基于PCA和极限学习机的高光谱遥感分类研究

针对高光谱遥感分类研究中面临的数据处理效率低、分类结果精度不高等难题,本文在引入极限学习机(ELM)算法的基础上,顾及其在噪声影响下出现稳健性降低的现象,进一步将主成分分析(PCA)应用于ELM的前端,从而构建了一种基于PCA和ELM的联合算法。将该算法与目前常用的神经网络和支持向量机进行对比分析发现:PCA-ELM分类结果的精度最高,其数据处理效率也较高,该算法具有较强的稳健性和泛化能力,适用于高光谱遥感信息的高效提取。     

高光谱遥感图像的监督分类

图像分类是高光谱遥感图像分析与应用的重要手段。总结了目前用于高光谱图像监督分类的主要方法,包括最小距离法、最大似然法、神经元网络法和支持向量机法,分析了上述方法的特点,并探讨了高光谱遥感图像分类方法的发展趋势。     

基于主成分判别分析的高光谱遥感影像分类方法

提出了一种基于主成分判别分析的高光谱遥感影像分类方法。针对高光谱遥感影像数据量大、冗余信息多的特点,使用改进的线性判别分析方法对高光谱遥感数据进行线性维数减少。该方法将主成分分析加入到线性判别分析的算法框架中,能够克服常规的线性判别分析方法在训练样本数量较少时遭遇到的小样本问题。通过实验,证明基于主成分判别分析的遥感影像分类方法能够利用少量的训练样本实现更优的分类精度。     

变异系数降维的CNN高光谱遥感图像分类

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。     

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。     

小波变换在高光谱决策树分类中的应用研究

近几年来，离散小波变换在遥感图像压缩、消噪和融合中得到了广泛的应用。利用航空飞行的高光谱图像数据，先后进行了主成分分析及10种小波变换，并应用分类回归树对其进行分类处理。将小波变换的分类结果与主成分分析的结果及不同的小波变换方法之间进行了对比。结果表明，在样本数相同的条件下，小波变换的分类精度均高于主成分分析，其中Haar小波的分类精度最高；小波变换后的分类对样本数量的要求要小于主成分分析。在样本数足够的情况下，主成分分析数据压缩率要高于小波变换。但小波变换在压缩的情况下，仍保留了原光谱的大部分信息。而主成分分析只保留了原图像的方差而无法保留波形。     

基于分段主成分分析的高光谱图像波段选择算法研究

提出了一种基于分段主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标,可以保证选择的波段信息丰富；通过分段分析,可以更全面的选择波段；指标的计算只需要得到原始数据的协方差阵,而不必对原始数据进行真正的主成分变换,降低了计算量。     

基于穷举法的高光谱遥感图像地物识别研究

介绍了一种基于穷举法的高光谱遥感图像地物识别方法。该方法从所有与研究区有关的可能参考光谱中识别出图像上每个像元的最佳匹配光谱,绘制识别结果图,并由图中信息可对参考光谱进行更换,以求得最佳识别结果。并以云南省中甸普朗斑岩铜矿区外围的高光谱遥感图像为例,得到了该区的地物识别图,经实地检验,证实了该方法的有效性。     

基于支持向量机的高光谱遥感分类进展

支持向量机作为一种最新的也是最有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法。在分析基于支持向量机的高光谱遥感影像分类进展的基础上,对若干需要进一步研究的问题包括多类分类策略、训练样本与特征空间优化、不确定性控制、核函数选择与优化等进行探讨。     

一种利用高光谱像元分解技术提取水体边界的方法

针对水体边界混合像元导致的精度损失问题,提出了一种基于高光谱混合像元分解的水体边界提取方法。该方法结合高光谱影像水体边界混合像元特有的光谱特征,削弱诸多因素对水体边界像元识别的影响,获取水体边界混合像元,降低了混合像元分解的计算量。通过混合像元的高精度分解及水体边界像元分割,进一步逼近水体的真实边界,能显著提高水体边界界定的精度。试验结果表明:用该方法进行水体提取,精度明显优于水体指数法,略优于支持向量机法,总体精度为93.86%,Kappa系数为0.87。     

基于K-L变换的BP神经网络遥感图像分类

为了提高多光谱遥感图像的分类正确,提出了一种基于主成分分析(K-L变换)的分类方法。该方法先应用K-L变换对多波段遥感图像进行降维,提取最主要的三个成分合成假彩色图,然后利用BP神经网络对假彩色图进行监督分类。由于主成分之间是不相关的,增强了图象信息,降低了神经网络的计算量,提高了分类精度。实验结果证明,该算法分类精度优于传统分类方法,总正确率为88.5%,Kappa系数为0.862,因而具有实用价值。     

基于形式概念分析的遥感影像分类

针对目前遥感影像分类方法中存在分类知识难以获取的不足,尝试引入形式概念分析的数据挖掘理论,并基于族集最小覆盖理论实现概念内涵的缩减,从而保证分类规则的简洁与无冗余性。研究选取湖北省房县作为试验区,实现了该理论在研究区中土地利用类型分类规则的挖掘应用。基于挖掘出的分类规则构建了启发式分类器,实验结果表明形式概念分析理论挖掘出的分类规则可信度较高,基于挖掘出的分类规则构建的分类器相对于监督分类方法、决策树C4.5算法在分类精度上有一定优势,从而证明了它对遥感影像分类提供一种的新方法。     

结合光谱角的最大似然法遥感影像分类

遥感影像含有丰富的信息,反映了地物特征。其中光谱角侧重描述了光谱的形状特征,具有对多光谱图像增益不敏感的特点。最大似然法是遥感影像分类最常用的方法之一,文中对该方法的后验概率判别函数进行修改,将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数,有机地将光谱角这一特征信息加入影像分类。通过实验,并与最大似然法和光谱角匹配法分类结果进行比较,结果表明,结合光谱角的最大似然分类法的分类精度得到提高。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题,集成Lanczos算法与谱聚类算法,探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性,提出了一种面向高光谱遥感图像的快速谱聚类算法;通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果,发现面向高光谱遥感图像的谱聚类算法易于识别线性地物,且分类的速度能得到较大提升。     

Hyperspectral image classification by a variable interval spectral average and spectral curve matching combined algorithm

Classification of hyperspectral images has been receiving considerable attention with many new applications reported from commercial and military sectors. Hyperspectral images are composed of a large number of spectral channels, and have the potential to deliver a great deal of information about a remotely sensed scene. However, in addition to high dimensionality, hyperspectral image classification is compounded with a coarse ground pixel size of the sensor for want of adequate sensor signal to noise ratio within a fine spectral passband. This makes multiple ground features jointly occupying a single pixel. Spectral mixture analysis typically begins with pixel classification with spectral matching techniques, followed by the use of spectral unmixing algorithms for estimating endmembers abundance values in the pixel. The spectral matching techniques are analogous to supervised pattern recognition approaches, and try to estimate some similarity between spectral signatures of the pixel and reference target. In this paper, we propose a spectral matching approach by combining two schemes—variable interval spectral average (VISA) method and spectral curve matching (SCM) method. The VISA method helps to detect transient spectral features at different scales of spectral windows, while the SCM method finds a match between these features of the pixel and one of library spectra by least square fitting. Here we also compare the performance of the combined algorithm with other spectral matching techniques using a simulated and the AVIRIS hyperspectral data sets. Our results indicate that the proposed combination technique exhibits a stronger performance over the other methods in the classification of both the pure and mixed class pixels simultaneously.     

航空高光谱热红外数据的两种发射率反演方法对比

本文在介绍航空高光谱热红外的两种发射率反演算法——ARTEMISS算法和ASTER TES算法基础上,以甘肃柳园地区的热红外高光谱TASI数据为基础,对实验区进行了发射率反演,结合野外实测结果,对两种算法的图像质量和精度进行了对比分析。结果显示,两种算法均能满足反演精度要求,ASTER TES算法图像质量好,精度较高;ARTEMISS步骤简单,反演结果能很好地体现出岩性差异。在实际应用中应结合不同的应用要求来选择不同的反演算法。     

基于高光谱卫星遥感数据的UPDM分析方法

提出了一种用于处理多/高光谱卫星数据的UPDM分析方法。研究结果证明,该方法应用于Land sat/TM(ETM+)、Terra/MODIS和ADEOS II/GLI等高光谱卫星传感器时,光谱重构均方根误差小于0.029,适用于研究高光谱卫星遥感数据。     

多图卷积网络的遥感图像小样本分类

小样本学习旨在利用非常少的监督信息识别出新的类别,由于忽视了样本之间的关联信息,现有的小样本分类方法用于遥感图像小样本分类时往往不能获得令人满意的精度。为此,本文利用图来建模图像在特征空间的相似关系,使用图卷积运算平滑同类别图像的特征,增强不同类别图像特征的区分度,提升分类精度。所提方法在现有图卷积运算的基础上,使用多阶次的邻接矩阵线性加权的方法代替传统的一阶邻接矩阵,通过图谱分析得出这种改进方法能够让不同阶次邻接矩阵的频率响应函数在高频部分正负相抵,有效抑制图信号的高频分量,更显著的提升同类别节点特征的聚集程度;同时,在训练过程引入了微调的方法,使用新类别中的标记数据对最后一层图卷积网络进行少量次数的训练,能够进一步提高精度,增强模型的迁移能力。实验使用AID、OPTIMAL31以及RSI-CB256这3个常用的遥感数据集对方法的有效性进行了测试,结果表明提出的方法在同数据集小样本分类任务和跨数据集小样本分类任务中,在分类精度方面均优于原型网络等比较方法。