噪声鲁棒的高光谱图像波段选择方法

目前大多数高光谱图像波段选择方法仅考虑波段信息冗余问题,忽略了所选波段的噪声水平,致使选取的代表性波段子集中可能含有噪声水平较高的波段。为解决这一问题,本文提出一种噪声鲁棒的高光谱图像波段自适应分区与子空间搜索方法。首先,基于皮尔逊相关系数构造高光谱图像波段相关性矩阵;然后,将高光谱图像光谱波段等分为若干子空间,通过构造与皮尔逊相关系数相适应的子空间划分最优目标函数,自适应地调整子空间的分割点;最后,综合考虑波段的信息熵和噪声水平,在子空间波段选择时将噪声水平以惩罚项的形式反映在优化问题的目标函数中。在Indian Pines、Washington DC和Salinas这3个数据集上进行了实验,采用波段平均相关性、分类精度两种指标对不同方法的波段选择结果进行评价,并分析各种波段选择方法的噪声鲁棒性。实验结果表明,本文方法能够挑选出信息量大且噪声水平低的代表性波段。与其它波段选择方法相比,本文方法所选择的代表性波段平均相关性弱,分类精度高,在包含噪声波段的高光谱图像中效果尤为显著。     

基于多特征深度子空间聚类的高光谱影像波段选择

高光谱影像受到高维波段间强相关性的困扰,导致处理应用的困难。而现有高光谱波段选择方法通常以线性角度考虑波段间关系,未充分考虑多尺度的信息且容易受到噪声的影响,导致所选的波段子集性能不佳。为了克服上述问题,本文提出了基于多特征的深度子空间聚类方法进行高光谱影像波段选择。该方法将自表达层嵌入到卷积自编码器中学习子空间自表达系数,充分考虑了空间信息和光谱信息的交互,用非线性的视角思考了波段间关系。为了提高潜在表征的学习能力,提升自表达系数学习的准确性,本文将注意力模块和多特征提取模块与卷积自编码器相结合,进一步降低了异常值的干扰。本文在3个高光谱遥感影像数据集上,将提出的方法与几种经典主流的方法进行多种对比实验,证明了本文方法能够选择具有代表性的波段子集。     

基于无人机高光谱影像波段选择的薇甘菊分类

薇甘菊是危害最严重的外来入侵物种之一,其生长与传播极其迅速,对我国森林生态系统造成了严重破坏,相关管理部门需要一个有效的薇甘菊监测手段。传统人工调查方式需要投入大量的人力物力,成本高昂、效率低下;近年来快速发展的高光谱遥感技术为薇甘菊的监测提供了新思路。本文以无人机搭载的Nano-Hyperspec高光谱仪获取的广东省增城林场遥感影像数据为基础,对高光谱数据进行几何校正、影像降噪处理、辐射定标及坏带波段剔除等影像预处理;运用最佳指数因子法（OIF）、自适应波段法（ABS）、自动子空间划分（ASP）与自适应波段相结合的波段选择法（ASP+ABS）3种方法进行波段选择,获取信息量较大且波段间相关性较低的特征波段组成薇甘菊分类最佳波段组合,生成3幅遥感影像;最后采用支持向量机方法（SVM）对生成的3幅不同遥感影像进行分类,以分类结果的精度评价3种波段组合对薇甘菊高光谱特征的响应程度,选出更能反映薇甘菊的光谱特征的波段组合。试验结果表明,针对Nano-Hyperspec遥感影像数据,使用OIF波段选择法,研究区内薇甘菊的制图精度和用户精度分别为74.62%、66.52%;使用ABS波段选择法,研究区内薇甘菊的制图精度和用户精度分别为74.37%、67.43%;使用ASP+ABS波段选择法,研究区内薇甘菊的制图精度和用户精度分别达到95.98%、92.98%,分类精度最佳,相较OIF法中薇甘菊的制图精度和用户精度分别提高了21.35%、26.46%,相较ABS法中薇甘菊的制图精度和用户精度分别提高了17.15%、19.3%。可见,本文使用的子空间划分与自适应波段相结合的波段选择方法相较其他两种波段选择方法能更好地反映薇甘菊的光谱特征,可为薇甘菊监测提供有效的技术手段。     

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。     

应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择

针对高光谱影像数据高维性、高度相关性和冗余性等特点,提出应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择。通过稀疏非负矩阵分解方法对高光谱影像进行稀疏化表示,同时顾及其可聚类的特性,在保留所选波段物理意义的基础上,得到波段选择后的高光谱影像降维数据。通过该方法对PHI-3高光谱影像进行波段选择的试验分析,应用聚类特征有效性分析波段聚类结果,并采用波段子集的信息量、相关性和可分性3类评价指标来验证方法的效果。最终,从运行效率和分类精度两方面证明了基于无监督聚类的稀疏非负矩阵分解对高光谱影像的波段选择的实用性。     

基于波段选择的高光谱遥感影像分类

针对高光谱数据波段众多、数据量较大的特点,提出了一种基于波段选择的高光谱遥感影像分类方法,以北京昌平小汤山地区高光谱遥感数据为例,分析了各波段的信息含量和相邻波段的相关性,采用子空间划分、自适应波段选择的方法,实现了特征波段的选择。针对农村道路和空地、柏油路和居民地间的同谱异物现象,利用J-M距离模型判别其类间的可分性,获得了最佳波段组合,最后采用支持向量机分类器进行分类。结果表明,采用波段选择的方法能有效地提高高光谱数据的分类精度。     

基于混合式特征选择的高分五号影像农田识别

精准农田识别是农作物估产和粮食安全评估的基础。遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果。高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度。因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法。首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS（Sequential Backward Selection）方法搜索最优分类特征子集。本研究利用GF-5高光谱数据,共研究了3种降维方法（随机森林RF（Random Forest）、互信息MI（Multi-Information）和L1正则化（L1 regularization））和3种分类算法（随机森林、支持向量机SVM（Support Vector Machine）和K近邻KNN（K-Nearest Neighbor））的组合在农田分类中的表现。结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度。在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN。而RF在低维空间中的泛化能力要高于SVM和KNN。相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度。最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度（94.64%）和农田召回率（95.83%）。本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值。     

基于最佳波段组合的高光谱遥感影像分类

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点,在综合各种数据降维方法的基础上,提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的AVIRIS数据为例,分析各波段信息量和相邻波段的相关性,利用子空间划分、分段波段指数选择法,进行特征波段的选择;并针对难区分地物类别,应用J-M距离模型对其可分性进行判别,获得最佳波段组合。最后采用支持向量机分类器进行分类。实验结果表明,采用最佳波段组合方法,可以有效地提高高光谱的分类精度。     

一种改进的高光谱遥感数据波段选择方法的研究

高光谱遥感数据波段多、数据量大的优点同样给数据处理带来了极大的困难,通过对已有常见波段选择方法的研究,发现其无法同时满足所选择波段相关性小、所含信息量大且光谱可分性好等要求。针对以上问题,本文提出了一种新的方法,综合使用了子空间划分、自适应波段选择和光谱可分性距离等方法,得到最优波段组合。     

一种基于特征光谱匹配的多色分色方法

目的 在分析特征光谱的提取和匹配的基础上,提出了子空间的判断方法和判断准则。利用目标光谱与各子空间特征光谱编码范围的距离来判断目标光谱的子空间归属,同时,在求解油墨配比时,将基于特征波段和全波段的反解进行结合,并基于以上两点提出了改进的分色算法流程。实验结果表明,提取的特征光谱编码范围能够显著代表各个子空间的光谱特征,特征波段和全波段相结合的分色方法在保证了RRMS精度的基础上,大大提高了色差的精度。而子空间判断算法显著地降低了分色的运算次数,避免了遍历子空间造成的极大的计算量,具有较高的实用性。     

鲁棒多特征谱聚类的高光谱影像波段选择

传统谱聚类的高光谱影像波段选择模型中,采用的波段相似矩阵受到噪声或异常值的影响且仅能表征波段的单一相似特征,导致波段子集的选取结果受到限制.本文从波段选择的目的 出发,提出鲁棒多特征谱聚类方法,整合多个特征的波段相似矩阵来形成综合相似矩阵以解决上述问题.该方法假设4种相似性度量包括光谱信息散度、光谱角度距离、波段相关性...     

A band selection technique for spectral classification

In hyperspectral remote sensing, sensors acquire reflectance values at many different wavelength bands, to cover a complete spectral interval. These measurements are strongly correlated, and no new information might be added when increasing the spectral resolution. Moreover, the higher number of spectral bands increases the complexity of a classification task. Therefore, feature reduction is a crucial step. An alternative would be to choose the required sensor bands settings a priori. In this letter, we introduce a statistical procedure to provide band settings for a specific classification task. The proposed procedure selects wavelength band settings which optimize the separation between the different spectral classes. The method is applicable as a band reduction technique, but it can as well serve the purpose of data interpretation or be an aid in sensor design. Results on a vegetation classification task show an improvement in classification performance over feature selection and other band selection techniques.     

Band Selection and Dimension Estimation for Hyperspectral Imagery—a New Approach Based on Invasive Weed Optimization

Currently, hyperspectral images have potential applications in many scientific areas due to the high spectral resolution. Extracting suitable and adequate bands/features from high dimensional data is a crucial task to classify such data. To overcome this issue, dimension reduction techniques have direct effects to improve the efficiency of classifiers on hyperspectral images. One common approach for decreasing the dimensionality is the feature/band selection by considering the optimum dimensionality of the hyperspectral imagery. In this paper, a new method was proposed to select optimal band for classification application, based on a metaheuristic Invasive Weed Optimization (IWO) algorithm. In this regard, the K-nearest neighbour (K-NN) technique was used as the classifier. Moreover, as a by-product of our band selection method, a new method was proposed to estimate an optimum dimension of the reduced hyperspectral images for better classification. Experimental results over three real-world hyperspectral datasets clearly showed that the proposed IWO-based band selection algorithm of this study led to the significant progress in selecting suitable bands for classification applications and estimation of optimum dimensionality of these datasets. In this regard, the overall accuracy (OA) of classification of the proposed IWO-based band selection algorithm was 92.02, 93.57, and 89.72 % for each dataset, respectively. Moreover, results reveal the superiority of the proposed IWO-based band selection algorithm against the other algorithms including GA, SA, ACO, and PSO for band selection purpose.     

天宫一号高光谱数据相关检测法蚀变信息提取

天宫一号高光谱成像仪是目前中国空间分辨率和光谱综合指标最高的星载光谱成像仪.针对天宫一号高光谱数据,提出了一种基于波段相关检测的蚀变信息提取方法.该方法在对天宫一号高光谱数据进行波段相关检测提取蚀变异常特征波段的基础上,结合异常探测、端元提取和光谱匹配等方法的各自优势进行天高一号高光谱数据的蚀变信息提取.利用该法成功提取了天宫一号高光谱数据中的Al-OH矿物蚀变异常及4种蚀变矿物,结果表明该方法可以有效提取天宫一号高光谱数据中的蚀变信息,有助于天宫一号高光谱数据在地质矿产资源调查中发挥巨大的应用潜力.     

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。     

利用可分离非负矩阵分解实现高光谱波段选择

高光谱影像波段众多且相关性强,导致分类存在信息冗余且计算量较大。提出了可分离非负矩阵分解方法来选取高光谱影像的代表性波段子集,在保证分类精度的同时降低计算量。该方法假设高光谱影像的波段集合具有可分离特性,改进传统非负矩阵分解模型,将波段选择转换为可分离非负矩阵分解问题,采用迭代投影方法来依次选取能够非负线性表达其他波段的代表性波段。在此基础上,利用两个公开高光谱数据集对比几种主流方法,采用定量评价和分类精度指标来综合评价所提的波段选择方法的效果。实验结果表明,可分离非负矩阵分解方法的分类精度高于其他几种方法,而且计算效率排名第2,能够选取合适的波段子集以满足高光谱遥感的应用需求。     

An Improved Band Selection Technique for Hyperspectral Data Using Factor Analysis

This paper discusses a statistical and band transformation based approach to select bands for hyperspectral image analysis. Hyperspectral images contain large number of spectral bands with redundant information about the spectral classes in the image scene. It is necessary to reduce the high dimensionality of the data for the processing of hyperspectral data. We report a feature selection technique that removes correlated spectral bands using band decorrelation technique and obtains maximum variance image bands based on factor analysis. Factor analysis method of band selection technique is also validated against existing methods of band selection. The study is carried out for the agriculturally rich area of Musiri region of South India that has varied landcover types. Evaluation of the band selection procedure is done using signature separability measures such as Euclidean distance, Divergence, Transformed divergence and Jeffries Matusita distance. Results indicated that selected bands exhibited maximum separability and also occurred predominantly at wavelength 700 nm, 850, 1000 nm, 1200 nm, 1648 nm and 2200 nm.     

A Multiple SVM System for Classification of Hyperspectral Remote Sensing Data

With recent technological advances in remote sensing sensors and systems, very high-dimensional hyperspectral data are available for a better discrimination among different complex land-cover classes. However, the large number of spectral bands, but limited availability of training samples creates the problem of Hughes phenomenon or ‘curse of dimensionality’ in hyperspectral data sets. Moreover, these high numbers of bands are usually highly correlated. Because of these complexities of hyperspectral data, traditional classification strategies have often limited performance in classification of hyperspectral imagery. Referring to the limitation of single classifier in these situations, Multiple Classifier Systems (MCS) may have better performance than single classifier. This paper presents a new method for classification of hyperspectral data based on a band clustering strategy through a multiple Support Vector Machine system. The proposed method uses the band grouping process based on a modified mutual information strategy to split data into few band groups. After the band grouping step, the proposed algorithm aims at benefiting from the capabilities of SVM as classification method. So, the proposed approach applies SVM on each band group that is produced in a previous step. Finally, Naive Bayes (NB) as a classifier fusion method combines decisions of SVM classifiers. Experimental results on two common hyperspectral data sets show that the proposed method improves the classification accuracy in comparison with the standard SVM on entire bands of data and feature selection methods.     

利用稀疏自表达实现高光谱影像波段选择

提出一种稀疏自表达方法来研究高光谱影像分类中的波段选择问题。该方法利用字典矩阵等于测量矩阵的条件来改进多观测向量的稀疏表达模型,将波段子集看作高光谱影像波段集合中的代表子集。稀疏自表达方法将波段选择转换为寻求多观测向量中稀疏系数矩阵的非零行向量问题,通过引入混合范数来限定非零元素行向量的个数,利用快速交替方向乘子方法求解稀疏系数矩阵,并聚类非零行向量,实现波段的有效选择。基于两个公开高光谱影像数据集并对比其他4种波段选取方法来验稀疏自表达方法。实验结果证明,稀疏自表达方法能够在计算效率明显优于基于波段相关性的线性限制最小方差方法的同时,取得与该方法和非负稀疏矩阵分解方法相匹甚至略高的总体分类精度。