利用区域增长技术的自适应高光谱图像分类

针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。     

高光谱图像分类的研究进展

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点,对图像中的每个像素进行分门别类,以达到对地物目标进行高精度分类和自动化识别的目的,是对地观测的重要组成部分。在分析高光谱图像特点的基础上,本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较,通过具体实验的结果对比,直观地展现各种算法的优劣。针对高光谱分类问题,本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面,在算法研究上,高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度,利用多源遥感数据、多特征综合、多尺度复合,提升小样本、少参数分类模型的分类精度,适应智能化、快速化高光谱遥感对地观测的发展要求;另一方面要紧密结合市场应用需求,重视高光谱图像在实际中的应用,研究具有市场竞争力的高效分类算法,提升高光谱图像分类在遥感技术应用领域的竞争力。     

面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

应用自适应预测器排序的三阶预测高光谱图像无损压缩

针对图像校正引起的高光谱图像的数据相关性,本文基于三级谱间预测和后向像素搜素(IP3-BPS)两阶预测提出了一种应用自适应预测器排序的三阶预测高光谱图像无损压缩算法。首先,根据高光谱图像相邻波段的相关系数大小进行自适应波段分组。然后,对谱间相关系数大于0.9的分组,利用校正引起的数据相关性和高光谱图像波段缩放因子分别给出一种递归双向像素搜索和一种自适应预测器排序技术;新形成的三阶预测算法将递归双向像素搜索和后向像素搜索作为最后两阶预测的预测器,并自适应调整两者的排序以获得更优的预测值。对机载可见光/红外成像光谱仪(AVIRIS′97)高光谱图像进行压缩的实验结果表明,提出的算法的平均比特率达到3.85bpp,优于其它无损压缩算法0.07~1.28bpp。该算法在计算复杂度较低的情况下,是一种高效的高光谱图像无损压缩方法。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

基于3DLMS预测的高光谱图像无损压缩算法

针对高光谱图像无损压缩比较低的问题,将三维LMS算法(3DLMS)应用于高光谱图像压缩领域,利用3DLMS算法构造了一种新的高光谱图像自适应预测模型,通过去局部因果集均值方法实现了模型优化.对不同场景AVIRIS图像的实验表明,基于3DLMS预测的高光谱图像无损压缩算法同时降低了高光谱图像的空间和谱间冗余,提高了高光谱图像的无损压缩比,同时该方法也验证了3DLMS算法在高光谱图像压缩中的可行性.     

面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络

深度学习已经在高光谱血细胞图像分类中获得广泛应用.然而,传统深度学习模型需要大量标记数据作为样本,忽略了高光谱图像"图谱合一"的性质,不能充分挖掘高光谱图像内蕴信息,且存在参数多、复杂度高问题.针对上述问题,提出了空-谱可分离卷积神经网络(S3CNN),在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能.根据高光谱...     

高光谱遥感图像空谱联合分类方法研究

在遥感影像研究领域里,高光谱数据分类是一个热点问题。近年来,在这个问题上涌现出很多研究方法,然而,大多数方法都是用浅层的方法提取原始数据的特征。将深度学习的方法引入高光谱图像分类中,提出一种新的基于深信度网络(DBN)的特征提取方法和图像分类架构用于高光谱数据分析。将谱域-空域特征提取和分类器相结合提高分类精度。使用高光谱数据进行实验,结果表明该分类器优于当前的一些先进的分类方法。此外,本文还揭示了深度学习系统在高光谱图像分类研究中具有的巨大潜力。     

面向高光谱图像分类的半监督双流网络

为了提取高光谱图像中的深度鉴别特征,往往需要大量标记样本,但是高光谱图像样本标定困难,基于高光谱图像的“图谱合一”特性提出一种基于深度-流形学习的半监督双流网络。该网络用卷积网络和神经网络分别提取少量标记样本以及大量无标记样本中的空-谱联合特征,然后分别构建基于监督图和非监督图的流形重构图模型,以挖掘其中的本征流形结构。在此基础上设计了基于均方误差和流形学习的联合损失函数,以协同度量流形边界和空-谱概率残差,实现双流网络的一体化反馈和优化,进而实现地物分类。在WHU-Hi龙口和黑河高光谱数据集上实验的总体分类精度分别达到97.53%和96.79%,有效提升了地物分类能力。     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。     

组合核函数支持向量机高光谱图像融合分类

针对高光谱图像分类,提出了-种利用组合核函数融合目标光谱域和空域信息的支持向量机学习算法.该算法首先用主成分分析方法对高光谱图像进行特征提取和降维,用虚拟维数估计策略预估原始图像的本征维数,并且在预估的基础上确定要保留的主成份分量数目;然后用数学形态学操作在选取的主分量图像上提取目标的形态信息,得到扩展的空域形态矢量....     

基于内容的高光谱图像无损压缩

提出了一种基于内容的高光谱图像无损压缩算法.采用自适应波段选择算法对高光谱图像进行降维,引入G-means算法对降维后的光谱矢量进行无监督分类.利用单调后向排序算法确定波段的预测顺序,并根据相邻波段的相关系数大小进行自适应波段分组.针对每一类地物,选取类内部分像素进行最优预测系数的训练,采用多波段线性预测的方案去除同类像素的谱间相关性,预测残差进行JPEG-LS无损压缩.对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验,并与未进行分类预测的算法比较.结果显示,提出的算法的平均压缩比分别提高约0.11和0.7,验证了该算法在无损压缩方面的有效性.     

最佳递归双向预测的高光谱图像无损压缩

提出一种基于最佳递归双向预测的高光谱图像无损压缩算法。首先根据高光谱图像各波段的谱间相关系数,选择相应的压缩方式。谱间相关系数小于0.9的波段使用bzip2模式进行压缩。谱间相关系数大于0.9的波段,对参考波段进行单波段最佳前向预测,非参考波段采用最佳递归双向预测,并对预测残差采用JPEG-LS模式压缩。对AVIRIS高光谱图像进行压缩,实验结果表明该算法的平均压缩比达到3.217倍,优于其他无损压缩算法0.09-1.374倍。     

机械加工过程的神经网络最优自适应控制

本文建立了机械加工过程的最优自适应控制模型。提出了刀具磨损的神经网络测量方法。并把机械加工过程的最优自适应控制模型映射成神经网络优化电路模型，建立了机械加工过程的神经网络最优自适应控制系统。     

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

针对高光谱图像（hyperspectral images, HSI）与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络（Contrastive Learning based CNN-Transformer Network, CLCT-Net）。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和LiDAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。     

基于预测的高光谱图像并行无损压缩算法

高光谱图像压缩算法众多,本文首次将并行性理论研究应用于高光谱图像压缩领域,以经典预测算法为例进行实验研究,在同样的压缩比下并行算法的压缩效率明显提高,这种高效的并行压缩算法非常适用于卫星上数据的压缩。     

空谱联合预测高光谱图像无损压缩rice算法

针对rice算法低维预测不能有效降低高光谱数据冗余问题,提出基于空谱联合预测的低复杂度rice算法,应用于高光谱图像无损压缩.根据高光谱图像三维数据特征建立三维预测模型,利用相邻波段谱间相关系数进行联合预测系数分配,有效地减少了高光谱图像空间和谱间冗余.提出基于预测误差均值的最优编码参数选择算法,计算复杂度由O(N)降为O(1).实验结果表明,本文方法提高无损压缩比5%～40%,编码时间较经典rice算法缩短了4%以上,有利于实时处理和工程实现.     

基于云模型的高光谱遥感图像的分类研究

现有的分类方法没有考虑或者没有彻底考虑高光谱遥感图像数据的不确定性,因此提出了一种基于云模型的高光谱遥感图像分类方法。云分类时,首先根据训练样本集,由逆向云发生器生成每类地物的多维云模型,然后利用X条件云发生器计算出各测试像素对每类地物的隶属度,最终采用极大判定法实现对每个测试样本的分类。仿真结果表明,该方法简单、计算量小,可以取得高于传统方法的分类精度,具有很好的发展前景。     

应用于高光谱成像的CMOS图像传感器

文中介绍了应用于高光谱地球观测的CMOS有源图像传感器。该器件由全局曝光模式的像素组成512×256面阵,可实现450帧/s的帧频。全局曝光模式是由在光二极管外增加1个储存电容的方式实现的。该器件采用0.5μm标准CMOS工艺,满阱电子达到140 000电子,瞬态噪声29电子,动态范围74 d B。采用该器件开发的高光谱成像仪的空间及频谱分辨率具有很高水平。     

面向目标探测的高光谱图像层次聚类波段选择

针对高光谱图像波段间的相关件高、信息冗余大从而影响目标探测的问题,提出层次聚类波段选择(HC-BBS).首先以ROC曲线线下面积(AUC)为指标确定最佳聚类个数,然后对原始波段凝聚聚类,再在聚类后的每类波段中选择最能代表该类的波段组成最终的波段子集,保证了目标探测算子获得最佳的探测效果.对AVIRIS获取的2幅真实高光谱图像进行了实验,结果表明,HC-BBS优于另外2种波段选择方法,其选出的波段分别占据全部波段的9%和3%,目标探测算子ACE和AMF的探测率较全波段分别提高了30%和15%.