指数逆变换及输出信号校正处理,实现真实信号的估计,从而消除原始观测中的乘法性噪声.仿真消噪实验结果表明,该方法可有效地消除观测信号中的乘法性噪声.与同态滤波等传统的乘性噪声消除技术相比,新方法不仅实现简单,运算效率高,而且可以方便地扩展应用于多维观测信号的噪声消除.

基于最小噪声分量变换的ASTER遥感数据岩性分类

遥感岩性分类相较于普通土地利用分类难度更大,其形状或者规模上都不具有特别明显的规律可循,且在边缘的过渡上也存在模糊性,对于常用的监督分类方法在岩性分类中效果都不甚理想。利用ASTER多光谱数据,总结出一套基于最小噪声分量变换的ASTER遥感数据岩性分类技术流程,在ASTER数据最小噪声分量变换的基础上,通过二维散点图几何顶点提取岩性分类样本,利用光谱角技术对西藏日土地区弗野铁矿范围内的岩性进行分类,并通过中值滤波的方法对分类结果进行后处理。结果表明,分类结果与实际岩性有很好的一致性,总体分类精度达到83.33%。

最小噪声分离在航空电磁数据噪声压制中的应用

时间域航空电磁数据经预处理后,仍存在残余噪声,影响电磁探测对地下异常的识别能力。笔者提出一种基于最小噪声分离的去噪方法,将一组含噪电磁数据通过旋转矩阵线性变换为按照信噪比大小排列的最小噪声分离成分,利用信噪比较大的最小噪声分离成分重构电磁数据,以达到分离噪声的目的。仿真数据去噪结果表明:最小噪声分离不仅能够有效压制晚期道剖面噪声,还能准确分辨异常信息;晚期道信噪比较测线滤波提高了11.28 d B,实测数据的噪声水平也由±50 n T/s降低到±10 n T/s。

基于旋转变换的最小互信息量盲分离算法

一种新的实时线性混叠信号盲分离算法在本文提出 .该算法先采取白化混叠信号将混叠矩阵转换为正交矩阵 ,然后基于QR分解理论 ,将混叠信号进行一系列初等旋转变换 ,并结合源信号相互独立时互信息量最小的特点 ,导出了一种新的自适应盲分离算法 .该方法回避了目前基于信息理论方法中 (如Torkkola 1996 ;Pham 1999;Lee 2 0 0 0以及谭 2 0 0 0等 )对“ln|detw|”的复杂计算 .我们不仅给出了详细的理论证明 ,而且也进行了仿真试验 ,理论分析与仿真结果表明该算法减少了分离时间 ,并具有很好的分离效果 .

利用最小噪声分数变换的高光谱目标探测方法

针对高光谱遥感影像特征维数多、冗余度高,同时观测信号中广泛存在各种噪声成分的问题,该文提出了一种利用特征降维的高光谱遥感影像目标探测方法。方法首先采用最小噪声分数变换算法对高光谱遥感数据进行特征降维,提取观测信号中的少量高信噪比成分组成新的数据立方,进而使用高光谱目标探测算子实现目标探测。通过对真实目标位置已知的HyMap高光谱遥感数据目标探测的实验,证明了该文提出的方法能够降低目标探测的虚警率和探测时间。

基于小波变换的有源噪声控制算法研究

在传统的有源噪声控制系统中,原始噪声信号是获得参考噪声信号的必要条件,当原始噪声信号的信息不可获知时,有源噪声控制系统失效。为解决该问题,设计基于小波变换的有源噪声控制系统,利用小波阈值法对含噪语音信号进行处理,得到与原始噪声信号相关的参考噪声信号。在此基础上,对传统的有源噪声控制算法LMS进行改进,提出基于Sigmoid函数的γSLMS算法和C-γSLMS凸组合算法,解决LMS算法无法同时兼顾收敛速度和稳态误差的问题,为解决有源噪声控制问题提供新的解决方案。

基于多路径Radon变换的地震数据噪声压制和波型分离方法研究

Radon变换是一种稀疏变换,被广泛应用于地震数据处理,其中线性Radon和抛物Radon最为常用.在实际地震数据中,直达波和面波的同相轴形态为线性,反射波为双曲型,单独使用线性Radon或抛物Radon变换时,不能确保所有同相轴在变换域的系数都是稀疏的,影响地震数据处理效果.本文提出的多路径Radon变换联合了线性Radon变换和抛物Radon变换,每个同相轴都有两种不同的变换参数来与积分路径相适应,能够兼顾不同形态的同相轴;然后利用最小二乘稀疏反演方法对不同形态同相轴匹配最佳积分路径,使其自动分离到两个不同的Radon域剖面且保持系数同时稀疏.从多路径Radon域剖面上,能够很容易地识别不同系数所对应的同相轴形态、时间截距以及速度,这些特征有利于提高利用Radon变换方法进行随机噪声压制、面波压制以及波型分离等技术的处理效果,该变换在模型数据和实际数据中的应用结果证明了本文方法有效性.

基于欠定盲源分离的双路音频信号噪声自适应分离

当多个源信号同时存在于同一频段或时间域内时,它们可能会相互干扰,导致信号混叠。这种情况下使用双路音频传感器进行捕捉,无法准确地捕捉到所有源信号的信息,导致分离过程具有不确定性。对此,提出一种基于欠定盲源分离的双路音频信号噪声自适应分离方法。首先,构建欠定盲源分离模型,基于小波包变换分解和重构信号获取信号分量,并依据信号和分量之间的互相关系数筛选分解后的分量,删除其中的冗余分量后生成新的观测信号;然后,依据贝叶斯信息准则的奇异值分解方法估计该源信号的数量,将其转换为正定白化信号;最后,利用快速独立成分分析法将该信号分类,实现双路音频信号噪声自适应分离。测试结果显示:所提方法能够在保证信号质量的前提下完成信号变换处理,信干比均在15 dB以上;筛选后保留的各个分量相关系数均在0.65以上,有效地完成了对信号噪声的分离。

基于最小噪声分离的沙特吉赞省城市建成区信息提取

基于MNF最小噪声分离光谱增强技术以及面向对象分类技术开展了沙特吉赞省城市建成区信息提取。研究成果显示,2008、2014、2018年三年度,吉赞省城市建成区面积分别为262.34、354.43和409.17km^2。2008至2014年,吉赞省新增城市建成区92.09km^2,增幅35.1%,年增长面积15.34km^2,面积年增长率5.85%。2014至2018年新增城市建成区面积主要集中在吉赞经济城,且新增城市建成区主要为规划开发的独立新城,原城镇居民点面积增幅较小,空间上主要分布于该省中南部平原地区。

基于小波变换的最小光滑滤波去噪

在地震勘探中 ,随机噪声是一种频带较宽、严重影响有效波的干扰波。常用的一维去噪方法效果都不理想。小波变换是一种时频分析方法 ,根据它的分频和局部分析能力 ,结合一维方向上去噪的光滑滤波 ,能有效地消除随机干扰 ,并且能保证有效波的中、高频成分 ,经过小波包重构 ,可恢复有效波信号。该方法优于常规一维去噪方法。

基于小波变换和独立分量分析的含噪混叠语音盲分离

含噪混叠语音的分离是语音信号处理中的重要研究问题。该文针对语音信号的非平稳特性与不同语音源之间的相互独立性,提出用小波变换与独立分量分析相结合的方法来进行分离。首先利用小波变换分别对各含噪混叠语音进行消噪,然后用独立分量分析的方法对消噪后的混叠信号进行分离,最后进一步对分离信号作矢量归一和再消噪处理,得到各个语音源信号的最终估计。仿真结果表明这种方法取得了很好的分离效果。