采用小波和分形维的高光谱遥感影像特征提取

由于omis影像128个波段间具有较强的相关性,可对高光谱响应曲线采用小波分解,用噪声较小波段的部分高频信息代替噪声较大波段的相应高频信息对其进行小波降噪。再对降噪后的影像采用db4函数进行7级小波分解,对各级小波系数取一范数后,用最小二乘法对各级分解对应的范数在半对数坐标系下线性拟合,根据直线斜率求取各像元分维值,最后实现分类。通过实验,证明了此方法的有效性。     

基于PCA和KPCA的高光谱遥感数据降维对比研究

高光谱遥感影像数据降维在降低数据处理代价的同时,保留了大量必要的地物信息,对后续地物识别与分类等应用提供了重要保障。为探究线性降维方法与加入核函数的非线性降维方法间的差异,利用编程实现了主成分分析（PCA）和基于多项式核函数的核主成分分析（KPCA）两种降维算法。通过设定累计贡献率的阈值,利用降维结果进行内部差异性对比,利用MLP分类器分类后的结果进行外部差异性比较。实验结果表明：(1)KPCA算法在数据压缩、降维效果方面具有较大优势;(2)利用KPCA算法降维后的数据,经MLP分类器分类后的总体精度、Kappa系数均高于PCA算法;(3)PCA算法的算法复杂度较低,计算量小且计算时间短,在时间复杂度方面具有更大优势。     

高光谱遥感影像的广义判别分析特征提取

高光谱遥感影像具有丰富的光谱信息,在地物分类识别方面具有明显的优势。针对复杂高光谱影像分类问题,应用了一种广义判别分析特征提取技术。将输入样本通过非线性函数映射到特征空间,在特征空间中应用线性判别特征提取方法;算法求解过程中涉及到在特征空间的内积用核函数代替,简化计算的同时也使得算法与非线性函数的具体形式无关。通过影像分类试验表明,该方法较常用特征提取方法更有利于分类精度的提高。     

基于模糊核主成分分析的高光谱遥感影像特征提取研究

主成分分析(PCA)是一种基于数理统计的线性特征变换方法,对线性结构数据的分析非常有效,但是对非线性的高光谱遥感影像数据,容易造成信息丢失和失真.本文引人模式识别中的模糊理论和核理论,有效克服了以上缺点,得到了很好的影像特征提取效果.     

高光谱遥感影像的广义判别分析特征提取

高光谱遥感影像具有丰富的光谱信息,在地物分类识别方面具有明显的优势.针对复杂高光谱影像分类问题,应用了一种广义判别分析特征提取技术.将输入样本通过非线性函数映射到特征空间,在特征空间中应用线性判别特征提取方法;算法求解过程中涉及到在特征空间的内积用核函数代替,简化计算的同时也使得算法与非线性函数的具体形式无关.通过影像分类试验表明,该方法较常用特征提取方法更有利于分类精度的提高.     

结合NSCT和KPCA的高光谱遥感图像去噪

针对高光谱遥感图像易受噪声干扰,本文提出了一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和核主成分分析KPCA(Kernel Principal Component Analysis)的去噪方法。首先对高光谱各波段图像进行NSCT分解;然后利用KPCA对NSCT系数进行处理,并在KPCA重构时依据各类噪声的特性选取合适的主成分;最后用处理过的系数进行逆变换得到去噪图像。实验结果表明,本文方法抑制了高光谱遥感图像中的噪声干扰,较完整地保留了原始数据的有效信息。     

高光谱影像纹理特征编码分形特征研究

提出了一种基于分形测度分析高光谱影像纹理的技术。根据高光谱影像纹理单元中相邻光谱矢量的相关关系构造方向性纹理特征,得到了一组纹理特征编码值,从纹理特征编码值本身、相同地物纹理特征编码自相似性和使用不同尺度测量纹理特征编码值构成的曲线所表现出来的幂指数关系三个方面,说明高光谱影像纹理特征编码曲线具有分形特征。设计了纹理特征编码曲线构建模型,采用纹理编码曲线的分形维值表征不同的纹理特征,达到区分和判别不同纹理的目的。试验表明,该方法对提取地物纹理特性具有可行性。     

基于非线性判别分析的高光谱影像特征提取

高光谱遥感影像丰富的光谱信息有利于深入挖掘目标的理化特性,精细识别不同目标间的细微差异。为了提高影像分类识别的精度与速度需要对光谱信息进行特征提取。基于核函数的判别分析能够在数据中提取非线性特征,本文将其应用到高光谱影像分类的特征提取中,并进行了最小距离分类实验取得理想结果。     

基于逐次投影寻踪的高光谱影像降维方法研究

提出了一种新的逐次投影寻踪方法,对高光谱数据进行降维处理,采用定量化的指标,通过对高光谱数据的多次一维投影,逐步选取有效成分,构建新的低维正交空间.     

高光谱遥感影像降维：进展、挑战与展望

高光谱遥感影像数据具有高维特征、信息冗余、不确定性显著、小样本、空谱合一等特征,对其进行数据处理面临巨大挑战,高光谱遥感影像降维是高光谱遥感的重要研究方向之一。本文对当前高光谱遥感影像降维的相关研究进展进行了综述,在介绍高光谱遥感数据特点的基础上,重点从特征提取和特征选择两方面对高光谱遥感影像降维的最新研究和前沿进展进行了系统性综述;并从特征可分性、特征质量评价、特征数目确定、多特征优化以及需求驱动的特征选择等方面分析了高光谱遥感影像降维面临的挑战。随着智能化高光谱遥感的发展,高光谱遥感影像智能降维成为未来的发展方向,同时其发展将兼顾多特征质量评估与优选、搜索策略优化、满足应用需求等多目标的需求。随着高光谱遥感数据获取能力的提升和深入应用,高光谱遥感影像降维将会发挥重要而不可替代的作用。     

Hyperion 影像分形信号特征研究

高光谱影像具有“谱像合一”的特征, 因而可以从谱和像两个角度对高光谱影像进行分形分析。本文把计 算表面分形维的双层地毯法用于计算Hyperion 高光谱曲线的分形维, 根据每一像元的高光谱曲线计算出每一尺度 的上分形信号和下分形信号, 并对分形信号值及分形特征尺度进行分析。结果表明对于不同地物其分形信号在某些 特定尺度(分形特征尺度)有较大的差异, 而且对于Hyperion 高光谱影像, 下分形信号可更有效地突出地物特征。文 章最后简要讨论了上分形和下分形、起始计算尺度以及原始采样点数目对分形特征尺度的影     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。     

Dimensionality reduction of hyperspectral data using spectral fractal feature

A new approach for dimensionality reduction of hyperspectral data has been proposed in this article. The method is based on extraction of fractal-based features from the hyperspectral data. The features have been generated using spectral fractal dimension of the spectral response curves (SRCs) after smoothing, interpolating and segmenting the curves. The new features so generated have then been used to classify hyperspectral data. Comparing the post classification accuracies with some other conventional dimensionality reduction methods, it has been found that the proposed method, with less computational complexity than the conventional methods, is able to provide classification accuracy statistically equivalent to those from conventional methods.     

A new kernel method for hyperspectral image feature extraction

Abstract

Hyperspectral image provides abundant spectral information for remote discrimination of subtle differences in ground covers. However, the increasing spectral dimensions, as well as the information redundancy, make the analysis and interpretation of hyperspectral images a challenge. Feature extraction is a very important step for hyperspectral image processing. Feature extraction methods aim at reducing the dimension of data, while preserving as much information as possible. Particularly, nonlinear feature extraction methods (e.g. kernel minimum noise fraction (KMNF) transformation) have been reported to benefit many applications of hyperspectral remote sensing, due to their good preservation of high-order structures of the original data. However, conventional KMNF or its extensions have some limitations on noise fraction estimation during the feature extraction, and this leads to poor performances for post-applications. This paper proposes a novel nonlinear feature extraction method for hyperspectral images. Instead of estimating noise fraction by the nearest neighborhood information (within a sliding window), the proposed method explores the use of image segmentation. The approach benefits both noise fraction estimation and information preservation, and enables a significant improvement for classification. Experimental results on two real hyperspectral images demonstrate the efficiency of the proposed method. Compared to conventional KMNF, the improvements of the method on two hyperspectral image classification are 8 and 11%. This nonlinear feature extraction method can be also applied to other disciplines where high-dimensional data analysis is required.     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

图像分数维计算模型的改进

分数维作为一种图像纹理特征常用于遥感图像分类,提高图像分数维的测量有助于提高遥感分类精度。本文在介绍目前常用的基于分形布朗运动分数维计算方法的基础上,运用分形的相关理论,指出了现有方法存在的缺陷,提出了改进的分数维计算方法;并用SPOT全色影像中常见的5种地物进行了对比实验,实验结果表明,本文提出的改进方法获得的分数维测量结果比现有的方法更接近理论分析结果,更有利于地物的识别与分类。