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。

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。

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。

高光谱遥感影像核最小噪声分离变换特征提取

针对高光谱遥感影像线性特征提取方法易导致信息丢失和失真的特点,在最小噪声分离(MNF)变换的基础上,引入核方法,提出核最小噪声分离(KMNF)变换高光谱影像非线性特征提取方法。Cuprite矿区AVIRIS数据实验结果表明,样本个数对KMNF特征提取的结果影响很小,较少的样本即可达到较多样本时特征提取的效果;KMNF特征提取体现了高光谱影像的非线性特征,KMNF特征提取后的影像可获得优于MNF特征提取的端元提取效果。

基于核最小噪声分离变换的高光谱遥感影像特征提取研究

高光谱遥感影像具有高维非线性的特点,线性特征提取方法容易造成信息丢失和失真。在最小噪声分离变换(MNF)线性特征提取算法的基础上,引入核方法,提出核最小噪声分离变换(KM-NF)高光谱遥感影像非线性特征提取方法。KMNF通过核函数,将样本映射到高维特征空间,在特征空间中运算线性MNF,实现原始空间中的非线性KMNF算法。进行基于KMNF的高光谱影像特征提取实验,分析样本个数对KMNF特征提取的效果,发现样本数量对KMNF特征提取的结果影响很小,较少的样本数即可达到较多样本时特征提取的效果。对比KMNF与MNF特征提取的效果,分析它们降维的效率与保留的信息量,发现KMNF总体降维效率与MNF相当,且体现出高光谱图像的非线性特征;在KMNF和MNF特征提取的基础上,利用SVM进行高光谱图像分类,KMNF+SVM的分类精度优于MNF+SVM。

结合最小噪声分离变换和卷积神经网络的高分辨影像分类方法

针对传统浅层机器学习方法应用于高分辨影像分类时存在的问题,提出了结合最小噪声分离变换和卷积神经网络的高分辨率影像分类方法。采用最小噪声分离分析非监督训练初始化卷积神经网络,为提高训练速度,使用线性修正函数作为神经网络的激活函数;利用概率最大化采样原则减少池化过程中影像特征的缺失,并将下采样后影像特征输入Softmax分类器进行分类。采用所提分类方法对典型地区的影像进行分类实验,并与支持向量机和人工神经网络分类方法的分类结果进行对比。结果表明,所提分类方法的分类精度明显高于另两种分类方法的分类精度,并能充分挖掘高分辨遥感影像的空间信息。

基于核最小噪声分离变换的高光谱目标探测研究

高光谱图像具有非线性的特点,且光谱间具有较强的相关性,利用线性的方法对高光谱数据进行维数变换容易损失一些信息。将核函数引入到最小噪声分离变换(MNF)中,提出了核最小噪声分离变换(KMNF),通过非线性映射将数据映射到高维特征空间,并在高维空间进行最小噪声分离成分的提取。利用高光谱图像较强的谱间相关性和空间邻域相关性,利用前后两个波段和空间邻域加权进行多元线性回归处理,对高光谱数据进行较准确的噪声估计。约束能量最小化(CEM)方法和匹配滤波(MF)方法是高光谱目标探测中较为经典的方法,将KMNF应用到两个经典的目标探测方法中,利用AVIRIS飞机场数据进行高光谱目标探测实验,结果表明,KMNF更能突出目标,提高高光谱目标探测的效果和精度。

基于HY-1C CZI影像光谱指数重构数据MNF变换的红树林提取

本文基于广西山口国家红树林生态自然保护区的HY-1C卫星的海岸带成像仪(Coastal Zone Imager,CZI)影像,分析了红树林与一般陆地植被的光谱特征及其光谱指数的相关性,采用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)、归一化差异水分指数(Normalized Difference Water Index,NDWI)、大气阻抗植被指数(Atmospheric Impedance Vegetation Index,ARVI)及利用CZI波段构建的光谱斜率比(CZI Visible Spectrum Slope Ratio,CVSSR)4个指数替代CZI原始波段形成重构数据,基于重构数据的最小噪声分离变换(Minimum Noise Fraction Rotation,MNF)结果分量,建立决策树并实现了红树林信息的自动提取。研究结果表明:结合本文所选光谱指数重构数据及MNF变换方法,能够有效增强CZI影像上红树林与一般陆地植被的光谱差异,基于MNF变换分量建立的决策树可有效提取红树林信息,经与专家解译结果比对,本文方法面积准确率达90%以上;经随机样本点验证,总体检测精度为88%。

基于小波变换和MNF变换的遥感影像融合

随着高分辨率遥感卫星的产生,传统的融合技术难以达到较好的融合效果,如主成分分析(Principal Com-ponents Analysis,PCA)变换融合对噪声比较敏感,受到融合区域的限制,而最小噪声分离(Minimum Noise Frac-tion,MNF)变换考虑了噪声和融合区域,是一种完备的成分分解方法,小波变换(Wavelet Transformation,WT)融合也存在一定程度的光谱失真。由此,本文在分析MNF变换和WT的基础上,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,提出了一种将两者相结合的遥感影像融合方法,通过与其它融合方法的定量和视觉比较,发现该方法能得到更好的融合效果。

利用小波核最小噪声分离进行高光谱影像SVM分类

针对高光谱遥感影像线性特征提取方法在一定程度上会降低地物类别的可分性问题，在最小噪声分离变换基础上引入核方法，以小波核函数代替传统核函数，并将新型核最小噪声分离方法与支持向量机方法相结合，对高光谱影像数据进行分类。实验结果表明，基于小波核最小噪声分离变换的方法适合于高光谱遥感影像的非线性特征，将其应用于HYDICE系统与AVIRIS系统所获得的实验数据集，与对照算法相比，总体分类精度可提高3％～9％。

高光谱遥感岩矿端元提取与分析方法研究

端元提取是高光谱遥感信息提取与分析的基础,也是解决高光谱图像混合像元分解的关键。本文针对研究区高光谱遥感数据特点,进行了辐射校正、最小噪声分离变换(MNF)及纯净像元指数(PPI)处理,在此基础上,应用二维散点图和三维散点图分别提取了端元波谱,并开展了端元属性的判别研究。岩矿端元的提取与分析为后续岩矿种类识别奠定了基础,直接影响最终成果的准确度。

基于MNF和SVM的高光谱遥感影像分类研究

通过分析高光谱遥感影像分类的现状及遇到的困难,以OMIS1高光谱数据为实验数据,提出了基于最小噪声分离(Minimum Noise Fraction-MNF)变换和支持向量机(Support Vector Machine-SVM)的高光谱遥感影像分类方法。分类实验结果表明:与传统的最大似然分类法(Maxi mum Likelihood Classification-MLC)比较,该方法克服了Hughes现象,分类速度得以提高,总体分类精度达到94.85%,从而表明了该方法用于高光谱遥感影像分类的实用性和优越性。

MNF和SVM在遥感影像计算机分类中的应用

由于黄土高原地形复杂,单纯采用监督分离变换MNF(Minimum Noise Fraction)变换得到的4个去除噪声波段、归一化植督分类方法很难获得理想的精度,以延安市区为实验区,以TM遥感图像的最小噪声被指数NDVI和该地域的DEM作为数据源,采用支持向量机SVM(Support Vector Machine)的方法对研究区土地利用与覆盖状况进行分类,获得了较理想的分类结果。

基于KMNF和BP神经网络的高光谱遥感影像分类

为了对高维非线性的高光谱影像进行降维及信息提取,提出了高光谱影像核最小噪声分离变换(kernel minimumnoise fraction,KMNF)特征提取后利用BP神经网络分类的方法。以高光谱影像KMNF特征提取后的前几个特征分量作为BP神经网络的输入,进行BP神经网络分类,并与单独的高光谱影像BP神经网络分类进行比较。美国内华达州CU-PRITE矿区AVIRIS数据的实验结果表明,基于KMNF和BP神经网络的高光谱影像分类较单独BP神经网络分类总体精度及时间性能均得到提高。

基于多源信息的TM遥感图像计算机分类

本文以榆林市城区及其周边范围为实验区,以TM遥感图像的第一主成分纹理信息、归一化植被指数和MNF变换得到的四个波段为数据源,采用支持向量机方法进行分类,并与最大似然法分类和单纯利用光谱信息的基于SVM分类结果进行比较。试验结果表明,将纹理分析方法应用于图像分类中可区分光谱混淆的地类;和传统的分类方法相比,采用支持向量机技术,使用光谱与纹理特征结合的分类方法可以获得更高的分类精度。

基于决策树理论的岩矿信息识别方法研究

对研究区ALI数据进行了图像镶嵌、定标与反射率计算,通过PPI运算与N-D散点图三维分析,获取了研究区岩矿样本波谱曲线,并采用波谱比对技术对样本岩矿进行了分析。在此基础上,采用决策树分类方法提取了研究区岩矿信息,研究发现:通过MNF变换,样本区的各类岩矿波谱曲线特征差异明显且远远大于MNF变换前的波谱曲线特征差异,而基于此的决策树分类识别方法能够较为准确地识别各类岩矿。

遥感图像数据预处理研究

介绍了遥感图像处理软件选取、数据预处理的影像裁剪、投影设置、分类前预处理,给出了遥感图像数据预处理的研究方法。

基于高光谱成像技术识别水稻纹枯病

【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。

基于高光谱的目标探测方法分析

开展了基于高光谱成像的目标探测方法研究,提出了目标与背景最佳分离变换、最小噪声分离变换、目标解混探测等方法用于目标探测,并结合高光谱成像遥感试验,对上述方法进行了试验验证,成功实现了从自然背景中分离目标的目的.