利用概率融合光谱-空间特征地物分类模型对高分影像地物进行提取

本文提出了一个联合光谱-空间多特征的基于支持向量机的分类器模型,首先将三类光谱-空间特征利用支持向量机对高分影像进行分类,然后将分类结果利用概率融合的方法进行整合,最终完成了地物的提取。试验结果显示,相比于VS-SVM算法,该模型取得了更好的提取效果。     

面向对象分类提取高分辨率多光谱影像建筑物

初步测试利用基于知识规则的面向对象分类方法从高分辨率Ikonos卫星影像上提取建筑物,包括:融合1 m全色和4 m多光谱波段影像,生成1 m分辨率的多光谱融合影像;分割融合影像;利用影像对象的光谱和空间特征执行基于对象的分类。面向对象分类提取结果与传统的基于像元最大似然分类结果进行对比,表明面向对象分类方法更适用于提取高分辨率遥感影像中的建筑物。     

基于多层形状特征提取与融合的城市高光谱影像解译

以前的研究往往从像素光谱的角度来解译高光谱影像,忽略了像素间的空间上下文关系。本文提出一种基于像素和对象层形状特征提取与融合的方法,把多层形状特征和光谱信息用支持向量机(SVM)输出函数方法进行融合,用于提取城市高光谱影像的形状特性,利用影像的空间关系。实验用HydICE-DC航空高光谱数据对提出的方法进行了验证,结果表明:像素级形状指数能够提供比对象级形状指数更优的结果,但像素—对象级形状特征的融合,能够给出更高的精度。     

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。     

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。     

一种基于纹理和光谱特征的高光谱影像信息向量机分类方法

针对高光谱影像中空间特征信息利用不足的问题,提出了一种基于纹理和光谱特征的高光谱影像信息向量机分类方法。该方法首先采用三维Gabor滤波器对高光谱影像数据立方体进行纹理特征提取,提取后的影像数据同时具有光谱和纹理特征,避免了传统纹理特征提取带来的高维特征和光谱不连续的问题;然后采用分类精度和效率都较高的信息向量机进行分类处理。通过AVIRIS高光谱影像实验,结果表明该方法不仅提高了影像的分类精度,而且还消除了分类结果图中的类别噪声现象。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题，提出了一种显著性特征提取方法。首先，利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后，基于分割得到的小区域计算反映不同区域的显著性特征。最后，沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合，并将结合后的特征输入到支持向量机中进行分类。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，与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比，提取的显著性特征能够获得更高的高光谱影像分类精度，且结合光谱特征能够进一步提高分类精度。     

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。     

联合局部二值模式的高光谱影像空-谱分类方法

为充分利用高光谱影像"图谱合一"的特性,提出了一种联合局部二值模式的高光谱影像空-谱分类方法。该方法通过局部二值模式从降维影像中提取空间纹理特征,以线性加权求和核为多核组合方式,与原始光谱特征结合构造混合核极限学习机模型,实现影像的地物分类。为了验证该方法的有效性,利用Indiana和Pavia U两组高光谱影像数据进行实验,总体分类精度分别达到99.23%和94.95%。结果表明该方法分类效果优于纯光谱分类、纯局部二值模式空间分类、GLCM空-谱分类以及3Gabor空-谱分类方法,有效地改善了高光谱影像分类结果,获得更加平滑的分类结果图。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

Deep Fusion of Localized Spectral Features and Multi-scale Spatial Features for Effective Classification of Hyperspectral Images

This study presents a deep extraction of localized spectral features and multi-scale spatial features convolution (LSMSC) framework for spectral-spatial fusion based classification of hyperspectral images (HSIs). First, adjacent spectral bands are grouped based on their similarity measurements, where the whole hypercube is partitioned into several sub-cubes, each corresponding to one band group. Then, the proposed localized spectral features extraction (LSF) strategy is used to extract localized spectral features, which are extracted from each band group using the 1D convolutional neural network (CNN). Meanwhile, the proposed HiASPP strategy is employed to extract the multi-scale features from the first several principal components of each sub-cube. Finally, the extracted spectral and spatial features are concatenated for spectral-spatial fusion based classification of HSI. Experiments conducted on three publicly available datasets have demonstrated that the proposed architecture outperforms several state-of-the-art approaches.     

顾及局部与结构特征的稀疏多项式逻辑回归高光谱图像分类方法

稀疏多项式逻辑回归在分类中仅利用图像光谱信息，导致分类效果不太理想。本文提出了一种顾及局部与结构特征的稀疏多项式逻辑回归高光谱图像分类方法。首先利用加权均值滤波与拓展形态学多属性剖面对原始高光谱图像进行局部与结构特征提取；然后对二者进行加权平均特征级融合以获取更具唯一性的像元特征；最后由稀疏多项式逻辑回归分类器对融合结果进行分类。结果表明，本文方法能有效地提高分类精度，而且具有较强的稳健性。     

空-谱融合的条件随机场高光谱影像分类方法

高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免“同谱异物”与“同物异谱”的现象方面有较明显的优势。     

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。     

高光谱-LiDAR多级融合城区地表覆盖分类

城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层叠实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。     

ALOS PALSAR and Hyperion Data Fusion for Land Use Land Cover Feature Extraction

Detailed and enhanced land use land cover (LULC) feature extraction is possible by merging the information extracted from two different sensors of different capability. In this study different pixel level image fusion algorithms (PCA, Brovey, Multiplicative, Wavelet and combination of PCA & IHS) are used for integrating the derived information like texture, roughness, polarization from microwave data and high spectral information from hyperspectral data. Span image which is total intensity image generated from Advanced Land observing Satellite-Phase array L-band SAR (ALOS-PALSAR) quad polarization data and EO-1 Hyperion data (242 spectral bands) were used for fusion. Overall PCA fused images had shown better result than other fusion techniques used in this study. However, Brovey fusion method was found good for differentiating urban features. Classification using support vector machines was conducted for classifying Hyperion, ALOS PALSAR and fused images. It was observed that overall classification accuracy and kappa coefficient with PCA fused images was relatively better than other fusion techniques as it was able to discriminate various LULC features more clearly.     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

高光谱图像相对含水量反演引导的精细分类

深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。     

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。