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。     

利用流形学习进行高光谱遥感影像的降维与特征提取

基于最新的非线性降维方法——流形学习的理论,从高光谱遥感数据内在的非线性结构出发,采用全局化的等距映射(Isomap)方法进行降维,取得了优于常用的MNF方法的结果。把光谱角和光谱信息散度与测地距离相结合用于Isomap算法,结果在冗余方差和光谱规范化特征值方面优于采用传统欧氏距离计算邻域的Isomap方法。实验表明,流形学习是一种有效的高光谱遥感数据特征提取方法。     

利用小波核最小噪声分离进行高光谱影像SVM分类

针对高光谱遥感影像线性特征提取方法在一定程度上会降低地物类别的可分性问题,在最小噪声分离变换基础上引入核方法,以小波核函数代替传统核函数,并将新型核最小噪声分离方法与支持向量机方法相结合,对高光谱影像数据进行分类。实验结果表明,基于小波核最小噪声分离变换的方法适合于高光谱遥感影像的非线性特征,将其应用于HYDICE系统与AVIRIS系统所获得的实验数据集,与对照算法相比,总体分类精度可提高3%~9%。     

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。     

高光谱遥感影像的广义判别分析特征提取

高光谱遥感影像具有丰富的光谱信息,在地物分类识别方面具有明显的优势.针对复杂高光谱影像分类问题,应用了一种广义判别分析特征提取技术.将输入样本通过非线性函数映射到特征空间,在特征空间中应用线性判别特征提取方法;算法求解过程中涉及到在特征空间的内积用核函数代替,简化计算的同时也使得算法与非线性函数的具体形式无关.通过影像分类试验表明,该方法较常用特征提取方法更有利于分类精度的提高.     

高光谱遥感影像的广义判别分析特征提取

高光谱遥感影像具有丰富的光谱信息,在地物分类识别方面具有明显的优势。针对复杂高光谱影像分类问题,应用了一种广义判别分析特征提取技术。将输入样本通过非线性函数映射到特征空间,在特征空间中应用线性判别特征提取方法;算法求解过程中涉及到在特征空间的内积用核函数代替,简化计算的同时也使得算法与非线性函数的具体形式无关。通过影像分类试验表明,该方法较常用特征提取方法更有利于分类精度的提高。     

高光谱遥感影像降维：进展、挑战与展望

高光谱遥感影像数据具有高维特征、信息冗余、不确定性显著、小样本、空谱合一等特征,对其进行数据处理面临巨大挑战,高光谱遥感影像降维是高光谱遥感的重要研究方向之一。本文对当前高光谱遥感影像降维的相关研究进展进行了综述,在介绍高光谱遥感数据特点的基础上,重点从特征提取和特征选择两方面对高光谱遥感影像降维的最新研究和前沿进展进行了系统性综述;并从特征可分性、特征质量评价、特征数目确定、多特征优化以及需求驱动的特征选择等方面分析了高光谱遥感影像降维面临的挑战。随着智能化高光谱遥感的发展,高光谱遥感影像智能降维成为未来的发展方向,同时其发展将兼顾多特征质量评估与优选、搜索策略优化、满足应用需求等多目标的需求。随着高光谱遥感数据获取能力的提升和深入应用,高光谱遥感影像降维将会发挥重要而不可替代的作用。     

基于最小噪声分离变换的遥感影像融合方法

针对主成分分析（PCA）融合算法的不足和最小噪声分离（MNF）变换的优势，以IKONOS新型高分辨率观测卫星提供的全色和多光谱数据为实验数据，提出了基于最小噪声分离变换的遥感影像融合方法，并与其它融合方法进行定量和视觉比较，结果表明该方法能得到更好的融合效果。     

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。     

基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

A new kernel method for hyperspectral image feature extraction

Abstract

Hyperspectral image provides abundant spectral information for remote discrimination of subtle differences in ground covers. However, the increasing spectral dimensions, as well as the information redundancy, make the analysis and interpretation of hyperspectral images a challenge. Feature extraction is a very important step for hyperspectral image processing. Feature extraction methods aim at reducing the dimension of data, while preserving as much information as possible. Particularly, nonlinear feature extraction methods (e.g. kernel minimum noise fraction (KMNF) transformation) have been reported to benefit many applications of hyperspectral remote sensing, due to their good preservation of high-order structures of the original data. However, conventional KMNF or its extensions have some limitations on noise fraction estimation during the feature extraction, and this leads to poor performances for post-applications. This paper proposes a novel nonlinear feature extraction method for hyperspectral images. Instead of estimating noise fraction by the nearest neighborhood information (within a sliding window), the proposed method explores the use of image segmentation. The approach benefits both noise fraction estimation and information preservation, and enables a significant improvement for classification. Experimental results on two real hyperspectral images demonstrate the efficiency of the proposed method. Compared to conventional KMNF, the improvements of the method on two hyperspectral image classification are 8 and 11%. This nonlinear feature extraction method can be also applied to other disciplines where high-dimensional data analysis is required.     

采用IDL小波工具优化高光谱影像光谱特征匹配分类

光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。     

基于稀疏判别分析的高光谱影像特征提取

针对当前特征提取方法不能充分挖掘高光谱影像稀疏特性的问题,提出一种基于稀疏判别分析的高光谱影像特征提取方法。首先,在线性判别分析的系数向量中引入稀疏正则项来捕获具有更强判别能力的特征,将高光谱影像映射至低维稀疏的子空间;然后,利用迭代优化方法对模型进行求解。利用Salinas和Pavia University高光谱影像进行对比实验,所提方法与分类方法结合用于影像分类时,其分类精度优于其他方法,总体分类精度分别达到97.42%和97.64%。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。     

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。     

运用ULBP的高分辨率遥感影像感知哈希完整性认证算法

针对现有高分辨率遥感影像感知哈希认证算法中特征提取精度和算法稳健性不能兼顾的问题,本文提出一种运用ULBP的高分辨率遥感影像感知哈希完整性的认证算法。首先对遥感影像进行格网划分,将影像划分为多个子块,运用ULBP算法提取子块的纹理特征;然后计算每个子块内纹理特征的直方图分布,将其结果与均值二值化后得到子块的感知哈希序列;最后串联所有子块的感知哈希序列生成整幅影像的感知哈希值。在影像认证时,首先计算原始影像与待检测影像的哈希序列,然后计算两者的感知哈希序列平均汉明距离,完成对高分辨率遥感影像内容的完整性认证与篡改定位。试验表明,该算法能够识别高分辨率遥感影像中地物较为平滑的区域,同时对JPEG压缩、高斯噪声添加、BMP格式转换等操作具有良好的稳健性,为高分辨遥感影像完整性认证提供支持。     

异源多分辨率卫星影像匹配算法研究

以异源多分辨率遥感卫星影像为研究对象，对影像特征提取、特征描述、特征匹配及匹配提纯算法进行了较为深入的研究；并将不同的特征提取与匹配算法进行组合，通过试验对比得出了各种算法的适用性。在此基础上，设计了一套面向异源多分辨率卫星影像的匹配流程。