遥感图像分类的多核SVDD算法

将K型核函数和指数径向基核函数分别与径向基核函数组合成多核函数,并利用其构造出性能更加优越的支持向量域描述(SVDD)算法.将提取的遥感图像各波段光谱特征组成特征向量,分别用基于径向基核函数和多核函数的SVDD算法进行遥感图像分类.仿真实验结果表明:改进核函数的SVDD分类算法提高了分类精度,缩短了训练时间.     

结合Gabor滤波和同质性判定的高光谱图像分类

针对传统高光谱图像分类算法多利用目标类别光谱信息而忽略空间信息的问题,提出了一种综合利用空间信息与光谱信息的分类算法．首先,利用主成分分析（PCA）和无参数加权特征提取（NWFE）分别对高光谱数据进行特征提取;然后,在PCA第一主成分的基础上进行二维Gabor滤波得到像元纹理特征,结合纹理信息与光谱信息利用支持向量机对图像分类;最后利用多尺度区域同质性判定进一步改进图像分类精度．实验表明,该算法能够消除“噪声”像元,有效地提高图像分类精度．     

利用小波变换提高基于KPCA方法的人脸识别性能

基于核主成分分析（KPCA）的人脸识别算法能够提取非线性图像特征，在小样本训练条件下有较好性能. 然而并非所有非线性特征对识别都有利，过多的不相关特征可能会降低识别性能. 针对图像信息冗余的特点，预先对图像进行小波变换，通过消除对识别无关的细节信息，不仅提高了KPCA方法的识别精度，而且降低了该算法对计算机硬件的要求. 同时，为了抑制KPCA对光照等变化的较高敏感性，还提出一种对图像灰度进行衰减的预处理策略. 基于ORL数据库的实验表明，综合上述措施的系统比传统方法具有更快的训练速度和更高的识别精度.     

用于高光谱遥感图像分类的空间约束高斯过程方法

高光谱遥感图像分类是遥感图像处理的一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征的变化将使得仅从标记训练样本得到的分类器分类精度不会太高.为了提高分类的精度,一方面应对光谱信息的合理利用;另一方面,对空间信息的利用也非常重要.高斯过程(Gaussion process,GP)是一种贝叶斯统计学习方法,能够建立概率模型,并且使得分类结果更易于解释.传统GP分类方法中核函数的构造仅利用光谱信息.本文提出了一种加入空间关系的新分类方法.利用遥感图像空间相关性,在GP分类方法中通过构造新的核函数(spatial Gauss kernel,SGK)来实现空间约束,部分消除了同物异谱和同谱异物造成的分类错误.实验结果表明,该方法对于提高高光谱遥感图像的分类精度具有积极意义.     

一种多源多光谱遥感图像特征点匹配技术

 在多源多光谱遥感图像中,针对匹配图像的像素之间非线性变化而导致正确匹配点对下降的情况,提出了一种基于主成分分析的多源多光谱遥感图像特征点提取算法。利用尺度不变特征变换(SIFT)算法的基本原理,首先对两幅多源的多光谱遥感图像进行主成分变换,再用变换后各自的第一主分量图像作为待匹配图像;其次,在构建尺度空间时提高尺度参数并且在进行特征匹配时,利用尺度限制条件进行匹配,这样既能提高匹配精度又能提高运算速度;最后,采用随机抽样一致性算法剔除误匹配点。这种算法能减少多源多光谱遥感图像之间像素灰度值的非线性变化对特征点匹配的影响,提取到一定数量的正确匹配点对。通过实验对比分析,所提算法比通用算法有更高的精度和更好的适用性。     

形态梯度重构的标记分水岭高光谱影像分割

传统分水岭算法通常对梯度图像做无标记分割,其结果是容易造成过度分割。为了克服过分割的缺陷,进而应用于复杂的高光谱遥感图像分割,结合形态学预处理方法,在对图像实施平滑处理的同时,利用形态学开闭重构技术对梯度图像进行重建,在此基础上对高光谱遥感梯度重建图像进行标记分水岭分割。实验证明,这种处理技术对高光谱遥感图像的分割效果良好,能够满足高光谱遥感图像分类与信息提取的需要。     

基于小波核MSVR的IKONOS影像多分类

针对IKONOS影像波段和光谱特点,结合小波函数对非线性信号的良好描述能力和多输出支持向量回归(MSVR)在多维机器学习领域的优势,提出一种基于小波核MSVR的IKONOS影像多分类方法,并以安徽大学新校区的IKONOS影像进行仿真实验.结果表明,提出的多分类算法优于传统的有监督二分类方法和无监督K-Means分类方法,获得较好的分类效果.     

二元树复小波在图像特征提取和分类中的设计与应用

通过二元树复小波变换对图像进行4尺度分解,提取每一尺度下代表6个方向的高频带子图小波系数模的均值和标准方差组成48维的特征向量,利用支持向量机的一对一多分类算法对Brodatz图像库中的112幅图像进行了纹理特征提取和分类实验,结果表明二元树复小波变换提取的图像特征能有效提高图像的分类精度.     

结合Gabor小波变换与2DKDA特征提取的人脸识别

提出了一种结合Gabor小波变换和二维核判别分析(2DKDA)的新型特征提取方法.算法首先对人脸图像进行Gabor变换,然后通过二维核判别分析进行特征提取,可以很好地保留图像的几何特征和非线性特征.通过在标准人脸数据库上的测试表明,该方法较其他传统的二维特征提取方法具有更高的识别效率.     

基于层次支持向量机和KICA的人脸识别

针对人脸图像的非线性特点,将基于核方法的核独立分量分析算法用于提取人脸图像特征.为避免多类支持向量机出现不可识别域,提出基于二叉树思想的层次支持向量机算法,用于多类人脸识别.将层次支持向量机和核独立分量分析算法相结合进行人脸识别,首先对人脸图像进行预处理和主成分分析法降维;然后运用核独立分量分析算法估算出独立基影像,从而得到人脸特征;最后将人脸特征输入层次支持向量机进行分类识别.在ORL人脸库上的仿真结果表明该算法较好地兼顾了识别率和运行速率.     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

基于加权小波分析的遥感图像融合算法

提出一种基于加权小波分析的遥感图像融合算法. 首先在光照色度饱和度空间上提取多光谱图像的光照强度分量, 对光照强度分量进行主成分分析获得修正的光照强度, 再将修正的光照强度与小波分析高频区域进行加权融合, 最后进行小波分析与光照色度饱和度空间逆变换获得遥感图像的最终融合结果. 该方法有效解决了在低频空间分辨率与高频空间分辨率的图像融合过程中, 小波分析方法丢弃低频分量易产生分块模糊现象, 且主成分分析方法易产生光谱图像信息域失真的问题. 在不同场景遥感图像的融合上进行仿真实验, 结果表明, 该算法在一定程度上解决了图像融合后边缘模糊、 融合结果中出现模糊块状阴影等问题, 并在清晰度、 纹理细节和真实性上获得了较大提升, 且能针对不同的融合需求调整合适的加权系数, 使遥感图像的融合达到最佳效果. 在光照色度饱和度空间, 加权小波分析进一步提升了遥感图像融合的效果, 不仅充分表达了各种遥感图像的细节, 而且能较好地保留原始光谱信息.     

P6影像数据融合及其最佳融合方法在漓江两岸土地利用调查中的应用

遥感影像融合对影像分类、特征提取和目标识别具有重要的意义。针对印度P6卫星LISS-4全色数据和LISS-3多光谱数据进行多种融合实验,融合方法包括HIS变换、Brovery变换、PCA变换和Gram-Schmidt变换。根据融合结果的最终应用目的——目视解译和屏幕矢量化,采用信息熵、标准差、相关系数和视觉效果对融合方法进行定量和定性评价。分析结果表明,Brovey变换后的图像空间信息详细程度最差;HIS变换后的图像光谱保真能力最差;PCA变换和Gram-Schmidt变换方法融合效果图纹理信息清晰,光谱保真度好,适合P6卫星影像融合。最后选择2%线性拉伸后的PCA融合影像为工作底图,在此基础上对漓江两岸土地利用状况展开遥感调查。     

基于改进自适应阈值局部三值模式的遥感图像分类

遥感图像背景复杂,存在光照变化和噪声干扰,导致图像分类准确率不高。针对该问题,在计算邻域像素离散度的基础上,通过对其施加不同权重以细化阈值范围,提出一种改进的自适应阈值局部三值模式(ATLTP)纹理特征提取算法,以提高遥感图像分类精度。首先,对原始遥感图像进行灰度拉伸预处理以增强图像对比度;然后,采用改进自适应阈值局部三值模式提取遥感图像的纹理特征;最后,利用支持向量机对遥感图像进行分类。在标准遥感图像数据集中稀疏建筑物和密集建筑物分类的实验结果表明:采用改进后的局部三值模式纹理特征对遥感图像进行分类的性能要优于传统的局部三值模式,验证了改进算法的有效性。     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。     

基于Contourlet和IHS的遥感图像融合

针对目前最新发展的Contourlet变换较小波变换能提供更丰富的方向和形状,有助于捕捉图像中的几何结构,提出了一种新的基于Contourlet变换和IHS(Intensity-Hue-Saturation)变换的遥感图像融合方法,首先对多频谱图像进行IHS变换,然后对所得的亮度分量和全色图像分别进行Contourlet变换,再对得到的低频近似系数和高频细节系数采用一定的融合规则得到一个新的亮度分量,并对其做逆向的IHS变换得到融合图像.实验结果表明,该方法在保留多频谱图像的频谱信息的同时增强了融合图像的空间细节表现能力,提高了融合图像的信息量,并且优于同等条件下的小波变换方法,该方法是有效可行的.     

基于小波变换与LBP算子的遥感图像融合研究

提出一种新的基于小波变换与LBP算子相结合的遥感图像融合算法.该算法在源图像小波变换的高频子带内,利用局部LBP算子极大的方法得到小波重构高频系数,而低频系数则利用源图像小波分解后低频子带系数的非线性加权得到.然后由此高频和低频系数进行小波重构得到融合图像.实验采用可见光图像与SAR图像融合,结果表明这种方法可以很好地在保留源图像各自信息的同时融合源图像的细节信息,并且能够有效抑制源图像中孤立噪声点.     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.