高分五号高光谱影像的关联对齐域适应与分类

高分五号(GF-5)搭载的高光谱传感器兼顾宽覆盖和高分辨率的特性,但在实际应用中宽覆盖范围内各种地物类别的标注十分困难。当标记样本很少甚至没有标记样本时,遥感图像分类异常困难。此时,可以采用域适应方法,借助已标记的历史数据(源域)实现对未标记数据(目标域)的分类。本文提出了一种基于稀疏矩阵变换的关联对齐域适应分类算法。首先,利用稀疏矩阵变换估计源域和目标域的协方差矩阵;然后,运用协方差关联对齐方法估计源域到目标域的变换矩阵;接着,运用估计得到的变换矩阵将源域数据进行变换,使得其与目标域对齐;最后,在变换后的源域数据上建立分类器,实现对目标域数据的分类。本文的算法在两个真实的GF-5高光谱数据集上进行了验证。实验结果表明,本文算法要优于常用的子空间对齐算法和关联对齐算法。特别地,在黄河口GF-5数据上,本文算法比原始关联对齐方法的最近邻分类准确率提升了3.5%,支持向量机分类准确率提升了2.3%。     

高光谱图像波段选择的改进二进制布谷鸟算法

波段选择是高光谱遥感图像分类的重要前提,本文提出了一种用于高光谱遥感图像波段选择的改进二进制布谷鸟算法,通过使用混合二进制编码算法更新子代鸟巢和使用遗传算法交叉方式更新被发现鸟巢两个方面对二进制布谷鸟算法进行改进,找出在图像中起主要作用且相关性低的波段,实现对高光谱遥感图像降维。将本文算法运用于PaviaU数据集和AVIRIS数据集,并与二进制布谷鸟算法、二进制粒子群算法、最小冗余最大相关算法、Relief算法等进行对比分析。结果表明,改进二进制布谷鸟算法波段特征选择效率更高,且选取的波段更具代表性,能够较好地提高后续分类精度。     

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。     

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。     

对抗与蒸馏耦合的高光谱遥感域自适应分类方法

高光谱遥感域自适应分类旨在利用有标注样本的源域知识对无标注的目标域场景进行分类,是高光谱跨场景分类的重要方法之一。目前流行的域自适应分类方法利用对抗训练模式实现目标域与源域的特征对齐,但未考虑源域知识是否充分转移至目标域这一关键问题。为了有效提取并迁移源域知识,本文提出一种基于对抗与蒸馏耦合模式的高光谱遥感自适应分类方法 UDAACD(Unsupervised Domain Adaptation by Adversary Coupled with Distillation)。该方法采用类内样本自蒸馏方式对源域信息进行提炼,提高自适应分类模型对源域监督知识的提取能力;同时,构建知识蒸馏与对抗耦合机制使目标域与源域特征在对抗与蒸馏中实现对齐,利用对抗与蒸馏耦合机制相互补充、相互促进,提升高光谱遥感知识从源域至目标域的迁移能力,进而完成目标域高光谱影像的无监督分类。本文选用Pavia University、Pavia Center、Houston 2013及Houston 2018高光谱遥感场景数据集进行了4组跨场景图像分类实验,结果表明所提出的模型优于其他高光谱域自适应方法,在相同样本条件...     

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。     

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。     

珠海一号高光谱场景分类数据集

高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势,传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类,并逐步建立完善高光谱遥感场景分类数据集。然而,目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法,主要采用遥感影像的空间信息进行场景类别解译,忽视了高光谱场景的光谱信息。因此,为构建高光谱影像的遥感场景分类数据集,本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据,使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本,结合Google Earth高分影像进行目视筛选,构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验,通过视觉词袋、卷积神经网络等方法的基准测试结果,对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。     

变异系数降维的CNN高光谱遥感图像分类

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。     

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。     

基于PCA的高光谱遥感图像分类

高光谱遥感图像的出现进一步提升遥感图像分类的准确性,但高光谱遥感图像的数据量大,处理高光谱遥感图像复杂度高、效率低。为解决这一问题,将主成分分析算法作为遥感图像分类的预处理技术。分析主成分分析算法的原理,利用主成分分析算法提取高光谱图像的主要波段图像。通过实验验证得出结论:高光谱遥感图像的主波段图像包含分类所需的大部分信息,利用少数的主波段图像即可达到70%以上的分类正确率。实验结果表明,在保证分类正确率的前提下,PCA算法可有效地减少图像分类处理的数据量,提高图像的处理效率。     

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。     

递归滤波与KNN的高光谱遥感图像分类方法

为了有效去除高光谱图像中的噪声,强化空间结构,充分利用地物目标的空间上下文信息,提升高光谱图像的分类精度,提出一种基于递归滤波(recursive filtering,RF)和KNN(k-nearest neighbor)算法的高光谱图像分类方法。首先,利用主成分分析法对高光谱图像进行降维;其次,通过RF算法对降维后的主成分图像进行滤波,以增强遥感图像的轮廓特征;然后,采用KNN算法计算测试样本与不同类别训练样本的欧式距离,根据比较k个最小欧式距离的平均值得到测试样本所属类别;最后,在2个典型的数据库上进行实验验证,并分析所提算法中不同参数对分类精度的影响。实验结果表明,RF算法可以有效地去除噪声点,强化图像轮廓,与其他高光谱图像分类方法相比,该方法在分类准确性方面表现突出。     

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。     

基于空间特征与纹理信息的高光谱图像半监督分类

传统高光谱图像分类方法主要使用图像的光谱特征信息,没有充分利用高光谱图像的空间特性及样本的其他信息。本文提出了一种基于空间特征与纹理信息的高光谱图像半监督分类方法。首先,将高光谱图像每一像素的光谱特征与其邻域范围内的光谱特征进行结合,得到了这一像素的空-谱特征;然后用灰度共生矩阵提取了高光谱图像的纹理特征,并与空-谱特征进行了融合;最后,用基于图的半监督分类算法进行了分类。通过在Indian Pines数据集和PaviaU数据集上进行试验,结果表明本文提出的方法能取得较高的分类结果。     

加权空-谱主成分分析的高光谱图像分类

为了提高高光谱图像的分类精度,有效利用高光谱图像的空间信息和光谱信息对高光谱图像进行预处理,提出了一种新的空-谱联合降维方法——加权空-谱主成分分析(weighted spatial spectral principle component analysis,WSSPCA)算法。该算法结合高光谱图像的物理特性对高光谱图像进行重构,平滑了高光谱图像中存在的奇异点干扰;然后,采用主成分分析(principle component analysis,PCA)方法对重构后的图像进行降维,降低了波段间的冗余性,有利于后续分类。在2组常用的高光谱数据集Pavia U和Indian Pines上进行实验结果表明,训练样本随机选取每一类地物的5%和10%的情况下,由WSSPCA算法得到的Kappa系数最大值分别达到了0. 955 9和0. 896 1,较基准线分别提高了0. 193 8和0. 205 0,分类结果明显优于其他算法。     

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。     

变换域离散度排序的高光谱图像快速压缩算法

提出了一种基于变换域离散度排序的高光谱图像快速压缩算法。该算法针对高光谱数据在Hadamard变换域的特性,自适应地选择有利的排列顺序,将变换域光谱矢量的各维度按照离散度进行重新排序,不仅使光谱矢量的大部分能量和差异集中在低维部分,而且把高信噪比的分量调整到低维空间,并据此构造出高效的码字排除不等式,最后结合LBG(Linde Bazo Gray)聚类算法,通过矢量量化快速完成高光谱图像的编码。在不同压缩比下进行实验,结果表明,本文提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下,大幅度降低计算复杂度,实现快速压缩。     

多流形LE算法在高光谱图像降维和分类上的应用

传统的流形学习算法假设不同类的数据位于同一个流形结构上,然而由于不同类别数据的特征不同,其位于各自不同的流形结构上的假设更加合理,因此,多流形假设更适合数据分类问题。通过借鉴多流形谱聚类算法中的多流形思想,研究多流形LE算法及其在高光谱数据降维和分类上的应用,结合高光谱数据特点,通过添加空间信息和数据标记信息进一步改进多流形LE算法。实验结果表明,在多种高光谱数据中,多流形LE算法能取得比LE算法更高的分类精度,同时改进的多流形LE算法也取得比LE和多流形LE算法更高的分类精度,这说明多流形假设更符合高光谱数据的特点,也说明了改进算法的有效性。     

一种切空间协同表示的高光谱遥感影像分类方法

协同表示分类（collaborative representation classification,CRC）算法近年来成为高光谱遥感分类的研究热点。地物类别间区分性不高会严重影响现有CRC算法的性能。流形结构可有效地解决非线性问题,并解决高光谱遥感影像因数据冗余导致的类别间区分性低的问题。提出了一种基于切空间的高光谱遥感影像协同表示分类算法（tangent space collaborative representation classification,TCRC）和一种基于欧氏距离的自适应加权的切空间协同表示分类算法（weighted tangent space collaborative representation classification,WTCRC）。TCRC算法利用测试样本的切平面来估计区域流形,在测试样本的切空间中使用协同表示算法,寻找测试样本在各类训练样本中的最优线性表示估计,并用其最小误差来对测试样本进行分类。在此基础上,利用测试样本邻域像元、训练样本与测试样本的欧氏距离作为权矩阵来自适应调整各样本对测试样本的影响。实验采用ROSIS（reflective optics system image spectro-meter）和AVIRIS（airbone visible infrared imaging spectrometer）高光谱遥感影像对所提出算法的性能进行了评价,结果表明TCRC和WTCRC在分类效果上比CRC有明显的提升,WTCRC相较于TCRC具有更好的分类效果,具有更强鲁棒性。