面向高光谱图像分类的半监督空谱判别分析

为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。     

空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系,忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法(SSRSHE)。该算法首先利用稀疏表示揭示像元之间的相关性,自适应选择近邻,并构建稀疏本征超图和惩罚超图,以有效表征像元间的复杂多元关系,并进行正则化处理。然后利用遥感图像空间一致性原则,计算局部空间邻域散度来保持样本局部邻域结构,并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中,尽可能使类内数据聚集、类间数据远离,提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明,本文算法总体分类精度分别达到86.7%和 92.2%。相比传统光谱维数约简算法,该算法可有效改善高光谱图像地物分类性能。     

一种新的空谱联合高光谱图像分类方法

针对现有高光谱图像分类方法对空间和谱间信息的利用不充分,限制了地物分类的准确度的问题,该文提出一种基于正交线性判别分析和三维离散小波变换的高光谱图像空谱联合分类算法。该算法首先利用正交线判别分析对高光谱图像进行特征提取和特征缩减;然后将提取后的特征经三维离散小波从不同尺度、频率和方向上分解,以级联的方式获得具有正交类判别信息的空谱融合特征集;最后,将空谱融合特征集作为概率支持向量机的输入特征,分类的结果再通过马尔可夫随机场利用空间上下文信息细化分类图,进一步提升分类准确度。在Indian Pines和Salinas两组数据集上的实验表明,相比其他算法,该算法能达到更高的总体分类准确度和Kappa系数,并且在大部分的地物类别上的分类准确度有着较为明显地提升。     

融合空谱特征和集成超限学习机的高光谱图像分类

为提高高光谱图像的分类精度,提出了一种融合空谱特征和集成超限学习机的高光谱图像分类方法。首先结合每个像素邻域的光谱信息提取空谱特征向量;考虑到高光谱相邻波段信息具有一定的相关性,先对提取的特征向量进行平均分组,然后从每个区间随机选择若干个波段进行组合,采用具有快速学习能力的超限学习机训练分类器。为提高分类模型的泛化能力,基于集成学习思想,对提取的空谱特征进行多次抽样,训练得到多个弱分类器,最后采用投票表决法得到用于高光谱图像分类的强分类器。采用3个典型高光谱数据进行了分类试验,试验结果表明,提出的算法总体分类精度较优,尤其当训练样本数较少时能取得较高的分类精度。提出的算法具有可调参数少、训练速度快、分类精度高等优点,具有广阔的应用前景。     

高光谱影像空-谱协同嵌入的地物分类算法

针对传统高光谱影像地物分类算法大多仅考虑光谱信息而忽略空间邻近像元间相关性的问题,提出了一种空-谱协同嵌入(SSCE)降维算法和空-谱协同最近邻(SSCNN)分类器。首先,定义一种空-谱协同距离,并将其应用于近邻选取和低维嵌入;然后,构建空-谱近邻关系图来保持数据中的流形结构,并在权值设置中增大空间近邻点的权重以增强数据间的聚集性,提取鉴别特征;最后使用SSCNN分类器对降维后的数据进行分类。利用PaviaU和Salinas高光谱数据集进行试验验证,结果表明,与传统的光谱分类算法相比,该算法能有效提高高光谱影像的地物分类精度。     

采用二维主成分分析的高光谱影像分类

针对传统的特征提取方法都是基于向量模型,导致处理时维数极高,且极易丢失像素空间信息的问题,该文将二维主成分分析引入高光谱影像特征提取领域,该方法在保持影像原有空间结构信息的前提下,通过多变量线性变换,求取最佳投影方向,不仅能提高同类地物的聚团性、避免分类后地物混淆,还能消除最终分类结果的"麻点"现象,在试验中验证了有效性。     

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。     

空谱特征分层融合的高光谱图像特征提取

利用基于光谱维的特征提取方法将原始高光谱图像数据降到一定维数,对降维后的数据采用多尺度自适应加权滤波器(adaptive weighted filters,AWF)进行滤波,将在所有尺度上得到的滤波结果分层融合为新的图像,设计了分层融合框架,有效提取出了高光谱图像中重要的空谱特征,从而提高了分类精度。又将主成分分析(principal component analysis,PCA)算法融入到该框架中,提出了分层融合-主成分分析(hierarchical fusion principal component analysis,HF-PCA)算法。该方法不仅降低了波段间的冗余性,而且削弱了样本的类内差异性,提高了高光谱图像的分类精度。在Indian Pines和Salinas数据库上的实验结果表明,即使在训练样本数量较少的情况下,由HFPCA算法得到的分类精度明显高于其他算法,2种数据总体分类精度的最大值分别为86. 73%和95. 01%,有效提高了高光谱图像的分类精度。     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征,可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征,基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性,选取PaviaU、Salinas和Chikusei高光谱影像数据,利用核极限学习机分类器,分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明,多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%,明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征,有助于提高影像分类精度并获取更加平滑的分类结果图。     

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。     

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。     

联合空-谱信息的高光谱影像深度三维卷积网络分类

针对高光谱影像分类高维和小样本的特点,提出一种基于深度三维卷积神经网络的高光谱影像分类方法。首先,该方法直接以高光谱数据立方体为输入,利用三维卷积操作提取高光谱数据立方体的三维空-谱特征。然后,利用残差学习构建深层网络,提取更高层次的特征表达,以提高分类精度。最后,采用Dropout正则化方法防止过拟合。利用Pavia大学、Indian Pines和Salinas 3组高光谱数据进行试验验证,结果表明,与支持向量机和现有的基于深度学习的高光谱影像分类方法相比,该方法能有效提高高光谱影像的地物分类精度。     

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。     

利用胶囊网络实现高光谱影像空谱联合分类

卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果.然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果.通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特...     

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。     

基于分段主成分分析的高光谱图像波段选择算法研究

提出了一种基于分段主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标,可以保证选择的波段信息丰富；通过分段分析,可以更全面的选择波段；指标的计算只需要得到原始数据的协方差阵,而不必对原始数据进行真正的主成分变换,降低了计算量。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

联合空谱信息的高光谱影像深度胶囊网络分类

向量化的胶囊神经元和动态路由式的信息传递机制赋予了胶囊网络更强的特征表示能力.在遥感领域,基于胶囊网络的高光谱影像分类方法已经获得了较传统深度学习模型更为优异的分类结果.针对现有胶囊分类模型中存在的网络浅层、空谱联合信息利用不足等问题,本文利用卷积胶囊层、残差连接、三维卷积胶囊层构建了一种用于高光谱影像分类的新型深度胶...     

高光谱影像三分支分组空谱注意力深度分类网络

高光谱影像具有丰富的空间和光谱信息,充分提取和利用这两个维度的信息是高光谱分类算法重点关注的问题。目前深度特征提取网络通常利用单分支串行网络连续提取空谱特征或双分支并行网络分别提取空谱特征。由于空间和光谱维内在差异,单分支串行网络连续提取的两类特征之间会互相干扰。并行双分支网络虽然可以减少两类特征之间的干扰,但同时会忽略空间和光谱特征间的潜在相关性。为解决上述问题,本文提出了一种三分支分组空谱注意力深度网络结构。该网络具有3个分支,分别用于提取空间、光谱和空谱联合特征。针对3个分支的不同特性,设计了不同的注意力机制以加强特征的判别性。该网络既可以提取独立的空间和光谱特征,又保留了空间和光谱之间的相关性。在5个数据集上的实验表明,本文所提出的方法要优于现有的一些先进算法。