高光谱影像空-谱协同嵌入的地物分类算法

针对传统高光谱影像地物分类算法大多仅考虑光谱信息而忽略空间邻近像元间相关性的问题,提出了一种空-谱协同嵌入(SSCE)降维算法和空-谱协同最近邻(SSCNN)分类器。首先,定义一种空-谱协同距离,并将其应用于近邻选取和低维嵌入;然后,构建空-谱近邻关系图来保持数据中的流形结构,并在权值设置中增大空间近邻点的权重以增强数据间的聚集性,提取鉴别特征;最后使用SSCNN分类器对降维后的数据进行分类。利用PaviaU和Salinas高光谱数据集进行试验验证,结果表明,与传统的光谱分类算法相比,该算法能有效提高高光谱影像的地物分类精度。     

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。     

联合局部二值模式的高光谱影像空-谱分类方法

为充分利用高光谱影像"图谱合一"的特性,提出了一种联合局部二值模式的高光谱影像空-谱分类方法。该方法通过局部二值模式从降维影像中提取空间纹理特征,以线性加权求和核为多核组合方式,与原始光谱特征结合构造混合核极限学习机模型,实现影像的地物分类。为了验证该方法的有效性,利用Indiana和Pavia U两组高光谱影像数据进行实验,总体分类精度分别达到99.23%和94.95%。结果表明该方法分类效果优于纯光谱分类、纯局部二值模式空间分类、GLCM空-谱分类以及3Gabor空-谱分类方法,有效地改善了高光谱影像分类结果,获得更加平滑的分类结果图。     

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。     

面向应用的高光谱影像分类方法

提出了一种面向应用的高光谱影像分类方法,旨在从根本上、全方位地削弱各种不利因素对该类影像分类精度的影响.主要包括利用IEM算法获取更为精确的类别分布信息,采用Tabu搜索算法进行原始特征空间的降维,运用基于混合规则的组合分类器来判断待识样本的类别标签.实验表明,按照该方法进行高光谱影像的分类处理,可以得到很高精度的分类结果.     

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。     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征,可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征,基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性,选取PaviaU、Salinas和Chikusei高光谱影像数据,利用核极限学习机分类器,分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明,多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%,明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征,有助于提高影像分类精度并获取更加平滑的分类结果图。     

组合分类器及其在高光谱影像分类中的应用

多分类器组合问题一直是模式识别和机器学习领域的研究重点.由于各分类器的分类结果有着互补信息,因而一般来说,组合分类方法总有着较单个分类器精度更高的分类结果.将组合分类方法引入到高光谱影像的分类过程中,并针对该类影像的特点,提出了混合组合策略.实验表明,将组合分类器用于高光谱影像的分类,可以得到较为理想的分类结果.     

组合分类器及其在高光谱影像分类中的应用

多分类器组合问题一直是模式识别和机器学习领域的研究重点。由于各分类器的分类结果有着互补信息,因而一般来说,组合分类方法总有着较单个分类器精度更高的分类结果。将组合分类方法引入到高光谱影像的分类过程中,并针对该类影像的特点,提出了混合组合策略。实验表明,将组合分类器用于高光谱影像的分类,可以得到较为理想的分类结果。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

面向应用的高光谱影像分类方法

提出了一种面向应用的高光谱影像分类方法,旨在从根本上、全方位地削弱各种不利因素对该类影像分类精度的影响。主要包括利用IEM算法获取更为精确的类别分布信息,采用Tabu搜索算法进行原始特征空间的降维,运用基于混合规则的组合分类器来判断待识样本的类别标签。实验表明,按照该方法进行高光谱影像的分类处理,可以得到很高精度的分类结果。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

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EMP与混合核SVM的高光谱遥感影像分类

传统的SVM模型采用同一映射形式的单核模式对叠加的空间特征和光谱特征进行处理,往往无法得到理想的结果,为了解决该问题,提出了一种基于扩展的形态学剖面(EMP)与混合核SVM的高光谱遥感影像分类方法.该方法首先通过EMP有效提取空间信息,再采用不同的核函数处理空间信息与光谱信息,最终完成混合核SVM的高光谱影像分类.对多种组合形式的单核以及多核SVM模型进行了对比分析,结果表明,该方法具有较高的适应性,对于高光谱遥感影像的分类精度较高.     

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。     

基于核空间的多光谱遥感图像分类方法

提出了多光谱遥感图像分类方法中解决非线性问题的一种思路。通过引入核空间理论,将在输入空间中不能线性分类的问题映射到一个可以进行线性分类的高维空间,并利用核函数避免了在高维空间中运算的复杂度,较好地解决了非线性分类问题。利用这种思路,本文对一种比较简单的分类算法———自适应最小距离分类方法加以改进,并将其应用于多光谱遥感图像的分类中,提出了一种核函数的选择策略。     

一种多特征转换的高光谱影像自适应分类方法

:光谱相似性测度用来衡量像元光谱的相似程度,是高光谱影像光谱匹配分类的重要工具之一,一般通过设置阈值判断像元光谱和参考光谱是否相似来进行分类。在此基础上,本文提出了一种多特征转换的高光谱影像自适应分类方法,实现了各种光谱相似性特征和分类器相结合的一种自适应分类。实验结果表明,本文提出的方法相比于传统的SVM方法,分类的总体精度更高,还可以避免部分传统光谱匹配分类方法中需要专家经验确定分类阈值的复杂过程。     

一种切空间协同表示的高光谱遥感影像分类方法

协同表示分类（collaborative representation classification,CRC）算法近年来成为高光谱遥感分类的研究热点。地物类别间区分性不高会严重影响现有CRC算法的性能。流形结构可有效地解决非线性问题,并解决高光谱遥感影像因数据冗余导致的类别间区分性低的问题。提出了一种基于切空间的高光谱遥感影像协同表示分类算法（tangent space collaborative representation classification,TCRC）和一种基于欧氏距离的自适应加权的切空间协同表示分类算法（weighted tangent space collaborative representation classification,WTCRC）。TCRC算法利用测试样本的切平面来估计区域流形,在测试样本的切空间中使用协同表示算法,寻找测试样本在各类训练样本中的最优线性表示估计,并用其最小误差来对测试样本进行分类。在此基础上,利用测试样本邻域像元、训练样本与测试样本的欧氏距离作为权矩阵来自适应调整各样本对测试样本的影响。实验采用ROSIS（reflective optics system image spectro-meter）和AVIRIS（airbone visible infrared imaging spectrometer）高光谱遥感影像对所提出算法的性能进行了评价,结果表明TCRC和WTCRC在分类效果上比CRC有明显的提升,WTCRC相较于TCRC具有更好的分类效果,具有更强鲁棒性。     

等距映射降维用于高光谱影像低维流形特征提取

通过观察对比等距映射流形坐标和光谱特征的变化趋势来解释每一维流形坐标的光谱含义,目的在于从具有光谱解释的流形图中提取低维流形特征。通过设计两个实例来验证本文提出的低维流形特征提取方法。结果显示,Isomap低维流形图可用于提取目标地物的低维流形特征,同时也证明了等距映射流形坐标光谱解释的可行性。这对Isomap降维在高光谱影像中的应用具有很大的理论指导意义。