利用在线字典学习实现图像超分辨率重建的算法

图像超分辨率重建是通过对单张或多张具有互补信息的低分辨率图像进行处理,重建一张高分辨率图像的技术。在单张图像的超分辨率重建中,基于稀疏表示的方法取得了很好的效果,得到了广泛的应用。一张图像中不同区域的图像块的内容一般会有显著变化。而基于稀疏表示的超分辨率重建算法多采用固定的字典,无法适应每一个图像块的重建需求。提出了一种结合外部数据和输入图像自身信息进行超分辨率重建的方法,通过搜索待处理图像块的非局部自相似块,结合在线字典学习方法对字典进行更新,从而保证更新后的字典能够匹配待处理的图像块。采用包括遥感图像在内的5张图像进行实验,并与4种经典的超分辨率重建算法进行比较,实验结果表明,此算法在主观评价和客观评价方面都有更好的表现。     

主题学习和稀疏表示的MODIS图像超分辨率重建

针对MODIS图像分辨率受传感器限制和噪声干扰,且分辨率局限在一定水平等问题,提出一种采用主题学习和稀疏表示的MODIS图像超分辨率重建方法,该方法通过双边滤波将MODIS图像的平滑及纹理部分分离,并将纹理部分看成是由若干"文档"组成的训练样本;运用概率潜在语义分析提取"文档"的潜在语义特征,从而确定"文档"所属的"主题"。在此基础上,针对每个主题所对应的图像块,采用改进的K-SVD方法训练若干适用于不同主题的高低分辨率字典对,从而可以运用这些字典对,通过稀疏编码实现测试图像相应主题块的超分辨率重建。实验结果表明,重建图像在视觉效果和PSNR等指标上均优于传统方法。     

基于自适应上下文聚合网络的双高遥感影像分类

融合高光谱和高空间分辨率(双高)遥感的优势可以实现地物目标更为全面和精细的属性识别。然而,空间分辨率的显著提升使得双高影像中地物细节特征凸显出来,呈现出极高的空谱异质性,进而导致同物异谱现象大量发生,地物类内方差明显增大。基于此,本文提出一种局部-全局上下文信息自适应聚合的快速双高影像分类框架(adaptive context aggregation network, ACANet),通过编码-解码的全卷积网络架构顾及全局空谱信息,在编码器中构建局部到全局的长距离上下文感知模块缓解双高影像极大的类内方差,在解码器中构建自适应上下文聚合模块进一步实现局部和全局的上下文信息自适应聚合。本文方法在WHU-Hi双高影像分类基准数据集中取得了优异的分类性能,试验表明可以很好缓解双高影像极高空谱异质性对地物精细分类的影响。     

基于超像素图卷积网络的高光谱图像分类

高光谱图像分类是遥感领域中一个具有挑战性的问题。基于深度学习框架的高光谱图像分类方法,由于其良好的分类性能受到了越来越多的关注。然而,这些方法普遍存在的问题为：模型的训练不仅需要大量的时间,而且还需要大量的标签样本。针对此问题,本文提出了一种基于超像素图卷积网络的高光谱图像分类方法。该方法以超像素作为图的节点,极大地减小了图的规模,从而提高了分类效率;提出的超像素合并技术能有效地融合光谱-空间信息,增强了空间信息在分类中的作用;为了验证该方法的有效性,在Indian Pines、Pavia University两个实际数据集上进行试验,并与一些先进的基于深度学习框架的高光谱图像分类方法进行比较。结果表明,本文方法在分类精度和分类效率上均优于其他方法。     

遥感影像超分辨率重建的字典学习类算法

近年来基于字典学习的超分辨率重建技术已成为图像处理领域的研究热点,相比基于重建的超分辨率方法,基于学习的方法充分利用了先验知识,在放大倍数较高时,仍可取得较好的效果,因此被公认为一种非常有前途的方法。本文对国内外已有的基于字典学习的超分辨率重建方法进行了系统研究,梳理了3种基于字典学习超分重建算法的基本原理及优缺点。此外,本文根据遥感影像的特点,使用同一数据源进行字典学习,利用不同字典学习算法分别生成高、低联合字典对,采用不同尺寸大小及缩放倍数的测试图像,进行超分辨率重建,对各种算法的重建性能、鲁棒性和复杂度进行综合分析,进一步研究了各种算法对遥感影像不同应用需求的适用性。     

一种遥感影像超分辨率重建的稀疏表示建模及算法

为了对单幅低分辨率遥感影像的空间分辨率进行增强,提出了一种基于稀疏表示的超分辨率重建方法。该方法首先采用优化最小化方法学习高-低分辨率联合字典对,通过构造一个参数互相解耦的易于优化的代理函数,替代原来的参数互相耦合难以优化的目标函数,保证每一次迭代求解的值在局部范围内最优。然后,将学习的字典对用以指导其他低分辨率遥感影像的超分辨率重建。实验表明,与传统的插值方法相比,本研究算法在客观的评价指标上具有一定的提高,在主观的视觉效果上也取得一些改善,可为任意区域的单幅低分辨率遥感影像的超分辨率重建提供有用的高频细节信息,具有一定的普适性。     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

结合地物空间特性的高光谱图像分类方法研究

以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其一切特征统计也只在光谱及波段维上展开。但是自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的,常会出现"麻点"现象。针对这一问题,本文提出一种结合地物空间特性的高光谱图像分类方法,其分类过程可以分为两个阶段,第一阶段是基于像元光谱特性的图像分类,获得影像分类图;第二阶段是针对第一阶段的分类结果,结合地物空间特性进行空间后分类处理。试验研究结果表明,该方法能够保持地块的连续性和均一性,同时克服了"麻点"现象,大大提高分类的精度。     

机载多光谱LiDAR数据的地物分类方法

机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。     

光谱数据库系统的设计及应用

根据已建立的一个光谱数据库管理系统,详细探讨了光谱数据库系统的数据规范、结构设计、功能组成等关键技术问题.     

基于集成学习的高光谱遥感影像分类综述

高光谱遥感影像光谱维度高、数据量大且波段间冗余信息量大,利用集成学习算法可有效地提升高光谱遥感影像的识别精度。本文首先概述了高光谱遥感影像的分类任务和目前存在的问题,其次介绍了集成学习分类算法的原理,系统性阐述了高光谱遥感影像分类中动态集成和静态集成算法的研究现状,并提出了有待进一步研究的问题。     

基于波段组合的高光谱数据湿地分类研究

对高光谱数据进行波段组合,可以减少信息量的冗余,提高数据的处理速度。对黄河口入海口湿地进行分类,对合理利用、开发保护该地区湿地资源具有重要意义。本文首先分析了“珠海一号”高光谱数据各个波段的信息量及波段之间的相关系数,然后利用最佳波段指数(OIF)方法选出波段组合B7-B8-B32,进一步在OIF基础上设置信息量与相关系数阈值,选出波段组合B7-B18-B32,实验结果证明分类精度提高了5.4%。最后,根据地物的光谱特征分析,选择光谱差异较大的波段进行组合B6-B13-B18,分类后精度比OIF筛选出的波段组合精度高12.6694%。经实验验证,结合地物光谱特征的波段组合可以大大提高分类精度。     

基于稀疏表示和字典学习的全色与多光谱影像融合

Pansharpening方法通过融合多光谱影像的光谱信息和全色影像的空间细节信息来得到高分辨多光谱影像。然而传统的Pansharpening方法易导致产生光谱扭曲和空间信息丢失现象。受到影像稀疏表示超分重建理论启发,本文提出了一种新的基于稀疏表示和字典学习的Pansharpening方法。该方法以影像的高频特征作为训练样本,通过字典学习的方法来获取高低分辨率影像字典,使用正交匹配追踪算法求解出影像的稀疏表示系数,最终通过高分辨影像字典与稀疏系数相乘得到融合影像。实验结果表明:本文提出的方法能很好地保持遥感影像的光谱信息和空间细节信息。     

基于卷积核哈希学习的高光谱图像分类

高光谱遥感可同步获取地表覆盖空间影像和连续且精细的光谱数据,能够实现对地物的精细分类与识别。然而,高光谱图像的高维特性对分类带来巨大挑战。为此,本文探讨了一种基于卷积核哈希学习的高光谱图像分类方法。哈希学习可以将高维信息表达为低维哈希编码,通过计算哈希编码内积并借助最小汉明距离实现分类。为了有效表达非线性数据,又发展了核哈希学习方法。然而,直接应用核哈希学习进行高光谱图像分类存在运行速度慢和未考虑空间邻域信息的不足。为此,本文在核哈希学习中引入径向基函数RBF (Radial Basis Function)作为损失函数以提高运行效率;同时,借助四维卷积操作充分表达空间邻域信息,提出了基于卷积核哈希学习的高光谱图像分类方法 CKSH (Supervised Hashing with RBF Kernel and Convolution),同时探讨了该方法在仅利用光谱特征和光谱—空间联合特征上的分类效果。在国际通用测试数据Indian Pines和University of Pavia上进行了实验,结果表明：本文提出的CKSH方法优于传统分类方法 （支持向量机、随机子空间）和其他哈希学习方...     

利用位置权重稀疏表示的人脸超分辨率算法

提出了基于位置权重稀疏表示的人脸超分辨率方法,利用目标分块与样本原子之间的位置关系,提高原子基选择的精确性,并减少了计算复杂度.仿真实验结果表明,在主客观质量方面,提出的基于位置权重的稀疏表示人脸超分辨率方法相比于传统的稀疏表示图像超分辨率方法均有显著提高.     

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%。     

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。     

基于主动学习和空间约束的高光谱影像分类

高光谱影像具有数据量大、波段数多和信息冗余等问题,其分类一直是目前的一项研究热点。针对高光谱影像分类存在的问题,本文提出了一种利用主动学习和空间约束的高光谱影像分类方法。首先利用样本的先验分布状态建立样本的置信度模型,迭代选择最有"价值"的样本扩充训练样本库,以此训练最优的支持向量机分类器对高光谱影像进行分类,然后利用马尔科夫随机场(Markov Random Fields,MRF)引入空间信息,优化分类结果。文中在Indian Pines数据集上验证提出方法的有效性。实验结果表明,本文提出的方法通过样本的先验信息训练最优的SVM模型,能够有效地分类不同地物,总体分类正确率达到88%以上。     

机载多光谱LiDAR的随机森林地物分类

机载多光谱LiDAR技术利用激光进行探测和测距,不仅可以快速获取地面物体的三维坐标,还可以获得多个波段的地物光谱信息,可广泛用于地形测绘、土地覆盖分类、环境建模、森林资源调查等。本文提出了多光谱LiDAR的随机森林地物分类方法。该方法通过对LiDAR强度数据和高程数据提取分类特征,完成多光谱LiDAR的随机森林地物分类;并分析随机森林的特征贡献度特性,采用后向特征选择方法实现分类特征选择。通过对加拿大Optech Titan多光谱LiDAR数据的试验表明：随机森林方法可以获得较好的地物分类精度,而且可以适当地去除部分冗余和相关的特征,从而有效提高分类精度。