一种利用空间和光谱信息的高光谱遥感多分类器动态集成算法

针对高光谱遥感影像分类面临的小样本、分类器不稳定等问题,在总结现有多分类器动态集成算法的基础上,提出了一种利用空间和光谱信息的多分类器动态集成算法。首先,采用支持向量机等5个基分类器构建多分类器集合;其次,计算各个分类器的分类结果,将大多数分类器分类一致的像元列入样本数据;最后,根据待分类像元的邻域像元的标签分类情况,动态地选择合适的方式进行分类器集成。该算法只在空间邻域信息满足一定条件的情况下,才采用空间和光谱信息结合的方法进行处理,即利用空间信息提高算法的灵活性。采用2幅不同传感器的高光谱遥感影像数据对算法进行实验,并与现有5种多分类器动态集成算法进行对比分析。结果表明,本文提出的多分类器动态集成算法可以保持较高的分类精度,并能有效提升高光谱遥感影像分类的稳定性,对于推动高光谱遥感精细分类研究具有一定的理论和实用价值。

基于不规则尺度区域光谱信息的高光谱图像亚像元定位

亚像元定位技术可以分析混合像元,并实现从丰度图像到亚像元级精细土地覆盖定位图像的转换。然而,传统的亚像元定位方法所使用的光谱信息通常在指定的矩形局部窗口中构造,并且很少使用所有波段的光谱信息,影响了亚像元定位的性能。为了解决这一问题,本文提出了一种基于不规则尺度区域光谱信息的高光谱图像亚像元定位方法(SIISA)。在三幅遥感图像上的实验结果表明,所提出的SIISA优于现有的亚像元定位方法。

结合空间—光谱信息的快速自训练高光谱遥感影像分类

自训练方法被广泛应用于高光谱影像分类任务中以解决标记样本获取困难的问题。传统的自训练方法不仅忽略了高光谱影像所能提供的空间信息,导致最终分类精度受到影响;同时在每次迭代过程中都需要完成一次对未标记数据的分类任务,导致需要大量的时间成本。因此,针对上述问题,本文提出了一种基于空间—光谱信息的快速自训练方法用于高光谱影像分类。与传统的自训练方法不同,该方法在迭代过程中使用空间—光谱信息对未标记数据进行筛选完成标记样本的扩充,而不是使用分类器对未标记样本进行分类。首先针对初始标记样本使用空间邻域块选择空间近邻点,然后使用自适应阈值对空间近邻点进行二次筛选得到空谱近邻点赋予标记,最后根据扩充后的标记样本对分类器进行训练完成分类任务。结果表明,在Washington DC Mall Subimage高光谱数据集中每类分别选择2个和10个训练样本时,整体分类精度分别达到了93.17%和95.43%;而在Indian Pines数据集中整体分类精度分别达到了59.75%和86.13%。我们提出的结合空间—光谱信息的快速自训练方法和对比方法相比,我们的方法有明显的提升。

基于高光谱激光雷达的多视角木叶三维重建研究

高光谱激光雷达(HSL)能实现空间-光谱信息的同步采集,为树木的木叶三维重建提供了可能。利用自研的HSL系统获取不同视角的树木点云数据,进行了多视角下的木叶分离,并根据分离结果完成了的木叶三维重建。针对传统最近邻迭代(ICP)算法严格的点云初始条件需求,提出了改进的点云配准方法。首先,采用快速点特征直方图(FPFH)描述点云的局部特征,然后基于随机抽样一致性(RANSAC)算法实现不同视角点云的粗配准,最后利用ICP算法实现精配准。在选出特征通道的基础上,利用随机森林(RF)和支持向量机(SVM)完成木叶分离,最终完成木叶三维重建。实验表明,在15°和30°的视角差下,提出的改进点云配准方法均达到较好的配准精度,同时基于特征通道选择的RF方法木叶分离准确度分别达到98.17%和98.87%。

加权的判别性协同表示方法用于高光谱遥感图像分类

针对现有协同表示算法应用在高光谱遥感图像分类过程中出现的较差分类精度的问题,提出了一种基于加权判别性协同表示的分类算法。提出的算法对高光谱图像进行基于空间邻域的平滑化处理以消除图像中的噪声和异常光谱。通过考虑训练样本和测试样本的相关性提出基于相关性的加权正则项;通过考虑不同类别训练样本重构给定测试样本的误差进一步提出了基于最小重构误差的正则项。在Indian Pines和University of Pavia两种真实数据集上的实验结果表明,所提出的算法相比其他典型的基于协同表示的分类算法具有更高的分类精度,分别能获得98.2%和95.70%的总体精度。实验证明,所提出的分类器算法有效改善了现有基于协同表示的高光谱图像分类方法的低精度问题。

基于三维Saab变换的高光谱图像压缩方法

高光谱图像中存储了丰富的光谱信息,具有极大的应用价值,但现有大部分高光谱图像压缩方法难以同时兼顾图像中的空间冗余与谱间冗余,导致压缩性能受到局限。针对该问题,提出了一种基于三维修正偏置的子空间(Saab)变换的高光谱图像压缩方法。采用三维Saab变换对高光谱图像的分块进行空间光谱信息融合的降维操作,同时去除谱间冗余和局部空间冗余;利用高效率视频编码(HEVC)中的帧内编码模块进一步去除空间冗余和统计冗余;实现低失真、高比率的高光谱图像压缩。在多个高光谱图像数据集上的实验结果表明,所提方法在同码率下重建图像的信噪比(SNR)比采用主成分分析(PCA)降维的方法至少提高0.62 dB,在高码率的情况下性能优于张量分解的压缩方法。同时,验证了不同降维方法对分类任务的性能影响,结果表明,所提方法更好地保留了图像中的重要特征,在低码率的情况下仍可以保持较高的分类精度。

一种用于高光谱图像分类的空谱协同编码方法

针对现有基于协同表示的分类算法对于高光谱遥感图像的空间光谱信息利用不充分而造成较低分类精度的问题,该文提出一种空谱协同编码方法用于高光谱图像分类。算法首先利用空间光谱信息对图像进行加权滤波。随后,对于协同编码模型,将空间光谱信息转化为空间光谱权重以对模型进行正则约束。在Indian Pines和University of Pavia真实数据集上的实验结果表明提出的算法能分别获得98.82%和99.09%的总体精度。实验证明了所提出的算法对高光谱遥感图像进行分类的有效性。

面向高光谱图像分类的局部Gabor卷积神经网络

针对高光谱图像特征利用不足的问题,提出了一种新的基于空谱联合特征的高光谱图像分类方法。该方法首先利用主成分分析(Principal Component Analysis,PCA)和线性判别分析(Linear Discriminant Analysis,LDA)对高光谱图像进行组合降维;其次引入Gabor核,设计了一种基于Gabor核的卷积(Local Gabor Convolutional,LGC)层;最后基于LGC层设计了一个新的卷积神经网络(Local Gabor Convolutional Neural Network,LGCNN)进行分类。在Indian Pines和Salinas Scene数据集上对所提方法进行验证,并将其与其他经典分类方法进行比较。实验结果表明,该方法不仅能大幅度减少可学习的参数,降低模型复杂度,而且具备较好的分类性能,其总体精度达到99%,平均分类精度达到98%以上,Kappa系数达到98%以上。

一种新型基于利用全色锐化技术的插值高光谱图像亚像元定位

利用全色锐化技术提出了一种新型基于插值的高光谱图像亚像元定位方法。在该方法中,在现有的基于插值的亚像元定位方法处理路径中加入一条新的处理路径。首先,在新的处理路径中利用全色锐化技术对原始粗高光谱图像的空间分辨率进行改进,通过对改进后的图像进行光谱解混得到新型精细丰度图像。其次,将新路径下产生的新型精细丰度图像与现有路径下的精细丰度图像进行融合,得到具有更多空间-光谱信息的更精细丰度图像。最后,根据更细分数图像的预测值,类别分配方法给每个亚像元分配类标签,得到最终的定位结果。实验结果表明,该方法比现有的基于插值的亚像元定位方法产生具有更高的定位精度。

Local information enhanced LBP

Based on the observation that there exists multiple information in a pixel neighbor,such as distance sum and gray difference sum,local information enhanced LBP(local binary pattern)approach,i.e.LE-LBP,is presented.Geometric information of the pixel neighborhood is used to compute minimum distance sum.Gray variation information is used to compute gray difference sum.Then,both the minimum distance sum and the gray difference sum are used to build a feature space.Feature spectrum of the image is computed on the feature space.Histogram computed from the feature spectrum is used to characterize the image.Compared with LBP,rotation invariant LBP,uniform LBP and LBP with local contrast,it is found that the feature spectrum image from LE-LBP contains more details,however,the feature vector is more discriminative.The retrieval precision of the system using LE-LBP is91.8%when recall is 10%for bus images.

多层感知卷积神经网络的国产多光谱影像分类

联合像元谱段信息与空间结构特征,提出一种适用于多光谱遥感影像像素级分类的多层感知卷积神经网络(MPCNet),并基于吉林1号光谱卫星(Jilin-1GP)影像,在印度纳西克研究区对地表覆盖分类算法进行性能测试。为保证实验的高可靠性,在相同时间段结合Landsat8、Sentinel-2A及HJ-1A影像进行同步分类来定性与定量评估。除此之外,选取三个当前流行算法支持向量机(SVM)、LightGBM、浅层卷积神经网络(CNN)进行算法性能比较。实验结果表明,在Jilin-1GP影像上的总体分类精度可达94.0%~95.8%,Kappa系数达到0.932~0.948。相比准确率较高的浅层CNN,MPCNet的总体分类精度提升3.7个百分点。

三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类

高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。