基于KPCA和FCM的HJ-1A星遥感数据分类

为提高对环境与灾害监测预报小卫星1A(HJ-1A)星遥感数据分类的精度,首先将HJ-1A星HSI高光谱数据和CCD多光谱数据进行GS(Gram-Schmidt)融合,然后利用主成分分析法(principal component analysis,PCA)和核主成分分析法(kernel PCA,KPCA)分别对融合后的高光谱图像进行降维处理.KPCA降维时采用高斯、线性和多项式3种核函数,根据特征提取效果评价结果,选择累积贡献率较大的多项式核函数.最后,分别对融合后的高光谱图像、PCA主成分图像和基于多项式核函数的KPCA主成分图像进行模糊C均值分类.实验结果表明,KPCA对融合后高光谱图像的特征提取得到了较好的效果,同时提高了分类精度和效率.     

基于流形对齐的高光谱遥感图像降维和分类算法

多时相的高光谱遥感图像数据处理中会出现地物光谱特征漂移的现象。为了提高源域数据已有知识对目标域数据分类的精度,采用了基于流形对齐的分类算法。先用一个标准的线性或非线性的降维方法将2个高光谱遥感数据集映射到低维(流形)空间中,再用Procrustes分析方法将其低维嵌入之间的平移、旋转和缩放因子剔除,得到数据集间的最优对齐,最后用最近邻算法进行分类。对多个不同时相高光谱遥感图像进行实验,并对比了已有的流形对齐算法,结果表明本算法具体较好的迁移能力和分类效果。     

判别流形学习算法的高光谱数据降维与树种识别

高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。     

空谱特征分层融合的高光谱图像特征提取

利用基于光谱维的特征提取方法将原始高光谱图像数据降到一定维数,对降维后的数据采用多尺度自适应加权滤波器(adaptive weighted filters,AWF)进行滤波,将在所有尺度上得到的滤波结果分层融合为新的图像,设计了分层融合框架,有效提取出了高光谱图像中重要的空谱特征,从而提高了分类精度。又将主成分分析(principal component analysis,PCA)算法融入到该框架中,提出了分层融合-主成分分析(hierarchical fusion principal component analysis,HF-PCA)算法。该方法不仅降低了波段间的冗余性,而且削弱了样本的类内差异性,提高了高光谱图像的分类精度。在Indian Pines和Salinas数据库上的实验结果表明,即使在训练样本数量较少的情况下,由HFPCA算法得到的分类精度明显高于其他算法,2种数据总体分类精度的最大值分别为86. 73%和95. 01%,有效提高了高光谱图像的分类精度。     

递归滤波与KNN的高光谱遥感图像分类方法

为了有效去除高光谱图像中的噪声,强化空间结构,充分利用地物目标的空间上下文信息,提升高光谱图像的分类精度,提出一种基于递归滤波(recursive filtering,RF)和KNN(k-nearest neighbor)算法的高光谱图像分类方法。首先,利用主成分分析法对高光谱图像进行降维;其次,通过RF算法对降维后的主成分图像进行滤波,以增强遥感图像的轮廓特征;然后,采用KNN算法计算测试样本与不同类别训练样本的欧式距离,根据比较k个最小欧式距离的平均值得到测试样本所属类别;最后,在2个典型的数据库上进行实验验证,并分析所提算法中不同参数对分类精度的影响。实验结果表明,RF算法可以有效地去除噪声点,强化图像轮廓,与其他高光谱图像分类方法相比,该方法在分类准确性方面表现突出。     

基于独立成分分析的高光谱图像降维及分割

高光谱图像的高维数给图像的进一步处理带来了困难,为了解决这一问题,本文提出了一种基于独立成分分析的高光谱图像降维分割方法。首先,利用波段子空间划分和标准差对高光谱图像预处理,选择部分波段的高光谱图像作为实验对象;然后利用基于负熵的快速不动点算法对实验数据解混,再根据平均绝对权重系数对波段排序并选取;最后使用模糊C均值聚类算法对降维后的图像进行分割。实验结果表明,该方法能够有效实现高光谱图像降维,并获得较好的分割结果。     

高光谱影像小目标谐波分析探测模型

针对高光谱影像小目标探测问题,结合白化处理(WP)与约束能量最小化(CEM)算法,提出一种基于谐波分析(HA)的小目标探测新模型,即HA-WP-CEM模型.该模型首先对原始影像进行3次谐波分析,提取出最适合小目标探测的高光谱影像谐波分析余项、振幅和相位等7个能量谱特征成分.其次通过对谐波分析特征成分的白化处理,实现各特征成分的背景抑制,突出低概率的小目标信息.在采集白化数据的探测目标参考像元光谱之后,将参考光谱矢量和白化数据协方差矩阵输入CEM算子,得到小目标的探测结果.最后利用高分辨率影像进行定性评价,并选取3个重点区域,通过计算模型探测结果的信噪比、探测率、漏检率和虚警率进行定量评价.研究结果表明,HA-WP-CEM探测模型在运行简易性、可靠性、实用性和准确性等方面均明显优于直接采用CEM、WP-CEM等方法.同时该模型在数据变换、抑制背景、降噪等方面也达到了很好的效果.     

基于流形学习的高光谱影像降维理论与方法研究

本文从高光谱数据的非线性本质出发来引入流形学习方法,结合高光谱影像的自身特性,挖掘高光谱影像内部的非线性流形特征,研究高光谱影像的流形学习降维对应的光谱意义解释,构建适合高光谱影像数据特性的非线性流形学习降维理论和方法体系,并在实践上指导后续的高光谱影像分类、目标识别和异常探测等应用。     

一种改进的K2DPCA高光谱遥感图像降维方法

本文提出了一种改进的核二维主成分分析(K2DPCA)高光谱遥感图像降维方法,该方法通过标准核二维主成分分析消除了遥感图像各波段列间的相关性,利用列二维主成分分析在核二维主成分的行方向上进一步去除相关性,实现了遥感图像在空间维上的双向降维,并得到各波段的主成分,重建原始图像。采用AVIRIS和HyMap两种高光谱遥感图像进行试验,结果表明该方法在保证重构图像质量的同时,能够有效提高图像压缩比,在遥感图像降维中具有普适性。     

一种面向异常检测的高光谱图像降维算法

针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。