高光谱遥感影像优化判别局部对齐特征提取

目前,高光谱遥感特征提取方法往往因受到噪声的干扰而导致降维效果欠佳。近年来,判别局部对齐DLA (Discriminative Locality Alignment)由于可以处理非线性分布样本、保留局部判别信息,同时避免矩阵奇异性问题,受到了很多学者的关注;但该方法无法有效估计和减少噪声对高光谱遥感影像的影响。针对以上问题,本文提出了最小噪声判别局部对齐MDLA (Minimum-noise Discriminative Locality Alignment)的线性特征提取方法和核最小噪声判别局部对齐KMDLA (Kernel Minimum-noise Discriminative Locality Alignment)的非线性特征提取方法。充分利用最小噪声分离MNF (Minimum Noise Fraction)的去噪能力,将MNF与DLA算法结合提出了MDLA方法,该方法首先利用MNF对高光谱遥感影像进行降维,减少图像中的噪声,然后再在子空间进行DLA变换得到最终的投影数据。为提高样本分布的非线性判别能力,基于KMNF与DLA算法将核方法引入MDLA,提出了KMDLA方法,该方法首先通过KMNF将原始空间的数据映射到新的特征空间,然后在特征空间中进行DLA变换得到最终的投影数据。实验部分首先利用3组高光谱遥感数据对提出算法的性能进行评价,并与相关特征提取算法进行了对比分析,最后分析了图像噪声对不同降维方法性能的影响。结果表明:提出的算法对高光谱遥感影像特征提取效果较好,且可有效减少噪声对影像的影响并提升其分类准确度。     

空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系，忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法（SSRSHE）。该算法首先利用稀疏表示揭示像元之间的相关性，自适应选择近邻，并构建稀疏本征超图和惩罚超图，以有效表征像元间的复杂多元关系，并进行正则化处理。然后利用遥感图像空间一致性原则，计算局部空间邻域散度来保持样本局部邻域结构，并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中，尽可能使类内数据聚集、类间数据远离，提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明，本文算法总体分类精度分别达到86.7%和92.2%。相比传统光谱维数约简算法，该算法可有效改善高光谱图像地物分类性能。     

加权空-谱联合保持嵌入的高光谱遥感影像降维方法

高光谱遥感影像数据量大、波段数多，容易导致"维数灾难"。传统流形学习方法一般仅考虑其光谱特征，忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入（WSCPE）的维数约简算法。首先采用加权均值滤波（WMF）方法对高光谱影像进行滤波，以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性，通过采用加权空-谱联合距离（WSCD）来融合像素点的光谱信息和空间信息，有效选取各像素点的空-谱近邻，并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构，提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明，总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时，有效融合了影像的空间-光谱信息，故能提高影像特征的鉴别性，并提升分类性能。     

基于多尺度LBP特征融合的遥感图像分类

针对高光谱遥感图像分类问题,传统的特征提取方法常忽略其本征属性信息和图像的多尺度局部结构特性而使其获取的图像信息量较少,为改进这一缺陷,提出了一种多尺度灰度和纹理结构特征融合的方法模型(multiscale gray and texture structure feature fusion,Ms_GTSFF)进行遥感图像特征提取。首先用多尺度方法提取图像不同尺度下的灰度属性特征,然后利用局部二进制模式的思想获得图像的局部纹理特征信息,同时利用多尺度还能够获取图像更大感受野的特征,接着利用得到的多尺度LBP直方图获取每种编码所对应的灰度属性信息,最后将上述得到的多尺度特征信息进行编码融合,构成了Ms_GTSFF特征提取模型,再连接多种机器学习分类器进行分类识别。以雄安新区(马蹄湾村)航空高光谱遥感影像作为测试数据集,对数据分块预处理后再进行特征提取与分类测试,最高获得了99.44%的分类准确率,在遥感图像分类上与传统方法的识别能力相比有很大的提升,验证了提出模型对于增强遥感图像的特征提取能力以及提高分类识别性能的有效性。     

属类概率距离构图的半监督高光谱图像分类

提出一种利用属类概率距离构图的半监督学习算法,并应用于高光谱图像分类。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量,然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点。最后,将该距离函数应用于半监督学习线性邻域传播算法和标签传播算法中。在Hyperion 和AVIRIS高光谱遥感图像上的实验结果表明：相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力，应用于高光谱图像特征提取取得了良好的效果，双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征，并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子，能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力，提出一种双通道CNN和LBP相结合的高光谱图像分类方法，首先，采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征，同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征，然后，将两个CNN模型的全连接层进行连接，实现深层光谱特征和空间特征的融合，并将融合特征输入到分类层中完成分类。实验结果表明，该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度，甚至在有限数量的训练样本条件下也能取得较好的分类效果。     

联合空间信息的高光谱遥感协同表示动态集成分类算法

近年来,集成学习成为高光谱遥感影像分类的研究热点,尤其是动态集成算法根据测试样本的特征自适应地选择最佳分类器,其分类性能显著提升。然而现有的动态集成方法仅考虑测试样本与验证样本的光谱信息,忽略了高度规则化的高光谱遥感影像包含的丰富空间信息。为进一步提升高光谱遥感影像动态集成算法分类的准确性和可靠性,提出了联合空间信息的可变K邻域动态集成算法VKS(Variable K-neighborhood and Spatial Information)和联合自适应邻域空间信息的可变K邻域动态集成算法VKSA(Variable K-neighborhood with Shape-Adaptive)。两种算法第一阶段综合考虑分类器精度与相似度自适应地改变测试样本的K邻域,第二阶段分别设计固定窗口和自适应窗口的嵌入方式增加地物的局部空间近邻关系,充分利用高光谱遥感影像地物复杂的空间形态结构信息。实验部分采用3组通用的高光谱遥感影像数据对所提出算法的性能进行综合评价。结果表明相比于传统的动态集成算法,本文提出的联合空间信息的动态集成模型能显著提升分类精度,其中基于自适应窗口方式的VKSA算法明显优于基于...     

监督分类方法在图片资料专题信息提取中的应用研究

通常,遥感分类处理软件都用于遥感图像数据(如TM,SPOT等)的处理。在利用遥感分类软件(如ERDAS)对遥感图像数据进行监督分类(SupervisedClassification)时,通常采用最大似然法(MaximumLikelihood)作为平行六面体判别规则。而这种方法对于图片资料并不合适。对遥感图像处理软件ERDAS内置的3种分类判别规则进行比较,得出使用最小距离法(MinimumDis-tance)作为判别规则对于图片资料根据颜色分类有很好的效果。这种方法对于数据短缺情况下,利用分类图片资料的色彩特征提取专题信息有较好的通用性。与传统的图片交互数字化处理方法相比,该方法能在保证结果精度的前提下,大幅度减少手工勾绘的工作量。     

多光谱卫星云图的高维特征聚类与降水天气判别

基于静止气象卫星（GMS-5）多光谱云图的天气采样数据，分别对各样本数据在红外、水汽及可见光通道的灰度、梯度和纹理高维特征空间的投影点进行聚类分析，以确定诸天气样本在特征空间中的类属区域，进而用其对云图进行天气区的判别分类。针对传统聚类方法存在的缺点，本文采用了模糊C均值聚类（FCM）、遗传算法（GA）和模糊减法聚类（FSC）相互交叉、优势互补的思想，既克服了GA／FCM算法局部／全局寻优的不足，又可客观确定出聚类中心数目。对高维特征空间中的重叠和交叉部分的样本点类属，通过计算其与空间中各聚类中心点的欧氏距离来予以甄别，最后得到高维特征空间中各天气的类属域，实况云图中诸像素点通过计算和判断其灰度-梯度特征量在高维空间中的投影点落区位置，即可确定其天气类属，进而实现对天气区的自动分类。试验结果表明，该方法具有良好的分类效果，判别结果与天气实况基本一致。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

An Adaptive Supervised Nonlinear Feature Extraction for Hyperspectral Imagery Classification

In this paper, an improved version of locally linear Embedding is proposed. In the proposed method, spectral correlation angle is invited to describe the distance between data points, which is expected to fit the hyperspectral image (HSI). The neighborhood graph of the data points is constructed based on supervised method. Different from traditional supervised feature extraction methods, the weight factors, which are used to control the transform, are adaptively achieved. In this way, the input arguments of original algorithm are not increased. To justify the effectiveness of the proposed method, experiments are conducted on two HSIs. Results show that the proposed method can improve the separability of HSI especially in low dimensions.     

利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology. However, it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points. The paper analyzes the characteristics of Laplacian of Gaussian (LoG) Filter and its potential use for structure detection in LiDAR data. A feature detection method based on LoG filtering is presented and experimented on the unstructured points. The method filters the elevation value (namely, z coordinate value) of each point by convolution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground objects/features. The experiments are carried on a point cloud dataset acquired from a neighborhood area. The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size, which specifies the local area that is analyzed.     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology.However,it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points.The paper analyzes the characteristics of Laplacian of Gaussian(LoG) Filter and its potential use for structure detection in LiDAR data.A feature detection method based on LoG filtering is presented and ex-perimented on the unstructured points.The method filters the elevation value(namely,z coordinate value) of each point by convo-lution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground ob-jects/features.The experiments are carried on a point cloud dataset acquired from a neighborhood area.The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size,which specifies the local area that is analyzed.     

基于Harris算子的遥感影像自适应特征提取方法

提出一种基于Harris算子的遥感影像自适应特征点信息提取新方法。在进行特征点自动提取时,该方法通过设计一种自适应的迭代策略,实现了特征点阈值的自动确定。在兼顾局部纹理信息的基础上,通过对影像预先的分块处理和邻近点剔除,保证了特征点在全幅影像中的均匀分布。杭州地区TM影像特征点的提取试验表明,该方法自动化程度高,提取的特征点分布均匀合理,能满足几何配准和几何纠正精度要求,具有较高的实用价值。     

基于移动最小二乘法法矢估计的建筑物点云特征提取

特征提取对建筑物精细建模的品质和精度起着重要作用。为清晰准确地提取建筑物的特征信息,本文针对采用传统的法矢估计方法受噪声影响大、存在误判的问题,提出了一种基于移动最小二乘法矢估计的建筑物点云特征提取方法。该方法首先采用移动最小二乘法进行法矢估计,然后将K邻域法矢夹角的均值作为点的显著性指标进行特征点判别,最后对提取出的特征点集进行下采样,进一步消除冗余信息。试验结果表明,采用移动最小二乘法进行点云法矢估计,其结果更加准确和稳健,从而有效提升了建筑物点云特征提取的精确性和可靠性,对特征点集的下采样能够删除大量冗余特征点,使提取的特征线更加简洁、清晰、完整。     

Introduction

We introduce and test an algorithm for extracting high-point locations from statistical surface data. The algorithm uses map algebra and local neighborhood analysis via three key parameters: minimum vertical gain, vertical gain neighborhood, and horizontal separation neighborhood. Though the method is applicable to any x,y,z data set, we tested it on 1:250,000 digital elevation models (DEMs) for Arizona. The resulting high points were compared quantitatively with an independent data set of named summits from the USGS Geographic Names Information System (GNIS). The comparison showed that, on an aggregate basis, the extraction method can approximate the number and spatial pattern of high points when compared to the GNIS points. However, extraction by neighborhood analysis may consistently misdiagnose certain features, such as the edges of troughs (e.g., canyon rims).     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

适用于遥感分类的多邻域粗糙集加权特征提取方法

邻域粗糙集是一种有效的影像特征提取方法,邻域粗糙集模型存在稳定性不高和邻域半径需要反复调整的不足,难以实现地物特征的自动化提取。提出一种多邻域粗糙集加权特征提取方法用于高分辨率遥感影像特征提取。该方法首先利用不同半径的邻域粗糙集对影像的光谱和纹理特征进行提取,求得不同邻域半径下的有效特征子集;然后统计所有邻域半径下各个特征出现的概率,将概率作为权重与特征进行加权得到最终地物特征。QucikBird影像上分类试验表明本文算法优于传统邻域粗糙集特征提取方法,分类总精度平均提高3.88%,Kappa系数平均提高5.16%。在GeoEye-1影像上的分类试验同样证明了本文方法的有效性。     

基于改进邻域均值的全色影像水域提取

利用传统邻域均值法对全色影像水域进行提取时,所提取的水域边界精确度严重依赖于搜索窗口的大小。本文通过分析水域灰度特征以及提取边界不精确的原因,对方法进行针对性的改进:依据邻域各像素点与种子点的灰度差值分别对其赋予不同的灰度值,以处理后的邻域均值作为特征进行水域提取。实验结果表明:基于改进的邻域均值方法对遥感影像水域有较好的提取结果,提取精度较之改进前有明显改善。