基于核光谱角余弦的高光谱图像空间邻域聚类方法

针对高光谱图像分类精度对光谱角余弦阈值非常敏感的问题,提出了一种新的光谱相似性度量方法,即核光谱角余弦.论文给出了核光谱角余弦的定义及求解式;分析了多项式核函数参数对核光谱角余弦影响,设计了以核光谱角余弦作为相似性度量的空间邻域聚类方法.对深圳红树林高光谱图像的仿真结果表明,基于核光谱角余弦完成空间邻域聚类时,阈值取值区间大小约为现有基于光谱角余弦的阈值取值区间大小的9倍.

结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法

支持向量数据描述方法在高光谱图像小异常目标检测中具有较好的检测性能,但是待检异常的几何形状受到约束和背景的选择具有盲目性影响检测效果,且检测需要对整幅图像进行遍历导致计算量大。提出邻域聚类分割和支持向量数据描述相结合的异常检测方法,首先利用邻域聚类方法分割图像,将几何尺寸小的分割块作为潜在异常目标;其次选择与潜在异常的形状和大小相适应的背景窗进行背景像元收集;最后采用SVDD方法从潜在异常中快速且准确地检测出异常目标。对HYMAP图像的实验结果表明,该算法提高了复杂地物背景下异常的检测性能,降低了SVDD用于高光谱图像异常检测的计算量。

自适应邻域密度聚类及事故黑点识别应用

聚类作为识别交通事故黑点的主要方法之一,其主要问题是交通事故多发区事先无法确定,即无法提前知道聚类簇数。利用样本点之间的连接概率定义了数据点的局部密度,根据局部密度大小来确定聚类中心和簇数,再对数据点进行聚类。结果表明:一是算法对参数不敏感,具有较好的通用性;二是算法能自动确定聚类簇数;三是算法聚类过程只依赖局部密度与邻接点,能够识别噪声点,提升结果的准确性。运用算法在一些真实数据集上进行试验,将聚类结果与其他算法结果利用评价指标ARI(Adjusted Rand Index)和NMI(Normalized Mutual Information)进行比较。最后利用算法对美国6个州的交通事故进行聚类,结果表明算法对交通事故有较好的适应性,能将城市及周边道路上事故密集区域准确识别出来。

基于DBSCAN的动态邻域密度聚类算法

传统的密度聚类算法在聚类划分时不会考虑数据点间的属性差异,它将所有数据点都看成同质化的点。对此,在DBSCAN算法的基础上,提出了一种动态邻域密度聚类算法DN-DBSCAN(Dynamic Neighborhood-Density Based Spatial Clustering of Applications with Noise)。该算法在聚类时由样本点的属性决定其自身的邻域半径,因此各点的邻域半径是动态变化的,由此可将具有不同属性的点对集群产生的不一样的影响力体现在聚类结果之中,使密度聚类算法更具有现实意义。在算例分析的基础上,针对长三角城市群划分问题应用所提DN-DBSCAN算法进行分析求解,并对比分析DBSCAN算法、OPTICS算法和DPC算法的求解效果。结果显示,DN-DBSCAN算法能根据各城市属性的不同合理地划分出长三角城市群,准确率为95%,准确率分别高于上述3种对比算法85%,85%,88%,说明其具有更好的解决实际问题的能力。

基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。随着高光谱遥感影像的空间分辨率的增加,高光谱影像中相同类别的地物在空间分布上呈现聚类特性,将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。但是,高光谱影像的高分辨率提供空间聚类特性的同时,在不同地物边缘处表现出的差异性更加明显,若不对空间邻域像素进行甄选,直接将邻域光谱信息引入,设计空谱联合稀疏表示进行图像分割,则分类误差较大,收敛速度大大降低。将光谱角引入空谱联合稀疏表示图像分类理论中,提出了一种基于邻域分割的空谱联合稀疏表示分类算法。该算法利用光谱角计算相邻像素的空间相似度,剥离相似度较低的邻域像素,将相似度高的邻域像素定义为同类地物,引入空谱联合稀疏表示模型中,采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解,以最小重构误差为准则进行分类。选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真,从中可以看出,随着光谱角分割阈值的提高,复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高,表明邻域分割在空谱联合稀疏表示分类中的必要性。

基于邻域旋跳迭代机制的无线传感器网络节点定位

针对无线传感器网络(WSN)测距过程中的多维动态弹性测距问题,提出一种基于邻域旋跳迭代机制的节点定位算法。对WSN中的节点进行邻域聚类,将一阶邻域节点与二阶邻域节点作为网络邻域,根据邻域半径的排斥与吸引情况实现网络节点的定位,并通过迭代机制实现误差的最小化,最终获得精确的节点位置坐标。仿真结果表明,与基于RSLM机制的节点定位算法和SOCP网络节点定位算法相比,该算法能有效降低多维测距中的节点位置误差和网络控制开销,并提高节点定位精度和网络分组投递率。

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。

基于区域特征光谱的自组织特征映射神经网络高光谱图像主成分提取方法

非监督分类算法用于高光谱图像主成分提取时存在分类精度受数据分布状态和噪声影响大的缺点,导致提取效果差。论文提出基于空间信息的神经网络非监督分类主成分提取算法,该算法首先通过空间邻域自动聚类提取区域特征光谱替代像元光谱作为自组织特征映射神经网络的训练样本,经过训练神经网络自适应获取高光谱图像地物类别特征,最后通过对光谱矢量聚类完成主成分的统计和提取。论文提出采用区域特征光谱替代单象元光谱作为训练样本有效抑制了噪声对分类结果的影响,同时显著减少了神经网络的数据处理量,使主成分得到快速准确地提取。对深圳红树林自然保护区高光谱图像的仿真结果表明:神经网络训练样本数降低了约95%,更重要的是算法快速准确地提取了主成分,提取效果明显好于K-均值算法。

基于主成分建模的SVDD高光谱图像异常检测

针对SVDD背景建模时混入异常点造成的检测率下降的问题,提出了基于主成分建模的SVDD方法并应用于高光谱图像异常检测。利用高光谱图像的光谱特征提取背景的主要成分,并分别对不同成分构建超球体,形成单种背景成分SVDD模型,最后利用综合决策函数对单个SVDD背景模型进行综合判断待检测像元,从而实现高光谱图像异常像元的检测。用仿真数据和真实数据对算法的性能进行验证,并将其与SVDD方法进行性能比较。结果表明,新算法在低虚警概率下较之SVDD模型有更高的检测概率,实验结果证明了算法的有效性。

基于海杂波特性的主动声呐检测前跟踪技术研究

根据目标与虚警在时域、空域和回波能量上所表现出的不同特性,提出了基于海杂波特性的主动声呐检测前跟踪算法,以建立运动目标的起始航迹。利用空域邻域聚类的亮点预处理和基于LRDT的目标检测与航迹提取的两步处理,较大程度的抑制虚警、提高检测概率并生成初始目标航迹。