高光谱影像光谱响应曲线分维计算

高光谱影像光谱响应曲线包含丰富的光谱特征,分形维值可以表征复杂光谱响应曲线特征,提出了步长测量法光谱响应曲线分形维值计算算法及高光谱分形特征影像的生成流程,对OMIS影像上不同类型地物样本的光谱曲线分维特征计算结果表明,分维是一种有效表达像元光谱信息的特征值。讨论了光谱响应曲线分维值对于高光谱数据处理的意义。     

基于SAM-SCP组合方法的热红外高光谱影像岩性分类

为了改善传统岩性分类方法中对光谱局部细节特征分析不足的问题，在光谱角分类模型的基础上，有效地融合地物的光谱特征参量，提出了一种新型的光谱角和光谱特征参量（Spectral Angle Mapper-Spectral Characteristic Parameters，SAM-SCP）组合的分类方法。该方法既体现了光谱的形状特征，又能够充分利用光谱的细节特征，解决由于岩性光谱曲线形状相似而识别效果差的问题，提高了分类精度。应用SAM-SCP分别对模拟热红外高光谱数据与真实热红外高光谱数据进行实验，并在SCP的设定过程中，调整主要谷、次要谷所占的权重以获得最佳的分类效果，最终的结果证明：SAM-SCP能对热红外高光谱影像进行有效的岩性分类，分类结果优于传统分类方法。     

结合纹理分析的多光谱图像分类研究

为了有效抑制同谱异物和同物异谱对多光谱遥感图像分类的影响,提出了一种宏观与微观相结合的两级多光谱地物分类算法:首先,通过基于纹理特征的动态聚类形成地形地貌相同或相似的区域分块,降低地物复杂度对后续基于光谱特征鼢的地物分类的影响,然后,再根据每个区域分块中地物的光谱特征分层次进行再分类,从而得到对整幅图像的分类结果.最后,以大庆遥感数据为例,给出了实验结果和精度评价.     

非负矩阵分解融合高光谱和多光谱数据

由于光谱分辨率和空间分辨率的制约以及物理条件的限制,高光谱数据具有很高的光谱分辨率而其空间分辨率却很低。因此,一般高光谱数据的空间分辨率往往低于仅有几个波段的多光谱数据的空间分辨率。高光谱数据和多光谱数据的融合可以得到同时具有高空间分辨率和高光谱分辨率的数据,进而应用于更高空间分辨率下地物的识别和分类。非负矩阵分解(Nonnegative Matrix Factorization)算法用于实现低空间分辨率高光谱数据和高空间分辨率多光谱数据的融合。首先利用顶点成分分析法VCA(Vertex Component Analysis)分解高光谱数据,得到初始的端元波谱矩阵和端元丰度矩阵;然后用非负矩阵分解算法交替地对高光谱数据和多光谱数据进行分解,得到高光谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。在每一步非负矩阵分解过程中,数据之间的传感器观测模型用于分解矩阵的初始化。AVIRIS和HJ-1A数据实验结果分析表明:非负矩阵分解算法有效提高了高光谱数据的所有波长范围内波段数据的空间分辨率,而高精度的融合结果可用于地物的目标识别和分类。     

应用分形几何学与小波理论对成像光谱数据进行地物识别的模型研究

以地物的混合光谱曲线为主要的研究目标，利用小波变换对混合的光谱曲线进行分解，将混合地物甚至地物内部组成成分的光谱特性曲线分解出来；根据已知的标准光谱特征曲线的自相似性指标，利用分形几何学方法将分解出来的不同光谱特性的曲线进行自相似性指标测量，以实现地物或者地物内部组成成分的识别。将分形几何学和小波变换理论有机地结合起来，为利用成像光谱数据进行地物识别，尤其是解决混合光谱的地物识别提供了一个值得进一步研究的方法。     

基于高光谱非线性向量空间的光谱曲线特征差异性分析

地物光谱特征分析是对地物进行分类和匹配的基础,目前高光谱遥感技术应用在精细物种识别中主要采用波谱分析的方法。重点探索非线性空间里的相似性测度方法,由于光谱曲线表征复杂光谱成像的非线性过程,论文从空间目标的整体形状描述非空集合之间的差异,采用Fr′echet距离、Hausdorff距离、Euclidian距离分别定义光谱特征曲线的距离,设计算法测量光谱向量之间的非线性相似程度。结果表明,采用Fr′echet距离、Hausdorff距离、Euclidian距离度量光谱相似度的精度依次减弱,但依据Fr′echet距离的算法时间复杂度略高。基于Fréchet距离的方法充分考虑了曲线上点的位置信息及整体曲线的走势问题,其在精度、抗噪能力等方面均有提升,从而为分析光谱特征提供了可能的新途径。     

一种基于光谱知识库的TM影像地物识别方法

地物的波谱特征是识别地物的主要标志之一,在实际应用中发现,由于遥感过程中存在着复杂的大气辐射影响,常常造成光谱知识库中的地物光谱曲线同由遥感图像上获得的光谱曲线不相匹配,进而引起地物识别误差。针对这一问题,从曲线形状分析入手,定义了曲线的形状因子,提出对形状因子构成的曲线进行匹配分析的算法。将该方法应用于TM影像的地物识别,由于形状因子曲线较好地反映了地物的特征信息,它能自动地挖掘遥感图像的细节信息,对地物有较高的识别精度,试验区内总体识别精度达到88.96%。     

基于LFDA和GA-ELM的高光谱图像地物识别方法研究

高光谱图像的高维特性和波段间的高相关性,导致高光谱图像地物识别问题研究中,面临着数据量大、信息冗余的问题,降低了高光谱图像的分类识别精度。针对以上问题,提出了基于局部保留降维（Local Fisher Discriminant Analysis,LFDA）结合遗传算法（Genetic Algorithm, GA ）优化极限学习机（Extreme Learning Machine, ELM）的高光谱图像分类方法。首先,采用LFDA对高光谱图像数据进行降维处理,消除信息冗余并保留局部邻域内主要特征;然后用GA优化ELM,对降维处理后的特征样本进行分类,提高高光谱图像的分类识别精度。将该方法应用于Salinas和Pavia University高光谱图像的地物识别问题研究,分类精度分别达到了98.56%和97.11%,由此验证了该方法的有效性。     

一种改进高光谱图像噪声评估的MNF变换算法

在光谱维变换法是高光谱图像特征提取和数据挖掘的重要工具,而最大噪声分数(MNF)变换更是应用于高光谱图像分类和混合像元分解当中最为常用的光谱维变换法之一.由于部分样本光谱特征可能被局部波段噪声淹没,在同类地物十分聚集的情况下,首先对高光谱图像做MNF变换处理会比做主成分(PC)变换处理的分类结果更优.但通过实验证明,如果不同类别地物混杂在一起,混杂程度对MNF变换结果的分类精度有着显著影响.随后文中从理论上阐明该影响存在的原因,并针对高光谱图像中地物混杂的情况,提出了一种改进噪声协方差矩阵(NCM)评估的MNF变换算法,并通过后续模拟数据和真实数据实验证明该变换法相对于经典MNF变换,特征提取效果明显改善,分类精度均有所提高.     

基于自动子空间划分的高光谱数据特征提取

针对遥感高光谱图像数据量大、维数高的特点,提出了一种自动子空间划分方法用于高光谱图像数据量减小处理。该方法主要包括3个处理步骤:数据空间划分,子空间主成分分析和基于类别可分性准则的特征选择。该方法充分利用了高光谱图像各波段数据之间的局部相关性,将整个数据划分为若干个具有较强相关性的独立子空间,然后在子空间内利用主成分分析进行特征提取,根据各类地物间的类别可分性选择有效特征,最后利用地物分类来验证该方法的有效性。实验结果表明,该方法能够有效地实现高光谱图像数据维数减小和特征提取,同现有的自适应子空间分解方法和分段主成分变换方法相比,该方法所提取的特征用于分类时能获得较好的分类精度。利用该方法进行处理,当高光谱数据维数降低了90%时,9类地物分类实验的总体分类精度可以达到80.2%。     

高光谱数据特征选择与特征提取研究

高光谱遥感数据的最主要特点是: 传统图像维与光谱维信息融合为一体, 即“图谱合一”。针对高光谱数据波段多、数据量大、冗余度大等特点, 论述了特征选择和特征提取的若干算法, 分析了各自的优缺点。重点研究了导数光谱算法, 并针对二值编码的不足研究了其改进算法-- 四值编码算法。最后用编码技术和导数光谱技术提取了地物的光谱特征参数; 试验表明: 四值编码算法比二值编码算法效果更佳; 光谱导数阶数越高, 对地物特征的表达越有效。     

基于空谱特征的核极端学习机高光谱遥感图像分类算法

近年来,局部二值模式(Local Binary Patterns,LBP)由于其在空间特征提取方面具有显著的优势被应用于高光谱遥感图像分类中,该算法在空间特征提取上虽减少类内方差,却忽视了用于区分不同地物类别的光谱特征。为避免在图像分类过程中提取单一特征导致特征提取不充分、分类效果不理想的问题,通过将空间特征和光谱特征进行矢量堆叠得到新的空谱特征向量。再将新的空谱特征向量引入到核极端学习机中,提出一种基于空谱特征的核极端学习机高光谱遥感图像分类算法(Space Spectrum feature Kernel Extreme Learning Machine,SS-KELM)。为验证所提算法的有效性,将使用两个高光谱图像数据集进行实验。实验结果表明所提SS-KELM算法的分类性能优于目前较为常见的传统分类算法。     

光谱与形状特征相结合的道路提取方法研究

针对从遥感影像上提取道路,目前已经有很多研究,但尚有许多问题有待解决。如果仅从光谱特征分类入手提取道路,会存在“异物同谱”问题。为解决这个问题,提出了用光谱特征与形状特征相结合的方法提取道路。提出了3个形状指数描述道路的形状特征。以SPOT卫星影像为例,将高空间分辨率的全色图像与多光谱图像融合,首先基于道路光谱特征进行图像分类,然后再应用道路的形状特征去除分类图像中的“异物”目标。研究结果表明该方法能有效地从遥感影像中提取主干道路。     

一种基于梯度特征列表的机器视觉目标匹配

机器视觉目标匹配中,匹配相似性测量应用特征列表相关算法计算,可有效减少处理时间,并且匹配具有较高的峰值系数和峰值信噪比,可以清晰识别目标。所提出的基于梯度特征列表的机器视觉目标匹配方法,采用梯度特征列表描述图像,对特征像素点非均匀采样,匹配相似测量基于特征像素点梯度归一化互相关,可有效改善特征列表算法性能。     

多门限二进制编码方法在TM 图像处理中的应用

不同类型的地物具有不同的反射光谱, 在多维光谱空间中构成不同的特征向量, 这便是遥感多光谱图像分析与识别的物理依据。传统方法中有基于单个像元波段亮度的、空间纹理的、变换空间的多光谱图像特征提取与分析方法, 但这些方法并没有直接描述地物的最本质特征-反射光谱曲线。从20 世纪80 年代开始, 当二进制编码的方法提出并在多光谱匹配识别中获得成功应用后,多光谱图像分析处理便可以在这种特征提取的基础上, 研究新的方法。提出一种基于多门限二进制编码的光谱形状描述方法, 这种方法的核心就是将多光谱的亮度范围细分成若干个灰度区间, 也称为多门限, 分别将各波段光谱亮度与多门限进行比较, 从而建立一列能够较详细描述光谱形状的二进制编码, 我们将这种新的特征描述方法应用于多光谱图像的分类、信息提取和变化检测。遥感图像处理实验的结果表明, 这种方法是有效的。     

基于改进SimRank的产品特征聚类研究

针对在线用户评论中产品特征的提取和聚类问题进行了研究，提出一种改进的SimRank算法，将情感词-特征对放入二分网中，在二分网中使用改进后的SimRank算法计算特征词之间的相似度；再通过谱聚类算法对特征相似度进行聚类，提取网络产品的特征集合。以某电脑评论为例，从中提取情感词-特征对进行研究，实验结果显示,改进后的算法准确率更高。改进后的特征相似度检测方法可以作为检测特征相似度的有效方法。实验采用在线产品的评论语料，实验结果表明使用改进后的SinRank相似度对特征词进行聚类提取出特征更加准确。     

内P一推理与内收敛信息的辨识

P-推理(packet reasoning)是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的。P-推理是一个动态推理,具有智能特征;P-推理是由P-集合得到的。利用P-集合与P-推理理论,给出了内收敛信息与它的属性特性、内收敛信息的内P-推理生成与生成定理、内收敛信息的存在原理与辨识定理以及内收敛信息在动态信息系统中的应用。     

量子粒子群和相关性分析在心电特征选择中的应用

针对心电(ECG)信号情感识别中特征选择的问题,首先运用相关性分析方法,去除原始特征集中的高相关度特征,实现原始特征集的降维;其次,为了在降维后的特征空间中进行有效的特征选择,提出了一种改进的二进制量子粒子群算法(SBQPSO)。实验结果表明,基于本算法结合Fisher分类器建立的ECG信号情感识别系统能够对高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感达到良好的识别效果。     

基于Radon变换特征提取的步态识别

提出了一种基于Radon变换特征提取的步态识别算法.该算法根据步态轮廓图下肢的宽度信息确定步态运动准周期性,对二进制准周期步态轮廓序列进行Radon变换构造特征向量模板.对特征向量进行主成分分析,并采用k-近邻法进行步态特征分类.在CASIA步态数据库上和CAS识别算法进行了详细的比较,实验结果表明,该算法在性能上有较大程度的提高,是一种有效的步态识别方法.