少样本条件下高光谱图像空-谱特征分析

在高光谱图像(HSI)分类中,由于标记样本的获取十分耗时耗力,少样本问题一直是该领域的重要研究问题之一.本文先对HSI进行多种空间特征提取,并将这些特征与谱特征融合,以形成多种空-谱特征.然后对多种空-谱特征及其融合进行了实验对比分析.在3个基准HSI数据集上的实验结果表明,在少样本条件下,空-谱特征融合下的HSI分类精度显著高于仅用谱特征的分类精度;多空-谱特征融合方法的分类精度显著优于单一空-谱特征方法的分类精度.

基于空-谱融合网络的高光谱图像分类方法

针对高光谱图像分类中提取的空-谱特征表达能力弱及维数较高的问题,提出一种基于空-谱融合网络(SSF-Net)的高光谱图像分类方法。首先,利用双通道卷积神经网络(Two-CNN)同时提取高光谱图像的光谱和空间特征;其次,使用多模态压缩双线性池化(MCB)将所提取的多模态特征向量的外积投射到低维空间,以此产生空-谱联合特征。该特征融合网络,既可以分析光谱特征和空间特征向量中元素之间的复杂关系,同时也避免对光谱和空间向量直接进行外积计算,造成维数过高、计算困难的问题。最终实验表明,与现有基于神经网络的分类方法相比,所提出的高光谱图像分类算法能够获得更高的像元分类精度,表明该网络所提取的空-谱联合向量对高光谱图像具有更强的特征表达能力。

空谱特征分层融合的高光谱图像特征提取

利用基于光谱维的特征提取方法将原始高光谱图像数据降到一定维数,对降维后的数据采用多尺度自适应加权滤波器(adaptive weighted filters,AWF)进行滤波,将在所有尺度上得到的滤波结果分层融合为新的图像,设计了分层融合框架,有效提取出了高光谱图像中重要的空谱特征,从而提高了分类精度。又将主成分分析(principal component analysis,PCA)算法融入到该框架中,提出了分层融合-主成分分析(hierarchical fusion principal component analysis,HF-PCA)算法。该方法不仅降低了波段间的冗余性,而且削弱了样本的类内差异性,提高了高光谱图像的分类精度。在Indian Pines和Salinas数据库上的实验结果表明,即使在训练样本数量较少的情况下,由HF- PCA算法得到的分类精度明显高于其他算法,2种数据总体分类精度的最大值分别为86.73%和95.01%,有效提高了高光谱图像的分类精度。

基于空谱分组卷积密集网络的高光谱图像分类

针对高光谱图像分类在特征提取过程中高分辨率信息丢失,导致分类精度下降的问题,提出一种基于空谱分组卷积密集网络的高光谱图像分类方法。设计光谱-空间三维分组卷积密集模块,对光谱与空间特征进行分步提取,利用分组卷积构造的密集网络能减少数据固有信息冗余,使高分辨率的特征进行重用,避免细节特征信息丢失;设计光谱残差注意力模块,该模块通过结合空-谱特征计算注意力权重,对提取到的光谱特征进行权重重分配,对光谱信息富有的区域进行增强。实验结果表明,相比于若干最优的深度网络方法,所提高光谱图像分类方法具有更好的分类性能。

基于多层次空-谱融合网络的高光谱图像分类

为了在高光谱图像分类中更好提取和表达光谱与空间的精细特征以及特征间的交互信息,提出一种基于多层次空-谱融合网络的高光谱图像分类方法。首先,利用多层次特征提取模块,分别提取高光谱图像的多层次空间和光谱特征;其次,设计空-谱特征交互融合模块将获得的多层次空间与光谱特征进行特征融合,以产生空-谱融合特征。本文方法可以结合网络中不同层次的空间与光谱特征,有效地捕获高光谱图像精细特征;同时,通过联合学习融合空间与光谱特征,捕获光谱与空间特征之间交互作用。实验结果表明,与现有基于神经网络的分类方法相比,所提出的高光谱图像分类算法能够获得更高的分类精度,表明该网络能有效地提取精细特征和增强空-谱融合特征的表达能力。

基于谱-空-纹特征融合的高光谱影像分类方法

文章提出了一种融合光谱信息,空间信息和纹理信息的高光谱影像分类方法.首先采用主成分分析降低高光谱影像的维度,然后利用灰度共生矩阵从各主成分提取纹理信息,并根据数学形态学特征和光谱信息定义了一种融合谱-空-纹的相似度距离,最后通过伪近邻(pseudo nearest neighbor,PNN)分类器对影像地物进行分类.为了说明所提出方法的有效性,文章对两个常用的具有不同空间分辨率和光谱分辨率的真实高光谱影像数据集进行了相应的实验,试验结果和比较结果表明,利用所提出的方法可以得到较高的分类精度.

基于稀疏图正则矩阵判别分析的高光谱图像分类

光谱和空间信息的联合使用是高光谱图像分类领域的研究热点之一.本文在已有的矩阵判别分析(MDA)模型的基础上,提出了一种基于稀疏图正则的改进模型.在有效融合高光谱图像光谱-空间信息的同时,能充分挖掘无标签样本的信息,从而提升了模型的分类性能.为了验证本文算法的有效性,在两个高光谱数据集上,与多种方法进行了对比.实验结果表明,本文提出的算法优于其他同类算法.

基于超像素分割与卷积神经网络的高光谱图像分类

针对卷积神经网络(CNN)在分类高光谱图像时空-谱特征利用率不足和分类效率低的问题,提出基于超像素分割与CNN的高光谱图像分类方法。首先利用主成分分析(PCA)提取图像的前12个成分后对前3个主成分进行滤波,对滤波后的3个波段进行超像素分割;然后将样本点映射到超像素内,使其以超像素而不是像素为基本的分类单元;最后利用CNN进行图像分割。在两个公共的数据集WHU-Hi-Longkou和WHU-Hi-HongHu上进行实验,实验结果表明,相比仅利用光谱信息的方法,融合空-谱特征信息的方法的精度得到提升,在两个数据集上的分类精度分别达99.45%和97.60%。