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。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

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.     

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。     

栈式稀疏自编码网络的多时相全极化SAR散射特征降维

利用极化合成孔径雷达（PolSAR）能够实现地物的识别和分类,而多时相全极化SAR可以获取地物更多的散射特征,提升地物识别精度,但高维散射特征的引入会带来严重的维数灾难问题。为了实现对高维散射特征的有效降维,本文提出一种基于栈式稀疏自编码网络S-SAE（Stacked Sparse AutoEncoder）的多时相PolSAR散射特征降维方法。该方法首先对PolSAR数据进行极化目标分解以获取高维散射特征;然后使用S-SAE对获取的多维特征进行降维处理,其中S-SAE降维方法首先采用无监督训练方式进行逐层贪婪训练;再结合Sigmod分类器,利用监督训练的方式对S-SAE进行参数优化,实现高维特征的有效降维;最后以降维后的特征作为支持向量机（SVM）和卷积神经网络（CNN）分类器的输入,实现地物分类。通过仿真和实测的两组多时相Sentinel-1数据处理结果表明,双隐层的S-SAE降维方法在各分类器上均取得最优的降维效果;对比各降维方法在SVM分类器上的分类精度,S-SAE较于局部线性嵌入（LLE）与主成分分析（PCA）降维方法,总体分类精度分别至少提升了9%和14%;在CNN分类器上,S-SAE较于LLE与PCA降维方法,总体分类精度分别至少提升了7%和9%。     

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。     

改进支持向量机算法无人机影像信息精确提取

支持向量机(SVM)算法作为一种成功应用于大多数遥感影像的分类方法,虽然具有较高的提取精度,但是针对分类中仅仅采用单一参数,严重依赖于参数选择的不足,该文基于AdaBoost算法提出一种改进的SVM分类方法。该方法采用选择径向基函数作为核函数的SVM算法作为AdaBoost的弱分类器,实现了核参数的自适应调整。实验结果证明,该方法可以达到精确提取无人机影像信息的目的。     

结合混沌映射与遗传算法的高光谱影像降维分类方法

针对高光谱遥感影像分类研究中的波段降维问题,利用混沌映射的遍历性与初值敏感性提升遗传算法的全局寻优能力,提出一种基于混沌遗传寻优算法的高光谱影像分类波段选择方法.实验部分采用粤港澳大湾区欧比特高光谱影像对多个行政区进行了仿真分类实验,同时对比了主成分分析(PCA)等经典降维方法.实验结果表明,欧比特高光谱影像能够有效地区分出多种典型地物,而且引入混沌映射改进的遗传算法具有更强的全局寻优能力,基于所选波段子集得到的分类精度更高.     

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。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

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mGA-SVM算法的高分影像面向对象分类研究

高分辨率遥感卫星影像是获取地物精细类别的重要数据源,快速准确地获取土地利用和土地覆盖分类信息可为土地利用规划、土地管理等提供重要的数据支撑和决策依据。本文开展了高分辨率影像面向对象分类研究,首先,利用多尺度分割方法对高分辨率影像进行分割,基于分割对象,选取不同地物类别样本并计算光谱特征、纹理特征、几何特征。然后,针对特征冗余问题,利用最大相关最小冗余算法选择优先级较高特征,在此基础上结合遗传算法对特征集进行适当扩充(m GA)。在面向对象分类过程中,通过利用遗传算法对支持向量机模型进行快速参数寻优,并在此基础上对分割对象进行分类。最终地物总体精度达到85.93%,Kappa系数为0.828 2。并将分类结果与最近邻分类和随机森林分类结果进行了比较,地物分类精度提高了4.05%和6.81%。实验结果表明:基于m GA特征优化及SVM参数选择进行改进的面向对象的分类方法是有效的。     

高光谱影像特征子集选择方法

针对高维遥感数据的降维困难问题,该文提出并构建了一种融合粒子群优化算法全局寻优能力和支持向量机优秀分类性能的高光谱遥感影像特征子集选择与分类方法。通过引入混沌优化搜索技术改进融合粒子群优化算法的全局寻优能力;提出并采用一种基于粒度的网格搜索策略对支持向量机模型参数进行优化;利用二进制融合粒子群优化算法进行特征选择;然后,支持向量机采用该特征子集所对应的训练数据集进行模型参数优化和分类。实验结果表明该方法能有效地提取出用于分类的最佳波段,具有较高的分类精度。为高光谱遥感影像的特征选择与分类探索出了一种可行的方法。     

一种联合特征降维的极化SAR影像分类方法

针对PolSAR影像极化信息利用不完全,分类效果有待进一步提高的问题,该文在综合多源极化信息的基础上,提出一种核熵成分分析算法(KECA)特征降维,及BA-SSVM模型训练的PolSAR影像分类方法.构造PolSAR多源目标分解及纹理特征组合,根据熵值贡献率利用KECA开展特征降维,之后采用蝙蝠算法(BA)对光滑支持向量机(SSVM)模型参数自动寻优,实现PolSAR影像分类.通过Flevoland地区的AIRSAR影像及北京地区的Radarsat-2影像的分类实验,验证了该文方法的有效性.在特征降维方面,KECA比传统KPCA算法表现出更好的特征融合效果和非线性适应性;利用BA对SSVM参数进行智能解算,也可有效解决盲搜索问题,提高模型训练精度;通过KECA降维及BA-SSVM智能模型训练,分类效果总体优于传统方法.     

结合纹理信息的极化SAR影像分类研究

结合Gabor小波、灰度共生矩阵和Fast ICA方法提取的纹理信息,利用支持向量机分类器对单极化SAR影像进行分类研究。首先利用精致Lee滤波器对影像进行去噪处理;然后采用灰度共生矩阵和Gabor小波提取影像纹理特征,利用Fast ICA算法对纹理特征进行降维分析;最后将降维后的纹理特征与强度特征结合,采用支持向量机分类器进行分类;采用北京地区Terra SAR-X影像对该方法进行实验,结果表明,纹理信息的引入使极化SAR影像分类精度得到提高。     

联合支持向量机和增强学习算法的多波束声学底质分类

基于多波束的声学底质分类是近年来快速发展起来的新型海底底质探测技术.针对多波束声学底质分类中底质类型多样化、类型之间差异较小等多分类难点问题,本文提出一种GA-SVM-AdaBoost算法.利用自适应性和全局搜索能力强的遗传算法(genetic algorithm,GA)去优化支持向量机(support vector machines,SVM),以获得最优模型初始参数,并将多个GA优化后的SVM作为弱分类器组成AdaBoost强分类器.对胶州湾采集到的多波束反向散射强度数据,经过精细处理后生成海底声呐镶嵌图;构建SVM-RFE-CBR算法从提取的36维声强空间特征中筛选出10维优势特征,将其输入到GA-SVM-AdaBoost模型中进行分类识别.通过与SVM、GA-SVM、基于单层决策树的AdaBoost分类模型对比,GA-SVM-AdaBoost算法的总体分类精度高达92.19％,优于另外3种模型,证明GA-SVM-AdaBoost分类模型可有效应用于高精度海底底质类型识别.     

一种稀疏降噪自编码神经网络影像变化检测方法

采用粤西2018—2019年优于0.5 m地理国情监测影像,结合2018年矢量化地表覆盖分类成果,使用稀疏降噪自编码神经网络深度学习方法,首先选取BJ、GF、ZY等各类高分辨率遥感影像训练生成多传感器训练模型;其次利用PCA主成分分析提取样本数据最大特征,实现样本数据白化降维;最后采用tanh函数作为神经元激活函数,选...     

空-谱信息与稀疏表示相结合的高光谱遥感影像分类

针对传统的高光谱遥感影像分类中多依赖光谱信息而忽视空间信息以及提取的特征维数高的问题,提出了一种空-谱信息与稀疏表示相结合的分类算法。首先,利用最小噪声分离对原始影像进行降维,在此基础上,对主成分图上局部影像块内的所有像素进行重组,并用排序的方法得到旋转不变的空-谱特征。然后,对空-谱特征进行监督学习得到字典,并将提取的测试样本的空-谱特征编码到字典中以得到测试样本的稀疏表示。最后,使用支持向量机分类器(SVM)对高光谱影像进行分类。3组高光谱数据试验表明,与传统的分类方法比较,本文方法能有效提高分类精度。     

面向对象的天绘遥感影像分类

天绘一号是我国第一代传输型立体测绘卫星,主要用于科学研究、国土资源普查、地图测绘等领域的科学实验任务。以天绘影像为实验数据,利用面向对象的影像分割技术,通过选择合适的尺度参数对影像进行分割。结合SVM对得到的影像对象层进行分类实验。具体分析了SVM分类器核函数的选择以及参数的设置对分类精度的影响。最终分类实验结果的总体精度为90.857 1%,Kappa系数为0.858 1。将分类结果与传统基于像元的马氏距离分类法和最大似然值分类法的分类结果进行比较,总体精度分别提高了约29.29%、5.91%,Kappa系数分别提高了约0.35、0.06。实验结果表明,面向对象的SVM分类法不仅对影像分类的精度有大幅度的提高,同时,也很好地解决了传统基于像素分类法出现的"椒盐"现象,是一种很有优势的影像分类法。     

基于特征距离的多类SVM分类方法研究

提出了一种基于特征分离性测度的面向对象分类方法。首先利用区域增长分割影像获得影像对象,并计算光谱、纹理、形状等多种分类特征,然后在构建多类SVM分类器过程中,对于任意两个分类类别对,利用Jeffries-Matusita距离选择最合适的特征。实验证明,相比于原始方法,基于Jeffries-Matusita距离的多类分类器能够有效减少建筑物、道路等复杂地物的误分现象,提高分类的总体精度和Kappa系数。