基于KPCA和FCM的HJ-1A星遥感数据分类

为提高对环境与灾害监测预报小卫星1A(HJ-1A)星遥感数据分类的精度,首先将HJ-1A星HSI高光谱数据和CCD多光谱数据进行GS(Gram-Schmidt)融合,然后利用主成分分析法(principal component analysis,PCA)和核主成分分析法(kernel PCA,KPCA)分别对融合后的高光谱图像进行降维处理.KPCA降维时采用高斯、线性和多项式3种核函数,根据特征提取效果评价结果,选择累积贡献率较大的多项式核函数.最后,分别对融合后的高光谱图像、PCA主成分图像和基于多项式核函数的KPCA主成分图像进行模糊C均值分类.实验结果表明,KPCA对融合后高光谱图像的特征提取得到了较好的效果,同时提高了分类精度和效率.     

基于非下采样Contourlet变换的极化SAR图像融合与去噪

针对非下采样Contourlet变换(NSCT)在处理噪声影像中具有的优势,以及同极化SAR图像(HH、VV)之间的相关性与互补性,本文实验了一种基于非下采样Contourlet变换的极化图像融合方法。该方法首先对每个极化图像进行多尺度、多方向分解,然后对不同分解子带系数分别采用有利于斑点噪声去除和信息增强的融合规则进行融合,最终通过NSCT反变换得到融合图像。通过信息熵、相关系数以及等效视数等指标的评价,验证了该方法可以有效地实现信息增强,同时该方法也在一定程度上降低了斑点噪声的负面影响。     

基于改进粗糙集和NSCT的红外遥感图像增强

提出了一种基于改进粗糙集和NSCT的红外遥感图像增强方法。该方法首先利用NSCT对图像进行分解,得到多层多方向子带系数;然后根据相邻尺度和不同方向的子带中图像噪声、脆弱边缘等不同成分的系数分布,使用粗糙集对其进行分块,并制定合理的决策规则;再通过集合运算对系数中不同子块采用不同的处理方法,一方面抑制噪声,另一方面保护图像中的脆弱边缘结构,并采用增强函数对其进行不同程度的增强;最后对处理过的NSCT系数进行重构,获得增强后的红外图像。实验表明,该算法相对于其他传统红外遥感图像增强算法具有较好效果。     

联合EMD与核主成分分析的激光陀螺信号消噪

为了有效抑制激光陀螺的随机漂移,提高其惯导精度,提出了一种联合经验模态分解(EMD)和核主成分分析(KPCA)的陀螺信号消噪方法。该方法利用EMD将陀螺信号分解为一组内蕴模态函数(IMF),基于EMD噪声能量分布模型,近似估算各层IMF中的噪声能量;然后利用KPCA分解各层IMF,根据噪声能量自适应地选择应保留的主成分分量,以剔除各层IMF中的噪声实现陀螺信号的消噪。通过实验将该方法与小波去噪算法进行对比,利用交叠式Allan方差和经、纬度误差分析不同方法对陀螺信号的消噪效果。实验结果表明,相比经典的小波消噪方法,本文方法的消噪效果有一定程度的提高,可以更有效地抑制陀螺信号的随机漂移。     

结合多尺度几何分析和KICA的遥感图像变化检测

为了进一步提高基于独立分量分析ICA(Independent Component Analysis)的遥感图像变化检测精确度,更好地实现地表覆盖的动态监测,将多尺度几何分析和核独立分量分析KICA(Kernel Independent Component Analysis)相结合应用于遥感图像的地表覆盖变化检测。首先利用Contourlet变换、复Contourlet变换CCT(Complex Contourlet Transform)、非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)等多尺度几何分析对土地遥感图像进行多尺度分解;然后对分解后的数据进行核独立分量分析,通过核函数将数据映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的分量;最后将分离后的地表变化分量转化为图像分量,再采用最大类间方差法对变化图像进行分割,实现地表覆盖的变化检测。给出了本文方法和近年来提出的基于ICA、基于KICA、基于小波变换和ICA等变化检测方法的实验结果,并进行了分析和定量比较。实验结果表明,基于多尺度几何分析和KICA的变化检测方法能更好地分离出遥感图像的变化信息,其中基于NSCT和KICA方法的错判和漏检误差最小,且在边缘细节方面处理得更好,而基于Contourlet变换和KICA方法的检测效率相对较高。     

一种多极化SAR图像融合方法研究

本文针对多极化SAR图像的融合问题,提出了一种基于非下采样Contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合方法。此方法用NSCT对已配准的多极化SAR图像进行分解,得到低频子带系数和各带通子带系数;采用简化的PCNN模型分别对低频子带和高频子带系数进行智能决策,并进行NSCT逆变换得到融合图像。经实验表明该方法能够最大程度地保留原始极化SAR图像的信息,融合效果好于基于单个像素和局部特征的融合方法。     

一种改进的K2DPCA高光谱遥感图像降维方法

本文提出了一种改进的核二维主成分分析(K2DPCA)高光谱遥感图像降维方法,该方法通过标准核二维主成分分析消除了遥感图像各波段列间的相关性,利用列二维主成分分析在核二维主成分的行方向上进一步去除相关性,实现了遥感图像在空间维上的双向降维,并得到各波段的主成分,重建原始图像。采用AVIRIS和HyMap两种高光谱遥感图像进行试验,结果表明该方法在保证重构图像质量的同时,能够有效提高图像压缩比,在遥感图像降维中具有普适性。     

基于NSCT和SURF的遥感图像匹配

SURF(Speed Up Robust Features)算法是对尺度不变特征变换SIFT(Scale Invariant Feature Transform)算法的一种改进,应用到遥感图像匹配领域中可以大大提高匹配速度,但是匹配精度略有下降。为此,本文提出一种基于无下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和SURF的遥感图像匹配算法。首先使用NSCT分别分解参考图像和待匹配图像,得到各自对应的低频分量;然后把这两幅低频分量图像作为SURF算法的输入图像进行预匹配,降低高频噪声对匹配结果的影响;最后利用预匹配结果求解变换模型的参数,并采用随机抽样一致RANSAC(Random Sample Consensus)算法剔除误匹配点对,解决了SURF算法存在的错误匹配问题。实验结果表明,与SIFT算法、SURF算法相比,本文算法具有更高的匹配精度和更快的匹配速度,且抗旋转、噪声、亮度变化能力更强。     

基于非下采样轮廓变换与模糊理论的遥感图像增强

为进一步增强遥感图像的细节信息,在非下采样轮廓变换(non-subsampled contourlet transform,NSCT)的基础上,结合模糊理论,提出了一种遥感图像增强算法。首先对原始图像进行NSCT变换,得到频率域内低频系数和不同尺度不同子带上的高频系数;然后定义隶属度函数,对高频系数进行模糊变换;在进行NSCT逆变换重构图像的过程中,逐层地将高频系数线性地加到低频系数中,最终实现遥感图像增强。实验结果表明,该算法在主、客观方面都使遥感图像得到了很好的增强效果。研究表明,NSCT变换后的高频系数包含了图像中的细节信息,针对高频系数进行模糊变换后,进行NSCT逆变换可以比较有效地增强图像。该算法存在的问题在于计算量较大以及需要调整的参数较多。     

递归滤波与KNN的高光谱遥感图像分类方法

为了有效去除高光谱图像中的噪声,强化空间结构,充分利用地物目标的空间上下文信息,提升高光谱图像的分类精度,提出一种基于递归滤波(recursive filtering,RF)和KNN(k-nearest neighbor)算法的高光谱图像分类方法。首先,利用主成分分析法对高光谱图像进行降维;其次,通过RF算法对降维后的主成分图像进行滤波,以增强遥感图像的轮廓特征;然后,采用KNN算法计算测试样本与不同类别训练样本的欧式距离,根据比较k个最小欧式距离的平均值得到测试样本所属类别;最后,在2个典型的数据库上进行实验验证,并分析所提算法中不同参数对分类精度的影响。实验结果表明,RF算法可以有效地去除噪声点,强化图像轮廓,与其他高光谱图像分类方法相比,该方法在分类准确性方面表现突出。     

A new kernel method for hyperspectral image feature extraction

Abstract

Hyperspectral image provides abundant spectral information for remote discrimination of subtle differences in ground covers. However, the increasing spectral dimensions, as well as the information redundancy, make the analysis and interpretation of hyperspectral images a challenge. Feature extraction is a very important step for hyperspectral image processing. Feature extraction methods aim at reducing the dimension of data, while preserving as much information as possible. Particularly, nonlinear feature extraction methods (e.g. kernel minimum noise fraction (KMNF) transformation) have been reported to benefit many applications of hyperspectral remote sensing, due to their good preservation of high-order structures of the original data. However, conventional KMNF or its extensions have some limitations on noise fraction estimation during the feature extraction, and this leads to poor performances for post-applications. This paper proposes a novel nonlinear feature extraction method for hyperspectral images. Instead of estimating noise fraction by the nearest neighborhood information (within a sliding window), the proposed method explores the use of image segmentation. The approach benefits both noise fraction estimation and information preservation, and enables a significant improvement for classification. Experimental results on two real hyperspectral images demonstrate the efficiency of the proposed method. Compared to conventional KMNF, the improvements of the method on two hyperspectral image classification are 8 and 11%. This nonlinear feature extraction method can be also applied to other disciplines where high-dimensional data analysis is required.     

De-striping hyperspectral imagery using wavelet transform and adaptive frequency domain filtering

Hyperspectral imagers are built line-by-line similar to images acquired by pushbroom sensors. They can experience striping artifacts due to variations in detector response to incident imagery. In this research, a method for hyperspectral image de-striping based on wavelet analysis and adaptive Fourier zero-frequency amplitude normalization has been developed. The algorithm was tested against three other de-striping algorithms. Hyperspectral image bands of different scenes with significant striping and random noise, as well as an image with simulated noise, were used in the testing. The results were assessed visually and quantitatively using frequency domain Signal-to-Noise Ratio (SNR), Root Mean Square Error (RMSE) and/or Peak Signal-to-Ratio (PSNR). The results demonstrated the superiority of our proposed algorithm in de-striping hyperspectral images without introducing unwanted artifacts, yet preserving image details. In the noise-induced image results, the proposed method reduced RMSE error and improved PSNR by 3.5 dB which is better than other tested methods. A Combined method, integrating the proposed algorithm with a generic wavelet-based de-noising algorithm, showed significant random noise suppression in addition to stripe reduction with a PSNR value of 4.3 dB. These findings make the algorithm a candidate for practical implementation on remote sensing images including high resolution hyperspectral images contaminated with stripe and random noise.     

利用多尺度特征与深度网络对遥感影像进行场景分类

针对因样本量小而导致的遥感图像场景分类精度不高的问题,结合非下采样Contourlet变换(NSCT)、深度卷积神经网络(DCNN)和多核支持向量机(MKSVM),提出了一种基于多尺度深度卷积神经网络(MS-DCNN)的遥感图像场景分类方法。首先利用非下采样Contourlet变换方法对遥感图像多尺度分解,然后对分解后的高频子带和低频子带分别用DCNN训练得到了不同尺度的图像特征,最后采用MKSVM综合多尺度特征并实现遥感图像场景分类。对标准遥感图像分类数据集的试验结果表明,本算法能够结合低频和高频子带对不同类别场景的识别优势,对遥感图像场景取得较好的分类结果。     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

矢量C-V模型的高光谱遥感影像分割

高光谱遥感影像除了包含普通2维影像所具有的空间信息还包含了1维光谱信息,传统的针对2维影像的分割方法不能很好地应用于高光谱遥感影像。为此,本文提出一种能够同时处理多波段影像的高光谱遥感影像矢量C-V模型分割方法。首先选出高光谱遥感影像中目标与背景对比度较大的波段,并通过计算波段相关系数,去除其中的冗余信息形成新的波段组合,进而根据所确定的波段组合构建高光谱遥感影像矢量矩阵;在此基础上,构造基于该矢量矩阵的矢量C-V分割模型。模型中通过引入基于梯度的边缘引导函数,在保留传统C-V模型基于区域信息进行影像分割的基础上,利用影像的边缘细节信息,增强了模型在异质区域和复杂背景情况下对目标边缘的捕捉能力,提高了对高光谱遥感影像的分割精度和速度。最后利用HYPERION数据进行仿真实验,并将实验结果和传统C-V模型和相关方法进行了对比,结果表明,本文方法能够在短时间内有效地分割高光谱遥感影像,与传统方法相比,具有分割精度更高运算速度更快的特点。     

Remote Sensing Image Fusion Based on Nonlinear IHS and Fast Nonsubsampled Contourlet Transform

The purpose of remote sensing image fusion is to inject the detail image extracted from the panchromatic (PAN) image into the low spatial resolution multispectral (MS) image. A novel remote sensing image fusion method based on fast nonsubsampled contourlet transform (FNSCT) and Nonlinear intensity-hue-saturation (IHS) is presented in this paper. Firstly, the Nonlinear IHS transform is performed on the multispectral image, and then the I-component representing the spatial resolution and the panchromatic image is transformed by NSCT to obtain the low frequency and high frequency. Finally, the coefficients are selected using the improved sum-modified-Laplacian (SML) method and the improved Log-Gabor filter in the low frequency and the high frequency, respectively. Experimental results show that the proposed method is the most advanced fusion method in subjective and objective evaluation, can provide more spatial information, and retain more spectral information compared with several other methods.     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题,集成Lanczos算法与谱聚类算法,探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性,提出了一种面向高光谱遥感图像的快速谱聚类算法;通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果,发现面向高光谱遥感图像的谱聚类算法易于识别线性地物,且分类的速度能得到较大提升。     

高光谱遥感影像优化判别局部对齐特征提取

目前,高光谱遥感特征提取方法往往因受到噪声的干扰而导致降维效果欠佳.近年来,判别局部对齐DLA(Discriminative Locality Alignment)由于可以处理非线性分布样本、保留局部判别信息,同时避免矩阵奇异性问题,受到了很多学者的关注;但该方法无法有效估计和减少噪声对高光谱遥感影像的影响.针对以上问...