MODIS多光谱图像压缩研究

为有效存储MODIS多光谱图像数据,该文提出一种基于谱间预测和整数小波变换的多光谱图像压缩算法。首先通过构造谱间最优预测器去除谱间冗余,再利用整数小波变换和SPIHT算法对预测误差图像去除空间冗余,最后进行自适应算术编码。该方法可实现MODIS多光谱图像的无损、近无损和有损压缩,取得了满意的实验结果;在不同小波基条件下与3D-SPIHT算法比较,表明了该方法的有效性。

基于整数小波变换的MODIS多光谱图像无损压缩

为了解决MODIS多光谱图像数据的存储和传输问题,提出了一种基于整数小波变换和结合波段相关性判定的谱间预测的算法,对MODIS多光谱图像数据进行无损压缩。通过整数小波变换和波段相关性判定,有效地去除了MODIS图像数据的空间和谱间冗余,其压缩效果优于当今最流行的WinRAR、WinZip压缩软件,与基于三维预测(3D-DPCM)的方法相比,该方法也能得到较好的效果,有较高的压缩比。

应用高光谱图像技术对林下作物质量等级鉴别方法——以黄芪为例

黄芪作为一种林下多年生草本,具有极高的经济和药用价值。黄芪粉是黄芪的重要消费形式,不同质量等级的黄芪粉由于内部成分差异,在近红外光谱下具有不同的特性,而肉眼却难以区分。针对不同质量等级间黄芪粉难以鉴别的问题,利用高光谱成像技术对312组黄芪粉样本进行数据采集,再对光谱信息采用标准正态变化(SNV)、多元散射校正(MSC)和卷积平滑(SG)3种预处理,再利用竞争性自适应重加权采样(CARS)、变量组合集群分析(VCPA)和区间变量迭代空间收缩法(IVISSA)对全波段光谱进行特征提取,以优选的特征波长作为输入,建立K-近邻判别(KNN)和支持向量机(SVM)分类模型。结果表明:经过竞争性自适应重加权采样的支持向量机模型分类效果最好,训练集和测试集准确率分别达到100.00%和98.94%,能够实现黄芪粉的准确分类,为林下作物的等级鉴别提供了新的研究思路。

基于多尺度非对称密集网络的高光谱图像分类

近年来,基于有限标记样本的高光谱图像(HSI)分类方法取得了重大进展。然而,由于高光谱图像的特殊性,冗余的信息和有限的标记样本给提取强判别特征带来了巨大挑战。此外,由于各类别像素分布不均,如何强化中心像素的作用,减弱不同类别的周围像素的负面影响也是提高分类性能的关键。为了克服上述局限性,该文提出一种基于多尺度非对称密集网络(MS-ADNet)的高光谱图像分类方法。首先,提出一个多尺度样本构建模块,通过在每个像素周围提取多个尺度的图像块,并进行反卷积和拼接以构建输入样本,使其既包含详细的结构区域,又包含较大的同质区域;然后,提出一个非对称密集连接结构,在空间和光谱特征联合提取中实现核骨架增强,即增强了方形卷积核的中心十字区域部分提取的特征,有效地促进了特征重用。此外,为了提高光谱特征的鉴别性,提出一种精简的元素光谱注意力机制,并将其置于密集连接网络的前端和后端。在每类仅采用5个样本进行网络训练的情况下,该方法在Indiana Pines, Pavia University和Salinas数据集上的总体准确率分别达到了77.66%, 84.54%和92.39%,取得了极具竞争力的分类结果。

考虑关联波段特性的光谱相似图像分类方法

光谱相似图像分类性能过差会增加光谱信息冗余度,降低地物勘探与军事防御等多种领域的光谱探测效率。为了多元素匀质区分光谱信息与光谱曲线,提出考虑关联波段特性的光谱相似图像分类方法。该方法首先利用光谱匹配消除光谱相似图像白色光源过曝现象。然后提取优化图像的关联波段,并将其作为聚类特征输入支持向量机中。最后根据支持向量机的输出结果,实现光谱相似图像分类。实验结果表明,所提方法分类结果清晰度较高,分类误差或像素块填色错误小,混淆矩阵中同行同列矩形块的分类精度较高。

多光谱图像融合的IC器件表面缺陷检测

针对单可见光或单红外条件下的IC器件表面缺陷对比度不足,缺陷检测精度低的问题,提出多光谱图像融合的IC器件表面缺陷检测方法。针对IC器件可见光与红外图像配准中存在尺度不一致和对比度反转问题,引入拉普拉斯金字塔和特征描述符重组策略改进ORB(Oriented FAST and Rotated BRIEF)图像配准算法。在图像配准的基础上,提出NSST_VP图像融合方法,以非下采样剪切波变换(Non-Subsample Shearlet Transform, NSST)得到红外图像和已配准可见光图像的低频和高频子带,对低频子带采用视觉显著图(Visual Significance Map, VSM)加权融合规则,高频子带则采用自适应脉冲耦合神经网络(PA-Pulse Coupled Neural Network, PA-PCNN)决策融合规则,进而通过NSST逆变换得到高质量多光谱融合图像。最后,将融合图像输入YOLOv8s模型进行检测。实验结果表明,改进ORB的图像配准平均精度为87.8%,比ORB图像配准精度提高了62%,NSST_VP图像融合算法在主观视觉效果和客观评价指标上均有所提高。在缺陷检测实验中,NSST_VP融合方法的均值平均精度(mean Average Precision, mAP)达到83.15%,比单可见光、单红外缺陷图像检测的mAP分别提高了22.97%,28.31%,比双树复小波变换融合、曲线变换融合、非下采样轮廓波变换融合方法的mAP分别提高了13.14%,15.01%,20.35%。

基于改进SE-Net和深度可分离残差的高光谱图像分类

针对目前常见的用于高光谱图像分类的卷积神经网络参数数量多,训练时间长,对样本数量依赖性大的问题,提出一种适用于有限训练样本条件下基于改进压缩激活网络和深度可分离残差的分类网络MDSR&SE-Net.首先使用主成分分析对原始高光谱图像进行通道降维,然后通过三维卷积神经网络连接多特征残差结构,同时嵌入改进的SE模块提取高光谱图像的空间和光谱细节特征,最后将提取到的特征数据输入Softmax分类器激活分类.为了使网络更加轻量,通过在残差结构中使用深度可分离卷积和引入全局平均池化减少参数数量.实验结果显示,使用有限训练样本在三种常见高光谱数据集上总体分类精度均达到99%以上.

基于虚拟样本伪标签生成的高光谱图像分类

半监督高光谱图像分类的精度一般随着标记像素数的增加而提高.然而,标签样本的获得费时费力,且依赖于专家知识.针对这个问题,提出了一种通过少量标签样本生成具有伪标签的虚拟样本新方法.基于数学中的凸集理论,所提出的方法利用少量的训练样本可以生成任意多的带有伪标签的虚拟样本,有效地扩大了训练样本集,明显改善了半监督分类器的分类结果.为了验证所提方法的有效性,在Indian Pines和Pavia University两个常用的实际高光谱数据集上进行了广泛测试.实验结果表明,利用所提出的方法在分类具有少量标签样本的高光谱图像时,3个评价分类结果的指标值均有明显提升.

一种波段聚类和多尺度结构特征融合的高光谱图像分类模型

高光谱图像包含丰富的地物信息,在农业、工业和军事等领域应用广泛。因此,高光谱图像的识别与分类是一项重要的研究课题。然而,高光谱图像存在光谱维度高、噪声大、标记样本有限等问题,并未取得很好的分类效果。针对以上问题,提出一种波段聚类和多尺度结构特征融合的高光谱图像分类模型(ASPS-MRTV)。该方法主要包括以下几个步骤,首先,对高光谱数据进行归一化处理,将归一化后的三维图像按光谱维等分为n个子空间;其次,采用粗细划分策略构造自适应子空间光谱特征提取框架,将每个空间波段拉伸为一维向量后用信息散度构造波段的相似性矩阵,按照聚类的思想对n个子空间进行自适应;然后,将每个自适应子空间的光谱波段平均值进行叠加,形成光谱特征;最后,对所得到的光谱特征数据利用多尺度相对全变分技术提取结构特征。为了增强样本的线性可分性,在数据堆叠之后进行核主成分分析,最终形成空谱特征。对比实验中统一使用惩罚参数C和核参数σ都为24.5的SVM进行分类。经测试,ASPS-MRTV网络模型在Indian Pines、 University of Pavia两个数据集上分别以5%, 1%的训练样本达到了97.06%、 98.98%的总体分类精度。实验结果表明,该模型与SVM、 ASPS(ED)、 ASPS(ID)、 ASPS-LBP、 ASPS-GlCM、 ASPS-BF模型相比,在分类性能和计算效率方面都取得了更优的效果,有效提高小样本下高光谱图像的分类精度。

基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

基于伪孪生网络的高光谱图像分类

基于深度学习架构的高光谱图像分类近年来一直是遥感领域研究的热点之一.然而,如何提出新的分类框架,对具有少量标签样本的高光谱数据进行有效分类仍是一个挑战性的问题.设计了一种改进伪孪生网络的高光谱图像分类架构.该方法首先将一幅高维的高光谱图像划分为2幅低维的图像,分别利用卷积神经网络和图卷积网络进行特征提取.然后通过级联操作,将提取到的谱信息进行有效集成.最后输入全连接神经网络进行分类.所提出的方法改进了经典的伪孪生网络并应用于高光谱图像分类.在2个实际的高光谱数据集上的实验结果和比较结果验证了方法的有效性.

基于光谱反射率的低照度图像增强方法研究

低照度图像增强技术是机器视觉研究热点之一,Retinex理论模型假设图像是反射分量与光照分量乘积,通过去除或校正光照分量并结合物体的反射特性来恢复图像,被广泛应用在传统算法和深度学习增强模型中。光谱反射率是颜色的指纹,多光谱图像比普通图像的信息量更为丰富。色度学理论和Retinex理论都认为图像的颜色特性取决于反射系数,但光谱反射率是基于仪器测量获得真实的数据,而图像反射分量是基于图像分解假设的数据,目前文献没有从光谱角度对低照度图像增强进行研究。受Retinex理论启发结合深度学习非线性拟合能力,用颜色的光谱反射率代替RetinexNet网络中的图像反射分量,用CIE标准光源的光谱功率分布代替网络中的图像照明分量,提出了一种基于光谱反射率的低照度图像增强方法。首先对图像数据库中正常光照图像进行光谱重建,构建低照度图像与正常光照的多光谱图像数据集。然后训练将低照度图像转换成多光谱图像的深度学习网络模型。任意低照度图像通过网络模型得到多光谱图像,多光谱图像根据色度学理论得到CIEXYZ三刺激值,再通过标准颜色空间转换到RGB颜色空间中显示。该方法在公开LOL数据集上进行训练与测试,结果表明在图像噪声抑制和颜色恢复方面都优于常用方法,证明该方法对低照度图像增强的优越性和有效性。

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。

利用MODIS图像反演海岸与海岛的地物光谱反射率

提出一种利用MODIS图像,用查找表反演海岸与海岛地物光谱反射率的方法。该方法首先借助AHMAD辐射传输模型,由MODIS图像的水体像元反演出气溶胶的光学特性;在所选影像为晴空无云条件下,假设一定范围内的海岛与海岸上空的大气和水体上空的大气一样,借助6S辐射传输模型计算基于地物光谱反射率的查找表,然后由MODIS图像的陆地像元的反射率和几何条件加上反演的气溶胶光学厚度,用插值法可求得地物光谱反射率。还给出了厦门地区实际卫星图像的反演结果,并就反演误差进行了分析。

基于高光谱图像波段融合的猕猴桃软腐病早期分类检测

软腐病是猕猴桃采后贮藏和销售过程中危害最严重的真菌病害,其潜伏期长,在染病早期还未表现出明显病状时,依靠人工筛选很难将其分类。为此应用高光谱成像技术(470~900 nm)对软腐病的早期分类检测展开研究。采集了健康猕猴桃以及感染软腐病的早期和晚期猕猴桃共295个高光谱图像,并采用Kennard-Stone算法将样本按照7∶3划分为训练集和测试集样本。首先对样本进行感兴趣区域的选择,然后取该区域的平均光谱作为样本的原始光谱曲线。对原始光谱曲线采用主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)进行光谱特征的提取。与此同时,对SPA求解过程中的8个特征波段使用非下采样轮廓波变换(NSCT)进行波段融合获得融合图像,然后使用灰度共生矩阵法(GLCM)提取融合图像的纹理特征。最后将光谱特征和纹理特征进行融合并分别建立最近邻算法(KNN)、随机森林(RF)以及支持向量机(SVM)分类模型进行猕猴桃软腐病的早期分类检测。此外,还与其他文献中使用主成分图像或特征波段提取的纹理特征进行了对比。该研究主要创新点为:使用NSCT对特征波段图像进行融合后再提取其纹理特征,既降低了特征维度,减少了特征冗余,又融合了不同波段图像的互补信息,提高了分类准确率。实验结果表明,SVM是最适合该研究的分类器,单独使用光谱特征或纹理特征进行分类的结果都不够理想,但两种特征融合后分类准确率最高可达到92.05%,多数猕猴桃软腐病早期样本得到了正确识别,这说明两种特征的融合获得了高光谱图像中光谱和图像的差异性信息,体现了高光谱图像的“空谱合一”。该研究对软腐病早期猕猴桃进行了快速、准确的无损检测,可为猕猴桃的采后品质分级提供一定的参考和指导意义。

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.

基于光谱特征和图像处理的真丝织物光泽研究

在评价织物品质与风格时需要对织物的光泽感进行评价,基于图像处理的织物光泽评价技术较其他评价技术具有诸多优点,但在关键的织物图像光泽特征的构建上,仍需要进行研究。本文选用本白色真丝素绉缎织物作为浅色样本,蓝色和黑色真丝素绉缎织物作为深色样本,粉红色和棕色样本验证分析结论。通过真丝织物的光谱数据分析对光泽度主观评价的影响因素,并建立有效的织物光泽图像特征对织物光泽评价。本文通过对真丝织物的光谱数据分析,发现织物的颜色明度与主观评分相关性很低,颜色的色相显著影响主观评分结果。并且织物的波长反射率在530~560 nm改变时,对织物光泽的主观评分影响最大。以此建立的织物光泽图像特征,表明织物表面亮点与整体表面背景亮度的对比度是基于图像处理评价技术的关键之一。

基于冬小麦高光谱图像的天然气微泄漏胁迫区域提取

天然气在能源结构中逐渐占据重要地位。由于天然气管道和储气库常年埋藏于地下,无氧腐蚀、自然灾害、注入井和管道口松懈等因素会导致气体发生泄漏。在地下储存天然气大规模泄漏之前确定泄漏点的位置并做出早期判断和预警十分必要。以冬小麦为研究对象,采集4期高光谱图像数据,融合其图像、空间、时相特征,探寻天然气胁迫下冬小麦胁迫范围半径和时长之间的关系,并间接探测天然气微泄露点。一方面对连续统去除后的冬小麦高光谱图像数据进行连续小波变换并利用CWT_(mexh)指数[CWT_(mexh)=CW_(770)^(2)/(1-CW_(487))×CW_(550)]对高光谱胁迫组图像进行微泄露点信息提取,另一方面提取高光谱图像数据的PCA特征,基于SVM分类器提取天然气胁迫区域。最后将天然气微泄露识别结果进行数学形态学分析,并利用最小二乘对胁迫区域进行圆曲线拟合,探索天然气泄漏胁迫半径与胁迫天数的关系。结果表明:(1)CWT_(mexh)指数应用到成像高光谱数据表现出较好的识别性能;(2)SVM分类器可基于光谱差异性特征识别冬小麦胁迫区域,分类精度较好,最大分类精度可以达到99.25%,Kappa系数为0.97,且识别精度随天然气胁迫持续而增加;(3)冬小麦受胁迫区域半径和通气天数呈现强烈的线性相关。因此,结果表明,在冠层尺度和低空尺度通过高光谱遥感监测地表植被间接识别天然气微泄漏点具有可行性,可以预测地下天然气微泄漏随着时间变化引起的胁迫区域变化。该工作为星载高光谱遥感监测地下储存天然气泄漏点提供科学依据,为以后的工程应用提供技术支持。

张量分解和自适应图全变分的高光谱图像去噪

高光谱图像在采集过程中受到观测条件、成像仪材料属性、传输条件等客观因素的影响,不可避免地会引入各种噪声。这严重降低了高光谱图像的质量以及限制了后续处理的精度。因此,高光谱图像去噪是一个极其重要的预处理步骤。针对高光谱图像去噪问题,提出了低秩张量分解和自适应图全变分的高光谱图像去噪算法。首先,利用低秩张量分解来描述高光谱图像的全局空间和光谱相关性,并使用自适应权重图全变分来刻画高光谱图像空间维度上的分段平滑特性和保留高光谱图像的边缘信息;此外,采用l1-范数、Frobenius-范数分别刻画包括条纹噪声、脉冲噪声、死线噪声在内的稀疏噪声和高斯噪声。由此高光谱图像去噪问题归结为一个包含低秩张量分解和自适应图全变分的约束优化问题。利用增广拉格朗日乘子法对该优化问题进行交替求解。实验结果表明,所提出的高光谱图像去噪算法与现有的算法相比,能够充分刻画高光谱图像数据的内在结构特性,具有更好的去噪性能。

高光谱图像辐射位深残差量化及其对地物分类影响分析

目前的研究大多集中在高光谱图像(HSI)的空间和光谱分辨率的提升及应用上,很少关注辐射分辨率的综合运用。辐射分辨率反映传感器接收地物辐射能量动态变化的范围,探测地物辐射能量的微小变化,同样包含着丰富的地物信息。该研究提出了一种高光谱图像辐射位深残差量化(HSI radiation bit depth residual quantization method)方法,构建出高光谱图像不同辐射位深层级的位深特征图像(LHSI)及其残差图像(RHSI),并通过实验综合运用高光谱不同辐射位深层级的位深特征图像和残差图像及其组合进行地物分类,并分析其对地物分类精度的影响。实验表明,在保证一定分类精度的基础上,辐射位深为9 bit的位深特征图像,保留了原始高光谱图像的主要信息;辐射位深为4 bit的残差图像,比原始高光谱图像更突出地物细节信息;13 bit的位深特征图像与3 bit的残差图像的组合,既能保留原始高光谱图像的主要信息又能突出地物细节。