一种直方图匹配和线性空间滤波相结合的条带噪声去除方法

航天和航空遥感图像中,普遍存在着条带噪声(stripe noise),任何使用多个探测元进行获取图像的遥感器图像数据中均存在条带噪声。本文针对CBERS-02星图像中的两类条带噪声:探测元间条带噪声和横向随机条带噪声,提出了一种直方图匹配和线性空间滤波相结合的去条带噪声方法。其中直方图匹配用于去除探测元间的条带噪声,线性空间滤波用于消除横向随机条带噪声。实验结果表明,该方法能有效去除CBERS-02星影像中的条带噪声,并且能很好地保证图像质量。最后,从定性和定量两个方面进一步说明了该方法的有效性。     

空间与光谱维度的高光谱图像噪声估计

高光谱图像能够获取地物精细的光谱诊断特征,但受限于多谱段分光的成像机制,图像各个谱段上光成像的能量不足,信噪比难以提升.高光谱图像噪声类型与强度的准确估计,是提升高光谱图像去噪性能的关键,也是优化其成像系统设计的重要依据.现有高光谱图像噪声估计算法通常将不同类型的图像噪声作为一个整体,并未充分考虑不同类型噪声的区别.本...     

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.     

光谱角—欧氏距离的高光谱图像辐射归一化

辐射归一化旨在减小不同时相遥感影像间因获取条件不一致而导致的非地表辐射变化的差异,是土地覆盖变化监测的重要前提条件。本文根据高光谱图像上同类地物的谱形及数值的相似性,利用光谱角距离(SAD)和欧氏距离(ED)双重判定选取不变特征点,提出了一种基于光谱角—欧氏距离的辐射归一化方法。在评价指标中除了常用的均方根误差和相对偏差,更增加了高光谱特色的衡量光谱保真性指标:皮尔森系数、光谱扭曲程度。利用高光谱遥感CHRIS图像对本文提出方法进行验证,并与基于多元变化检测(MAD)的辐射归一化方法比较。结果表明,本文方法不仅在辐射特性上优于基于多元变化检测(MAD)的方法,而且具有保持光谱特性的优势,具有较好的应用前景。     

基于灰度归一化的HJ-1A星HSI图像条带噪声去除方法

针对HJ -1A星HSI图像上的条带噪声,在分析传统条带噪声去除方法的基础上,提出了一种新的基于灰度归一化去除条带噪声的方法.首先,设计孤立点检测窗口,将随机斑点噪声与条带噪声分离;然后,利用灰度归一化方法建立图像各列像元灰度级与基准列像元灰度级对应的查找表,根据查找表对HSI图像条带噪声进行消除.实验结果表明,该方法在很好地保留图像光谱信息的情况下,能够有效地消除图像条带噪声和随机斑点噪声.     

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。     

高光谱影像的DAE分类

针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

遥感影像条带噪声去除的小波变分法

为了避免条带噪声去除过程中丢失影像细节,提出一种基于小波变分法去除遥感影像条带噪声。首先,对含有条带噪声的遥感影像进行小波分解;其次,通过构建的条带保留变分模型(SPVM)去除低层高频分量(含条带噪声)中的细节信息而保留条带噪声,从而有效分离出低层高频分量(含条带噪声)中的细节信息;通过构建的条带去除变分模型(DVM)去除高层高频分量(含条带噪声)中的条带噪声,从而有效地保留高层高频分量(含条带噪声)中的细节信息;最后,通过小波重构,获得去噪影像。试验证明本文方法在去除条带噪声的同时基本没有丢失影像细节,去噪后的影像对比度及质量都是最优的。     

高光谱影像分类EM算法的完善

在高光谱影像分类过程中,往往无法获取足够数量的训练样本,使得类别分布参数估值精度降低,并最终影响分类结果。EM方法为该类问题的解决提供了途径,但由于地面信息的复杂性及算法自身的原因,将其应用于高光谱影像的分类仍有许多待完善之处。文中叙述了该算法的完善策略,包括借助低通滤波器获得各参数更为合理的初值,以及如何克服噪声对该算法的影响。实验表明,经过完善的EM方法具有很强的适用性,可以获得精度更高的分类结果。     

Tetrolet域利用时空相关性的云图压缩感知重建

针对卫星云图数据量大,但传输通道和存储空间相对狭小的问题,本文基于Tetrolet变换,利用相邻时次云图的时空相关性,实现了一种高重构质量的卫星云图压缩感知方法。该方法将善于表达图像方向纹理及边缘信息的Tetrolet变换引入压缩感知的稀疏表示环节,从而很好地体现了卫星云图细节丰富、纹理结构复杂的特性;同时,考虑到卫星云图序列间的相关性,将时间相邻的卫星云图组成图像组,以中间时刻云图作为参考图像,计算其与相邻时次云图的差异,通过在参考图片及序列差异图片间合理分配采样率,获取测量数据,在压缩感知框架下,采用带平滑处理的投影Landweber算法,重构出相邻时次的图像组。实验结果表明,Tetrolet变换适用于卫星云图的稀疏表示,而且图像组时空相关性的利用可显著提高重构云图的视觉效果及客观评价指标;在采样率低于0.2时,红外1、水汽和可见光3个通道重构云图的峰值信噪比(PSNR)较传统方法平均提高了7.48 dB,13.51 dB和6.15 dB。由此可见,本文方法可以通过获取少数随机测量值,重构出高质量的卫星云图,不仅为云图数据的低比特率压缩提供了一种可行的解决方案,而且对于其他序列图像的压缩采样具有借鉴意义。     

高光谱影像分类EM算法的完善

在高光谱影像分类过程中,往往无法获取足够数量的训练样本,使得类别分布参数估值精度降低,并最终影响分类结果.EM方法为该类问题的解决提供了途径,但由于地面信息的复杂性及算法自身的原因,将其应用于高光谱影像的分类仍有许多待完善之处.文中叙述了该算法的完善策略,包括借助低通滤波器获得各参数更为合理的初值,以及如何克服噪声对该算法的影响.实验表明,经过完善的EM方法具有很强的适用性,可以获得精度更高的分类结果.     

空-谱融合的条件随机场高光谱影像分类方法

高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免“同谱异物”与“同物异谱”的现象方面有较明显的优势。     

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。     

结合NSCT和KPCA的高光谱遥感图像去噪

针对高光谱遥感图像易受噪声干扰,本文提出了一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和核主成分分析KPCA(Kernel Principal Component Analysis)的去噪方法。首先对高光谱各波段图像进行NSCT分解;然后利用KPCA对NSCT系数进行处理,并在KPCA重构时依据各类噪声的特性选取合适的主成分;最后用处理过的系数进行逆变换得到去噪图像。实验结果表明,本文方法抑制了高光谱遥感图像中的噪声干扰,较完整地保留了原始数据的有效信息。     

空谱协同多尺度顶点成分分析的高光谱影像端元提取EI北大核心CSCD

针对顶点成分分析方法无法实现复杂地表环境下的高光谱影像端元精确提取问题,提出了一种基于空谱协同多尺度顶点成分分析的端元提取方法,通过影像空谱特征融合和聚类分割,对不同分辨率空间尺度下的分割影像进行端元协同提取,并考虑噪声对影像端元提取精度的影响,提升端元提取的精度。首先,对影像进行预处理,采用低秩矩阵分解去除噪声。其次,对高光谱影像进行空谱多特征提取,利用多特征融合和K-means算法进行聚类分割,获取地物分布的空间异质性信息,提升后续端元提取的精度。然后,对高分辨率影像空间降采样,利用顶点成分分析方法对降采样后的低分辨率分割图像进行端元提取,并利用坐标映射寻找高分辨率影像中的相应端元,利用光谱角来判定是否为纯端元。最后,遍历上述方法至所有分割影像以获取最终的端元集合。使用模拟数据和真实的高分五号高光谱数据对提出的方法进行实验验证。实验结果表明,空谱协同多尺度顶点成分分析方法可提取高精度的纯净端元,且计算效率较高。     

小波阈值改进算法的遥感图像去噪

通过对于文献中已有小波阈值去噪方法的研究,结合已有的一些小波阈值去噪函数,提出了相应的小波阈值去噪的改进方法来完善和提高小波阈值去噪的处理能力和可行性。该阈值函数加入了有效的调整系数来控制函数的可变。该函数不但同时保留了相应的传统小波硬阈值、软阈值衍化的优点,也提高了相应精度指标。利用该函数阈值去噪不仅在经典的图像中起到很大的改善,在遥感图像的去噪处理方面也有明显的精度提高。该方法通过去噪评价指标均方差（MSE）,峰值信噪比（PSNR）,信噪比（SNR）,均方根误差（RMSE）进行去噪后图像的评价。该改进的阈值函数方法对于图像的处理后评价指标明显有所改善。     

结合双树复小波变换的四阶偏微分影像去噪方法

针对低阶偏微分方程去噪模型通常会使图像的灰度趋于分段常量而产生阶梯效应的问题,结合小波多尺度分解在图像处理中的应用,提出一种结合双树复小波变换(DT-CWT)的四阶偏微分方程(PDE)影像去噪模型。首先采用DT-CWT对噪声影像进行多尺度分解,保留分解后的低频分量不变,其他层复高频分量采用四阶PDE去噪模型去噪,然后重构相应层的高、低频分量,得到最终去噪后影像。对不同噪声强度下的ZY-3卫星影像去噪实验的结果表明,采用本文方法去除遥感影像噪声相比现有方法得到的去噪结果信噪比平均提高了1~2 d B,提高了去噪影像的结构相似度,在有效去除影像高斯噪声的同时能够较好地保留图像细节信息。     

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。     

定位定向系统数据的航空高光谱影像几何校正

针对航空高光谱数据几何畸变严重的问题,该文探索了利用POS数据辅助航空高光谱影像几何校正的研究现状,分析了基于POS系统的导航数据的线阵推扫高光谱数据解算成像瞬间外方位元素的原理,以及行方位数据支持的线中心投影影像通过改进的共线方程方法几何校正的过程,实现了无地面控制点数据的直接几何校正。采用高光谱影像分块处理方法,实现了高吞吐快速几何校正。HySpex SWIR-384高光谱影像的实验结果表明,该文的校正算法可达到9.15m的绝对定位精度,最终利用少量地面控制点进行几何精校正,其均方根误差达到0.93m。