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。     

基于流形学习的高光谱影像降维理论与方法研究

本文从高光谱数据的非线性本质出发来引入流形学习方法,结合高光谱影像的自身特性,挖掘高光谱影像内部的非线性流形特征,研究高光谱影像的流形学习降维对应的光谱意义解释,构建适合高光谱影像数据特性的非线性流形学习降维理论和方法体系,并在实践上指导后续的高光谱影像分类、目标识别和异常探测等应用。     

基于逐次投影寻踪的高光谱影像降维方法研究

提出了一种新的逐次投影寻踪方法,对高光谱数据进行降维处理,采用定量化的指标,通过对高光谱数据的多次一维投影,逐步选取有效成分,构建新的低维正交空间.     

一种面向异常检测的高光谱图像降维算法

针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。     

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。     

基于PCA和KPCA的高光谱遥感数据降维对比研究

高光谱遥感影像数据降维在降低数据处理代价的同时,保留了大量必要的地物信息,对后续地物识别与分类等应用提供了重要保障。为探究线性降维方法与加入核函数的非线性降维方法间的差异,利用编程实现了主成分分析（PCA）和基于多项式核函数的核主成分分析（KPCA）两种降维算法。通过设定累计贡献率的阈值,利用降维结果进行内部差异性对比,利用MLP分类器分类后的结果进行外部差异性比较。实验结果表明：(1)KPCA算法在数据压缩、降维效果方面具有较大优势;(2)利用KPCA算法降维后的数据,经MLP分类器分类后的总体精度、Kappa系数均高于PCA算法;(3)PCA算法的算法复杂度较低,计算量小且计算时间短,在时间复杂度方面具有更大优势。     

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。     

基于分段t-SNE的高光谱影像降维方法

针对高光谱数据降维预处理复杂的问题,提出了一种以t-SNE为基础的分段高光谱影像降维算法,通过构建一个高维对象之间的概率分布,仿射变换将高光谱数据点映射到概率分布上,增大相似的样本被选中的可能性,减小而不同的点被选中概率,降维的同时考虑数据全局与局部关系,为高光谱图像压缩提供一种新的处理思路.     

用流形坐标差异图提取高光谱影像潜在特征

等距映射和局部切空间排列降维后,低维流形坐标能够保留原始高光谱影像中地物光谱信息,用于提取原始影像的潜在特征。然而这两种流形方法的理论差异导致其低维坐标继承光谱信息的能力不同,对比这两种流形坐标可凸显出原始影像内部的潜在特征。因此,本文基于等距映射和局部切空间排列非线性降维,提出两种流形坐标的差异图法来提取高光谱影像内部的潜在特征。首先,根据流形坐标的光谱解释确定两种坐标的每一维代表相同的光谱信息。其次,根据相同的光谱特征,归一化两种流形坐标并调整坐标轴方向,统一两种坐标到相同的坐标框架。最后,通过加权流形图相减得到坐标差异图,采用经典的图像处理方法提取潜在特征。采用两个实验并对比等距映射和局部切空间排列方法的降维结果来验证本文方法。结果表明,流形坐标差异图能够成功提取单一流形结果无法得到的潜在特征,如靠河岸的浅水区域和大场景沼泽地中的低分辨率道路。这为高光谱影像的潜在特征提取研究提供了一种新方法。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

一种基于纹理和光谱特征的高光谱影像信息向量机分类方法

针对高光谱影像中空间特征信息利用不足的问题,提出了一种基于纹理和光谱特征的高光谱影像信息向量机分类方法。该方法首先采用三维Gabor滤波器对高光谱影像数据立方体进行纹理特征提取,提取后的影像数据同时具有光谱和纹理特征,避免了传统纹理特征提取带来的高维特征和光谱不连续的问题;然后采用分类精度和效率都较高的信息向量机进行分类处理。通过AVIRIS高光谱影像实验,结果表明该方法不仅提高了影像的分类精度,而且还消除了分类结果图中的类别噪声现象。     

一种基于均值比率和最佳熵的SAR影像边缘检测方法

针对比率边缘检测算子提出了一种自动确定阈值的方法,该方法引入最佳熵的理论到SAR边缘检测中,把基于比率的边缘检测均值比率影像分割成边缘和非边缘两类。此方法执行起来简单、快速,无需人工干预,能避免人为因素的影响。