半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法(S4LFDA)。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法(FDA)的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。

一种联合空谱特征的沥青路面裂缝检测方法

文章提出了一种基于高光谱图像的沥青路面裂缝检测算法,旨在解决传统方法下裂缝检测精度低、误检较多的问题。本方法利用高光谱成像技术获取道路的空间-光谱信息,并通过裂缝与路面的光谱信息差异提取裂缝,同时利用裂缝的空间特征信息对目标进行阈值分割、形态学运算等以此来提取裂缝主干,进而联合空间-光谱特征检测结果进行数学运算以实现对沥青路面裂缝的精确检测。实验结果表明,与ACI、VIS2算法相比,本文算法的F1-score分别提升了14.11%和29.03%,证明了该方法的有效性,同时针对不同类型和尺寸的裂缝目标表现出了高检测精度、强抗干扰性和显著的鲁棒性。

基于空谱融合和随机多图的高光谱遥感图像农作物分类

针对高光谱遥感图像复杂农作物分类问题,提出了一种基于空谱融合和随机多图的高光谱遥感图像农作物分类方法。通过使用一种潜在特征融合和最优聚类(Latent Features Fusion and Optimal Clustering Framework,LFFOCF)的波段选择方法和分段主成分分析(Segmented Principal Component Analysis,SPCA)进行光谱降维,采用多尺度二维奇异谱分析(2-D-Singular Spectrum Analysis,2-D-SSA)应用于降维图像,以提取不同尺度的空间特征。将多尺度空间特征与主成分分析(Principal Component Analysis,PCA)得到的全局光谱特征融合送到随机多图(Random Multi-Graphs,RMG)中进行分类。在印度松树、萨利纳斯和龙口数据集上,所提出的方法与一些现有的方法进行了对比实验。实验结果表明,该方法的类别精度(Class Accuracy,CA)、总体分类精度(Overall Accuracy,OA)、平均分类精度(Average Accuracy,AA)和Kappa系数优于这些方法。

基于注意力机制辅助的空谱联合残差网络的高光谱图像分类

卷积神经网络(convolutional neural network,CNN)是高光谱图像分类中一种常用的方法,有着较好的分类表现。然而,CNN不可避免地会提取出一些冗余特征,这对高光谱图像分类的准确率造成干扰。此外,高光谱图像分类还面临着同谱异物、同物异谱问题。为了解决以上这些问题,提出了一种基于注意力机制辅助空谱联合残差网络的高光谱图像分类方法。一方面,通过使用注意力机制辅助的3-D、2-D残差网络,同时从光谱维度和空间维度提取空谱联合特征,克服同谱异物、同物异谱问题;另一方面,引入通道注意力机制和空间注意力机制,有效降低了冗余空谱特征的干扰。在2种高光谱数据集上的实验结果表明,相比同类对比算法,所提出的方法具有更优越的分类性能。

基于深度学习的空谱遥感图像融合综述

随着遥感技术的快速发展与广泛应用,对获取的遥感图像质量有了更高的要求。但是,难以直接获得高空间分辨率多光谱遥感图像。为了结合不同成像传感器的信息,获得高质量的图像,图像融合技术应运而生。空谱遥感图像融合是一种获取高空间分辨率多光谱图像的有效方法,目前已有许多学者针对空谱遥感图像融合展开研究,取得了较多成果。近年来,深度学习理论得到了快速发展,广泛应用于空谱遥感图像融合。为了让学者们能够更系统地了解空谱遥感图像融合的现状,推动空谱遥感图像融合的发展,首先对常用的遥感卫星作了介绍,并简单总结了传统的经典空谱图像融合算法;其次,从监督学习、无监督学习和半监督学习3个方面,重点对基于深度学习的空谱图像融合算法进行了阐述,还对损失函数进行了描述与分析;然后,为了证明基于深度学习方法的优越性以及分析损失函数的影响,开展了遥感图像融合实验;最后,对基于深度学习的空谱图像融合方法进行了展望。

基于多元GMM的机载多光谱LiDAR点云空谱联合分类

针对传统机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)土地覆盖分类方法空谱信息协同利用能力不足或多类型特征联合利用时特征维数过高的缺陷,提出一种基于多元高斯混合模型(Gaussian mixture model,GMM)的机载MS-LiDAR点云空谱联合分割算法。该算法首先对原始多波段独立点云进行辐射校正、异常剔除及融合,形成同时表达空间位置及其对应多波段光谱信息的多光谱点云;然后,提取各激光点的多光谱、高程等特征构建空谱特征矢量,并通过特征标准化及离散化消除不同类型特征间的单位和尺度差异;再次,构建多元GMM建模目标在空谱特征空间呈现的多峰分布,获取激光点属于各类目标的响应度并按照最大响应度原则确定类属;最后,设计3D多数投票法优化分割结果。实验基于实测的Optech Titan MS-LiDAR数据验证提出算法的有效性和可行性。实验结果表明:联合多波段强度特征及高程特征的多元GMM的分割总体精度可达93.57%,Kappa系数可达0.912,仅联合四维特征即可实现MS-LiDAR点云的高精度分割。该项研究可为综合利用MS-LiDAR数据的多光谱及空间信息提供新途径。

双约束深度卷积网络的高光谱图像空谱解混方法

高光谱图像凭借其“图谱合一”的特点逐渐在军事、环境、农业等方面发挥出重要作用。但是,由于传感器空间分辨率的限制以及地物分布的复杂多样性,高光谱遥感图像中通常存在大量的混合像元,严重制约了高光谱遥感的应用范围。目前,处理混合像元问题最有效的分析方法是混合像元分解(解混)。近年来,深度学习的发展对高光谱遥感产生了重大影响,也催生出一系列基于深度学习的解混方法。现有基于深度学习的解混方法在隐藏信息挖掘方面表现出极大的潜力和优势,通常情况下能够取得更加准确的结果。然而,这些方法大多只考虑了地物的光谱信息而忽略空间分布规律,导致在复杂场景中估算结果可能并不理想,逐渐难以满足工程应用的实际需求。为进一步发掘和利用空间信息提升解混的准确性,本文构建了一种新的深度学习网络来实现高光谱图像解混。新提出的解混网络采用卷积层来获取先验信息,利用高斯核函数的特性来协助区分物质属性,并且通过分配中心像元与邻域像元间的权重来增进丰度平滑性。在新网络中,本文使用Softmax作为丰度对应层的激活函数来约束丰度的输出。此外,在Softmax中,本文采用了L1/2正则化来避免节点出现过拟合而影响最终结果,进一步强化了网络性能,最终形成了一种双约束强化的深度卷积自编码网络来实现无监督的解混。为了验证新方法的有效性和优势,本文将新提出的方法与同类解混方法应用在一系列高光谱数据(包括模拟图像和真实图像)中进行测试,均达到了预期效果。本文的研究成果能够为处理混合像元问题提供了新的技术支撑和理论参考。

散度核协同表示与空谱融合特征的高光谱图像分类算法

协同表示的相关算法在高光谱图像分类的学习过程中没有很好地刻画高光谱图像的特性,如像素的局域性和标签信息等,因此其性能受到限制。对此,提出一种散度核协同表示技术并利用空谱融合获取特征的分类方法(IKCRC)。为有效刻画像素的局域性和标签信息,该方法构造新的散度核协同表示模型和相应的计算模型。在公式中引入核映射以提高分类能力,在计算过程上使用空谱融合的初步特征提取使得算法简洁高效。在标准高光谱图像数据集上进行的对比实验表明,IKCRC更能有效地提高分类精度。

端到端分布式联合优化的空谱自编码密度估计模型

高光谱图像(Hyperspectral Image,HSI)由于其丰富的光谱信息和空间信息,被广泛应用于异常检测任务,在对地观测和深空探测中起到了重要作用.然而,现有的基于密度估计的高光谱异常检测(Hyperspectral Anomaly Detection,HAD)方法存在如下问题:一是没有联合优化概率密度估计和特征表示这两个不同的目标函数,导致深度神经网络无法学习到更加准确的概率密度函数和包含HSI固有信息的低维表示;二是缺乏高层次空间语义信息与低维流行中光谱信息的自适应融合.此外,随着光谱成像技术的发展,卫星或无人机所获取的HSI的体积越来越大,在遥感大数据的背景下,传统框架处理HSI变得十分困难,给HAD带来了极大的挑战.本文分别从以上问题出发,提出了端到端联合优化的空谱协同自编码密度估计(End-to-End Spectral-Spatial Cooperative Autoencoding Density Esti-mation,E2E-SSCADE)模型.基于二维卷积提取HSI空间特征,融合高光谱图像光谱特征和空间特征的低维表示以及重构误差表示,联合密度估计网络进行端到端的优化,并利用分布式学习实现了大体积高光谱图像的异常检测.实验表明,所提出的E2E-SSCADE可以从光谱向量、空间维度以及重构空间三个角度更深层次地挖掘HSI固有信息的低维表示,构建更加准确的背景模型,在有效分离背景和异常目标的同时,结合分布式学习实现了快速、准确的大体积高光谱图像的异常检测,在6个经典HAD数据集上达到了99.07%的精度和3.41倍的检测速度.实验代码见https://github.com/majitao-xd/E2E-SSCADE.git.

基于空谱联合的高光谱图像分类方法现状与展望

高光谱成像技术在近十几年里实现了飞跃式的发展。高光谱图像分类的应用受到广泛关注,其分类精度的提升是当前研究的重点。高光谱图像分类是利用不同地物的诊断性吸收特征区分地物类别。传统的高光谱图像分类仅利用图像的光谱特征,分类效果不明显。近些年的研究表明,同时分析地物光谱特征和空间分布能有效提升分类精度。首先总结了众多空谱联合分类方法,依据空谱信息融合阶段的不同,将空谱联合分类分为预处理的分类、综合处理的分类和后处理的分类,简要介绍了深度学习在空谱联合分类中的实现方法,最后对空谱联合分类的研究前景进行了展望。

基于空谱联合的医学图像分类方法

为有效提高显微高光谱数据的利用率,提高分类精度,提出了一种联合显微高光谱空间信息和光谱信息的分类方法。首先,提取图像空间特征,包括Gabor特征等;其次,将空间特征和光谱信息联合,并使用短时傅里叶变换将其转化为二维图像;最后,使用卷积神经网络来提取空谱联合特征,实现分类。实验采用血细胞的显微高光谱图像作为数据集进行测试。实验结果表明,总体的分类精度可达98%,Kappa系数为0.973。相比于传统利用光谱信息分类的算法,在分类精度上有较明显的提升,这将为医学图像分类识别提供新的思路。

基于模糊空谱特征的高光谱图像分类

难以兼得高空间分辨率和光谱分辨率的高光谱遥感数据常存在“同物异谱”和“同谱异物”现象,这种光谱异质问题给分类过程带来了一定的不确定性,且现有深度分类网络存在空间信息利用不足和拟合退化问题.提出一种联合空间和模糊光谱特征的双分支高光谱遥感图像分类方法,通过在光谱分支中设计非对称卷积模糊模块增强卷积层的光谱表征能力,解决分类数据中的光谱异质问题,进而对地物特征进行精确的分类描述.采用门控循环单元模型分组获取相邻光谱序列信息,缓解因网络深度增加带来的拟合退化问题,在空间分支中利用波段间的相关性引入卷积长短时记忆模块,充分捕捉空间上下文信息.在三个公开的高光谱数据集上的实验结果表明,双分支结构的模糊分类网络能充分利用光谱和空间包含的细粒度信息,更具判别力的空谱特征有效地克服了光谱异质问题,比流行的深度学习方法取得了更好的分类结果.

基于空谱分解的时间反演时域成像

提出了基于空谱分解的时间反演时域成像新方法.通过天线阵列的一次测量,获取散射场数据、建立空谱多态响应矩阵.奇异值分解矩阵求取与具体目标相对应的左奇异矢量,与超宽带信号结合合成相干的时间反演后向传输信号,实现了目标的选择性聚焦.该方法能实现置于均匀媒质或随机媒质中的多个运动目标的聚焦成像,具有较好的实时性及较强的成像能力.

一种新的空谱联合探测高光谱影像目标探测算法

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息,因此在目标探测领域具有独特的应用优势。传统的高光谱遥感影像目标探测侧重于光谱信息的应用,形成了确定性算法和统计学算法。确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标,不能检测亚像素目标,而且容易受到噪声的影响;统计学目标检测计算背景统计特性,通过探测异常点来检测目标,可以检测亚像素目标和小目标,但容易受到目标尺寸的影响,不能很好的检测大目标。随着高光谱遥感影像的空间分辨率的增加,探测目标已有亚像素目标逐步转换为单像素及多像素目标,此时,在高光谱图像中,相同类别的地物在空间分布上呈现聚类特性,因此,在利用高光谱遥感影像进行目标探测时,需要将其空间信息融入算法中。将空间特征引入传统目标探测算法。提出了一种新的空谱结合的高光谱目标探测算法,将传统的基于统计的目标探测算子与空域邻域聚类算法相结合,首先利用目标探测算子将影像划分为潜在目标区域与背景区域;通过计算潜在目标区域的质心,以质心为中心进行邻域聚类,剔除潜在目标区域中的背景区域,通过迭代计算获取最终目标探测结果。传统的基于统计的目标探测算子,将整个探测区域定义为背景区域,实现对背景区域的统计特征提取,而该方法将背景区域与潜在目标区域分离,剔除了目标区域对背景区域的统计干扰。将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知,该算子的大目标探测性能优于传统的统计算子。

空谱联合预测高光谱图像无损压缩rice算法

针对rice算法低维预测不能有效降低高光谱数据冗余问题,提出基于空谱联合预测的低复杂度rice算法,应用于高光谱图像无损压缩。根据高光谱图像三维数据特征建立三维预测模型,利用相邻波段谱间相关系数进行联合预测系数分配,有效地减少了高光谱图像空间和谱间冗余。提出基于预测误差均值的最优编码参数选择算法,计算复杂度由O(N)降为O(1)。实验结果表明,本文方法提高无损压缩比5%～40%,编码时间较经典rice算法缩短了4%以上,有利于实时处理和工程实现。

联合空谱信息和Gabor特征的高光谱人脸识别算法

提出一种采用高光谱图像的人脸识别算法.根据人脸肤色在可见光范围内的光谱特征进行波段选择并依据人脸结构特征,对选定波段的灰度图像进行Gabor特征提取.最后分别进行特征层上的融合识别和决策层上的融合识别.特征层融合的权重系数由反射率和正确识别率共同决定,决策层融合算法采用"最高票当选制"原则.利用香港理工大学的高光谱人脸数据库对进行验证.结果证明,本文算法在识别速度和正确识别率方面都得到了显著改善,在3幅训练样本情况下,正确识别率达到96.5%.相对于全波段参与识别,识别速度提高了约3倍.

基于边缘修正的高光谱图像超像素空谱核分类方法

本文提出了一种边缘修正的超像素空间光谱核分类方法,该方法能够有效解决构建空谱核时超像素方法提取的空间信息完全依赖于同一个超像素特征,边缘处像素空间信息刻画不准确这一缺陷,从而有效提升分类精度.首先本文提出一种固定窗口与超像素结合的同质区域选择方法,对提取的邻域像素进行赋权,将超像素中固定窗口外的像素权值置零,得到修正的空间光谱核;其次,进一步考虑相邻超像素之间的相关性,得到相邻超像素间的空间特征光谱核,并与上一步中的空间光谱核进行凸组合得到修正的超像素空间光谱核,最后采用支持向量机进行分类.真实高光谱数据实验结果表明:本文方法能有效克服超像素空谱核的空间信息不稳定性,分类精度优于现有的最新的分类方法.

融合空谱-梯度特征的深度高光谱图像去噪

为了去除高光谱图像采集过程中产生的噪声,提升后续图像处理的性能,提出了一种融合空谱-梯度特征的深度高光谱图像去噪方法。它包括空谱特征网络和梯度特征网络,且各网络使用密集跳跃连接和可分离卷积策略进行优化。空谱网络模型实现噪声特征的精确提取,梯度网络模型对噪声纹理特征进行补充,最后基于两个网络的特征提取结果进行融合,实现噪声特征的精准刻画,并用于恢复干净图像。分别在合成噪声图像和真实噪声图像上验证方法的有效性。实验结果表明,该方法在恢复图像内部结构上效果显著,在噪声标准差50的条件下去噪结果的平均信噪比达到29.426 dB,平均结构相似性达到0.9678 dB,去噪结果使用支持向量机算法进行分类,分类精度达到90.89%。

融合空谱特征和集成超限学习机的高光谱图像分类

为提高高光谱图像的分类精度,提出了一种融合空谱特征和集成超限学习机的高光谱图像分类方法。首先结合每个像素邻域的光谱信息提取空谱特征向量;考虑到高光谱相邻波段信息具有一定的相关性,先对提取的特征向量进行平均分组,然后从每个区间随机选择若干个波段进行组合,采用具有快速学习能力的超限学习机训练分类器。为提高分类模型的泛化能力,基于集成学习思想,对提取的空谱特征进行多次抽样,训练得到多个弱分类器,最后采用投票表决法得到用于高光谱图像分类的强分类器。采用3个典型高光谱数据进行了分类试验,试验结果表明,提出的算法总体分类精度较优,尤其当训练样本数较少时能取得较高的分类精度。提出的算法具有可调参数少、训练速度快、分类精度高等优点,具有广阔的应用前景。

结合分层字典学习和空谱信息的多光谱图像去噪

针对多光谱图像中存在的多种噪声,提出一种利用空谱信息和分层字典学习的降噪方法.该方法依据相邻波段之间的结构相关性划分多光谱图像波段;并对得到的每个波段子集使用分层字典学习框架进行统计建模.通过引入高斯噪声项和稀疏噪声项,来有效地表达图像噪声特性;同时,应用吉布斯采样求解统计模型,以实现降噪的目的.在两幅真实多光谱图像数据上的仿真实验表明,该方法能够有效地抑制多光谱图像中的多种噪声,且能够准确地保留图像结构和细节信息.