一种结合空谱聚类的高光谱图像快速压缩算法

对高光谱图像进行快速压缩已经成为了高光谱遥感领域的研究热点.针对现有的高光谱图像数据量大和压缩所需运算量大的问题,提出了一种基于频段聚类+主成分分析(PCA)与空间分类相结合的高光谱图像快速压缩算法.首先利用最大相关度频段聚类算法(MCBC)将频段聚类,接着将每一类频段用PCA压缩,然后将压缩后的图像利用聚类信号子空间投影(CSSP)算法进行图像分类,最后在每一类内利用LBG(Linde Buzo Gray)算法通过矢量量化快速完成高光谱图像的编码.在不同的压缩比下进行实验,结果表明提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下,大幅度降低运算复杂度,实现高光谱图像的快速压缩.     

基于聚类的高光谱图像无损压缩

高光谱海量数据的有效压缩成为遥感技术发展中需要迫切解决的问题。该文提出了一种基于聚类的高光谱图像无损压缩算法。针对高光谱图像不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组。由于高光谱图像波段数量较多,采用自适应波段选择算法对高光谱图像进行降维,以获取信息量较大的部分波段,利用k均值算法对降维后的波段谱矢量进行聚类。采用多波段预测的方案对各组中的波段进行预测,对于各个分类中的每个像素,分别选取与其空间相邻的已编码的部分同类点进行训练,从而获得当前像素的谱间最优预测系数。对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。     

最大误差可控的高光谱图像聚类压缩算法

针对原有基于奇异值分解的最大误差可控的高光谱图像压缩(EC-SVD)算法未充分利用图像光谱矢量间冗余的问题,该文将高光谱图像压缩与聚类结合,提出最大误差可控的高光谱图像聚类压缩算法。分析发现,图像的光谱矢量间相似度越高越有利于得到好的最终压缩效果。因此,算法首先使用K-均值聚类对高光谱图像像元按光谱矢量聚类,以提高同类光谱矢量间的相似度;其次,对每一类像元分别使用EC-SVD算法思想压缩以控制最大误差。论文证明了当高光谱图像的像元个数与波段数之比较大,且聚类类数不大于8时,聚类能够提高图像最终压缩比。最后,设计整体压缩实验仿真流程,并对实际高光谱图像进行数值仿真。结果表明,在相同参数条件下,该文算法比EC-SVD算法得到的压缩比和信噪比均有提高,最大压缩比提高了10% 左右。该文算法能够有效提高EC-SVD算法的图像压缩效果。     

基于粒子群优化聚类的高光谱图像异常目标检测

高光谱图像的高维特性增加了图像的信息量,但 是同时也带来了“维数灾难”问题 。在高光谱图像异常目标检测 过程中,如何更好降低维数,去除波段冗余性和最大程度抑制背景干扰成为亟需要解决的 问题。针对此,本文提出了基于粒子群 优化(PSO)聚类的高光谱图像异常目标检测算法。算法首先利用粒子群方法对传统的k-均 值聚类进行优化,在不改变高光谱图像 波段特征的基础上用新的聚类方法对图像进行了波段子集类划分,使得具有相似特性的波段 归为一类;然后,通过主成分分析(PCA)变换使 得聚类后的图像数据中含有的异常目标变得突出,同时抑制背景干扰;最后,提取各子集主 成分中含有最大四阶累积量值的波 段,构成最优波段子集,并与核RX算法结合进行异常检测。利用真实的AVIRIS高光谱图像对 算法进行仿真,结果表明,算法检测精度高,虚警率低。     

基于多重分形谱的木材高光谱图像纹理分类算法

为了过滤木材高光谱图像中大量的冗余信息,提升应用图像纹理进行分类的准确率,本文采用基于多重分形理论的木材高光谱图像分类算法。首先利用不同的特征选择算法选取最具代表性的10个波段;随后根据不同的函数密度图像对所选取波段的图像求解其多重分形曲线,将选择出的多个波段所对应的多重分形曲线取平均,得到表示样本纹理特征的多重分形曲线;最后使用支持向量机和BP神经网络分类器对多重分形曲线进行分类。实验表明,相对熵(K-L散度)要好于自适应波段选择(ABS)提取的波段,多重分形算法提取的高光谱图像纹理特征要好于灰度共生矩阵,支持向量机算法的分类准确率和速度要优于BP神经网络,融合K-L散度、多重分形和支持向量机算法能够有效地提高木材高光谱图像的识别准确率,最高识别准确率达到了97.91%。     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

基于BP神经网络和主元分析法的数码相机光谱重构算法

从数码相机的RGB信号重构物体表面的光谱反射率是光谱颜色管理研究中的重要课题之一。提出了一种基于误差反向传播前馈神经网络(BP)和主元分析法(PCA)实现色卡的表面光谱反射率重构的新算法。通过对三种色卡进行光谱重构实验研究了BP神经网络的最优结构和主元数的最佳选择,验证了算法的精度。实验结果表明,采用适当的BP神经网络和主元分析相结合的新算法能够精确重构同类色卡的表面光谱反射率。     

基于高光谱技术的长枣内外品质同时检测

采用近红外高光谱成像技术,对长枣表面轻微损伤 和果肉硬度进行无损检测。在970～ 1630nm波 长范围内对高光谱图像数据进行主成分分析(PCA),得到第3主成分图像最适合检测长枣表面 损伤。波段比(BR)算法中, 选取1387nm和1 229nm两个波段的图像进行比值运算, 采用 1455nm单波 段图像构建掩膜作用于比值图像, 最后对图像进行阈值分割和形态学变换完成损伤区域的特征提取。BR算法检测长枣轻微损 伤的准确率达 到91.5%。对反射光谱进行多元散射校正(MSC)后与长枣果肉硬度值进 行回归分析,选择相关系数较大的5个特 征波长作为BP神经网络输 入,建立果肉硬度预测模型。预测集相关系数R和均 方根误差(RMSEP)分别为0.904和15.163。研究结果表明,利用高光谱成像技术可以实现长枣内外品质同时检 测。     

基于四阶累积量的波段子集高光谱图像异常检测

针对由于高光谱图像光谱和空间分布的复杂性导致核RX算法检测性能不高这一问题,提出了基于四阶累积量的波段子集非线性异常检测算法。首先先依据各相邻波段间的相关系数,将原始图像数据划分为多组波段子集;然后,利用主成分分析(PCA)构造的正交子空间对各波段子集进行背景抑制,得到图像误差数据;在此基础上,再次利用PCA提取各波段子集的特征信息,使异常目标信息集中于前面几个波段;最后,提取各子集主成分中含有最大四阶累积量值的波段,构成最优波段子集,并与核RX算法结合进行异常检测。利用真实的AVIRIS高光谱图像对算法进行仿真,结果表明,本文算法检测精度高,虚警率低,性能明显优于核RX算法。     

基于双向预测的高光谱图像无损压缩

提出了一种基于双向预测的高光谱图像无损压缩算法。该算法首先采用自适应波段选择算法选出信息量较大的波段,然后利用聚类算法对这些波段的谱向矢量进行分类预处理。为了便于组织谱间预测过程,根据相邻波段相关性大小进行自适应波段分组,采用双向预测的方法去除谱间相关性。通过在参考波段和预测波段中定义三维上下文预测结构,在聚类结果的基础上,对各个像素分别训练最优的预测系数,从而实现当前波段的有效预测。对AVIRIS型高光谱图像的实验结果表明,该方法可获得较好的无损压缩性能。     

基于空谱特性的高光谱图像压缩感知重构

针对现有的高光谱图像压缩感知重构算法对图像的空谱特性利用不够充分,导致重构图像质量不够高的问题,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端以频段聚类方式将高光谱图像的所有频段分成参考频段和普通频段,对不同频段单独采用不同精度分块压缩感知以获取高光谱数据。在解码端,参考频段直接采用稀疏度自适应匹配追踪( SAMP)算法重构,对于普通频段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构：首先通过重构的参考频段双向预测普通频段,并对其进行压缩投影,然后计算预测前后普通频段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验表明,相比同类算法,该算法充分考虑了高光谱图像的空谱特性,有效改善了重构图像质量,且编码复杂度低,易于硬件实现。     

基于改进的扩散平滑和RBM的高光谱图像分类

为了改善传统分类方法在高光谱遥感图像去噪和特征提取方面的不足,提出了一种基于改进的扩散平滑算法和RBM的方法.该方法使用自适应扩散系数,对相应的区域进行不同程度的扩散平滑,实现了对高光谱遥感图像的快速去噪;然后利用多层限制玻尔兹曼机构建DBN网络,实现对高光谱遥感图像的分类.实验表明,与传统的分类方法和DBN相比,该方法在高光谱图像地物分类精度上有所改善.     

基于压缩感知理论的波段重构方法

针对高光谱图像数据量大、信息冗余多、传输难度大等问题,从波段压缩采样入手,通过采样数据重构出原始波段,提出一种基于压缩感知理论的波段重构方法。压缩感知理论是一种在不遵循奈奎斯特采样定理的情况下,能够高精度重构出原始信号的新型压缩采样理论。由于高光谱图像谱间相关性高,具有很强的稀疏性,故可将压缩感知理论用于高光谱数据的波段重构,仅选择少量波段,便能够重构得到原始高光谱数据。实验结果表明,压缩感知理论能够对高光谱图像波段维进行压缩与重构,并可达到较高的重构比例,同时获得较高的重构效率,且重构数据光谱曲线与原始数据光谱曲线的波形一致度高。     

基于双估计值的查找表高光谱图像无损压缩

提出一种基于双估计值的查找表预测高光谱图像无损压缩算法。首先,在高光谱图像的第1谱段图像采用JPEG-LS中值预测器进行谱段内预测,其他谱段图像采用谱间预测。谱间预测采用以下步骤,利用3个LUT预测值求出第一个估计值;其次用当前谱段内和前一谱段内特定的8个像素点计算出第二个估计值,将谱段内预测和谱间预测有效地结合,去除了高光谱图像的谱间相关性。然后,用3个LUT预测值和最终的预测估计值比较,选出最终的预测值。最后,将预测残差进行算术编码。实验结果表明,针对NASA的AVIRIS高光谱图像,用本文算法比LAIS-LUT的压缩比平均提高了0.03~0.11,针对国内OIMS-I高光谱图像,比LAIS-LUT压缩比平均提高了0.01~0.09,有效的提高了压缩比。     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

基于特征重要性的高光谱图像分类

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息,本文提出了一种基于特征重要性的卷积神经网络（convolutional neural networks,CNN）分类模型。首先,利用贝叶斯优化训练得到的随机森林模型（random forest,RF）对高光谱遥感图像进行特征重要性评估;其次,依据评估结果选择合适数目的高光谱图像波段,以作为新的训练样本;最后,利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据,实验结果均表明:相比原始光谱信息直接采用支持向量机（support vector machine,SVM）和卷积神经网络的分类效果,本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。