基于多方向自适应感知网络的高光谱遥感图像分类

高光谱遥感能够同步获取目标场景的光谱数据和空间图像,满足对目标物体成分组成和形貌特征的探测需求,已被广泛应用于精准农业、地质勘察、环境监测和生物医学等领域。近几年,得益于优秀的空谱信息表征能力,基于卷积神经网络的高光谱图像分类方法取得了优于传统方法的分类精度。然而,基于一定规则和固定方形窗口的卷积运算无法满足不同对象、不同分布的空谱特征提取需求,当像素位于类别边缘时该模式无法避免其他类别的无关信息,导致类别间的信息扩散以及跨类别像素的误分和错分。针对上述问题,本文提出了一种基于多方向自适应感知的高光谱图像空谱联合分类方法,并通过联合不同邻域范围的空谱上下文信息来改善模型的局部空谱建模能力。具体研究过程如下：首先,将常规卷积网络的全窗口滤波器拆分为不同方向的半窗滤波器,从而设计出侧窗卷积以捕捉具有方向性的空谱特征;然后,在此基础上进一步将不同方向的侧窗滤波核整合到统一的卷积架构中构造空谱分离多方向卷积,并设计方向自适应感知模块,以密集连接构建基于高光谱图像的多方向自适应感知分类网络,赋予模型自适应学习多种空谱结构特征的能力,弥补常规卷积和侧窗卷积只能建模单一方向空谱关系的不足,提升模型对...     

基于优势集聚类和马尔科夫随机场的高光谱图像分类算法

为充分利用高光谱图像自身丰富的光谱信息和空间信息,提出一种基于优势集聚类和马尔科夫随机场相结合的高光谱图像分类算法。首先,分析高光谱图像局部空谱一致性,完成对波段信息量和差异程度的度量,构造无向加权图,利用优势集聚类方法选择出保留良好结构信息的最优波段子集;其次,通过马尔科夫随机场对波段选择后的相邻像元建立局部空谱一致性,有效利用图像空间上下文信息;最后,根据贝叶斯定理,将高光谱图像分类问题转化为最大后验概率的求解问题,从而获得分类结果。2个经典数据集(Indian Pines和Pavia University)的实验表明,相比其他同类算法,该算法能达到更高的总体分类精度和Kappa系数。     

基于CNN模型的遥感图像复杂场景分类

复杂场景分类对于挖掘遥感图像中的价值信息具有重要意义。针对于遥感图像的复杂场景分类,提出了一种基于卷积神经网络(convolutional neural network,CNN)模型的分类方法,在该方法中构建了8层CNN网络结构,并对输入图像进行预处理操作以进一步增强模型的适应性,且在模型分类器的选择问题上提供了Softmax和支持向量机2种分类器,使其能够自动化提取特征,避免了前期繁琐的图像处理和人工提取特征等过程。在UC Merced Land Use和Google of SIRI-WHU这2组数据集中进行实验,结果表明,相比于CNN with Overfeat feature和SRSCNN方法,该模型提高了2%以上的分类精度,且2种分类器的总体分类精度均能达到95%以上。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

融合空谱特征和集成超限学习机的高光谱图像分类

为提高高光谱图像的分类精度,提出了一种融合空谱特征和集成超限学习机的高光谱图像分类方法。首先结合每个像素邻域的光谱信息提取空谱特征向量;考虑到高光谱相邻波段信息具有一定的相关性,先对提取的特征向量进行平均分组,然后从每个区间随机选择若干个波段进行组合,采用具有快速学习能力的超限学习机训练分类器。为提高分类模型的泛化能力,基于集成学习思想,对提取的空谱特征进行多次抽样,训练得到多个弱分类器,最后采用投票表决法得到用于高光谱图像分类的强分类器。采用3个典型高光谱数据进行了分类试验,试验结果表明,提出的算法总体分类精度较优,尤其当训练样本数较少时能取得较高的分类精度。提出的算法具有可调参数少、训练速度快、分类精度高等优点,具有广阔的应用前景。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力,应用于高光谱图像特征提取取得了良好的效果,双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征,并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子,能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力,提出一种双通道CNN和LBP相结合的高光谱图像分类方法,首先,采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征,同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征,然后,将两个CNN模型的全连接层进行连接,实现深层光谱特征和空间特征的融合,并将融合特征输入到分类层中完成分类。实验结果表明,该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度,甚至在有限数量的训练样本条件下也能取得较好的分类效果。     

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。     

基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

多结构卷积神经网络特征级联的高分影像土地利用分类

高分辨率遥感影像包含丰富的土地利用类型信息,针对单一卷积神经网络提取图像特征信息不足的问题,提出了一种多结构卷积神经网络（convolutional neural network,CNN）特征级联的分类方法。首先,选择CaffeNet（convolutional architecture for fast feature embedding）、VGG-S（visual geometry group-slow）、VGG-F（visual geometry group-fast）为实验初始模型,对网络全连接层进行参数微调,采用随机梯度下降法（stochasticgradient descent,SGD）更新网络的权重;然后以微调后的网络分别作为特征提取器对图像提取特征,级联上述3种网络的第二个全连接层输出特征作为图像表达;最后,以多类最优边界分配机（multi-class optimal margindistribution machine,mcODM）获得最终分类结果。实验采用UC Merced land-use数据集进行分类效果检验,结果表明,多结构卷积神经网络级联的方法能够达到97.55%的总体分类精度,相较于CaffeNet、VGG-S和VGG-F等,分类精度分别提升了5.71%、2.72%和5.1%。因此多结构卷积神经网络特征级联的方法能够有效提取目标特征信息,提升土地利用分类精度。     

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。     

Deep Fusion of Localized Spectral Features and Multi-scale Spatial Features for Effective Classification of Hyperspectral Images

This study presents a deep extraction of localized spectral features and multi-scale spatial features convolution (LSMSC) framework for spectral-spatial fusion based classification of hyperspectral images (HSIs). First, adjacent spectral bands are grouped based on their similarity measurements, where the whole hypercube is partitioned into several sub-cubes, each corresponding to one band group. Then, the proposed localized spectral features extraction (LSF) strategy is used to extract localized spectral features, which are extracted from each band group using the 1D convolutional neural network (CNN). Meanwhile, the proposed HiASPP strategy is employed to extract the multi-scale features from the first several principal components of each sub-cube. Finally, the extracted spectral and spatial features are concatenated for spectral-spatial fusion based classification of HSI. Experiments conducted on three publicly available datasets have demonstrated that the proposed architecture outperforms several state-of-the-art approaches.     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

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。     

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。     

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。     

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。     

联合空-谱信息的高光谱影像深度三维卷积网络分类

针对高光谱影像分类高维和小样本的特点,提出一种基于深度三维卷积神经网络的高光谱影像分类方法。首先,该方法直接以高光谱数据立方体为输入,利用三维卷积操作提取高光谱数据立方体的三维空-谱特征。然后,利用残差学习构建深层网络,提取更高层次的特征表达,以提高分类精度。最后,采用Dropout正则化方法防止过拟合。利用Pavia大学、Indian Pines和Salinas 3组高光谱数据进行试验验证,结果表明,与支持向量机和现有的基于深度学习的高光谱影像分类方法相比,该方法能有效提高高光谱影像的地物分类精度。     

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。     

基于超像素图卷积网络的高光谱图像分类

高光谱图像分类是遥感领域中一个具有挑战性的问题。基于深度学习框架的高光谱图像分类方法,由于其良好的分类性能受到了越来越多的关注。然而,这些方法普遍存在的问题为：模型的训练不仅需要大量的时间,而且还需要大量的标签样本。针对此问题,本文提出了一种基于超像素图卷积网络的高光谱图像分类方法。该方法以超像素作为图的节点,极大地减小了图的规模,从而提高了分类效率;提出的超像素合并技术能有效地融合光谱-空间信息,增强了空间信息在分类中的作用;为了验证该方法的有效性,在Indian Pines、Pavia University两个实际数据集上进行试验,并与一些先进的基于深度学习框架的高光谱图像分类方法进行比较。结果表明,本文方法在分类精度和分类效率上均优于其他方法。     

高光谱图像相对含水量反演引导的精细分类

深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。