高光谱图像波段选择的改进二进制布谷鸟算法

波段选择是高光谱遥感图像分类的重要前提，本文提出了一种用于高光谱遥感图像波段选择的改进二进制布谷鸟算法，通过使用混合二进制编码算法更新子代鸟巢和使用遗传算法交叉方式更新被发现鸟巢两个方面对二进制布谷鸟算法进行改进，找出在图像中起主要作用且相关性低的波段，实现对高光谱遥感图像降维。将本文算法运用于PaviaU数据集和AVIRIS数据集，并与二进制布谷鸟算法、二进制粒子群算法、最小冗余最大相关算法、Relief算法等进行对比分析。结果表明，改进二进制布谷鸟算法波段特征选择效率更高，且选取的波段更具代表性，能够较好地提高后续分类精度。     

应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择

针对高光谱影像数据高维性、高度相关性和冗余性等特点,提出应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择。通过稀疏非负矩阵分解方法对高光谱影像进行稀疏化表示,同时顾及其可聚类的特性,在保留所选波段物理意义的基础上,得到波段选择后的高光谱影像降维数据。通过该方法对PHI-3高光谱影像进行波段选择的试验分析,应用聚类特征有效性分析波段聚类结果,并采用波段子集的信息量、相关性和可分性3类评价指标来验证方法的效果。最终,从运行效率和分类精度两方面证明了基于无监督聚类的稀疏非负矩阵分解对高光谱影像的波段选择的实用性。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

聚类特征和SVM组合的高光谱影像半监督协同分类

本文提出了一种聚类特征和SVM组合的高光谱影像半监督协同分类方法。利用构建的协同分类框架能够将KSFCM聚类算法与半监督SVM分类器相结合,同时利用聚类和分类优势,提高分类器的分类准确率。其中,通过聚类损耗函数、分类一致函数、分类差异性、样本差异性四个指数用以构建协同分类框架,以充分利用少量类标签样本信息,避免高光谱类标签样本获取困难问题,在一定程度上解决SVM支持向量随着训练样本增加而线性增加的问题,从而寻求最佳分类结果。实验结果表明,本文所提方法得到的分类精度优于直接利用SVM进行半监督分类。     

利用可分离非负矩阵分解实现高光谱波段选择

高光谱影像波段众多且相关性强，导致分类存在信息冗余且计算量较大。提出了可分离非负矩阵分解方法来选取高光谱影像的代表性波段子集，在保证分类精度的同时降低计算量。该方法假设高光谱影像的波段集合具有可分离特性，改进传统非负矩阵分解模型，将波段选择转换为可分离非负矩阵分解问题，采用迭代投影方法来依次选取能够非负线性表达其他波段的代表性波段。在此基础上，利用两个公开高光谱数据集对比几种主流方法，采用定量评价和分类精度指标来综合评价所提的波段选择方法的效果。实验结果表明，可分离非负矩阵分解方法的分类精度高于其他几种方法，而且计算效率排名第2，能够选取合适的波段子集以满足高光谱遥感的应用需求。     

高光谱图像的JM变换自适应降维

在无需先验标签样本的情况下,非监督降维可以有效简化高光谱图像的特征空间,避免目标分类中的霍夫效应。本文提出JM非线性变换优化的自适应降维模型来研究面向图像目标分类的高光谱波段选择问题。该方法考虑波段的信息量和独立性等两个重要因子,针对其测度方法的差异性问题,引入JM变换函数进行规范化优化。选用线阵高光谱和面阵显微光谱等两个图像数据集,在k最邻近和随机森林分类器下,进行了多组监督分类实验,结果表明,在Kappa系数、总体分类精度和平均分类精度上,本文方法均优于3种非监督方法MABS、InfFS和LSFS。说明本文提出的JM变换的自适应降维模型能够有效降低特征维度,满足高光谱图像分类的高精度要求。     

基于优势集聚类和马尔科夫随机场的高光谱图像分类算法

为充分利用高光谱图像自身丰富的光谱信息和空间信息,提出一种基于优势集聚类和马尔科夫随机场相结合的高光谱图像分类算法。首先,分析高光谱图像局部空谱一致性,完成对波段信息量和差异程度的度量,构造无向加权图,利用优势集聚类方法选择出保留良好结构信息的最优波段子集;其次,通过马尔科夫随机场对波段选择后的相邻像元建立局部空谱一致性,有效利用图像空间上下文信息;最后,根据贝叶斯定理,将高光谱图像分类问题转化为最大后验概率的求解问题,从而获得分类结果。2个经典数据集(Indian Pines和Pavia University)的实验表明,相比其他同类算法,该算法能达到更高的总体分类精度和Kappa系数。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题，集成Lanczos算法与谱聚类算法，探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性，提出了一种面向高光谱遥感图像的快速谱聚类算法；通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果，发现面向高光谱遥感图像的谱聚类算法易于识别线性地物，且分类的速度能得到较大提升。     

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。     

利用稀疏自表达实现高光谱影像波段选择

提出一种稀疏自表达方法来研究高光谱影像分类中的波段选择问题。该方法利用字典矩阵等于测量矩阵的条件来改进多观测向量的稀疏表达模型,将波段子集看作高光谱影像波段集合中的代表子集。稀疏自表达方法将波段选择转换为寻求多观测向量中稀疏系数矩阵的非零行向量问题,通过引入混合范数来限定非零元素行向量的个数,利用快速交替方向乘子方法求解稀疏系数矩阵,并聚类非零行向量,实现波段的有效选择。基于两个公开高光谱影像数据集并对比其他4种波段选取方法来验稀疏自表达方法。实验结果证明,稀疏自表达方法能够在计算效率明显优于基于波段相关性的线性限制最小方差方法的同时,取得与该方法和非负稀疏矩阵分解方法相匹甚至略高的总体分类精度。