面向目标检测的视觉注意机制波段选择研究

近年来,波段选择在高光谱图像降维处理中得到了广泛地应用,然而常用的数据降维方法并没能将与人类视觉系统相关的信息进行有效利用,如果将人类与生俱来的视觉注意机制能力应用到高光谱图像中目标的视觉显著性特征的增强或识别,对于高光谱图像的目标检测研究无疑会产生相当的促进作用。研究提出引入视觉注意机制理论应用于波段选择研究,构建面向目标检测应用的视觉注意机制波段选择模型。通过分析计算波段图幅的目标与背景的可识别程度,量化所在波段对地物目标与背景的判别能力,提出了基于目标视觉可识别度的波段选择方法;利用LC显著性算法进行空间域的视觉显著性目标分析,计算背景与目标的显著性差异绝对值,提出基于LC显著目标结构分布的波段选择方法。将这两种方法结合提出的改进子空间划分方法,建立面向目标检测的视觉注意机制波段选择模型,并经高光谱遥感AVIRIS San Diego公开数据集进行目标检测实验验证,结果表明所提出的基于视觉注意机制的波段选择模型对于目标检测应用具有较好的检测效果,实现了数据降维和高效的计算处理。

Spark平台下基于互信息计算的高光谱图像波段选择方法

随着遥感成像技术的发展和普及,高光谱图像中大量的波段使得大多数应用研究遇到休斯现象。而且随着高光谱图像数据量的快速增长,现有的传统串行算法计算复杂度较高,难以处理高维海量高光谱图像数据。针对以上问题,提出Spark平台下基于互信息计算的波段选择算法。利用熵和互信息理论定义波段相关性和多重相关性;基于Spark RDD编程模型设计数据列变换,将数据集划分为列矩阵,以降低计算负载;在Spark平台下对算法并行化,提高算法执行效率。实验结果表明,提出的算法达到了94.5%±0.5的整体分类精度,且加速性能良好,改善了数据可扩展性。

高光谱影像逆近邻密度峰值聚类的波段选择算法

密度峰值聚类波段选择算法利用局部密度描述波段的密度信息,然而现有的局部密度容易忽略波段分布的全局信息,不能有效描述波段的分布特征,导致波段子集分类精度有限。为解决上述问题,本文提出一种基于逆近邻的密度峰值聚类波段选择算法。首先,利用波段与其K近邻构建K近邻有向图,获取波段的逆近邻,以及波段之间的共享近邻和共享逆近邻;然后,利用共享近邻和共享逆近邻并集的个数作为波段之间的相似度,利用波段与其逆近邻的平均欧氏距离和相似度构造增强型局部密度;最后,将增强型局部密度、距离因子、信息熵三者的乘积作为权重值,根据权重值挑选波段子集。为提高试验效率和实用性,本文算法还提出一种自动获得K值的自适应K值方法。在3个高光谱标准数据集上的试验结果表明,本文算法得到的波段子集比其他先进算法挑选的波段有更好的分类性能,尤其是在波段数较少的情况下,而且计算效率较高。

基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究

为提高冬小麦叶面积指数(LAI)的遥感估测精度,以实现其无损快速测定目标,在田块尺度设置多年定点不同冬小麦品种氮梯度试验,测定其不同生育时期冠层高光谱数据和LAI,通过原始冠层光谱数据与一阶导数预处理(first-derivative, FD)组合竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)、无信息变量消除(uninformative variable elimination, UVE)和随机蛙跳(random frog, RF)三种特征波段选择方法进行偏最小二乘回归(partial least squares regression, PLSR)高光谱估测模型构建。结果表明,一阶导数预处理在简化波段数量和提升模型精度上具有较好作用。经过与全波段数据及六种组合内部建模预测精度对比,RF在简化波段方面效果最好,FD-RF组合筛选波段数量为6个,建模的R^(2)和RMSE分别达到0.850和0.730,预测的R^(2)和RMSE分别为0.704和1.005;FD-CARS组合达到了最佳建模精度,R^(2)和RMSE分别为0.876和0.641;FD-UVE组合达到了最佳预测精度,R^(2)和RMSE分别为0.755和0.672。这说明基于特征波段选择可以进行冬小麦叶面积指数高光谱遥感模型建立与有效估测。

基于光谱信息散度-光谱角的自适应密度峰值聚类波段选择方法

针对传统密度峰值聚类在波段选择时缺乏信息论角度的相似性度量以及波段数目确定问题,提出基于光谱角-光谱信息散度的自适应密度峰值波段选择方法(SSDPC:Spectral angle mapping and Spectral information divergence Density Peaks Cluster)。该方法将光谱信息散度和光谱角用于高光谱图像密度峰值聚类进行波段选择,取代传统的欧氏距离构建波段相似矩阵。通过构建波段评分策略,有效自动选择出重要的光谱波段子集。在3组高光谱数据集上调用RX(Reed-Xiaoli)算法进行异常检测,在SSDPC的相似性度量方法下,异常检测精度较欧氏距离度量方法分别平均提高1.16%、1.18%和0.07%;在自适应的SSDPC波段选择方法下,异常检测精度相较原始RX算法分别提升6.49%、2.71%和0.05%。结果表明,该算法具有良好的鲁棒性,能提升高光谱图像异常检测的性能并降低其虚警率。

短程硝化过程的光谱特征波段选择与间隔偏最小二乘法建模

序批式活性污泥反应器(SBR)是目前应用较广的活性污泥处理装置。通过SBR反应器处理人工模拟高氨氮废水研究短程硝化反应系统启动过程中硝酸盐氮和亚硝酸盐氮含量的变化,利用紫外光谱采集所得数据为基础建立模型,以期快速预测SBR反应器出水中硝酸盐氮、亚硝酸盐氮含量。采用实验室配置的不同浓度硝酸盐氮和亚硝酸盐氮混合溶液,以三种不同波段选择的区间偏最小二乘法(iPLS)构建标准混合液的校正模型。研究结果显示,所建模型对混合液中硝酸盐氮和亚硝酸盐氮实测值与预测值相关性均较好。测定反应器出水指标,同样以三种不同波段选择的偏最小二乘法算法构建紫外光谱与硝酸盐氮和亚硝酸盐氮含量的模型。利用校正集相关系数、交叉验证均方根误差(RMSECV)、预测集的相关系数以及预测均方根误差(RMSEP)评价指标来评价模型结果。在iPLS、siPLS、biPLS三种模型中利用联合区间偏最小二乘法(siPLS)将全光谱分别等分为24、19个区间时,分别联合子区间[24]、[38]建立的模型预测拟合结果最优,其校正模型r=0.9393、RMSECV=1.6504,r=0.9507、RMSECV=0.4421,预测模型r=0.9992、RMSEP=1.3418,r=0.9119、RMSEP=2.6770。该模型对硝酸盐氮和亚硝酸盐氮的预测效果总体较好,表明利用紫外光谱建立区间偏最小二乘法模型可以实现对短程硝化反应器出水硝氮和亚硝氮含量的快速预测。

基于改进哈里斯鹰优化算法的光谱特征波段选择模型研究

特征波段选择是近红外光谱分析的关键步骤之一,有效的特征波段选择能提高建模效率与模型性能。传统的特征波段选择算法存在运行时间长、选择特征冗余的缺陷,在实际工程应用中难以达到期望的效果。哈里斯鹰优化(HHO)算法具有原理简单、参数少的优点,但同时也存在收敛精度低且易陷入局部最优的不足。在HHO算法的基础上提出了一种基于改进哈里斯鹰优化(IHHO)算法的近红外光谱特征波段选择模型。针对HHO算法只能用于求解连续空间的优化问题,采用离散化策略对HHO算法进行修正,使其能求解离散形式的特征波段选择问题;考虑到HHO算法初始种群的质量差,使用混沌映射、反向学习提高初始种群的质量,以增强算法的全局探索能力;由于HHO算法在局部搜索时的收敛精度低,提出了新的猎物能量衰减模型与跳跃策略,以进一步增强算法在局部搜索时的寻优能力;为避免算法在寻优过程中落入局部最优,借鉴了遗传算法的变异方式对HHO算法进行扰动。使用竞争性自适应重加权采样法(CARS)、连续投影算法(SPA)、粒子群优化(PSO)算法、遗传算法(GA)、 HHO算法与IHHO算法进行比较,并以4个定性分析近红外光谱数据集与2个定量分析近红外光谱数据集分别建立了支持向量机(SVM)识别模型和偏最小二乘回归(PLSR)模型。在定性分析实验中,IHHO算法得到的平均准确率相对于全波段时分别提高了0.83%、 9.55%、 17.65%以及0%,平均特征波段数仅占全波段的9.97%、 2.59%、 1.36%以及0.59%。在定量分析实验中,IHHO算法得到的平均决定系数分别较全波段提高了10.57%、 1.47%、 4.41%、 3.66%以及3.06%,平均均方根误差分别较全波段较低了0.162、 1.266 3、 1.868、 1.869 4以及0.408 4,平均特征波段数仅占全波段的9.24%、 10.53%、 6.54%、 6.91%以及7.14%。实验结果表明,IHHO算法在选择特征波段时能够去冗余,针对性选择最重要的特征波段,其性能均优于比较的几种算法。IHHO算法具有良好的应用前景。

基于ResNet的高光谱图像波段选择方法

高光谱遥感图像具有丰富的光谱信息,但其波段数量庞大,导致数据冗余和计算复杂度增加,限制了其在实际应用中的效率。针对该问题,本文提出了一种基于ResNet的波段选择方法BSNET_ResNet,通过深度学习技术挖掘高光谱图像的光谱和空间信息,同时降低数据维度。BSNET_ResNet方法由波段特征提取模块和波段重构模块组成。在特征提取模块中,利用卷积神经网络对高光谱图像进行前置处理,以增强数据质量并提取关键特征。波段重构模块则基于特征提取模块的输出,对提取的特征进行放大和还原,以恢复原始波段数。通过计算不同波段的权重,BSNET_ResNet能够选择出最具代表性的波段,从而在保证信息完整性的同时降低数据冗余。

基于最大信息量的高光谱遥感图像无监督波段选择方法

提出一种基于最大信息量的高光谱遥感图像无监督波段选择方法.该方法以在所选择的波段中保留原数据中所包含的最大信息量为目标,并采用逐个移除波段的方式来实现.算法使用K-L散度来定量表示信息量的大小,并通过信息量在整个数据集中的分布情况来决定所移除的波段.与传统方法相比,具有物理意义明确、计算过程简单的优点,同时还能够完全自动地完成任务,实现无监督的波段选择.

采用杂波模型进行天基目标红外探测波段的选择

为了及时发现导弹目标,美国国防支援计划(DSP)系统采用了大气吸收波段进行探测。本文对该系统的波段设置及其选择方法进行了探索性研究,提出了一种基于背景杂波模型的波段选择方法。推导了简化的场景辐射参数表达形式,建立了场景空间杂波辐射模型,分析了中短波红外吸收波段内背景杂波辐射的主要影响因素,给出了综合信噪比解析式。然后,在可能的目标辐射特性与背景杂波水平内选择出最佳工作波段,使得探测系统对辐射特性相似的一类目标的综合探测性能达到最佳。最后,通过算例说明了该方法的有效性。计算分析表明,系统最佳探测波段与场景的杂波辐射水平以及目标的辐射特征密切相关。在不同的杂波水平下,对两种发动机喷焰的目标探测时,DSP的最佳工作波段为2.73～2.85μm与4.2～4.43μm。

一种基于改进子空间划分的波段选择方法

高光谱图像具有光谱分辨率高、波段连续、数据量大、图谱合一等特点。然而较高的光谱分辨率会造成波段间相关性强,信息冗余多。所以如何从数百个高光谱波段中选出有利于识别或分类的波段组合成为了高光谱应用需要解决的问题。文章针对相邻波段间相关性较大的特点,提出一种改进的对波段相关矩阵进行全局搜索的子空间划分的波段选择方法。该方法克服了传统只利用相关向量对波段进行划分的缺陷,利用整个相关矩阵进行全局搜索划分,再在划分后的子空间内进行波段选择,从而降低了波段之间的相关性。文章最后使用上述方法对AVIRIS数据进行波段选择,并通过SVM方法对其进行地物分类,结果表明该方法较不进行子空间划分的波段选择方法有较高的分类精度。

高光谱图像融合最佳波段选择方法

针对高光谱图像高数据维给图像处理带来的困难和影响,本文构造了高光谱图像融合的最佳波段选择新模型—联合偏度-峰度指数(Joint Skewness-Kurtosis figure,JSKF)模型,利用JSKF指数进行自适应子空间的分解和波段选择,降低高光谱数据维数;并将选择出的最佳波段组合进行了融合,实验结果表明,该方法所选择的波段信息差异较大、互补特征明显,融合后图像包含的信息量丰富,效果优于传统的自适应波段选择方法和主成分分析累计贡献率方法。

成像光谱数据的光谱信息特点及最佳波段选择——以北京顺义区为例

波段宽度为纳米级的成像光谱数据 ,具有几十乃至几百个光谱通道 ,它们各有不同的特点。如何根据具体的应用目的 ,在这众多的波段中选择出最佳波段 ,对于有效地进行成像光谱数据的处理、分析及信息提取是至关重要的。本文以北京顺义区成像光谱数据为例 ,首先根据所有通道的相关性 ,将其分为若干组 ,然后通过全面分析成像光谱数据的光谱信息特征 ,在综合考虑各波段的信息含量、波段间的相关性、波段的可分性以及地物光谱的吸收特性等因素的基础上 ,提出了面向对象的选择成像光谱数据最佳波段的基本思路和方法。

基于光谱波段自相关的水稻信息提取波段选择

通过大田试验，使用ASD光谱仪测量水稻不同生育期的冠层光谱，将光谱以10nm为步长进行合并，再将不同日期光谱的所有波段组合计算相关系数平方（R^2），生成R^2矩阵，并绘制R^2分布图。根据R^2越大，光谱波段之间冗余信息越多，R^2越小，水稻光谱波段信息含量越多的原则，在所有测量日期中选择出前100个R^2最小值对应的波段，将这些波段进行统计分析。结果表明，可见光区域各个波段之间和红外（近红外和短波红外）区域各个波段之间都含有大量冗余信息。水稻信息量丰富的波段主要集中在可见光的长波波段，红边波段，近红外第一和第二峰值波段，以及短波近红外第一峰前区（1530nm附近）和第二峰值区（2215nm附近）。比较水稻与其他植被对于最优波段的选择，400-410，630-650和1520-1540nm三个波段区间表现为水稻信息提取较为独特的波段。

高光谱遥感图像最优波段选择方法的研究进展与分析

随着成像光谱仪的发展日益成熟,高光谱遥感图像的研究已进入到一个新的阶段--对获取的高光谱数据进行有效处理和利用的阶段。目前的处理方法主要集中在对高光谱图像的数值分析处理上,比如大气校正、降低数据维数、信息提取、分类与目标探测等方面。高光谱图像相邻的波段之间一般具有较大的相关性,并不是所有的波段对于后续处理都有着同等的重要性,通过选择最优波段而组成新的高光谱图像空间,在不损失重要信息的条件下可以代表其他波段的信息。因而需要在更合理的数学模型的指导下,按照一定的准则,来决定最佳波段的选择问题。对目前国内外高光谱图像的各种波段选择方法进行了综合归纳和分析,力图为高光谱图像处理寻找突破点,加强此领域的研究力度。

高光谱影像波段选择算法研究

基于高光谱影像数据的特点,分析了高光谱数据的降维方法。着重探讨了波段选择的若干算法:熵及联合熵、最佳指数因子、自动子空间划分、自适应波段选择、波段指数和最优波段指数等算法。分析了各种算法的有效性、局限性和计算复杂度,并针对波段指数的不足,设计了最优波段指数(OBI)波段选择新算法。最后通过具体的试验,验证了各种算法的性能。

一种基于主成分分析的高光谱图像波段选择算法

提出了一种基于主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标,因此,可以保证选择的波段包含原始图像绝大部分信息,而且指标的计算只需要得到原始数据的协方差阵,而不必对原始数据进行真正的主成分变换,极大的降低了计算量。贝叶斯和K-均值分类实验表明,该算法是有效可行的。

森林树种高光谱波段的选择

高光谱是遥感技术发展的一个重要方向,也是地物识别的重要手段。本研究利用地物光谱仪对杉木、雪松、小叶樟树和桂花树4个树种进行高光谱数据测量,探索不同树种在不同波段上的识别能力。研究采用了逐步判别分析法和分层聚类法对实验数据进行数据分析。结果表明:逐步判别分析法选择的波段主要位于红、绿、蓝、和近红外区;分层聚类法选择的波段除了红、绿、蓝、和近红外波段外,还增加了蓝-绿边缘、绿-红边缘和红边区的波段。所选择的波段比原始波段在树种识别时具有更高的精度,最高识别精度达96.77%;边缘区波段对树种的识别有重要作用;用对数-微分变换处理较其他方法处理对树种识别有更好的效果。

利用独立成分分析的高光谱图像波段选择方法

提出一种适合目标探测的基于独立成分分析(ICA)的高光谱图像波段选择方法。首先进行"虚拟维"(VD)估计以确定重要独立成分个数,同时对FastICA生成的独立成分排序,选择排序靠前的几个独立成分作为重要独立成分;再根据波段对重要独立成分的平均贡献量对波段排序;最后使用光谱相似性度量去除排序后的冗余波段,保证了最终波段子集含有较多的目标信息。对AVIRIS获取的两幅真实高光谱图像进行了目标探测实验,结果表明,文中方法优于另外两种基于二阶统计特性的波段选择方法,其选出的波段分别占据全部波段的12%和3%,目标探测算子自适应余弦估计(ACE)和自适应匹配滤波(AMF)其上的探测率较全波段分别提高了30%和15%。

基于波段聚类的高光谱图像波段选择

为使无监督的波段选择能够更好地保留高光谱图像的信息,提出一种基于波段聚类的高光谱图像无监督波段选择方法.首先,计算高光谱图像各波段间的互信息,以此衡量各波段间的相关程度;然后,根据各波段间的互信息,对波段集合进行聚类;通过迭代使得各波段分组自动地聚集在信息量较大且具有代表性的波段周围,直到各聚类中心不再变化,则聚类结束.通过波段聚类过程保证了冗余波段的去除和有用信息的保留,最后,以各聚类中心波段作为所选的波段组合.实验结果证明,与传统方法相比,使用文中的方法选择波段,能够更有效地保留光谱信息,得到更高的分类精度.