基于多特征核的高光谱遥感影像分类方法

支持向量机(SVM)的核函数选取是制约其分类性能的重要因素,而当前的核函数大多以光谱距离作为构核元素,而忽略了光谱角度这一光谱特征。文章提出一种均衡化光谱距离与光谱角多特征组合核(ESAD)的SVM分类器,对2003年意大利帕维亚大学的ROSIS高光谱数据作分类处理,并对影像的分类精度作评价分析。实验结果表明:ESAD核SVM整体分类精度相较于光谱距离核SVM和光谱角核SVM分别提升8.88%和11.03%,分类精度理想,一定程度上抑制了“同谱异物”现象。

基于高光谱遥感影像土地利用分类算法与尺度的研究

针对高光谱影像在土地利用分类应用中空谱异质性造成类内方差增大,而深度学习高光谱分类模型中主流的空间取块机制仅利用局部空间信息无法有效缓解类内方差较大的难题,本文提出全局高光谱融合深度学习地物分类框架,在空间取块机制网络基础上引入条件随机场模型整合全局空间上下文信息,采用4种不同的分类算法,对比分析本文提出的框架在分类上的精度和尺度。实验结果表明,本文提出的模型极大地改善了分类结果中错分的孤立区域,有效缓解了高光谱影像空间异质性对分类精度的影响,相比于对比网络取得更高的分类精度。

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。

基于空谱融合和随机多图的高光谱遥感图像农作物分类

针对高光谱遥感图像复杂农作物分类问题,提出了一种基于空谱融合和随机多图的高光谱遥感图像农作物分类方法。通过使用一种潜在特征融合和最优聚类(Latent Features Fusion and Optimal Clustering Framework,LFFOCF)的波段选择方法和分段主成分分析(Segmented Principal Component Analysis,SPCA)进行光谱降维,采用多尺度二维奇异谱分析(2-D-Singular Spectrum Analysis,2-D-SSA)应用于降维图像,以提取不同尺度的空间特征。将多尺度空间特征与主成分分析(Principal Component Analysis,PCA)得到的全局光谱特征融合送到随机多图(Random Multi-Graphs,RMG)中进行分类。在印度松树、萨利纳斯和龙口数据集上,所提出的方法与一些现有的方法进行了对比实验。实验结果表明,该方法的类别精度(Class Accuracy,CA)、总体分类精度(Overall Accuracy,OA)、平均分类精度(Average Accuracy,AA)和Kappa系数优于这些方法。

林业调查中的多光谱遥感影像解译技术研究

随着科技快速发展,遥感技术在林业调查中得到广泛应用。本研究以多光谱遥感影像为基础,探索其在林业调查中的应用方法及其作用。采用地理信息系统和遥感数据融合分析,得到更详细、精确的林业数据。通过研究调查案例发现,多光谱遥感影像解译能够准确测定林木高度、冠幅、面积等信息,提升林业资源数量和分布的调查准确率。此外,此技术通过对地表的多光谱反射率进行分析刻画,进一步识别和判别林业地貌和林木类型,有助于完成林业生态环境评估和林业资源规划。更有利于林业可持续管理,提升林业生态效益和经济效益。对林业资源的监测、管理和保护有重要参考价值。总的来说,多光谱遥感影像解译技术在林业调查中应用广泛,但仍要面对数据处理的优化和精度提升等挑战。本文提出的多光谱遥感影像解译方法和理论架构,为林业调查提供了新的研究手段和理论支持。

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。

高光谱遥感影像目标检测算法及在农田“非粮化”监测中的运用

文章结合实际案例,对高光谱遥感影像目标检测算法在农田“非粮化”监测中的运用进行深度探讨。通过数据获取以及处理流程改进,引入现代化学习算法,高效辨识农田中的非粮食作物,做好类型划分,从全局出发把握农作物发展,动态监测数据信息变化。基于数据表以直观方式,揭示不同监测区域非粮食作物类型、面积及占比,通过对比掌握其中存在差异,以期为产业规划提供支持,同时展望技术未来发展应用。

基于集成学习的高光谱遥感影像分类综述

高光谱遥感影像光谱维度高、数据量大且波段间冗余信息量大,利用集成学习算法可有效地提升高光谱遥感影像的识别精度。本文首先概述了高光谱遥感影像的分类任务和目前存在的问题,其次介绍了集成学习分类算法的原理,系统性阐述了高光谱遥感影像分类中动态集成和静态集成算法的研究现状,并提出了有待进一步研究的问题。

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。

基于表示模型的高光谱遥感影像分类综述

高光谱成像技术具有光谱连续、图谱合一的特点,可实现地物目标的精细化解译。其中影像分类是高光谱遥感图像信息处理领域的前沿科学问题。表示模型在影像分类方面具有较大优势,近年来受到了广泛的关注和研究,取得了一系列成果。基于此,本文首先介绍了稀疏表示和协同表示模型的原理;其次系统地阐述了高光谱遥感影像分类中稀疏表示和协同表示的研究现状;最后对该研究领域发展提出建议和展望。

随机投影框架下的高光谱遥感影像分类方法研究

随着传感器技术的不断提高,遥感影像的光谱分辨率越来越高,在为影像分类提供丰富的光谱信息的同时,也大大增加了高光谱遥感影像分类所需的计算成本,因此通常需要先进行降维再分类。对于大尺度高光谱遥感影像,传统的降维方法存在对硬件要求高及运行时间长等问题。

基于改进卷积神经网络的高光谱遥感影像分类算法

为提升影像分类准确性,提出基于改进卷积神经网络的高光谱遥感影像分类算法。对遥感影像的光谱与空间特征进行卷积核的融合,输入遥感影像的样本空间领域,对输入的样本点进行重采样处理,然后由编码器架构高光谱遥感影像半监督阶梯网络,对基于改进的卷积神经网络分析影像的分类结构融合多尺度聚合进行分析,最后联合注意力机制和残差网络完成细致分类。实验中设计算法的分类精度为97.62%,具有较为良好的应用性能。

基于改进2DCNN的高光谱遥感图像处理研究

针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96%,达到3DCNN的同等水平(99.36%),较改进前(97.28%)提高2.68个百分点;处理速度(5 s/epoch)和1DCNN位于同一量级,快于3DCNN(96 s/epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.

一种联合空谱特征的高光谱影像分类胶囊网络

高效稳定的深度学习分类器有助于提升高光谱遥感影像的分类精度。针对卷积神经网络标量式神经元特征表达能力有限、无法有效建模特征之间空间层次结构关系的不足,设计了一种考虑数据图谱合一特性的端到端高光谱胶囊网络(H-CapsNet)。H-CapsNet主体由编码器(卷积层、PrimaryCaps层及DigitCats层)和解码器(全连接层)组成,通过在网络输入端嵌入通道和空间注意力模块,以此增强模型对空谱特征的抓取和识别,进而提升网络对特征的聚焦和表达能力。以资源一号02D卫星获取的张家港高光谱影像及公共数据集University of Pavia和University of Houston影像为例进行试验,将H-CapsNet网络与传统机器学习算法和多个深度学习网络进行对比。试验结果表明,在3景不同分辨率的高光谱影像上,H-CapsNet分类网络均取得了最优的分类效果,总体精度相较于其他方法分别提升了2.36%~7.67%、0.16%~11.8%和1.75%~15.58%。H-CapsNet网络对小像素邻域具有较好的适应性,当图像块尺寸有限时,仍可以取得相对理想的分类结果。

基于岩石初分类体系的高光谱岩石分类研究

高光谱遥感是当前遥感领域的前沿技术,具有多波段、高光谱分辨率等特征,越来越广泛地被应用于岩石的识别和分类。当下的高光谱的岩石分类研究中,很多岩石因为矿物成分相近导致光谱容易混淆,分类始终精度不高;并且在大范围的野外条件下进行高光谱岩性的研究存在许多外界环境的干扰,例如影像中出现地物覆盖、像元混杂等问题,因此有待对岩石光谱特性做进行进一步的研究,对光谱相近的岩石进行重新归类。从实验室高光谱遥感系统的角度,以81种常见的岩浆岩和变质岩样本的HySpex高光谱影像为研究数据,对影像进行反射率校正等预处理,结合ASD光谱仪测得的岩石样本光谱作为影像中对应样本光谱曲线提取的验证,提取得到代表每一岩石样本的光谱信息并对其进行光谱相似度初分类,最后得出以81块岩石岩本为基础的9个大类别和28个小类别的岩石初分类体系。初分类体系具有岩石样本在大类上成分性质以及光谱特征的相近,小类在大类的基础上光谱特征更为相近的特征。为了验证初步分类经验对计算机岩性分类的作用和效果,基于岩石样本初分类体系,利用最小噪声分离(MNF)技术进行高光谱影像的特征信息提取,设置两种分类方法,一种基于传统的分类,一种基于初分类模型,因此训练样本设置前者以每一块岩石作为样本,后者以初分类体系中的每小类作为样本,再应用计算机分类算法的模型使用最大似然法和随机森林分类两种方法,完成常见的岩浆岩和变质岩的高光谱影像分类。实验结果表明,基于传统模型的最大似然法和随机森林分类精度为83.21%和83.63%,而基于初分类的最大似然法分类和随机森林分类精度可以提高到85.46%和89.39%,随机森林分类器相比于传统的最大似然法更优越,而岩石初分类体系相比于简单的原始岩石分类具有一定的优越性,可为今后的岩石分类工作提供经验方法的借鉴。

玉米典型叶部病害高光谱识别及其烈度分类

[目的/意义]近年来,玉米叶部病害发生日趋加重且呈现混发现象,严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合,无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。[方法]提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法,通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性,优选敏感特征构建基于病害发展全阶段(包含病害所有烈度)和病害单一烈度下的病害种类识别模型;进一步地,针对玉米叶部单一病害构建烈度分类模型,以期实现对不同叶部病害的全过程识别与病害烈度分类。[结果和讨论]3种玉米叶部病害在550~680 nm的可见光、740~760 nm的红边、760~1000 nm的近红外和1300~1800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度(Overall accuracy,OA)达77.51%,Macro F_(1)达0.77;而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于重度烈度时,病害种类识别模型最优精度达95.06%,Macro F_(1)达0.94。此外,研究构建的3种玉米叶部病害烈度分类模型最优精度均超过70%,其中大斑病烈度分类效果最好(OA=86.25%,Macro F_(1)=0.85)。[结论]基于高光谱数据能够有效实现玉米典型叶部病害种类识别及其烈度分类,为大范围作物病害监测提供研究基础及理论依据,助力精准防控与绿色农业。

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。

基于高光谱数据的密云水库水生态空间地物精细分类

重点水域水生态空间地物类型分布状况是其健康评估以及生态规划的重要基础.基于高分五号(GF-5)卫星高光谱数据,采用混合式特征选择算法开展北京市密云水库水生态空间地物精细分类研究.采用随机森林算法获取波段重要性排序,经过特征降维将总体分类精度最高的模型对应的特征集作为初始特征子集.利用后向序列选择算法搜索地物精细分类的最佳特征子集,进而开展密云水库水生态空间的地物精细分类.结果表明,高光谱数据可以实现较高精度的地物分类(总体分类精度为93.61%,Kappa系数为91.71%),相比于哨兵二号(S-2)卫星多光谱数据,在精细树种分类方面具有明显的优势.

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。

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。