基于小波与遗传算法的特征提取与特征选择

高维遥感数据的分类与识别与传统的多光谱遥感分类技术具有明显的区别。本文提出了一种基于遗传算法和小波／小波包分析相结合的特征提取方法用于高维遥感数据降维与分类。该方法综合了遗传算法的全局优化和小波／小波包分析的多尺度、多分辨率的特点。首先,通过离散的小波变换(DWT)或小波包变换(WP)将高光谱信号变换到特征域进行光谱分解。由于DWT变换是一种线性变换,不同尺度的DWT系数可作为线性光谱特征。然后,对这些线性光谱特征利用遗传算法结合训练样本计算类内／类间距离搜索最优分类子集,其具体染色体编码取可能的特征号,适应度函数基于样本平均Jeffries-Matusita距离计算。所用的分类器采用最大似然分类器。试验结果表明该方法与常规特征提取算法如主成分变换(PCA)、判别分析特征提取(DAFE)、决策边界特征提取(DBFE)相比,能提高分类精度约1.1％-6.5％。     

基于非线性判别分析的高光谱影像特征提取

高光谱遥感影像丰富的光谱信息有利于深入挖掘目标的理化特性,精细识别不同目标间的细微差异。为了提高影像分类识别的精度与速度需要对光谱信息进行特征提取。基于核函数的判别分析能够在数据中提取非线性特征,本文将其应用到高光谱影像分类的特征提取中,并进行了最小距离分类实验取得理想结果。     

基于核半监督判别分析的高光谱影像特征提取

针对高光谱影像特征提取中地物类别训练样本获取代价较高的情况,在线性判别分析的基础上,结合核方法和半监督学习理论,提出了一种基于核半监督判别分析(KSDA)的高光谱影像特征提取方法。该方法同时利用少量已知类别和大量未知类别样本数据进行模型的学习和训练。通过OMIS高光谱影像数据实验表明:在少量已知类别训练样本的条件下,经KSDA特征提取的样本数据在特征空间中能更好地聚集成团,且类别之间的距离较大,增加了类别之间的可分性,得到了较高的分类精度;同时,提取的特征影像能够较好地区分各种地物类别。     

结合混沌映射与遗传算法的高光谱影像降维分类方法

针对高光谱遥感影像分类研究中的波段降维问题,利用混沌映射的遍历性与初值敏感性提升遗传算法的全局寻优能力,提出一种基于混沌遗传寻优算法的高光谱影像分类波段选择方法.实验部分采用粤港澳大湾区欧比特高光谱影像对多个行政区进行了仿真分类实验,同时对比了主成分分析(PCA)等经典降维方法.实验结果表明,欧比特高光谱影像能够有效地区分出多种典型地物,而且引入混沌映射改进的遗传算法具有更强的全局寻优能力,基于所选波段子集得到的分类精度更高.     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

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。     

改进Fisher判别分类的遥感影像变化检测

Fisher判别分类的好坏关键在于训练样本集选取的精度和在降维过程中样本特征信息的损失程度,基于此问题,本文根据不同时相同一地区的遥感影像的差值影像中各像素本身的灰度值及其邻域平均灰度值特征获得其一维和二维直方图,针对差值影像无噪和带噪两种情况,根据直方图信息选取Fisher判别分析所需的训练样本,同时为了尽可能降低判别分析过程中有用信息的损失,将所得到的原训练样本集进行非线性变换,使其映射到高维空间中,利用映射后的训练样本求得Fisher判别规则。实验结果表明:与基于原训练样本的Fisher判别分类和基于寻找更多的样本特征的Fisher判别分类方法生成结果相比,在差值影像无噪和带噪情况下,本文提出的方法具有更好的变化检测精度和抗噪性。     

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.     

一种基于变分自编码器的高光谱图像分类方法

深度学习可以有效表达影像的深层特征,在遥感图像处理特别是在分类方面取得了良好的效果。提出了一种基于变分自编码网络的高光谱遥感影像深度学习分类方法,该方法利用变分自编码器进行无监督训练,用分类层替换解码层,输入训练样本进行分类网络的微调,最后在分类器预测的类别概率图基础上使用条件迭代模型求解马尔可夫随机场,对分类结果进行优化。在两幅通用高光谱数据集上进行分类实验,结果表明基于变分自编码器的高光谱遥感影像分类方法取得了优于其它方法的分类效果。     

基于多尺度超像素的高光谱图像分类研究

随着遥感技术的快速发展,高光谱遥感影像的分类方法研究受到普遍关注。现有高光谱遥感影像分类研究采用单一尺度下的超像素方法进行图像分割处理,无法确定最佳超像素个数,较易忽视图像细节信息,且单一核矩阵无法表征多特征信息导致分类精度降低。因此,本研究拟在多尺度下采用超像素分割方法对高光谱影像的第一主成分分量进行多尺度超像素分割处理,通过权值耦合多尺度空间光谱核与原始空间光谱核形成合成核来进行高光谱影像分类,并以Washington DC Mall高光谱影像为实验数据对本文方法进行测试与分析。实验结果显示,相较于对比方法,这一方法的有效分类精度最高提升6.93个百分点。结果证明该方法可以有效解决图像光谱无法自适应、光谱信息获取不全面的问题,能够显著提升高光谱影像分类精度。