一种改进的高光谱数据自适应波段选择方法

高光谱遥感数据具有的波段数目多、波段宽度窄、数据量庞大等特点给图像的进一步解译带来了困难。为了解决这一问题,对自适应波段选择的降维方法进行了改进,不仅考虑了高光谱遥感图像波段的信息量和波段间的相关性,更重要的是考虑了各地物连续光谱间的可分性。光谱间的可分性距离越大,表明类间的可分性越大,地物越清晰。首先选出了能有效区分图像上任意两类别的理想波段子集,再根据波段子集中任意3波段的相关系数之和最小和它们的均方差最小两个指标,选出任意两类对间那些包含信息量大、相关性又小、谱间差异又大的3波段组合(且不唯一),最后对整幅影像选出的最佳3波段45、75、85合成的假彩色图像用光谱角度制图法(SAM)进行了分类,总体分类精度达到91.7%,K appa系数达到0.82。

基于自适应子空间分解的自适应超谱图像波段选择方法

针对超谱图像数据波段选择问题,最大限度地保留图像数据中的分类诊断特征,提高分类识别的精度,本文提出了一种基于自适应子空间分解的自适应波段选择的新方法。通过仿真实验,证明了这种方法对超谱图像数据分类的有效性。

自适应波段选择与最佳预测顺序的高光谱图像无损压缩

针对传统递归最小二乘预测器的预测精度与谱间相关程度存在较强相关性及其对预测顺序较为敏感的特点,提出一种基于自适应波段选择和最佳预测顺序的高光谱图像无损压缩方法。首先,为了提高参考波段与待预测波段间的谱间相关性,以最大谱间相关系数为准则进行波段重排预处理,接着引入自适应波段选择策略从已预测波段集中选出与待预测波段存在最高相关性的多个波段作为参考波段。然后,以最小预测残差熵为准则选出最佳预测顺序模式进行谱间预测。最后,采用算术编码器对预测残差进行熵编码。在AVIRIS 2006数据集上的实验结果显示,该方法在16位校正图像、16位未校正图像和12位未校正图像上分别取得了3.314,5.594和2.395 bpp的压缩效果。该方法在几乎不增加计算复杂度的情况下有效提高了传统递归最小二乘预测器的预测精度,其最佳压缩效果接近或优于其他同类方法。

聚类与自适应波段选择结合的高光谱图像降维

针对自适应波段选择法(adaptive band selection,ABS)对高光谱图像降维后得到的最优波段子集用于地物目标分类处理时,分类精度不理想的问题,提出一种K-means聚类与ABS结合的高光谱图像降维方法。算法采用K-means聚类算法对所有波段进行聚类,聚类中分别采用相关系数和欧氏距离2种相似性度量,选取各聚类中ABS指数最大的波段,作为最优波段子集。通过实验,将所提方法与ABS进行分类精度比较。实验结果表明,所提方法在分类精度上优于ABS法,以相关系数作为相似性度量的K-means聚类与ABS结合的降维方法分类效果更好。

Hyperion高光谱影像波段选择方法比较研究

Hyperion影像的光谱分辨率高,数据体积庞大,而且相邻波段之间的相关性强,信息冗余度较高,给数据处理与解译带来了很多问题。鉴于此,提出了通过将分段主成分分析和波段指数相结合来开展波段选择与降维研究的思想。同时采用自适应波段选择法、波段指数法和主成分分析累计贡献率方法进行了波段选择方法的对比研究;对4种波段选择方法所得到的结果进行了最佳波段组合、地物可分性和图像变换比较分析。实验结果表明,分段主成分分析与波段指数综合方法可以有效抑制由于全局变换造成局部重要光谱被滤除的现象,同时还可兼顾自适应分区后各子区间及区间内波段之间的相关性,有效降低高光谱数据的维度。由此可见,该方法的波段选择效果优于传统的自适应波段选择方法、波段指数法以及主成分分析累计贡献率方法。

一种改进的高光谱遥感数据波段选择方法的研究

高光谱遥感数据波段多、数据量大的优点同样给数据处理带来了极大的困难,通过对已有常见波段选择方法的研究,发现其无法同时满足所选择波段相关性小、所含信息量大且光谱可分性好等要求。针对以上问题,本文提出了一种新的方法,综合使用了子空间划分、自适应波段选择和光谱可分性距离等方法,得到最优波段组合。

基于子空间划分的高光谱图像波段选择方法

高光谱遥感图像数据具有数据量大、波段冗余度大、波段间相关性强的特点,不利于图像的判读解译。如何从上百个波段中选出最优的波段组合对目标识别和分类是需要解决的问题。论文利用自动子空间划分法,结合相关系数矩阵"分块"的特点将所有波段进行大致划分,运用自适应波段选择法和光谱角制图算法进行波段选择。首先对所有波段利用相关系数矩阵划分子空间,再在各个子空间提取指数最大的波段,最后依据地物光谱可分性选取最佳的波段组合。最终计算论文方法与常用波段选择方法所选波段的相关系数和以及均方差,验证了论文方法的优越性。

用LCTF光谱技术提取甘蓝小菜蛾虫害叶片特征波段

利用由液晶可调滤波器（liquid crystal tunable filter,LCTF）和单色CCD相机组成的光谱成像系统对甘蓝正常叶片和遭受小菜蛾虫害甘蓝叶片的光谱特征进行分析,获取了430～720nm每隔5nm波段的灰度值信息,并采用自适应波段选择方法提取出了两种叶片的特征波段,通过欧氏距离聚类方法对所提取的特征波段进行聚类分析。结果表明甘蓝正常叶片在545nm、645nm、650nm、655nm波段具有较大光谱信息量,而虫害叶片在550nm、555nm、575nm、585nm、715nm波段有较大光谱信息量。因此,可以利用LCTF快速地检测出植物是否遭受虫害,为农业虫害检测提供了一种新方法。

基于无人机高光谱影像波段选择的薇甘菊分类

薇甘菊是危害最严重的外来入侵物种之一,其生长与传播极其迅速,对我国森林生态系统造成了严重破坏,相关管理部门需要一个有效的薇甘菊监测手段。传统人工调查方式需要投入大量的人力物力,成本高昂、效率低下;近年来快速发展的高光谱遥感技术为薇甘菊的监测提供了新思路。本文以无人机搭载的Nano-Hyperspec高光谱仪获取的广东省增城林场遥感影像数据为基础,对高光谱数据进行几何校正、影像降噪处理、辐射定标及坏带波段剔除等影像预处理;运用最佳指数因子法(OIF)、自适应波段法(ABS)、自动子空间划分(ASP)与自适应波段相结合的波段选择法(ASP+ABS) 3种方法进行波段选择,获取信息量较大且波段间相关性较低的特征波段组成薇甘菊分类最佳波段组合,生成3幅遥感影像;最后采用支持向量机方法(SVM)对生成的3幅不同遥感影像进行分类,以分类结果的精度评价3种波段组合对薇甘菊高光谱特征的响应程度,选出更能反映薇甘菊的光谱特征的波段组合。试验结果表明,针对Nano-Hyperspec遥感影像数据,使用OIF波段选择法,研究区内薇甘菊的制图精度和用户精度分别为74.62%、66.52%;使用ABS波段选择法,研究区内薇甘菊的制图精度和用户精度分别为74.37%、67.43%;使用ASP+ABS波段选择法,研究区内薇甘菊的制图精度和用户精度分别达到95.98%、92.98%,分类精度最佳,相较OIF法中薇甘菊的制图精度和用户精度分别提高了21.35%、26.46%,相较ABS法中薇甘菊的制图精度和用户精度分别提高了17.15%、19.3%。可见,本文使用的子空间划分与自适应波段相结合的波段选择方法相较其他两种波段选择方法能更好地反映薇甘菊的光谱特征,可为薇甘菊监测提供有效的技术手段。

最佳波段选择的迁西县土地利用信息提取研究

针对Landsat8-OLI影像波段间相关性高、波段信息考虑不充分的情况,分别利用OIF法和ABS法对波段初步选择,再通过计算不同地物之间的变换离散度进行不同地类的可分性度量,最后选择以上2种方法分别适合地物信息提取的最佳波段。同时利用支持向量机的方法,根据OIF法和ABS法选出的最佳波段组合对迁西县土地利用信息的分类及精度进行评价。研究结果表明:基于OIF法选择的最佳波段组合B7-B5-B4提取精度为81.404%,基于ABS法选择的最佳波段组合B7-B4-B1提取精度为90.614%。

基于波段-位置自适应选择的多光谱遥感图像语义分割

多光谱遥感图像(MSIs)包含大量的地物信息,这些信息蕴含在图像的多个光谱波段中。不同波段或者同一波段不同空间位置所含信息量差异很大,如何从MSIs中捕获有效信息是遥感图像语义分割中一项具有挑战性的任务。基于此,提出一种基于波段-位置自适应选择的端到端语义分割网络(BLASeNet)。所提网络采用编码器-解码器结构,在编码阶段,提出波段-位置自适应选择机制来自适应学习不同波段和同一波段不同空间位置权重,增强有效特征表达。为了利用MSIs的波段相关性,进一步提出三维残差块编码图像的光谱-空间特征。在解码阶段,提出自适应特征融合模块,通过网络学习自适应调整低级细节特征与高级语义特征的融合比例,并探究加法(BLASeNet-A)、元素乘法(BLASeNet-M)和串联(BLASeNet-C)等3种融合策略对模型性能增益的影响。此外,将通道注意力扩展到三维数据上,对融合后的特征图在通道维度上进行特征重标定,得到更准确的多级交互特征图。在ISPRS Potsdam、Qinghai和Tibet Plateau等3个数据集上的实验结果证明了BLASeNet的有效性。

类不平衡高光谱图像分类的光谱自适应增强方法

针对高光谱图像分类方法在处理类不平衡数据集时容易出现高误检率的问题,该文提出一种光谱信息自适应加权框架,其中包括构建光谱自适应加权方法,该方法通过结合熵权法权重和训练权重来确定光谱波段的权重,以增强模型对光谱信息的识别能力。同时,建立了一个局部关系增强的全局上下文分类模型,通过聚合全局和局部特征,学习更稳健的分类特征在类不平衡数据情境下实现更精确的分类。在训练过程中,光谱自适应加权方法自动调整光谱波段的权重,有助于选出对分类任务关键的光谱波段,显著增强模型的泛化能力。其次,提出的局部关系增强的全局上下文分类模型,在提取全局上下文特征的基础上,增强局部信息对分类结果的贡献,有效缓解类不平衡数据集的误检率问题。在Pavia University、Houston 2013数据集上的实验结果表明,与现有的分类模型相比,该方法在处理类不平衡的数据集方面表现出色,显著提高了地物要素的分类精度。

基于小波变换的电能质量监测

针对噪声系数的幅度随着尺度增加而减小的特点,提出了一种改进的基于小波分解层数的波段自适应降噪算法.利用Matlab仿真软件建立了电压暂降的系统模型,运用小波分析的方法对污染白噪声的电压暂降信号进行了时频分析和降噪处理,分析了软硬阈值降噪方法.实验结果表明,该方法通过调整两个可调参数获得较优的小波系数阈值估计,与常见的三种典型算法相比不仅较好地去除了噪声干扰,且信噪比更高,均方误差更小,同时具有更优的信息保全能力.

一种基于矢量量化的高光谱遥感图像压缩算法

压缩是高光谱遥感(hyperspectral remote sensing)图像的一个重要研究领域.文中充分考虑了高光谱遥感图像的谱间相关性较强而空间相关性相对较弱的特点,采用了自适应波段选择降维方法与基于神经网络的矢量量化方法相结合的方法对高光谱遥感图像进行压缩.首先采用自适应波段选择(Adaptive band selection)的谱间压缩方法,通过自适应地选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量.然后对降维后图像在空间进行小波变换并进行矢量量化,最后对量化后数据进行自适应算术编码.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低;基于神经网络的SOFM算法及其改进算法取得较好的空间压缩效果,实现了对高光谱遥感图像的有效压缩.

基于BP神经网络的盐湖矿物离子含量高光谱反演

高光谱遥感数据能够提供比多光谱遥感数据更为丰富的光谱信息,从而更精确地刻画地物的光谱特征。在水体遥感原理基础上,采用自适应波段选择(adaptive band selection,ABS)方法对HJ-1A卫星高光谱数据的波段相关性和信息量进行分析,结合BP神经网络技术确定最优波段组合并构建盐湖矿物离子含量的反演模型,对柴达木盆地西台吉乃尔湖的K+,Mg2+,Na+,Cl-和SO2-4离子含量进行定量反演,获得盐湖矿物离子含量的空间分布情况。研究结果表明,BP神经网络反演模型的盐湖矿物离子含量反演精度在85%以上,反演得到的矿物离子含量的分布情况与实地调查结果基本一致。因此,利用高光谱数据和BP神经网络可以对盐湖矿物资源进行大范围动态监测,为盐湖资源的合理开发和高效利用提供科学依据。

基于提升格式的高光谱遥感图像压缩算法

高光谱遥感的特点是谱分辨力的提高,但其高数据维给图像进一步处理带来了困难,因此有必要对其进行有效压缩处理.该文以提升格式为基础对高光谱图像压缩算法进行了研究,充分考虑了高光谱图像的空间相关性和谱间相关性,采用自适应波段选择的谱间压缩方法,通过自适应选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量,然后采用梅花形网格分解方法构造出第二代小波变换,从而对二维图像进行空间压缩,可实现提升格式的分解和完全重构.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低,以提升格式为基础的第二代小波变换比第一代小波变换取得更好的空间压缩效果.

高光谱图像纹理增强方法提高木材识别能力研究

为改善识别技术中存在的部分缺陷,提高识别木材的能力,减少木材原料的浪费,提出了高光谱图像纹理增强方法提高木材识别能力的研究。通过木材图像的采集与预处理,获取灰度矩阵的纹理特征参数;建立高光谱图像纹理增强识别模型,基于模型的权重,实现木材特征的融合;选择图像的自适应波段,确定图像中的K-L散度;通过近红外高光图谱识别木材。实验结果证明,此种木材识别方法,较传统方法相比,识别结果的反射率与速率较高,能够在较短时间内完成木材的识别,且识别结果的准确率更高。

机载高光谱影像降维方法比较

高光谱数据波段多、波段之间相关性强,导致信息冗余严重,增加了数据处理的工作量,有效准确地在众多波段中选择具有代表性的波段尤为重要。首先用Wilks'Lambda(WL),随机森林(random forest,RF)与自适应波段选择(adaptive band selection,ABS)这3种方法对高光谱数据进行降维处理。然后提出了基于曲线误差指数的评价方法,用此指数的趋势来确定每种降维方法所要选择的合适波段数量,同时用指数的大小评价不同降维方法的优劣,并用分类方法对评价结果加以验证。结果显示:Wilks'Lambda最终选择的波段数为10个,α6-α平稳值(选择6个波段时的曲线误差值与曲线误差平稳值之间的差值)为0.05;随机森林最终选择的波段数为13个,α6-α平稳值为0.06;自适应波段选择方法最终选择的波段数为20个,α6-α平稳为0.14。Wilks'Lambda的总体分类精度为80.56%,Kappa系数为0.77;随机森林的总体分类精度为79.11%,Kappa系数为0.76;自适应波段选择方法的总体分类精度为49.94%,Kappa系数为0.41。得出以下结论:(1)基于曲线误差指数的方法得出Wilks'Lambda有最小的α6-α平稳值,是最佳的波段降维方法 ;分类结果显示:Wilks'Lambda有最大的总体分类精度与Kappa系数,是最佳的波段降维方法。(2)基于曲线误差指数的评价方法与基于分类结果的误差一致,说明此方法具有可行性。

基于波段选择的高光谱遥感影像分类

针对高光谱数据波段众多、数据量较大的特点,提出了一种基于波段选择的高光谱遥感影像分类方法,以北京昌平小汤山地区高光谱遥感数据为例,分析了各波段的信息含量和相邻波段的相关性,采用子空间划分、自适应波段选择的方法,实现了特征波段的选择。针对农村道路和空地、柏油路和居民地间的同谱异物现象,利用J-M距离模型判别其类间的可分性,获得了最佳波段组合,最后采用支持向量机分类器进行分类。结果表明,采用波段选择的方法能有效地提高高光谱数据的分类精度。

多尺度样本熵高光谱图像分类

针对目前高光谱图像分类数据冗余度高,计算效率低下,且易丢失光谱信息等问题,该文提出一种可以有效地利用光谱信息通过多尺度样本熵提取图像特征的方法。先描述多尺度样本熵计算过程,并对参数进行分析,选取最优参数。在此基础上,分析多尺度样本熵曲线变化规律,设计最优多尺度样本熵特征选择方法。将选取的最优多尺度样本熵特征矢量代入支持向量机分类器(SVM),实现高光谱图像分类。将该文算法与深度特征融合网络(DFFN)算法和基于自适应波段选择(ABS)算法在PaviaU图像和Indian Pines图像上进行对比实验,并对其结果进行定量精度评价。实验结果表明,对于两组高光谱图像,该文算法在总体分类精度上分别达到了98.64%和96.49%,明显高于两种对比算法,同时在时间效率上也有了显著提升。