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。     

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。     

利用PCA算法进行乔木树种高光谱数据降维与分类

本文利用主成分分析法分别对乔木树种高光谱反射率原始数据及3种预处理数据进行降维运算,再使用SVM-RBF、SVM-Linear、BP、Fisher 4种分类算法,对降维后的数据进行分类测试,发现累积方差贡献率与分类精度没有必然联系,而主成分的个数对分类结果的影响较为明显;不同的数据预处理方法和不同的分类方法对主成分分析算法降维后数据的分类灵敏度不同。     

一种基于高通滤波的主成分分析影像融合方法

针对主成分分析(PCA)变换影像融合过程中变量降维信息损失较多的问题,提出了一种基于高通滤波的主成分分析(PCA)变换融合方法。该方法首先对高分辨率影像在高通滤波模块上进行卷积运算,然后将滤波过后的影像与主成分变换后的第一主分量进行直方图匹配和加权平均运算;最后用直方图匹配过的高分辨率影像代替第一主分量与其他分量经K-L逆变换得到融合结果。选取北京二号卫星影像进行试验,通过将PCA变换和HPF融合结果进行对比评价,结果表明了该方法很好地提高了影像的空间细节信息与光谱保持能力,实验结果将为后续高分系列卫星影像处理提供支持。     

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。     

植物叶片生化组分遥感反演的主成分变换算法

主成分分析(PCA)算法是一种常见的高光谱数据特征提取方法。针对PROSPECT辐射传输模型反演问题,尝试了两种PCA算法来对高光谱数据进行变换,进而反演植被生化组分含量。反演结果表明:两种PCA反演算法均能对传统反演算法中干物质难反演的问题有所改善;分块主成分算法比全局主成分算法具有更好的反演效果。     

加权空-谱主成分分析的高光谱图像分类

为了提高高光谱图像的分类精度,有效利用高光谱图像的空间信息和光谱信息对高光谱图像进行预处理,提出了一种新的空-谱联合降维方法——加权空-谱主成分分析(weighted spatial spectral principle component analysis,WSSPCA)算法。该算法结合高光谱图像的物理特性对高光谱图像进行重构,平滑了高光谱图像中存在的奇异点干扰;然后,采用主成分分析(principle component analysis,PCA)方法对重构后的图像进行降维,降低了波段间的冗余性,有利于后续分类。在2组常用的高光谱数据集Pavia U和Indian Pines上进行实验结果表明,训练样本随机选取每一类地物的5%和10%的情况下,由WSSPCA算法得到的Kappa系数最大值分别达到了0. 955 9和0. 896 1,较基准线分别提高了0. 193 8和0. 205 0,分类结果明显优于其他算法。     

基于PCA的高光谱遥感图像分类

高光谱遥感图像的出现进一步提升遥感图像分类的准确性,但高光谱遥感图像的数据量大,处理高光谱遥感图像复杂度高、效率低。为解决这一问题,将主成分分析算法作为遥感图像分类的预处理技术。分析主成分分析算法的原理,利用主成分分析算法提取高光谱图像的主要波段图像。通过实验验证得出结论:高光谱遥感图像的主波段图像包含分类所需的大部分信息,利用少数的主波段图像即可达到70%以上的分类正确率。实验结果表明,在保证分类正确率的前提下,PCA算法可有效地减少图像分类处理的数据量,提高图像的处理效率。     

结合KPCA和分形维提取高光谱遥感影像特征的方法

本文将KPCA和分形维有机结合,进行高光谱影像特征提取,实现优势互补:选择合适的核函数和分形维计算方法,设计了3种组合算法,优化了特征提取效果,并对AVIRIS实验结果进行了分析评价,结果显示在相同条件下,SVM的分类精度要高于其他分类算法,KPCA+Fractal特征提取更有利于地物的分类识别。     

傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类

以高空间分辨率遥感影像为研究对象,将纹理特征与影像的光谱特征结合起来,用于地表覆盖类型分类。设计了一种基于傅里叶谱纹理的分类策略,对主成分分析后的第1、2主分量特征影像,利用径向谱（r-spectrum）提取纹理特征,并将纹理与光谱特征结合起来,构建了不同的分类特征用于支持向量机分类模型。以Salinas数据集和QuickBird影像为例,验证该算法。结果表明,纹理与光谱信息的结合可以明显提高高分辨率遥感影像的分类精度;由傅里叶径向谱提取的纹理特征可以很好的应用到高分辨率遥感影像的分类问题中,分类精度高于基于傅里叶总能量谱和灰度共生矩阵的分类精度;利用该算法对PCA变换后的第1和第2分量提取的纹理特征具有一定的互补性,并且结合多特征图像的纹理特征提取优于单特征图像的纹理特征提取。