基于改进的三维卷积神经网络的高光谱遥感影像分类技术研究

高光谱遥感影像数据具有多样化的光谱信息和空间信息,然而传统的高光谱影像分类只是针对目标的光谱特征进行处理。基于三维空间滤波操作可以作为一种简单高效的提取高光谱影像光谱和空间特征的方式,基于此提出一种改进的三维卷积神经网络框架以实现更加准确的高光谱遥感影像分类。利用高光谱遥感影像数据立方体有效地提取光谱-空间组合特征,而不依赖于任何预处理或后期处理。另外,与其他传统的基于深度学习的方法相比,该方法去除了池化层,从而达到所需参数更少,模型规模更小,更容易训练的效果。将该方法与其他基于深度学习的高光谱遥感影像分类方法进行了比较,并使用两个真实场景的高光谱遥感影像数据集作为测试。实验结果表明,该方法在地物分类准确度方面较传统的基于深度学习的高光谱遥感影像分类方法取得了更好的分类效果。     

基于拉普拉斯特征映射高光谱遥感影像降维及其分类

在进行高光谱遥感影像监督分类过程中,结合高光谱数据非线性的特点和流形学习强大的非线性处理能力,提出一种基于拉普拉斯特征映射(LE)降维和最佳指数法(OIF)波段组合选择训练样本进行SVM分类的策略,首先对高光谱遥感影像波段进行优化,利用拉普拉斯特征映射法(LE)对波段优选后的影像进行降维,利用OIF选择波段组合叠加进行训练样本选择。在此基础上采用支持向量机(SVM)进行分类处理,取得了优于PCA的效果。实验证明了流形学习是一种行之有效的高光谱遥感数据特征提取方法。     

利用信息熵的高光谱遥感影像降维方法

高光谱遥感影像以其众多的波段数目，为地表观测提供近乎连续的波谱数据；然而海量的高光谱遥感影像存在着大量的信息冗余，为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前，对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论，将高光谱遥感影像的各波段抽象为具有相关性的独立个体，设计了高光谱遥感影像的决策表矩阵，进而计算各波段的信息熵，量化各波段的信息量，从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求，按排序选择波段组合，从而达到降维目的。以遥感分类结果的精度评价为例，对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明，该方法相较其他特征选取降维方法，能获得更高的分类精度。     

基于MFA与kNNS算法的高光谱遥感影像分类

为了研究高光谱影像数据的维数约简和分类问题,提出了一种基于边际费希尔分析(MFA)和kNNS的高光谱遥感影像数据分类算法。该方法利用数据的类别信息,通过MFA将高光谱数据从高维观测空间投影到低维流形空间,然后利用邻域内多个近邻点的信息通过kNNS分类器对低维空间中的数据进行分类。在Urban、Washington和Indian Pine数据集上的分类识别实验表明,该方法能够较为有效地发现高维空间中数据的内蕴结构,在每类随机选取4,6,8个训练样本的情况下,该方法的总体分类精度能够比其他算法提高3.7%～8.5%,分类精度有了明显的提高。     

利用深度特征融合进行高光谱遥感影像分类

针对卷积神经网络(convolution neural network,CNN)未能充分挖掘和利用遥感影像不同层次空-谱特征信息的问题,提出了一种多输入中高层特征信息融合方法对高光谱遥感影像进行分类。文章利用三维卷积神经网络(three dimensional convolution neural network,3D-CNN)的"立体"感受野,深入挖掘高光谱影像的空-谱联合特征信息,分析深度网络各层特征信息对图像分类的影响,提出优化的特征融合策略,并利用"珠海一号"卫星拍摄的高光谱影像对3个地区进行地物分类实验。实验结果表明,由于充分利用了高光谱影像的空-谱联合特征,通过特征融合集成了不同网络层的特征优势,相对于其他高光谱分类方法,该方法具有更好的分类效果。     

基于光谱相似尺度的支持向量机遥感土地利用分类

提出一种基于光谱相似尺度( spectral similarity scale, SSS ) 的支持向量机( support vector machines, SVM) 遥感土地分类新方法, 该方法选择莆田市作为遥感土地利用分类典型研究区, 利用该区域的Landsat7 ETM 遥感影像结合地面实况调查数据, 从图像上选取少量具有代表性的样本点的光谱作为参考光谱, 利用SSS 方法提取训练样本, 然后应用SVM 算法进行遥感土地利用分类, 并将分类结果与最大似然分类算法( MLC) 相比较, 实验结果表明分类精度上有了很大的提高。     

采用分段主成分和PPI的高光谱影像分类

高光谱遥感影像波段多且存在混合像元,特征提取以及端元提取都是高光谱影像分类必不可少的工作,分类方法的选择也是因地适宜。以福建省泉州市德化县下属某一地区的CASI影像为实验数据,基于分段主成分(segmental principal component analysis,SPCA)和纯净像元指数法(pure pixel index,PPI),提出了最小距离(minimum distance classification,MDC)和二进制编码(binary encoding,BE)的高光谱影像分类方法。实验结果表明,MDC的总体精度为69.71%,BE的总体精度为70.88%。对单一地物精度而言2种方法各有其长,MDC对道路的分类精度更高,为98.08%;而植被、耕地和水体采用BE方法的分类精度更高,分别为94.12%、98.08%、98.11%。本文提出的方法应用于CASI高光谱影像,对该研究区的地物分类研究有一定的实用性和参考价值。     

半监督邻域保持嵌入在高光谱影像分类中的应用

为了解决高光谱遥感影像的维数约简问题以提高分类算法的分类精度,并针对高光谱影像通常只包含少量标记样本的问题,提出了基于一种半监督邻域保持嵌入(SSNPE)和改进的KNN分类器的高光谱影像分类算法。该算法在NPE的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构,并且通过增加标记近邻样本的权重加大降维数据的鉴别性,进而增加k近邻分类器的样本分类精度。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度提高了约8.7%、3.6%以上,分类性能有了较明显的改善。     

谐波能量谱特征向量的高光谱影像Bayes分类

摘要：对于高光谱影像存在高维非线性、数据冗余多、纯训练样本难以提取等不足,本文引入频率域空间的谐波分析（Harmonic Analysis,HA）理论并提出了一种高光谱影像的HA-Bayes监督分类方法。该方法在保持高光谱数据空-谱特性不变的情况下,从光谱维角度分析不同分解层的影像光谱谐波特征,将高光谱影像变换成由谐波能量谱组成的频率域特征矢量信息。通过建立谐波能量谱特征向量的先验知识,实现Bayes准则下谐波能量谱特征矢量信息判别与分类,最终实现高光谱影像分类。将此方法应用到ROSIS高光谱影像分类时获得的分类总体精度达85.5%,Kappa系数也达到了0.812。进一步实验也证明频率域的谐波分析在高光谱遥感影像特征提取与分类方面具有更好的优势和潜力。     

CHRIS 高光谱图像森林类型分类方法比较研究

以长白山为试验区,选择CHRIS/PROBA高光谱零度角遥感数据,在对其进行预处理的基础上,通过应用最大似然法(MLC)、最小距离法、支持向量机法(SVM)和光谱角填图法(SAM)等几种常用的高光谱遥感分类方法对影像进行森林类型分类。利用混淆矩阵对分类结果进行验证,结果显示:在高光谱遥感森林类型分类中,SVM总体分类精度最高,为84.60％;其次是MLC,为 83.53％,最小距离法73.81％,SAM 56.49％。Kappa系数从高到底为:SVM 0.78,MLC 0.77,最小距离法0.68,SAM 0.52。经过比较分析,得出SVM分类方法精度最高,这表明该方法用于高光谱遥感森林分类中的实用性和优越性。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行训练,得到很好的效果。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。     

基于支持向量机的高光谱影像分类研究

高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起.高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好的进行地面目标的分类识别.本文综合利用支持向量机分类的若干关键技术,包括序列最小优化训练算法,多类支持向量机构造方法、核函数及其参数选择的交叉验证"网格搜索",给出了高光谱影像分类流程,进行了遥感数据试验分析.     

A patch‐based image classification by integrating hyperspectral data with GIS

Hyperspectral remote sensing data provide detailed spectral information and are widely used for pixel‐based image classification. However, without considering spatial correlation among neighbouring pixels, a generated thematic map may have a ‘salt‐and‐pepper’ appearance. With the development of the Geographic Information System (GIS), the spatial relationship between a pixel and its neighbours can be recorded readily and used together with remote sensing data. The objective of this study was to integrate hyperspectral data with the GIS for effective thematic mapping. To date, GIS data have been used mainly in field surveys or training field selection for remote sensing data interpretation. Here we propose a patch‐classification based on integration of the GIS with remote sensing data. The classification results obtained by using this method can be easily saved in a vector format as used for GIS files. Computational cost is decreased compared with a pixel‐by‐pixel classification. The issue of how to identify pure or mixed patches is addressed and a three‐level simple and effective checking method is developed. A case study is presented with a hyperspectral data set recorded by the Pushbroom Hyperspectral Imager (PHI) and related GIS data.     

基于direct LDA的高光谱遥感影像地物分类

针对高光谱遥感影像的降维问题,提出一种高光谱影像地物分类方法:direct LDA子空间法。先采用直接线性判别分析(direct linear discriminant analysis, direct LDA)进行特征提取,然后在特征子空间中采用最短距离分类器进行地物分类。机载可见光/红外成像光谱仪(airborne visible/infrared imaging spectrometer,AVIRIS)的高光谱影像识别结果表明,该方法相比LDA子空间法和原空间法,可显著降低数据维数,提高识别率。     

基于分流的高光谱遥感图像超分辨重建

高光谱图像（hyperspectral image,HSI）每个像素包含大量光谱带,而HSI的空间分辨率较低。高光谱图像超分辨率技术可以有效提高空间分辨率。为了解决高光谱遥感图像的空间信息分布不均匀,超分辨率重建时占据相同计算量导致重建工作不够细化的问题,提出了一种多层级分流和细节增强的高光谱遥感图像超分辨率重建框架。即通过子图分流网络对高光谱遥感图像进行预先分流,改进带细节增强的多尺度Retinex算法对图像的高低频信息进行分离,再使用不同复杂程度的分支网络分别进行重建,重建工作更加细化具体,提高重建效果和性能。实验证明该方法可以在视觉质量、指标测量和分类应用方面优于传统的基于CNN的方法,在SRE和MPSNR指标方面分别提高了4.18%和9.35%。     

基于类别可分性的高光谱图像波段选择

高光谱遥感数据具有丰富的光谱信息,应用十分广泛,但其冗余的光谱信息有时会限制高光谱图像的分类等的精度以及计算复杂度.为了提高解译效率,高光谱图像降维不可或缺,这也是高光谱图像处理的研究热点之一.提出了一种基于类别可分性的高光谱图像波段选择方法(Endmember Separability Based band Selection,ESBB),该方法通过Mahalanobis距离最大化图像中各类地物的可分性来确定最优的波段组合.相较于其他监督波段选择算法,该方法不需要大量训练样本,不用对每个组合做分类处理.对波段选择后的结果进行分类的实验结果证明,该方法是一个快速有效的波段选择方法,可以得到一个较好的分类精度.     

基于特征加权的高光谱图像融合分类

在对高光谱图像监督分类中, 传统的监督学习方法对高光谱数据进行分类时需要获取足够的有标记样本作为训练样本, 这样可以有效的避免Hughes效应. 实际情况下的高光谱数据拥有较多的波段和相对较小的训练样本集给传统的遥感图像分类方法带来了挑战. 因此, 提出了一种基于特征组合以及特征加权的高光谱图像分类算法, 针对纹理特征分析难度较大的现实, 利用一阶直方图的统计特征描述图像纹理特征, 通过类内散度矩阵的逆矩阵作为特征加权矩阵构造组合核函数将高光谱光谱特征和空间特征融合起来, 同时利用特征加权的方法用于提高小训练样本的监督分类精度. 实验结果表明, 本文所提的方法对小样本的高光谱数据分类具有良好的效果.     

Hyperspectral remote sensing image classification with information discriminative extreme learning machine

Multimedia Tools and Applications - Hyperspectral remote sensing image classification is important aspect of current research. Extreme learning machine (ELM) has been widely used in the field of...     

基于核最小噪声分离变换的高光谱遥感影像特征提取研究

高光谱遥感影像具有高维非线性的特点,线性特征提取方法容易造成信息丢失和失真。在最小噪声分离变换(MNF)线性特征提取算法的基础上,引入核方法,提出核最小噪声分离变换(KMNF)高光谱遥感影像非线性特征提取方法。KMNF通过核函数,将样本映射到高维特征空间,在特征空间中运算线性MNF,实现原始空间中的非线性KMNF算法。进行基于KMNF的高光谱影像特征提取实验,分析样本个数对KMNF特征提取的效果,发现样本数量对KMNF特征提取的结果影响很小,较少的样本数即可达到较多样本时特征提取的效果。对比KMNF与MNF特征提取的效果,分析它们降维的效率与保留的信息量,发现KMNF总体降维效率与MNF相当,且体现出高光谱图像的非线性特征;在KMNF和MNF特征提取的基础上,利用SVM进行高光谱图像分类,KMNF+SVM的分类精度优于MNF+SVM。