递归滤波与KNN的高光谱遥感图像分类方法

为了有效去除高光谱图像中的噪声,强化空间结构,充分利用地物目标的空间上下文信息,提升高光谱图像的分类精度,提出一种基于递归滤波(recursive filtering,RF)和KNN(k-nearest neighbor)算法的高光谱图像分类方法。首先,利用主成分分析法对高光谱图像进行降维;其次,通过RF算法对降维后的主成分图像进行滤波,以增强遥感图像的轮廓特征;然后,采用KNN算法计算测试样本与不同类别训练样本的欧式距离,根据比较k个最小欧式距离的平均值得到测试样本所属类别;最后,在2个典型的数据库上进行实验验证,并分析所提算法中不同参数对分类精度的影响。实验结果表明,RF算法可以有效地去除噪声点,强化图像轮廓,与其他高光谱图像分类方法相比,该方法在分类准确性方面表现突出。     

列式鲁棒主成分分析的高光谱遥感异常探测

传统的基于鲁棒主成分分析的高光谱异常探测模型中,稀疏异常矩阵假设为非低秩且其非零元素满足随机分布条件。这导致稀疏矩阵的非零元素影响低秩背景矩阵的估计,进而制约背景信息和异常信息的有效分离。提出列式鲁棒主成分分析的异常探测方法,改进异常矩阵为列稀疏条件来解决上述问题。该方法分解高光谱影像2维矩阵为低秩背景矩阵,列稀疏异常矩阵和噪声矩阵,松弛目标方程为凸优化问题,并采用非精确增强拉格朗日乘子算法来求解得到列稀疏异常矩阵的最优估计。最后,对稀疏异常矩阵中所有列的L2范数值进行阈值分割来探测得到异常像元。利用两个高光谱影像数据集,对比5种主流的异常探测方法来验证提出方法的有效性。实验结果表明,列式鲁棒主成分分析方法优于包括传统鲁棒主成分分析模型在内的5种异常探测方法,且计算效率适中。     

多尺度引导滤波对多光谱遥感影像分类精度的影响

由于地物的复杂多样性,准确识别其分类精度对遥感数据处理具有重要意义。为提高多光谱遥感数据的分类精度,本文以Landsat 8数据为基础,提出不同尺度引导滤波特征融合NDVI与NDBI的方法,进行多光谱遥感图像的分类。首先,提取多光谱数据第一主成分作为引导图像,原图像为输入图像,依次提取滤波半径为2、4、6、8的引导滤波特征集;然后,将不同滤波半径的引导滤波特征集与图像NDVI与NDBI特征进行融合,采用支持向量机的方法进行监督分类,以此探究不同尺度的引导滤波对多光谱遥感影像分类精度的影响。试验结果表明：(1)引导滤波在去除噪声的同时能够较好地保留图像的边缘特征;(2)引导滤波可以提高多光谱遥感影像的分类精度,不同大小引导滤波半径图像在分类方面与原图像相比,较其分类精度均有不同程度的提升,最高总体精度达99.776 3%,Kappa系数为0.997 1;(3)不同尺度的引导滤波会得到不同的分类结果,当滤波半径R=2时,图像的分类精度最高。     

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。     

高光谱数据截断加权核范数稀疏解混

受仪器和观测条件限制,高光谱数据易受噪声污染,给数据解译带来挑战。针对传统稀疏解混模型抗噪性能差的问题,本文提出一种截断加权核范数稀疏解混方法,利用高光谱图像像元之间的相关性减轻噪声对丰度估计的干扰。该方法借助低秩表示在挖掘数据内在低维结构方面的优势,在稀疏解混中加入基于截断加权核范数的低秩约束,并结合加权稀疏技术,在稀疏正则项中引入空间邻域权重。截断加权核范数对丰度矩阵的奇异值向量分段处理,可以更好地实现丰度矩阵的低秩逼近,使丰度图像保持空间一致性并保留更多细节信息,空间加权策略则增强了丰度图像的空间连续性。模拟高光谱数据、Cuprite矿区真实数据和红树林高光谱数据实验表明,与其他先进的稀疏解混方法相比,所提方法具有更好的抗噪性,能够提高解混精度。     

张量组稀疏表示的高光谱图像去噪算法

提出了一种基于张量组稀疏表示的高光谱遥感影像降噪。高光谱影像数据可视为三阶张量。首先,高光谱图像被划分为小的张量分块,然后,对相似的张量分块进行聚类,并对聚类分组进行稀疏表示。基于高光谱图像的空间非局部自相似性和光谱相关性,将张量组稀疏表示模型分解为一系列无约束低秩张量的近似问题,进而通过张量分解进行求解。对模拟和真实高光谱数据进行试验,验证了该算法的有效性。     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

空谱特征分层融合的高光谱图像特征提取

利用基于光谱维的特征提取方法将原始高光谱图像数据降到一定维数,对降维后的数据采用多尺度自适应加权滤波器(adaptive weighted filters,AWF)进行滤波,将在所有尺度上得到的滤波结果分层融合为新的图像,设计了分层融合框架,有效提取出了高光谱图像中重要的空谱特征,从而提高了分类精度。又将主成分分析(principal component analysis,PCA)算法融入到该框架中,提出了分层融合-主成分分析(hierarchical fusion principal component analysis,HF-PCA)算法。该方法不仅降低了波段间的冗余性,而且削弱了样本的类内差异性,提高了高光谱图像的分类精度。在Indian Pines和Salinas数据库上的实验结果表明,即使在训练样本数量较少的情况下,由HFPCA算法得到的分类精度明显高于其他算法,2种数据总体分类精度的最大值分别为86. 73%和95. 01%,有效提高了高光谱图像的分类精度。     

利用稀疏自表达实现高光谱影像波段选择

提出一种稀疏自表达方法来研究高光谱影像分类中的波段选择问题。该方法利用字典矩阵等于测量矩阵的条件来改进多观测向量的稀疏表达模型,将波段子集看作高光谱影像波段集合中的代表子集。稀疏自表达方法将波段选择转换为寻求多观测向量中稀疏系数矩阵的非零行向量问题,通过引入混合范数来限定非零元素行向量的个数,利用快速交替方向乘子方法求解稀疏系数矩阵,并聚类非零行向量,实现波段的有效选择。基于两个公开高光谱影像数据集并对比其他4种波段选取方法来验稀疏自表达方法。实验结果证明,稀疏自表达方法能够在计算效率明显优于基于波段相关性的线性限制最小方差方法的同时,取得与该方法和非负稀疏矩阵分解方法相匹甚至略高的总体分类精度。     

低秩张量嵌入的高光谱图像去噪神经网络

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质,然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息,具有较强的表达能力,但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题,本文利用高光谱图像的空间—光谱低秩特性,提出一种低秩张量嵌入深度神经网络方法,可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示,通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时,将低秩张量分解模块与Unet相结合,对浅层特征进行低秩张量表示,以捕捉高光谱图像的空间—光谱低秩特性,提高了模型的去噪能力。当噪声标准差在[0—95]时,算法可以取得41.02 dB的PSNR和0.9888...     

A Hierarchical Hybrid SVM Method for Classification of Remotely Sensed Data

The focus of this work is on developing a new hierarchical hybrid Support Vector Machine (SVM) method to address the problems of classification of multi or hyper spectral remotely sensed images and provide a working technique that increases the classification accuracy while lowering the computational cost and complexity of the process. The paper presents issues in analyzing large multi/hyper spectral image data sets for dimensionality reduction, coping with intra pixel spectral variations, and selection of a flexible classifier with robust learning process. Experiments conducted revealed that a computationally cheap algorithm that uses Hamming distance between the pixel vectors of different bands to eliminate redundant bands was quite effective in helping reduce the dimensionality. The paper also presents the concept of extended mathematical morphological profiles for segregating the input pixel vectors into pure or mixed categories which will enable further computational cost reductions. The proposed method’s overall classification accuracy is tested with IRS data sets and the Airborne Visible Infrared Imaging Spectroradiometer Indian Pines hyperspectral benchmark data set and presented.     

面向高光谱图像分类的半监督空谱判别分析

为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题，提出了一种显著性特征提取方法。首先，利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后，基于分割得到的小区域计算反映不同区域的显著性特征。最后，沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合，并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明，与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比，提取的显著性特征能够获得更高的高光谱影像分类精度，且结合光谱特征能够进一步提高分类精度。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

加权空-谱联合保持嵌入的高光谱遥感影像降维方法

高光谱遥感影像数据量大、波段数多，容易导致"维数灾难"。传统流形学习方法一般仅考虑其光谱特征，忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入（WSCPE）的维数约简算法。首先采用加权均值滤波（WMF）方法对高光谱影像进行滤波，以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性，通过采用加权空-谱联合距离（WSCD）来融合像素点的光谱信息和空间信息，有效选取各像素点的空-谱近邻，并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构，提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明，总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时，有效融合了影像的空间-光谱信息，故能提高影像特征的鉴别性，并提升分类性能。     

空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系，忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法（SSRSHE）。该算法首先利用稀疏表示揭示像元之间的相关性，自适应选择近邻，并构建稀疏本征超图和惩罚超图，以有效表征像元间的复杂多元关系，并进行正则化处理。然后利用遥感图像空间一致性原则，计算局部空间邻域散度来保持样本局部邻域结构，并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中，尽可能使类内数据聚集、类间数据远离，提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明，本文算法总体分类精度分别达到86.7%和92.2%。相比传统光谱维数约简算法，该算法可有效改善高光谱图像地物分类性能。     

基于超像素图卷积网络的高光谱图像分类

高光谱图像分类是遥感领域中一个具有挑战性的问题。基于深度学习框架的高光谱图像分类方法,由于其良好的分类性能受到了越来越多的关注。然而,这些方法普遍存在的问题为：模型的训练不仅需要大量的时间,而且还需要大量的标签样本。针对此问题,本文提出了一种基于超像素图卷积网络的高光谱图像分类方法。该方法以超像素作为图的节点,极大地减小了图的规模,从而提高了分类效率;提出的超像素合并技术能有效地融合光谱-空间信息,增强了空间信息在分类中的作用;为了验证该方法的有效性,在Indian Pines、Pavia University两个实际数据集上进行试验,并与一些先进的基于深度学习框架的高光谱图像分类方法进行比较。结果表明,本文方法在分类精度和分类效率上均优于其他方法。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。