高光谱影像纹理特征编码分形特征研究

提出了一种基于分形测度分析高光谱影像纹理的技术。根据高光谱影像纹理单元中相邻光谱矢量的相关关系构造方向性纹理特征,得到了一组纹理特征编码值,从纹理特征编码值本身、相同地物纹理特征编码自相似性和使用不同尺度测量纹理特征编码值构成的曲线所表现出来的幂指数关系三个方面,说明高光谱影像纹理特征编码曲线具有分形特征。设计了纹理特征编码曲线构建模型,采用纹理编码曲线的分形维值表征不同的纹理特征,达到区分和判别不同纹理的目的。试验表明,该方法对提取地物纹理特性具有可行性。     

结合KPCA和分形维提取高光谱遥感影像特征的方法

本文将KPCA和分形维有机结合,进行高光谱影像特征提取,实现优势互补:选择合适的核函数和分形维计算方法,设计了3种组合算法,优化了特征提取效果,并对AVIRIS实验结果进行了分析评价,结果显示在相同条件下,SVM的分类精度要高于其他分类算法,KPCA+Fractal特征提取更有利于地物的分类识别。     

Hyperion影像的辐射处理方法

选取甘肃张掖部分地区的Hyperion数据,运用Hyperion Tool提取未定标、坏线和条带以及质量模糊的波段数据,对数据进行一次重采样预处理,并选择合适的大气参数对影像应用模块进行了FLAASH大气校正。将校正前、后的植被、水体和裸岩光谱特征与标准库曲线进行对比分析,结果表明,处理后的影像很好地反演了地物的真实反射率,提高了数据处理速度和精度,为后续研究地物成分估算提供了图像基础。     

基于Hyperion影像的涩北气田油气信息提取

 对柴达木地区涩北气田地质地理环境下的蚀变矿物进行分析，结合卫星高光谱遥感数据Hyperion的图谱，对已知气田区与背景区光谱特征进行相关分析，确定了932.64~1 346.25 nm与2 002.06~2 385.5 nm为油气信息识别的有利波长范围； 利用光谱角制图（SAM）技术提取了涩北气田油气的空间分布信息和台吉乃尔含气构造等远景区，为高光谱遥感油气勘探提供了有效技术方法与途径。     

采用小波和分形维的高光谱遥感影像特征提取

由于omis影像128个波段间具有较强的相关性,可对高光谱响应曲线采用小波分解,用噪声较小波段的部分高频信息代替噪声较大波段的相应高频信息对其进行小波降噪。再对降噪后的影像采用db4函数进行7级小波分解,对各级小波系数取一范数后,用最小二乘法对各级分解对应的范数在半对数坐标系下线性拟合,根据直线斜率求取各像元分维值,最后实现分类。通过实验,证明了此方法的有效性。     

Hyperion波段模拟的宽波段遥感影像一致性评价

由于外部成像环境和传感器本身设计指标的差异,不同遥感平台同一波段影像之间常常存在不一致。在多源遥感定量研究中,对外部成像环境导致的差异关注较多,而对以光谱响应函数（SRF）和空间点扩散函数（PSF）为代表的值感器本身设计指标,导致的影像不一致性（差异性）则考虑相对较少,这给后续研究结果的分析与讨论带来一定不确定性。为了提供一种全面、客观对不同遥感平台同一波段影像一致性评价方法,本文采用控制变量法的评价策略,介绍了利用Hyperion高光谱影像结合光谱响应函数模拟各种宽波段影像的方法,并将其用于多平台同一波段影像之间的一致性评价;同时在此基础上探讨了考虑PSF对高-低空间分辨率影像聚合过程的影响,为不同平台、同一波段、不同空间分辨率影像之间的一致性评价提供了技术参考。通过对常见的3种典型传感器Landsat ETM+,Terra MODIS,NOAA AVHRR 3近红外波段进行模拟、比较和一致性评价,结果表明：（1）利用本文所提出的宽波段光谱模拟方法,能较准确地模拟各种宽波段影像（在本文中平均相对误差的绝对值最大为-2.371%）,并可用于多平台同一波段影像的数据评价（从光谱响应的角度）。 （2）为了比较不同平台、同一波段、不同空间分辨率之间的差异性,可将其中高分辨率影像进行尺度上推,得到与其中低分辨率影像相同像元大小的影像,然后再进行评价。在尺度上推过程中,需先考虑PSF效应（可用高斯低通滤波模拟）,然后进行平均值聚合即可。在此基础上进行的一致性评价才是比较客观的,特别是针对异质性区域。本文所采用的评价方法不仅可为评价不同平台波段同一波段影像之间一致性提供很好的解决途径,而且为多源遥感数据选择提供了一种决策依据。     

基于可变步长的光谱响应曲线分形维计算方法研究

提出了一种基于可变步长(即基于不同采样率)的高光谱图像响应曲线分形维计算方法.该方法在不同的采样率下对光谱响应曲线进行采样,计算相邻点的光谱响应差值,统计采样点的差值总和,利用最小二乘法求出分形维.为了提高计算效率,运用多线程的技术将高光谱图像分成几个部分,各部分的分形维由多核计算机同时并行计算.实验结果表明,该方法能...     

基于Hyperion影像的水稻冠层生化参量反演

采用小区实验与大田应用相结合的方法, 依据扬州实验小区地面实测拔节期、抽穗期及灌浆期的水稻叶片、冠层光谱及氮和叶绿素含量, 采用光谱吸收特征和植被指数分析方法, 得到估算水稻氮和叶绿素含量的最佳光谱特征参数; 结合覆盖江苏姜堰地区大田的Hyperion高光谱遥感影像, 建立反演水稻冠层氮和叶绿素含量的模型, 对研究区大田水稻冠层氮和叶绿素含量进行了反演及制图。结果表明: 经波深中心归一化方法分析, 发现以670nm为中心的光谱吸收特征面积与水稻氮含量呈显著相关性; 基于反转归一化光谱, 结合560nm和670nm两个波段, 建立的植被指数NDVI560_670能很好地反演水稻叶绿素含量。     

特征维数对支持向量机分类器性能影响的研究——以高光谱遥感影像为例

本文为验证SVM对高维特征的适应性和可靠性,针对不同特征提取方法与特征组合,以国产OMISⅡ传感器获得的北京昌平地区高光谱遥感据为例,对SVM分类器中特征维数对分类准确率的影响进行了试验,通过对主成分分析、最小噪声分离算法、相关系数分组后特征提取、导数光谱等的分析,表明SVM分类器的分类精度随着特征维数波动,其中主成分分析降维后提取的特征具有用于分类能够获得最高的准确率。通过与最大似然法和光谱角制图分类算法的比较,说明在同样的特征输入情况下SVM分类算法分类的准确率高于最大似然法和光谱角制图分类器。     

特征重标定网络的高光谱影像分类方法

高光谱影像特征的利用率对提高其分类精度具有重要意义。为充分利用影像的特征,提出了一种特征重标定网络的高光谱影像分类方法。该方法通过全局平均池化将特征图转换为具有全局信息的实数,利用全连接层与非线性层生成能够代表各通道相对重要性的权值,进而采取加权法完成初始特征的重标定。为验证该方法的有效性,选取PaviaU和KSC两组高光谱影像数据进行实验。结果表明,提出方法总体分类精度分别达到98.38%和95.61%,可为高光谱影像提供有效的类别判定特征,有助于提高影像分类精度并获取平滑的分类结果图。     

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.     

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。     

Dimensionality reduction of hyperspectral data using spectral fractal feature

A new approach for dimensionality reduction of hyperspectral data has been proposed in this article. The method is based on extraction of fractal-based features from the hyperspectral data. The features have been generated using spectral fractal dimension of the spectral response curves (SRCs) after smoothing, interpolating and segmenting the curves. The new features so generated have then been used to classify hyperspectral data. Comparing the post classification accuracies with some other conventional dimensionality reduction methods, it has been found that the proposed method, with less computational complexity than the conventional methods, is able to provide classification accuracy statistically equivalent to those from conventional methods.     

基于小波特征融合的Hyperion影像降维方法

根据影像中地物光谱曲线的小波特征点确定地物识别的合适光谱分辨率,通过融合原先若干窄波段生成具有适合地物识别光谱分辨率的宽波段数据,达到降维高光谱数据的目的。文中对hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正,得到155个波段。对提取的八类地物的样本平均光谱进行DB4小波分解,计算小波细节系数方差;以小波细节系数信息熵作为特征点,得出不可渗透表面、居民地、水田、裸土4类地物识别适宜光谱分辨率为80nm,其余地物识别适宜光谱分辨率为160nm。以窄波段间的活跃度为指标进行融合,生成降维后的宽波段分别是21个波段和11个波段。8类地物在3尺度和4尺度下的分类结果说明降维影像能满足应用需求,提出的降维方法可行。     

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。     

A feature extraction method based on spectral segmentation and integration of hyperspectral images

In response to the curse of dimensionality in hyperspectral images (HSIs), to date, numerous dimensionality reduction methods have been proposed among which the feature extraction (FE) methods are of particular interest. This paper introduces a new supervised pixel-based FE called spectral segmentation and integration (SSI). In SSI, the spectral signature curve (SSC) of the pixels are identically divided into some non-overlapping segments, called channels. The existing bands in each channel are then integrated using a mean-weighted operator, leading to some new features in a very lower number than the original bands. SSI applies a particle swarm optimization (PSO) algorithm to globally search and locate the optimum positions and widths of the channels. For the sake of evaluation and comparison, the features provided by the proposed SSI method were applied to the well-known SVM classifier. The results were compared to not only a most recent pixel-based FE method, namely, spectral region splitting but also six conventional FE methods, including nonparametric weighted feature extraction, decision boundaries feature extraction, clustering-based feature extraction, semi-supervised local discriminant analysis, band correlation clustering and principal component analysis. Experimental results, obtained on two HSIs, proved the superiority of the proposed SSI.     

基于特征点的影像匹配方法探讨

基于特征点的图像匹配方法是高精度、快速有效和适用性广的匹配算法,它包括特征提取和特征匹配2个步骤。本文在对这一问题进行研究分析的基础上,对相关文献进行综述,介绍并分析了几种典型特征点提取算子的原理和优缺点,为不同应用目的的特征点提取方法选取提供借鉴;特征匹配方面总结了基于特征点匹配的常用方法,就SIFT这一热点做了详细介绍,并进行了实验;最后对匹配中有待进一步研究的问题给出了意见。     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

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...