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。

半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法(S4LFDA)。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法(FDA)的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。

图像级高光谱影像高分辨率特征网络分类方法

基于深度学习的高光谱影像分类方法通常将高光谱影像切分为局部方块作为模型的输入,这不但限制了长距离空-谱信息关联的获取,还带来了大量额外的计算开销。以全局图像作为输入的图像级分类方法能够有效避免这些缺陷,然而,现有的基于全卷积神经网络特征串行流动模式的图像级分类方法在信息恢复时的细节损失会导致分类精度低、分类图视觉效果差等问题。因此,本文提出一种基于HRNet的图像级高光谱影像快速分类方法,在全程保持高分辨率特征的基础上对影像的多重分辨率特征进行并行计算与交叉融合,从而缓解了传统特征串行流动模式造成的信息损失问题。同时,提出多分辨率特征联合监督和投票分类策略,进一步提升了模型分类性能。利用4组开源高光谱影像数据集对本文方法进行验证,试验结果表明,与现有的先进分类方法相比,本文方法能够取得具有竞争性的分类结果,同时显著减少训练和分类时长,在实际应用时更具时效性。为了保证方法的复现性,笔者将代码开源于https://github.com/sssssyf/fast-image-level-vote。

面向高光谱影像的自监督去噪方法

针对高光谱影像各个波段包含一定噪声的问题,提出一种基于卷积神经网络的高光谱影像自监督去噪方法。该方法无需任何先验信息,仅依靠噪声影像本身进行训练即可完成去噪。首先在高光谱影像中随机选取局部影像块,并对采样的区域进行滤波处理;然后以处理后的影像为输入,将原始影像作为网络优化的目标进行自监督训练。每次训练过程中损失函数的计算将被限制在局部影像块区域内,从而防止网络输出恒等映射。在模拟噪声高光谱数据和真实高光谱数据上的大量实验表明,该方法能够获得比传统方法更好的去噪效果。

有限训练样本下的多尺度空洞密集网络高光谱影像分类

为了在有限训练样本情况下充分提取高光谱影像的空间光谱特征,提高分类精度,提出一种结合空洞卷积和密集网络的高光谱影像分类方法。首先,构建多尺度空洞特征提取模块,引入不同数量的空洞卷积层和普通卷积层通过级联的方式增大模型的感受野,并提取多尺度特征。然后,在多尺度空洞特征提取模块之间建立密集连接,实现特征复用的同时缓解梯度消失问题,而模块内部无密集连接,避免构建深度网络而导致网络参数过多的问题。最后,将得到的特征依次通过池化层,全连接层和Softmax层完成分类。另外,本文在全连接层后加入dropout正则化防止出现过拟合。在Indian Pines和WHU-Hi-Longkou数据集上与经典分类方法进行对比,本文方法 OA分别为98.75%和98.82%。实验结果表明,本文设计的网络模型在有限训练样本情况下,分类效果最优。

IspecHyper多旋翼无人机高光谱影像处理方法研究

为解决IspecHyper(莱森光学)多旋翼无人机高光谱成像系统缺乏数据处理配套软件,采集多航带高光谱数据误差大、坐标缺失、无法自动拼接等问题,以武鸣区太平镇角龙村柑橘种植基地为研究区,开展IspecHyper多旋翼无人机高光谱影像处理方法研究。首先,利用IspecHyper-VM200成像系统获取研究区高清照片和多航带高光谱影像数据;其次,以高清照片为数据源,通过PXI4D Mapper软件预处理和ENVI软件影像几何校正,形成高分辨率无人机正射影像;最后,利用ENVI软件裁剪多航带高光谱影像扭曲边界数据,以无人机正射影像为基准完成几何校正,进而通过影像镶嵌和光谱转换计算,形成高光谱反射率影像产品。结果表明,该研究形成的技术方法可有效解决IspecHyper多旋翼无人机高光谱影像处理存在问题,同时为无人机高光谱影像处理提供技术参考。

高分十四号高光谱影像浅海水深反演应用

当前星载高光谱水深遥感反演应用以国外卫星数据为主,国产卫星数据的研究和应用较少,为挖掘国产高分辨率卫星高光谱影像浅海水深反演潜力,利用高分十四号卫星影像,以我国三亚湾西岛为实验区域,结合实测水深点和ICESat-2激光雷达数据,建立双波段比值水深反演模型,进行高光谱影像的水深反演能力研究。实验结果表明:高分十四号高光谱影像具有较好的浅水水深反演能力和反演精度,实验成果将为国产卫星开展星载高光谱数据水深反演研究提供思路和借鉴。

基于轻量化多尺度特征提取与融合的高光谱影像分类算法

高光谱影像的高精度分类对我国高光谱遥感技术的实际应用具有重要意义。针对现有基于多尺度特征提取的模型普遍存在参数量过高、训练难度大、不利于未来落地应用的问题,文章结合逐通道卷积和膨胀卷积的优势设计了一个轻量化多尺度特征提取模块,并进一步提出基于通道注意力机制的多尺度特征融合模块,实现了用于高光谱影像分类的轻量化多尺度特征提取模型。在2个广泛使用的公开数据集上进行的大量实验表明,文章提出的模型在分类精度以及参数量上都有明显优势。

高光谱影像奇异谱分析特征提取方法:综述与评价

高光谱遥感影像(hyperspectral imagery,HSI)通常包含几十至数百个连续波段,具有图谱合一、光谱连续的特点,能够实现地物的精细分类,被广泛应用农业、林业、城市以及海洋等领域。HSI特征提取是高光谱应用的前提,也是遥感领域的研究热点和前沿课题之一。近年来,奇异谱分析(singular spectrum analysis,SSA)被应用于HSI领域,在光谱特征和空间特征提取方面取得了较好效果,逐渐成为特征提取的一种有效方法。本文首先分析了HSI特征提取的研究进展和存在的问题;其次对SSA方法进行了系统的梳理,分别介绍了光谱域1D-SSA、空间域2D-SSA和光谱-空间组合域SSA 3类方法的作用、效果及优缺点,并在两个公开的HSI数据集和一个高分五号HSI数据上进行了分类效果验证;最后,对SSA特征提取进行了总结,并讨论了未来的研究方向。

三维Gabor和多尺度残差网络的高光谱影像分类

为了减轻高光谱影像分类网络模型对训练样本的依赖性并解决网络层数加深产生的性能退化问题,文章研究了三维Gabor滤波和多尺度残差网络的高光谱影像分类方法。利用三维Gabor滤波器提取出有助于分类的光谱-纹理特征,引入扩张卷积和残差学习构建多尺度残差网络模型进行深层次特征提取,实现不同尺度下局部和全局特征融合和分类。在两幅高光谱影像上对该方法和其他方法进行实验比较。结果表明,该方法获得了最优的分类结果,能够在训练样本有限的情况下提高分类精度。

基于随机森林方法的卫星高光谱影像道路提取与分析

高分辨率卫星高光谱影像在道路精细分类与提取方面具有广阔的前景,但目前星载高光谱道路提取所需谱段、光谱分辨率等核心指标尚不明确。文章在构造高光谱影像道路提取的随机森林方法的基础上,利用模拟数据和实验,比较了可见光近红外通道和短波红外通道,以及不同光谱分辨率条件下道路提取的精度。结果表明:利用可见光近红外或短波红外数据均能很好地实现机场跑道、水泥路、沥青道路、土路的准确分类,分类精度随光谱分辨率减小而提高。其中,高光谱影像在提取机场道路和水泥路方面精度高、优势明显。文章相关结论可为高分辨率高光谱卫星总体设计和道路提取处理算法提供参考。

利用空间-光谱双分支特征和动态选择的高光谱影像农作物分类

高光谱遥感可以捕获地表近乎连续的光谱曲线,以较高的光谱诊断能力对地表农作物进行精细分类与识别。传统基于深度学习的高光谱分类算法中空间、光谱特征捕捉利用困难、冗余特征筛选能力不足、模型约束过于单一等问题,导致农作物类型复杂且样本分布不均区域分类模型性能下降。该研究提出一种基于空间-光谱双分支动态特征选择的高光谱分类算法,在结合通道注意力机制和空间注意力机制进行空间-光谱特征提取的基础上,通过门控卷积层对提取到的特征进行相关性的计算和处理,实现空间维度和通道维度上的特征动态选择,并分别从空间、光谱和联合特征3个角度对分类结果约束,结合分类损失函数实现高光谱影像的分类任务。结果表明,在JAAS(Jiangsu academy of agricultural sciences,江苏省农业科学院)高光谱农作物分类数据集上,该研究算法总体精度、Kappa系数分别为99.35%和99.20%,相较于专为高光谱分类设计的算法CDCNN(contextual deep convolution network,上下文深层卷积网络)、WCRN(wide contextual residual network,广义上下文残差网络)、DBDA(double-branch dual-attention mechanism network,双分支双注意力机制网络)、DCNN(dual-channel convolution network,双通道卷积网络)分别提升了4.91%和6.12%、6.82%和8.53%、2.12%和2.63%、2.04%和2.54%;在公开数据集WHU-Hi-HanChuan区域,总体精度、Kappa系数分别为99.49%、99.41%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.67%和1.96%、3.23%和3.80%、2.00%和2.35%、1.10%和1.29%;在WHU-Hi-Longkou区域,总体精度、Kappa系数分别为99.8%、99.74%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.30%和1.71%、0.59%和1.74%、0.71%和0.93%、0.57%和0.76%。所提方法在样本分布不均的不同作物识别上均具有较高的识别准确率,可为基于高光谱影像的地物复杂且样本分布不均地区的农作物分类提供指导。

基于深度自编码网络的高光谱影像解混研究

高分系列卫星的发射和无人机高光谱技术的发展,高光谱可用数据进一步扩展。为了提升高光谱数据的精细利用价值,高光谱影像混合像元解混成为当前至关重要的任务。随着人工智能技术的快速发展,深度学习理论被引入遥感图像处理领域。自编码网络具有较强的特征提取能力,已经开始应用于高光谱影像解混方面。以自编码网络为基础对其结构进行改进,提出一种深度堆栈自编码网络(DSAE)用于高光谱图像解混研究。该网络包含两个部分:端元识别网络(EDSAE)和丰度求解的网络(ADSAE)。首先,通过添加批标准化处理、稀疏约束、“和为一”约束以及删除网络偏置项构建EDSAE网络,开展非监督训练进行高光谱影像端元识别。其次,将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强,生成多元混合的带有丰度标签的模拟高光谱数据集。最后,在堆栈自编码网络基础上,设置最后一层自编码器的激活函数为Softmax函数,构建监督训练网络ADSAE,把模拟数据集作为训练数据,高光谱影像作为测试数据,求取真实高光谱影像的丰度矩阵。对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验,基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。结果表明:对3组真实的高光谱影像开展解混,DSAE方法在端元提取方面相比于其他5种方法,具有最优精度;在丰度求解方面,基于HAPKE模型生成的模拟数据集,利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵,相比于LINEAR模型和FCLS方法,均具有最优的丰度反演结果。DSAE方法具有较好的稳定性和鲁棒性,为高光谱影像定量研究提供了新的思路。

结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

由于湿地类别多样且结构复杂,湿地遥感分类工作极具挑战性。本文以珠江口滨海湿地为研究区,基于珠海一号高光谱影像获取的光谱特征、形状特征、纹理特征和指数特征构建优选特征集,采用极端梯度提升(XGBoost)算法和面向对象技术提取湿地类型和空间分布,并对比分析基于支持向量机(SVM)算法和随机森林(RF)算法的湿地分类结果。结果表明:(1)珠海一号高光谱影像能够有效应用于湿地分类,且光谱特征在湿地分类中发挥了重要作用;(2)使用的机器学习算法中XGBoost算法的湿地分类效果最佳,总体精度为87.2%,Kappa系数为0.84;(3)优选的影像特征能够保证更高的湿地类型识别精度,验证了特征筛选有助于提高分类效果。本文发展了一种基于珠海一号高光谱影像和集成学习的大区域湿地类型识别方法,可为湿地资源调查提供有效的技术参考,服务于湿地的保护与开发利用。

基于高光谱影像湖泊叶绿素a浓度反演分析

针对湖泊叶绿素a浓度的快速变化及水体富营养化问题,以太湖水体为例,利用太湖区域2019年10月、11月和12月的珠海一号高光谱影像,采用波谱特征分析、主成分分析、皮尔逊相关系数、建立反演模型分析江苏省太湖区域水体叶绿素a浓度的分布状态以及时空变化状况。通过主成分分析划分与水体信息相关的成分,提出采用珠海一号高光谱影像的中红外波段建立耦合可见光和近红外辐射信号的WCI模型。结果表明:(1)水体光谱曲线特征与主成分分析结果一致,分别为光合作用波段、细胞散射波段和水体增温波段。(2)改进的耦合可见光与中红外辐射信号的建立的WCI模型的反演精度最高,均方根误差RMSE为(1.4008 mg·L^(-1)),平均相对误差(MRE)为10.69%。(3)2019年10月一12月间,湖泊叶绿素浓度整体变化不大,太湖叶绿素a浓度的遥感反演结果总体上呈现为湖西区域浓度较低,湖东区域浓度较高的特征。

基于光谱-空间联合Transformer模型的黄河三角洲湿地高光谱影像分类

黄河三角洲湿地地物类型在光谱曲线上差异较小,且在空间上分布零散,呈破碎化特性。现有的分类方法受限于局部感受野难以捕捉到图像的长距离依赖关系,导致在黄河三角洲湿地高光谱影像中分类精度不理想,针对此问题,本文提出了一种光谱-空间联合Transformer模型。光谱和空间支路分别以光谱向量和空间邻域为输入,基于自注意力机制提取全局光谱和空间特征,在两个支路引入多阶特征交互层,实现浅层边缘信息和深层语义信息的融合,最后采用自适应相加的方式将两路特征融合,送入分类器实现最终分类。本文在黄河三角洲湿地高分五号GF-5和CHRIS两幅高光谱影像上验证方法的有效性,实验结果表明,该方法显著提高了湿地分类的精度,在选用3%的样本训练条件下总体精度分别达到了90.90%和94.17%,优于其他分类方法。研究结果可实现黄河三角洲湿地地物类型的高精度分类,为湿地的保护提供技术支持。

基于注意力双通道残差网络的高光谱影像分类

针对现有基于卷积神经网络的高光谱影像分类模型在特征提取过程中缺乏关注重要特征信息和特征提取不充分的问题,提出了一种端到端的注意力双通道残差网络模型。该模型采用波段-空间注意力模块来加强影像中的重要特征并抑制次要特征,并将处理后的数据输入双通道残差网络中完成对空谱特征的提取,使得模型在充分提取原始空谱特征的同时实现对重要特征的关注,从而提高分类精度。在Indian Pines、University of Pavia和Salinas Valley 3种公开数据集上进行测试,并与其他深度学习分类方法相比较。实验结果表明:所提方法具有更好的分类效果,在3种公开数据集上总体分类精度分别达到了97.15%、96.67%和98.42%。

高光谱影像少样例分类的无监督元学习方法

针对高光谱影像少样例分类问题,本文提出了一种无监督元学习方法。该方法能够利用无标记样本进行无监督元学习,在显著减少深度学习模型对大量标记样本依赖的同时有效提高高光谱影像少样例分类精度。首先,基于自监督学习思想利用主成分分析和数据增强方法构造同一样本的不同增强特征,以形成大量不同的任务并对模型进行元训练。然后,分别利用目标影像中随机选择的少量标记样本和全部样本对模型进行微调和分类测试,评估模型在少样例条件下的分类性能,并在微调和分类过程中引入投票策略进一步提高分类精度。本文方法能够在零标记样本的条件下对模型进行充分的无监督元训练,突破了监督元学习方法需要大量源标记样本的瓶颈和限制。3组公开数据集上的试验结果表明,本文方法在少样例条件下能够获得较现有方法更为优异的分类结果。

基于多尺度样本扩增的高光谱影像半监督分类

大量的训练样本可有效缓解模型过拟合,从而提高分类效果。在初始标记样本较少的情况下,开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验,并利用初始标记样本和扩增样本训练支持向量机(Support Vector Machine,SVM)分类器,实现对高光谱数据的有效分类。该方法在Pavia Uni-versity、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本,分类精度分别达到99%、99%和97%以上。实验结果表明,扩增的大量伪标签样本可以有效训练SVM分类器,提高分类效果。

高光谱影像变化检测研究进展

随着现代遥感技术的快速发展,遥感影像变换检测技术受到重视并被应用到地理国情检测、土地调查、生态系统监测、食品安全保障和军事侦察等领域。高光谱影像所具有的更精细的光谱分辨率以及多时相高光谱影像所提供的更加丰富和更为详细的光谱变化信息为进一步精细判断地表的变化提供了可能。然而高光谱影像高复杂度的数据结构、高维度的数据特征、高冗余信息,以及不同时相光谱信息对环境的敏感性极大地增加了多时相高光谱变化检测的难度。文章以变化检测过程中所涉及的技术手段为主线,首先从六个方面对多时相高光谱影像变化检测的研究动态及现状进行分析,包括:(1)基于高光谱影像间广义相似度度量的传统高光谱影像变化检测方法,该类方法主要沿用了高光谱影像出现之前多光谱变化检测的技术路线;(2)基于降维的高光谱影像变化检测方法,该类方法主要为克服高光谱影像所具有的高维度、高冗余等特性给变化检测带来的不良影响而展开;(3)基于统计建模的高光谱影像变化检测方法,该类方法通过对高光谱影像的统计特性和多维度相关性进行挖掘和建模来确定各像元的变化属性;(4)基于分类方法的高光谱影像变化检测方法,该类方法将图像的分类策略引入到变化检测过程中为获得“from-to”类型的变化信息提供保障;(5)基于光谱解混的高光谱影像变化检测方法,该类方法主要面对高光谱影像低空间分辨率所带来的混合像元问题如何提取精细的变化信息而展开;(6)基于深度学习的高光谱影像变化检测方法,该类方法通过将深度学习技术应用于多时相高光谱变化检测中而产生的一类新兴而具有发展前景的变化检测技术。进一步,对目前多时相高光谱影像变化检测中面临的挑战性问题进行了提炼和分析展望。