基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

基于分类规则挖掘的遥感影像分类研究

分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点.以GIS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架.针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法.选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较.结果表明：（1）该算法具有较高的分类精度;（2）加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度.通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度.新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性.     

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...     

一种基于局部判别正切空间排列的高光谱遥感影像降维方法

提出一种基于局部判别正切空间排列(local discriminative tangent space alignment,LDTSA)的高光谱影像降维方法。LDTSA源于局部正切空间排列(LTSA)中的排列机制,在一个局域块内利用线性局部正切平面对类内样本的流形结构建模,同时还考虑到类间判别信息以最大化判别边界。利用多幅高光谱数据进行降维和分类试验。结果表明,LDTSA主要有三个优点:①在小样本问题上性能稳定;②在降维过程中保持类别间的判别信息;③有效挖掘数据集的几何流形结构。     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

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。     

空-谱信息与稀疏表示相结合的高光谱遥感影像分类

针对传统的高光谱遥感影像分类中多依赖光谱信息而忽视空间信息以及提取的特征维数高的问题,提出了一种空-谱信息与稀疏表示相结合的分类算法。首先,利用最小噪声分离对原始影像进行降维,在此基础上,对主成分图上局部影像块内的所有像素进行重组,并用排序的方法得到旋转不变的空-谱特征。然后,对空-谱特征进行监督学习得到字典,并将提取的测试样本的空-谱特征编码到字典中以得到测试样本的稀疏表示。最后,使用支持向量机分类器(SVM)对高光谱影像进行分类。3组高光谱数据试验表明,与传统的分类方法比较,本文方法能有效提高分类精度。     

高光谱影像分类的深度少样例学习方法

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。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,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。     

高光谱遥感影像半监督分类研究进展

随着高光谱遥感技术的迅猛发展和应用需求的不断增加,高光谱遥感影像分类成为领域的研究热点。尽管监督学习已在高光谱遥感影像分类中取得了不错的效果,但在许多情况下,获取大规模标记样本来训练监督分类算法是困难和昂贵的。因此,利用半监督分类技术对高光谱遥感影像精准分类是一项重要的研究内容。本文首先简要介绍了高光谱遥感影像发展现状和部分应用场景。其次,本文对近年来高光谱遥感影像半监督分类研究的进展进行了综述,着重讨论了低密度分割法、生成式模型、基于分歧（差异）的方法和基于图的方法四种典型半监督分类方法的关键技术和优劣。最后,进一步讨论了半监督分类技术的潜力,为今后研究工作的优化提供思路。     

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。     

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。     

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。     

Anomaly Detection from Hyperspectral Images Using Clustering Based Feature Reduction

An anomaly detection method with a clustering based feature reduction is proposed in this paper to improve the performance of the Local RX detector. Because of high dimensionality of hyperspectral image and the low number of available samples in each local region around each testing pixel, the estimate of local covariance matrix is not possible. So, because of singularity problem, Local RX cannot use the local covariance matrix and misses the local structures of data to model the background clutter. To deal with this problem, a supervised clustering based feature reduction is introduced for extraction of background features with minimum overlap and redundant information. In the projected feature space with reduced dimensionality, the local structures of background pixels are estimated to efficiently model the background data. The experiments done on both synthetic and real hyperspectral images show the superior detection performance of the proposed method with a relatively high speed.     

面向小样本高光谱影像分类的轻量化关系网络

近年来,基于深度学习的高光谱影像分类取得重要进展,针对高光谱影像分类训练样本稀缺的情况,提出一种结合注意力机制的轻量化关系网络（lightweight attention depth-wise relation network, LWAD-RN）, 以解决高光谱影像小样本分类问题。该网络由嵌入层和关联层组成,在嵌入层采用结合注意力机制的轻量化卷积神经网络提取像元特征,同时引入稠密网络结构;在关联层计算关联值进行分类,并采用基于任务的模式训练网络。利用3组公开的高光谱影像数据进行对比实验,结果表明,LWAD-RN能够有效提升小样本条件下（每类5个训练样本）的分类精度,同时提高了模型训练和分类效率。     

面对高光谱影像分类的半监督阶梯网络

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。     

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度，提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成，其中生成器用于模拟高光谱样本的数据分布，生成特定类别的样本；判别器是一个二值分类器，用于判断输入的样本是否为真实数据；分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小，从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器，因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验，试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

土地覆盖变化信息自适应抽样策略及其精度评估

提出了一种面向土地覆盖变化信息局域精度评估的自适应型抽样策略。结合待研究地图的土地覆盖变化信息局部特征（如土地覆盖变化类别、斑块大小、异质性和优势度）,探讨与土地覆盖变化信息精度显著相关的协变量,以预测精度的标准误差作为判断标准,识别需要提高精度预测结果可靠性的区域,以自适应地和逐步定位的方式进行样本采集。基于武汉地区的精度评价结果,自适应的抽取增加100个训练样本使得预测精度的确定系数提高了50.66%,而简单随机抽取的增加样本使得预测精度的确定系数提高了17.22%。试验表明,自适应型抽样策略能显著提高土地覆盖变化信息局域精度预测的抽样效益,减少预测精度的不确定性。模型选择的结果表明,土地覆盖变化类别和优势度指数是最优的协变量组合。     

A Multiple SVM System for Classification of Hyperspectral Remote Sensing Data

With recent technological advances in remote sensing sensors and systems, very high-dimensional hyperspectral data are available for a better discrimination among different complex land-cover classes. However, the large number of spectral bands, but limited availability of training samples creates the problem of Hughes phenomenon or ‘curse of dimensionality’ in hyperspectral data sets. Moreover, these high numbers of bands are usually highly correlated. Because of these complexities of hyperspectral data, traditional classification strategies have often limited performance in classification of hyperspectral imagery. Referring to the limitation of single classifier in these situations, Multiple Classifier Systems (MCS) may have better performance than single classifier. This paper presents a new method for classification of hyperspectral data based on a band clustering strategy through a multiple Support Vector Machine system. The proposed method uses the band grouping process based on a modified mutual information strategy to split data into few band groups. After the band grouping step, the proposed algorithm aims at benefiting from the capabilities of SVM as classification method. So, the proposed approach applies SVM on each band group that is produced in a previous step. Finally, Naive Bayes (NB) as a classifier fusion method combines decisions of SVM classifiers. Experimental results on two common hyperspectral data sets show that the proposed method improves the classification accuracy in comparison with the standard SVM on entire bands of data and feature selection methods.