基于特征加权的自动图像分类方法

低层特征的选择与提取是自动图像分类的基础,一方面,所选择的图像特征应能代表各种不同的图像属性,利于不同类别图像之间的区分;另一方面,为了提高后续模型的计算效率,需要减少噪声特征、冗余特征.提出了一种基于特征加权的自动图像分类方法.该方法根据图像低层特征分布的离散程度来衡量特征相对于类别的重要性,增加相关度高的特征的权重,降低相关度低的特征权重,从而避免后续模型被弱相关或不相关的特征所支配.所提的特征加权算法主要考察的是特征相对某个具体类别的重要程度,可以为每个类别选择出适合自身的特征权重.然后,将加权特征嵌入到支持向量机算法中用于自动图像分类,在Corel图像数据集上的实验结果表明,基于特征加权的自动图像分类算法可以有效地提高图像分类的准确性.     

基于特征融合的核量化图像分类方法

局部特征和全局特征是图像的两种重要的特征描述,在图像分类时起着至关重要的作用。据此提出一种通过融合全局与局部特征核量化图像分类方法。首先,分析全局特征及局部特征各自优缺点,并对图像进行特征提取;其次,通过核方法将特征映射到适当的高维空间中,来进行码书的获取与量化,并进行特征的融合以更好地对图像进行描述;最后,采用基于直方图交叉核的支持向量机对获取的量化特征进行分类。通过实验证明了所提出的方法的可行性。     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。     

支撑向量机在高光谱遥感图像分类中的应用

高光谱遥感图像具有维数高的特点,当样本较少时,利用传统的统计识别方法分类,分类精度低.可支撑向量机(SVM)能解决小样本、高维、非线性分类问题.采用归一化法对原始图像做预处理,再分析不同的SVM核函数对分类精度的影响;并把SVM与最小距离法,马氏距离法等的分类结果进行比较.结果表明SVM的核函数类型对分类正确率影响不大,其分类精度高于传统的统计识别方法.     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

综合纹理特征的高光谱遥感图像分类方法

提出了一种基于Gabor滤波的高光谱遥感图像支持向量机(SVM)分类方法,通过将Gabor滤波器组产生的纹理特征引入SVM分类,不仅充分利用了SVM适于解决高维数据分类问题的优势,而且在分类过程中实现了空间结构信息和光谱信息的综合使用,有效利用了高光谱图像“图谱合一”的特性.采用中科院上海技术物理研究所研制的模块化成像光谱仪OMIS (operative modular imaging spectrometry)真实数据进行的实验,实验结果表明,该方法提高了分类效果,分类结果更具有空间连贯性,并且能有效地克服噪声的影响.     

基于SSAE深度学习特征表示的高光谱遥感图像分类方法

针对遥感图像中高光谱数据的分类问题,提出一种基于堆叠稀疏自动编码器(SSAE)深度学习特征表示的高光谱遥感图像分类方法。首先,将光谱数据样本进行预处理和归一化。然后,将其输入到SSAE中进行特征表示学习,并通过网格搜索来获得最优网络参数,以此获得有效的特征表示。最后通过支持向量机(SVM)分类器对输入图像特征进行分类,最终实现遥感图像中像素的分类。在两个标准数据集上的实验结果表明,该方法能够实现准确的高光谱地物分类。     

基于主动学习的高光谱图像分类方法

高光谱图像监督分类中,为了避免休斯效应需要大量的训练样本,但在实际应用中对样本进行标注成本非常高,因此,得到高质量的训练样本显得十分重要。提出一种基于主动学习的高光谱图像分类方法,通过对区域关注度的统计,有效地结合图像光谱和空间特性,基于主动学习方法获取信息量较大的训练样本,从而较大幅度提高了分类的精确度。实验结果表明,所提算法比传统的随机取样监督分类法和主动学习方法在分类精确度上有较大的优势。     

用基于视觉单词上下文的核函数对图像分类

当前在图像分析领域,将局部特征编码为视觉单词的做法非常流行。基于普通的视觉单词,提出了一种新的能够融合单词多层上下文的核函数。设计中体现了如下信息：1）多层的单词直方图;2）多层的“词组”直方图;3）单词（以及词组）的上下文的类别。然后将该核函数应用于支持向量机,对图像进行分类。在Corel图像库等公共测试集上,该方法取得出色的性能。此外,在一个实用性很强的复杂问题中进行了对比：识别成人图像和泳装图像。该方法的识别准确率,比经典方法提高了约7%。实验结果表明,将核函数度量同视觉单词的多层次描述结合在一起,能够显著提高图像的识别能力。     

基于DS聚类的高光谱图像集成分类算法

针对高光谱遥感图像维数高、样本少导致分类精度低的问题,提出一种基于DS聚类的高光谱图像集成分类算法(DSCEA)。首先,根据高光谱数据特点,从整体波段中随机选择一定数量的波段,构成不同的训练样本;其次,分析图像的空谱信息,构造无向加权图,利用优势集(DS)聚类方法得到最大特征差异的波段子集;最后,根据不同样本,利用支持向量机训练具有差异的单个分类器,采用多数表决法集成最终分类器,实现对高光谱遥感图像的分类。在Indian Pines数据集上DSCEA算法的分类精度最高可达到84.61%,在Pavia University数据集上最高可达到91.89%,实验结果表明DSCEA算法可以有效的解决高光谱分类问题。     

基于联合协同表示与SVM决策融合的高光谱图像分类研究*

针对高光谱图像的分类问题进行了研究,提出一种基于联合协同表示（JCR）与支持向量机（SVM）模型的决策融合分类方法。首先采用联合协同表示模型对样本与字典进行多元素分解并分别进行相应的协同表示,自适应的学习多元素的残差权重并进行线性加权。其次用灰度共生矩阵计算出的统计特征量来训练多类SVM分类器。最后建立一种乘法融合规则将JCR与SVM相结合。在两个标准数据集上的实验结果表明该方法比其他方法具有更好的性能。     

SVM用于基于块划分特征提取的图像分类

在基于内容图像检索中,图像的底层视觉特征和高层语义概念之间存在着较大的语义间隔。使用机器学习方法学习图像特征,自动建立图像类的模型成为一种有效的方法。本文提出了一种用支持向量机(SVM)实现自然图像自动语义归类的方法,基于块划分聚类得到特征向量作为SVM训练样本,实现语义分类器。由于参与聚类的是某类图像所有块的特征,提取的特征更能反映某一类图像特征。实验证明这种方法是有效的。     

基于轻量级特征融合卷积网络的图像分类算法

传统卷积神经网络存在卷积核单一、网络结构复杂和参数冗余的问题。提出一种轻量级特征融合卷积神经网络MS-FNet。在融合模块中采用多路结构以增加卷积神经网络的宽度,通过不同尺寸的卷积核对输入特征图进行处理,提高网络在同一层中提取不同特征的能力,并在每次卷积后采用批归一化、ReLU等方法去除冗余特征。此外,使用卷积层代替传统的全连接层,从而加快模型的训练速度,缓解因参数过多造成的过拟合现象。实验结果表明,MS-FNet可在降低错误率的同时,有效减少网络参数量。     

基于MNF和SVM的高光谱遥感影像分类研究

通过分析高光谱遥感影像分类的现状及遇到的困难,以OMIS1高光谱数据为实验数据,提出了基于最小噪声分离(Minimum Noise Fraction-MNF)变换和支持向量机(Support Vector Machine-SVM)的高光谱遥感影像分类方法。分类实验结果表明:与传统的最大似然分类法(Maxi mum Likelihood Classification-MLC)比较,该方法克服了Hughes现象,分类速度得以提高,总体分类精度达到94.85%,从而表明了该方法用于高光谱遥感影像分类的实用性和优越性。     

基于改进GraphSAGE的高光谱图像分类

针对传统的图卷积网络节点嵌入过程中接受邻域范围小的问题,本文提出了一种基于改进GraphSAGE算法的高光谱图像分类网络.首先,利用超像素分割算法对原始图像进行预处理,减少图节点的个数,既最大化保留了原始图像的局部拓扑结构信息,又降低了算法的复杂度,缩短运算时间;其次,采用改进的GraphSAGE算法,对目标节点进行平均采样,选用平均聚合函数对邻居节点进行聚合,降低空间复杂度.在公开的高光谱图像数据集Pavia University和Kenndy Space Center上与相关模型进行对比,实验证明,基于改进GraphSAGE算法的高光谱图像分类网络可以取得较好的分类结果.     

基于MCFFN-Attention的高光谱图像分类

针对高光谱图像高维度的特性和样本数量少的局限性,提出了一个多尺度跨层特征融合注意力机制（MCFFN-Attention）的方法。对高光谱图像进行PCA降维,然后以3D CNN为基础,将中心像素和其相邻像素作为整体输入到网络中,对不同卷积层得到的特征进行融合。同时对融合的低层特征进行空间注意力机制处理,对融合的高层特征进行通道注意力机制处理,分配给它们不同的权重来优化特征图。在印第安松树和帕维亚大学数据集上进行实验,结果表明此方法相对于CNN、3D CNN和M3D CNN方法,分类精度得到了提升。     

基于特征融合的图像型火灾探测方法

针对传统火灾探测中灵敏度不高、响应慢的问题,提出一种基于特征融合的图像型火灾探测方法.结合火焰的颜色、运动以及闪烁特征,检测出疑似火灾区域中的火焰像素,排除非火焰像素,并用支持向量机对疑似火焰像素进行验证,采用形态学方法和区域融合判断出火灾区域.实验结果表明,该方法对多种火灾和非火灾场景具有较好的适应性、较强的抗干扰能...     

基于多线索特征融合的图像分类方法

针对图像本身存在噪声和冗余信息而导致分类准确率不高的问题进行了研究，提出一种基于多线索特征融合图像分类算法。通过改进全局显著性和稀有性度量方法得到显著图像；分别在原图像、压缩图像和显著图像上提取方向梯度直方图（Histogram of?Oriented Gradient，HOG）特征；将提取到的特征向量融合；采用基于欧氏距离的二叉树支持向量机（Distance Binary Tree SVM，DBT-SVM）进行图像分类。利用Caltech101和花卉图像数据集进行实验测试，结果表明提出的算法能够有效地提高图像分类的准确率。     

基于Wasserstein距离与生成对抗网络的高光谱图像分类

近年来, 基于生成对抗网络的高光谱图像分类方法取得了很大进展. 它们虽可以缓解训练样本数量有限的问题, 但是容易受到训练数据不平衡的影响, 并且存在模式崩溃问题. 针对这些问题, 提出了一种用于高光谱图像分类的SPCA-AD-WGAN模型. 首先, 为了解决训练数据不平衡导致分类精度降低的问题, 添加了单独的分类器, 与判别器分开训练. 其次, 将Wasserstein距离引入网络, 以缓解GAN模型崩溃的问题; 在两个HSI数据集上的实验结果表明, SPCA-AD-WGAN具有更好的分类性能.     

基于主动学习和半监督学习的多类图像分类

多数图像分类算法需要大量的训练样本对分类器模型进行训练.在实际应用中, 对大量样本进行标注非常枯燥、耗时.对于一些特殊图像,如合成孔径雷达 (Synthetic aperture radar, SAR)图像, 对其内容判读非常困难,因此能够获得的标注样本数量非常有限. 本文将基于最优标号和次优标号(Best vs second-best, BvSB)的主动学习和带约束条件的自学习(Constrained self-training, CST) 引入到基于支持向量机(Support vector machine, SVM)分类器的图像分类算法中,提出了一种新的图像分类方法.通过BvSB 主动学习去挖掘那些对当前分类器模型最有价值的样本进行人工标注,并借助CST半 监督学习进一步利用样本集中大量的未标注样本,使得在花费较小标注代价情况下, 能够获得良好的分类性能.将新方法与随机样本选择、基于熵的不确定性采样主动学 习算法以及BvSB主动学习方法进行了性能比较.对3个光学图像集及1个SAR图像集分类 问题的实验结果显示,新方法能够有效地减少分类器训练时所需的人工标注样本的数 量,并获得较高的准确率和较好的鲁棒性.