空谱协同多尺度顶点成分分析的高光谱影像端元提取

针对顶点成分分析方法无法实现复杂地表环境下的高光谱影像端元精确提取问题,提出了一种基于空谱协同多尺度顶点成分分析的端元提取方法,通过影像空谱特征融合和聚类分割,对不同分辨率空间尺度下的分割影像进行端元协同提取,并考虑噪声对影像端元提取精度的影响,提升端元提取的精度。首先,对影像进行预处理,采用低秩矩阵分解去除噪声。其次,对高光谱影像进行空谱多特征提取,利用多特征融合和K-means算法进行聚类分割,获取地物分布的空间异质性信息,提升后续端元提取的精度。然后,对高分辨率影像空间降采样,利用顶点成分分析方法对降采样后的低分辨率分割图像进行端元提取,并利用坐标映射寻找高分辨率影像中的相应端元,利用光谱角来判定是否为纯端元。最后,遍历上述方法至所有分割影像以获取最终的端元集合。使用模拟数据和真实的高分五号高光谱数据对提出的方法进行实验验证。实验结果表明,空谱协同多尺度顶点成分分析方法可提取高精度的纯净端元,且计算效率较高。

高光谱影像空-谱协同嵌入的地物分类算法

针对传统高光谱影像地物分类算法大多仅考虑光谱信息而忽略空间邻近像元间相关性的问题,提出了一种空-谱协同嵌入(SSCE)降维算法和空-谱协同最近邻(SSCNN)分类器。首先,定义一种空-谱协同距离,并将其应用于近邻选取和低维嵌入;然后,构建空-谱近邻关系图来保持数据中的流形结构,并在权值设置中增大空间近邻点的权重以增强数据间的聚集性,提取鉴别特征;最后使用SSCNN分类器对降维后的数据进行分类。利用PaviaU和Salinas高光谱数据集进行试验验证,结果表明,与传统的光谱分类算法相比,该算法能有效提高高光谱影像的地物分类精度。

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.