面向小样本分类的高光谱影像特征提取

研究了面向小样本分类的高光谱影像特征提取技术，提出了一种用于小样本分类的投影寻踪指标和基于SVMPP的高光谱影像特征提取方法；并借助误差校正输出码，将两类问题的特征提取推广到多类情况。通过高光谱影像分类实验证明，该方法具有很强的小样本学习能力，能够在先验信息很少的情况下较准确地提取地物的分类特征。     

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。     

面向小样本高光谱影像分类的轻量化关系网络

近年来,基于深度学习的高光谱影像分类取得重要进展,针对高光谱影像分类训练样本稀缺的情况,提出一种结合注意力机制的轻量化关系网络（lightweight attention depth-wise relation network, LWAD-RN）, 以解决高光谱影像小样本分类问题。该网络由嵌入层和关联层组成,在嵌入层采用结合注意力机制的轻量化卷积神经网络提取像元特征,同时引入稠密网络结构;在关联层计算关联值进行分类,并采用基于任务的模式训练网络。利用3组公开的高光谱影像数据进行对比实验,结果表明,LWAD-RN能够有效提升小样本条件下（每类5个训练样本）的分类精度,同时提高了模型训练和分类效率。     

高光谱影像奇异谱分析特征提取方法：综述与评价

高光谱遥感影像(hyperspectral imagery, HSI)通常包含几十至数百个连续波段,具有图谱合一、光谱连续的特点,能够实现地物的精细分类,被广泛应用农业、林业、城市以及海洋等领域。HSI特征提取是高光谱应用的前提,也是遥感领域的研究热点和前沿课题之一。近年来,奇异谱分析(singular spectrum analysis, SSA)被应用于HSI领域,在光谱特征和空间特征提取方面取得了较好效果,逐渐成为特征提取的一种有效方法。本文首先分析了HSI特征提取的研究进展和存在的问题;其次对SSA方法进行了系统的梳理,分别介绍了光谱域1D-SSA、空间域2D-SSA和光谱-空间组合域SSA 3类方法的作用、效果及优缺点,并在两个公开的HSI数据集和一个高分五号HSI数据上进行了分类效果验证;最后,对SSA特征提取进行了总结,并讨论了未来的研究方向。     

高光谱影像小样本分类的图卷积网络方法

现有的基于卷积神经网络的高光谱影像分类方法通常对影像的规则正方形区域进行卷积,无法普遍适应具有不同地物分布和几何外观的影像局部区域,因此在小样本情况下的分类性能较差,而图卷积网络能对图拓扑信息所代表的不规则影像区域进行卷积.为此,本文提出基于图卷积网络的高光谱影像分类方法.该方法在构建拓扑图的过程中考虑了影像的空间光谱信息,并利用图卷积网络聚合邻居节点的特征信息.在Pavia大学、Indian Pines和Salinas 3个数据集上的试验结果表明,该方法能在训练样本较少的情况下取得较高的分类精度.     

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。     

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.     

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。     

小样本的高光谱图像降噪与分类

在样本数目稀少情况下实现高光谱图像精细分类是个挑战性的问题。高光谱图像信噪比提高比较困难,噪声大小对分类结果有最直接的影响。利用高光谱图像相邻波段之间的相关性和相邻像素之间的相关性,提出多级降噪滤波的高光谱图像分类方法,通过改进的两阶段稀疏与低秩矩阵分解方法,去除高光谱图像中能量较高的噪声,利用主成分分析方法去除高光谱图像中能量较低的噪声,引导滤波方法去除分类结果图中的"椒盐噪声"。选取两幅真实高光谱图像进行实验,结果表明,两阶段稀疏与低秩矩阵分解法和主成分分析法两种降噪方法具有较强的互补性;引导滤波方法使得分类图更加平滑且分类精度更高。与其他光谱空间分类方法相比,本文方法分类精度更高,且在样本极少时能获得很高的分类精度。     

高光谱遥感影像核最小噪声分离变换特征提取

针对高光谱遥感影像线性特征提取方法易导致信息丢失和失真的特点,在最小噪声分离(MNF)变换的基础上,引入核方法,提出核最小噪声分离(KMNF)变换高光谱影像非线性特征提取方法。Cuprite矿区AVIRIS数据实验结果表明,样本个数对KMNF特征提取的结果影响很小,较少的样本即可达到较多样本时特征提取的效果;KMNF特征提取体现了高光谱影像的非线性特征,KMNF特征提取后的影像可获得优于MNF特征提取的端元提取效果。     

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。     

采用小波和分形维的高光谱遥感影像特征提取

由于omis影像128个波段间具有较强的相关性,可对高光谱响应曲线采用小波分解,用噪声较小波段的部分高频信息代替噪声较大波段的相应高频信息对其进行小波降噪。再对降噪后的影像采用db4函数进行7级小波分解,对各级小波系数取一范数后,用最小二乘法对各级分解对应的范数在半对数坐标系下线性拟合,根据直线斜率求取各像元分维值,最后实现分类。通过实验,证明了此方法的有效性。     

An Adaptive Supervised Nonlinear Feature Extraction for Hyperspectral Imagery Classification

In this paper, an improved version of locally linear Embedding is proposed. In the proposed method, spectral correlation angle is invited to describe the distance between data points, which is expected to fit the hyperspectral image (HSI). The neighborhood graph of the data points is constructed based on supervised method. Different from traditional supervised feature extraction methods, the weight factors, which are used to control the transform, are adaptively achieved. In this way, the input arguments of original algorithm are not increased. To justify the effectiveness of the proposed method, experiments are conducted on two HSIs. Results show that the proposed method can improve the separability of HSI especially in low dimensions.     

高光谱影像特征提取序贯投影寻踪方法

高光谱影像特征提取涉及高维数据处理难题,必须寻求一种高效的数据处理方法,实现高维数据的降维处理。为提高数据处理效率,应用投影寻踪理论和算法,提出了一种改进的序贯投影寻踪方法,用于高光谱影像特征提取。重点给出了序贯投影寻踪的实现过程,并利用高光谱数据进行了地物分类试验。结果表明,改进的序贯投影寻踪方法可以在保证分类精度的前提下,大幅提高数据处理效率。