端元提取技术在高光谱图像压缩中的应用

高光谱图像海量数据如何实现大比例有效压缩是限制其应用的主要问题之一,而现有有损压缩方法存在大压缩比与光谱特性信息准确保留的矛盾,即使现有最优有损压缩方法也不能够得到令人满意的结果。文章基于混合像元分解的思想提出基于端元提取技术的数据有损压缩方法来解决该矛盾,首先用顶点成分分析(VCA)方法提取场景中地物的端元光谱,根据各端元与观测像元之间的光谱间余弦角相似性度量方法估计各端元的丰度,接着对端元光谱及丰度数据进行无损压缩,最后利用JPEG2000有损压缩方法对高光谱图像的所有单波段图像进行空间维大比例有损压缩。AVIRIS高光谱图像的仿真结果表明,压缩比得到大幅度提高,光谱信息得到有效恢复。在实现压缩比为50∶1时,大部分像元的光谱角误差在2%左右。

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。

基于顶点成分分析的高光谱图像低概率异常检测方法研究

用低概率检测(LPD)方法对小概率异常进行检测时,由于在低频空间中选取正交向量作为背景光谱,使得小概率异常检测受噪声影响较大,存在漏检率较高的缺点。提出用顶点成分分析(VCA)算法提取端元光谱作为背景光谱,并将观测光谱向量投影到背景光谱张成空间的正交子空间中,从而有效抑制背景、突出目标进行异常检测。通过对高光谱原始数据的仿真分析,该检测方法降低了漏检率,提高了检测能力。

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RFS和ART的高光谱图像主成分提取方法

针对传统高光谱图像主成分提取方法受数据分布状态和噪声影响大的缺点,提出基于区域特征光谱的ART(Adaptive Resonance Theory)神经网络主成分提取算法.首先通过多方向阈值空间邻域聚类提取区域特征光谱作为ART的输入模式,利用ART网络的自适应特性获取地物光谱矢量特征,并通过对光谱矢量聚类完成图像的主成分提取.对高光谱图像仿真结果表明:通过提取区域特征光谱,神经网络的数据处理量减少了约97%;算法能够较准确地提取图像主成分且提取效果明显好于K-均值算法.

基于区域特征光谱的高光谱图像神经网络分类方法研究

通过分析在无人工选择训练样本条件下,图像光谱噪声对高光谱图像SOFM神经网络分类的影响,针对分类结果中产生的麻点现象,论文提出了通过提取区域特征光谱以抑制图像噪声,并给出了相似度阈值选取的方法;在此基础上提出了基于区域特征光谱的高光谱图像SOFM神经网络分类方法,通过对具有不同地物分布特点的高光谱数据进行仿真,结果表明:在无人工选择训练样本的条件下,与传统SOFM网络分类方法相比较,本文提出的方法显著抑制了麻点现象,分类结果更加合理。