光谱可形变卷积驱动的高光谱图像分类

基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN (Spectral Deformable Convolutional Neural Network)。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱—空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明：本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%(Indian Pines,10%/类)、99.81%(University of P...     

Structured Sparse Method for Hyperspectral Unmixing

Hyperspectral Unmixing (HU) has received increasing attention in the past decades due to its ability of unveiling information latent in hyperspectral data. Unfortunately, most existing methods fail to take advantage of the spatial information in data. To overcome this limitation, we propose a Structured Sparse regularized Nonnegative Matrix Factorization (SS-NMF) method based on the following two aspects. First, we incorporate a graph Laplacian to encode the manifold structures embedded in the hyperspectral data space. In this way, the highly similar neighboring pixels can be grouped together. Second, the lasso penalty is employed in SS-NMF for the fact that pixels in the same manifold structure are sparsely mixed by a common set of relevant bases. These two factors act as a new structured sparse constraint. With this constraint, our method can learn a compact space, where highly similar pixels are grouped to share correlated sparse representations. Experiments on real hyperspectral data sets with different noise levels demonstrate that our method outperforms the state-of-the-art methods significantly.     

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

结合像元空间邻域信息的高光谱影像分类

针对传统的光谱角匹配分类算法仅考虑光谱信息,导致混合像元易出现错分和分类结果中出现"麻点"等问题,该文考虑地物连续性这一特点,提出了一种结合像元空间邻域信息对光谱角进行修正的光谱角匹配分类算法。该方法不仅保留了传统光谱角度匹配算法不受增益因素影响和减弱地形对照度影响等优点,并且减小了混合像元被错分的概率。基于ROSIS获取的Pavia大学校园的高光谱影像分类结果表明:加入像元空间邻域信息后的光谱角匹配算法在保证分类精度的同时,有效地减弱了分类结果中的"麻点"现象,验证了该文方法的可行性、有效性。     

Improved k-means and spectral matching for hyperspectral mineral mapping

Mineral mapping is an important step for the development and utilization of mineral resources. The emergence of remote sensing technology, especially hyperspectral imagery, has paved a new approach to geological mapping. The k-means clustering algorithm is a classical approach to classifying hyperspectral imagery, but the influence of mixed pixels and noise mean that it usually has poor mineral mapping accuracy. In this study, the mapping accuracy of the k-means algorithm was improved in three ways: similarity measurement methods that are insensitive to dimensions are used instead of the Euclidean distance for clustering; the spectral absorption features of minerals are enhanced; and the mineral mapping results are combined as the number of cluster centers (K) is incremented from 1. The improved algorithm is used with combined spectral matching to match the clustering results with a spectral library. A case study on Cuprite, Nevada, demonstrated that the improved k-means algorithm can identify most minerals with the kappa value of over 0.8, which is 46% and 15% higher than the traditional k-means and spectral matching technology. New mineral types are more likely to be found with increasing K. When K is much greater than the number of mineral types, the accuracy is improved, and the mineral mapping results are independent of the similarity measurement method. The improved k-means algorithm can also effectively remove speckle noise from the mineral mapping results and be used to identify other objects.     

基于SURF算法和改进RANSAC算法的无人机影像匹配

影像匹配是诸多遥感影像处理和影像分析的一个关键环节,结合加速鲁棒性特征(SURF)算法和随机采样一致性(RANSAC)算法对影像进行处理,得到特征稳定、匹配点可靠的配准影像。首先提取影像的SURF特征,利用特征点的欧式距离比来完成影像之间的粗匹配;然后使用RANSAC算法对粗匹配点进行筛选;最后计算出图像间的变换矩阵,完成匹配。文中选择某城郊地区的无人机航拍影像,结合SURF算法,并改进RANSAC算法来对影像进行处理,实现影像的匹配,验证文中方法的可行性。     

结合光谱角的最大似然法遥感影像分类

遥感影像含有丰富的信息,反映了地物特征。其中光谱角侧重描述了光谱的形状特征,具有对多光谱图像增益不敏感的特点。最大似然法是遥感影像分类最常用的方法之一,文中对该方法的后验概率判别函数进行修改,将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数,有机地将光谱角这一特征信息加入影像分类。通过实验,并与最大似然法和光谱角匹配法分类结果进行比较,结果表明,结合光谱角的最大似然分类法的分类精度得到提高。     

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。     

Curve matching approaches to waveform classification: a case study using ICESat data

Light Detection and Ranging (LiDAR) waveforms are being increasingly used in many forest and urban applications, especially for ground feature classification. However, most studies relied on either discretizing waveforms to multiple returns or extracting shape metrics from waveforms. The direct use of the full waveform, which contains the most comprehensive and accurate information has been scarcely explored. We proposed to utilize the complete waveform to test its ability to differentiate between objects having distinct vertical structures using curve matching approaches. Two groups of curve matching approaches were developed by extending methods originally designed for pixel-based hyperspectral image classification and object-based high spatial image classification. The first group is based on measuring the curve similarity between an unknown waveform and a reference waveform, including curve root sum squared differential area (CRSSDA), curve angle mapper (CAM), and Kullback–Leibler (KL) divergence. The second group assesses the curve similarity between an unknown and reference cumulative distribution functions (CDFs) of their waveforms, including cumulative curve root sum squared differential area (CCRSSDA), cumulative curve angle mapper (CCAM), and Kolmogorov–Smirnov (KS) distance. When employed to classify open space, trees, and buildings using ICESat waveform data, KL provided the highest average classification accuracy (87%), closely followed by CCRSSDA and CCAM, and they all significantly outperformed KS, CRSSDA, and CAM based on 15 randomized sample sets.     

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。     

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。     

资源卫星影像匹配粗差筛除算法设计与实现

针对影像匹配传统光束法模型的缺点,该文提出了一种基于不规则三角网(TIN)的局部面元粗差筛除算法。该算法从匹配点集出发,通过遍历TIN结点构建局部面元模型并计算坐标向量,然后根据向量的统计规则确定粗差及其限差,并完成匹配粗差筛除。基于ZY-1-02C卫星影像数据,对该算法进行了设计与实现。实验结果证明,该算法准确性、健壮性较好,具有良好的时间复杂度,可以避免传统算法的大量计算,提高遥感数字产品的自动化程度,也为误差处理理论提供了一个新方法。     

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...     

融合SIFT与SGM的倾斜航空影像密集匹配

针对倾斜航空摄影特点与匹配处理要求,提出了融合尺度不变特征转换SIFT与半全局匹配SGM的倾斜影像密集匹配方法,包括两个阶段:(1)引入局部二阶矩变换的SIFT倾斜影像稀疏匹配。利用与二阶矩特征值有关的Hessian-Gabor算子提取影像初始特征,通过窗口二阶矩变换及椭圆归一化处理去除特征邻域的仿射变化,使得改进SIFT的特征描述符仿射不变性大大增强,满足宽基线倾斜像对稳健匹配要求的同时并能获得较多的匹配特征作为后续SGM优化计算的路径约束条件;(2)路径受限优化下的SGM倾斜影像密集匹配。以倾斜影像SIFT成功匹配像素的互信息为约束,对SGM的动态规划路径进行分段纠正,减小错误匹配代价的传播并加速最优路径搜索过程;以匹配像素的离散视差信息为基础,基于TPS变换生成良好初始视差图,以提高SGM互信息计算的可靠性并提高计算效率;对理想水平像对下的摄影测量水平核线重排过程进行扩展,整体旋转摄影基线以消除分量BX,BY的影响并建立虚拟"水平"像空间辅助坐标系,从而利用相对定向参数生成沿扫描线方向的"水平"核线影像以满足SGM应用要求。倾斜影像密集匹配试验结果证明了算法的有效性,可为后续摄影测量DSM自动生成或3维快速重建工作提供可靠、逐像素的密集匹配点。     

瓦片影像地图快速配准与融合方法实现

为解决天地图中海量影像瓦片的快速配准和融合问题,文章针对主节点和省市级分节点影像瓦片地图的特点,设计了基于金字塔模型的地图瓦片快速空间精确配准和影像融合算法,并利用.NET语言编程实现了该算法。通过在天地图·四川建设中的实际应用表明,该算法能解决全色(黑白)影像无法应用于天地图省市级分节点建设的难题,对天地图省市级分节点建设有一定的应用价值。但由于融合数据范围较大且不同地区的数据质量存在差异,在融合过程中仍然需要大量的人机交互工作。     

结合mRMR选择和IFCM聚类的遥感影像分类算法

为解决高分影像特征间相关性大冗余度高、FCM聚类稳健性差带来的分类精度不佳问题,提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标（OC）进行影像分割,然后利用mRMR算法实现特征选择,解决特征冗余问题,最后将提取的特征输入分类器通过IFCM聚类,得到最终分类结果。试验结果表明,本文算法能减少特征间相关性,降低冗余,并有效提高影像分类精度。     

像元尺度上分类不确定性评价及可视化表达

传统的地物类别尺度上的遥感影像分类不确定性评价仅能实现分类精度的数学度量,无法反映分类不确定性的空间分布,难以完整、准确地描述和理解遥感影像分类信息的不确定性.文章首先在像元尺度上对遥感影像分类的不确定性进行评价,并在此基础上利用计算机技术从彩色可视化、用户交互式可视化和用户选择性可视化模式3个方面在空间域上对分类不确定性进行描述,从视觉感知角度表达遥感影像分类的不确定性信息,从而使用户更加形象直观地理解不确定性信息数据的大小及其空间分布.     

利用一种模糊神经网络对遥感影像进行分类的研究

结合遥感影像的特点,提出一种模糊逻辑系统和神经网络中的BP算法相结合的模糊神经网络,利用其进行整个遥感图像的分类,并和典型的BP神经网络进行对比,发现其优点以及存在的问题。     

一种基于动态模板和等角变换的遥感影像地面控制点匹配算法

传统的基于影像灰度的控制点匹配算法,存在着运算量大,识别精度较低,约束条件多等不足。为解决上述问题,本文对传统算法进行了优化,主要思路是:在利用遥感影像先验知识确定搜索子区的基础上,首先采用动态模板进行不等距搜索,然后利用灰度相关系数双阈值和等角变换对目标控制点进行判别,最后结合控制点间的空间位置关系对未识别出的控制点进行定位。本文给出具体的实施流程,并结合ASTER和TM两种成像差异显著的图像数据,对优化前后的匹配算法均进行了试验,给出了试验结果和对比分析。结果表明,采用动态模板结合等角变换的匹配算法,无论在运算效率上,还是在控制点识别精度上,都较之传统匹配算法有明显优势,具有较强的适应性和应用价值。