基于小波阈值降噪和经验模态分解的高光谱图像分类算法

为了充分降低高光谱图像中的噪声以获得高精度的分类结果,本文结合小波阈值降噪(WTD)和经验模态分解(EMD)的优点,提出了一种基于小波阈值降噪-经验模态分解的高精度支持向量机(SVM)高光谱图像分类算法(WTD-EMD-SVM)。首先对高光谱图像进行小波阈值降噪,除去高光谱数据中的高频噪声;然后再对高光谱图像进行EMD,获得含有高光谱数据本质特征的内固模态函数(IMF)和含有低频噪声的残差;最后采用内固模态函数重构高光谱图像,并对高光谱图像进行SVM分类。将其应用到AVIRIS数据92AV3C,仿真结果表明该算法不仅提高了高光谱图像分类精度,同时可减少支持向量数目,以提高高光谱图像分类速度。     

高光谱图像无监督分类的非线性特征提取器

高光谱图像的数据维数高、数据量大、数据间高度冗余等特点给图像分类带来困难,为进行有效降维、提高分类精度,提出以曲线距离分析作为非线性特征提取器、以独立分量分析的混合模型作为分类器的高光谱图像无监督分类的新方法。利用该方法对来自空载可见光/红外成像光谱仪的高光谱图像进行无监督分类,用分类精度对分类效果进行评价。实验表明,用本文提出的方法得到的分类精度高于传统分类方法得到的分类精度,说明了CDA方法在高光谱图像特征提取方面的有效性。     

基于流形学习的多光谱优化波段选择算法研究

为从多光谱图像特征提取的角度进行优化波段选择,在充分描述数据结构特征的同时使提取选择的特征有明确的物理意义,对基于流形学习算法的优化波段选择算法进行了研究。用判别局部排列(DLA)算法对多光谱数据进行预处理,选取正负样本,利用样本信息,以目标分类为目的进行特征提取。利用特征提取的结果,从特征提取的角度分析当前各谱段对所提取的主特征贡献的总信息量和贡献率,给出了基于权值和基于贡献率的两种优化波段选择算法,分别基于权值和贡献率进行特征选择。用正负样本的可分性可快速高效降维,同时又能保留多光谱图像原物理特性。实测数据验证了优化降维后的5个谱段能保留原数据的物理特性,目标识别概率提高约2%,计算复杂度降低约50%。优化选择的谱段有助于新一代多光谱探测器的研制和应用。     

一种航天器图像分类模型快速学习方法

为了有效分类空间目标,提出了一种航天器图像分类模型快速学习方法。分类模型的学习过程利用了分治思想,首先利用无监督聚类方法将图像数据集散列为类别桶,然后利用每个类别桶中的图像样本训练支持向量机完成学习过程。分类时利用支持向量机对待分类图像样本进行分类。实验结果表明,所提方法具有较好的实时性和准确率,能够为空间应用打下良好基础。     

高光谱图像融合最佳波段选择方法

针对高光谱图像高数据维给图像处理带来的困难和影响,本文构造了高光谱图像融合的最佳波段选择新模型-联合偏度-峰度指数(Joint Skewness-Kurtosis figure,JSKF)模型,利用JSKF指数进行自适应子空间的分解和波段选择,降低高光谱数据维数;并将选择出的最佳波段组合进行了融合,实验结果表明,该方法所选择的波段信息差异较大、互补特征明显,融合后图像包含的信息量丰富,效果优于传统的自适应波段选择方法和主成分分析累计贡献率方法.     

基于区域特征光谱的自组织特征映射神经网络高光谱图像主成分提取方法

非监督分类算法用于高光谱图像主成分提取时存在分类精度受数据分布状态和噪声影响大的缺点,导致提取效果差。论文提出基于空间信息的神经网络非监督分类主成分提取算法,该算法首先通过空间邻域自动聚类提取区域特征光谱替代像元光谱作为自组织特征映射神经网络的训练样本,经过训练神经网络自适应获取高光谱图像地物类别特征,最后通过对光谱矢量聚类完成主成分的统计和提取。论文提出采用区域特征光谱替代单象元光谱作为训练样本有效抑制了噪声对分类结果的影响,同时显著减少了神经网络的数据处理量,使主成分得到快速准确地提取。对深圳红树林自然保护区高光谱图像的仿真结果表明:神经网络训练样本数降低了约95%,更重要的是算法快速准确地提取了主成分,提取效果明显好于K-均值算法。     

基于特征融合的雷达信号脉内调制类型识别

针对雷达信号脉内调制识别算法准确率低的问题,提出基于特征融合的雷达脉内调制类型识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征,利用改进的主成分分析法（IPCA）对特征进行融合,然后将融合特征输入支持向量机（SVM）,实现信号的分类识别。仿真实验中对8种常见的不同调制类型的雷达信号进行识别,该算法在信噪比为5dB时识别准确率接近100％,验证了该方法的有效性。     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

基于粗集和支持向量机的雷达信号识别法

结合粗集的属性约简和支持向量机的分类机理,提出了一种融合算法.应用粗集理论的属性约简过程作为数据的预处理,把冗余的属性和冲突的对象从决策表中删去,却不损失任何有效信息;然后利用支持向量机进行分类识别.这样可以大大降低数据维数,减小支持向量机分类过程中的复杂度,在不同程度上避免了训练模型的过拟合现象,且分类性能更加优越.最后通过对雷达信号识别的仿真实例说明了上述方法的有效性.     

一种改进的星上高光谱异常检测算法研究

为解决传统RX异常检测算法导致的星上高光谱图像异常检测准确率低、成本高等问题,对一种改进的星上高光谱异常检测算法进行了研究。在传统RX异常检测算法的基础上,用噪声自适应主成分变换对原始图像进行变换,选择变换后大于设定的合适信噪比阈值的数据;用局部正交子空间投影(LOSP)算法将相应数据投影到正交子空间获得图像残差数据,通过抑制背景等强干扰信息而突出小概率的异常目标信息;用空域滤波方法提取残差数据的特征,将大部分图像信息以某种标准集中于少数的主成分;对获得的波段子集用中值滤波器滤波,消除噪声干扰;用RX异常检测算子对滤波后的波段子集进行异常目标检测。试验结果证明了算法的有效性,算法通过数据量压缩,降低维度、抑制干扰信息,减少了异常检测处理的数据量以提高异常检测效率和精度。     

一种最大压缩误差可控的高光谱图像压缩算法

提出了一种可以实时控制压缩误差的高光谱图像有损压缩算法。该算法对高光谱 图像矩阵进行奇异值分解得到奇异值矩阵和奇异向量矩阵;用部分奇异值及其对应的奇异向 量重构图像;根据测量系统精度要求确定量化因子并对重构图像与原始图像间的光谱误差进 行量化;采用预测编码和算术编码对用于图像重构的奇异值及其对应奇异向量进行无损压缩 ;设计了非零值编码算法完成对重构误差的无损压缩。对Luna Lake和Low Altitude图像的 仿真结果为：最大相对误差分别控制在0.44％和0.33％时,压缩比为41.5:1和24.6:1, 信噪比为 50.4 dB 和47.8 dB。
     

色散推扫型高光谱数据系统残余误差校正

高光谱遥感成像链路中各个环节产生的系统误差会降低数据质量（quality）,从而削弱高光谱数据的应用潜力。为了消除高光谱辐亮度数据中的系统残余误差,以色散推扫型高光谱遥感系统为例,提出了基于成像链路的系统残余误差校正流程。首先,从成像链路出发,在不同环节分析系统残余误差的产生原因及机理;然后,通过分析检测及校正算法对数据质量的影响,以及误差项之间的内在联系,设计了一种系统残余误差校正流程;最后,以PHI高光谱数据作为数据源对提出的校正流程进行实验验证。结果表明：校正后的图像可视性增强;信噪比显著提高,最大提升值为91.9%;反射率数据中的过校正现象得到有效消除。利用该校正流程能够较好的消除数据中的系统误差,提高图像数据质量以及后续应用处理能力。     

珠海一号高光谱影像云检测算法

珠海一号高光谱卫星具有高空间、高光谱、高时间分辨率等特点,有效推动了高光谱遥感数据在农林环境、自然资源探测等领域的广泛应用,其中高精准的云检测是遥感数据预处理的关键步骤。如何对高光谱图像有效特征提取并克服传统云检测方法特征复杂、算法参数多、计算量大、鲁棒性差等缺陷,是高光谱云检测研究的关键问题。为此,提出了一种多尺度特征融合的U型结构网络,模型首先利用残差模块进行特征编码,并将编码进行多尺度融合,在网络的跳跃连接处引入了坐标注意力机制提取有用信息,最后通过残差解码得到输出结果。实验前首先利用主成分分析降维,将高光谱数据重构为4维影像数据,然后通过数据标注与数据增强,建立珠海一号高光谱影像云检测数据集。采用了38-Cloud云数据集训练初始网络参数,随后利用构建的数据集进行迁移学习。实验结果表明,对于所建立的珠海一号高光谱云检测数据集,所提方法的像素准确率达到92.28%,可以实现高精度的高光谱遥感影像云检测。     

基于GPU的高光谱遥感图像PPI并行优化

传统高光谱遥感信息处理算法的执行效率较低,无法满足海量遥感数据的实时处理需求。文章对基于图形处理器（graphic processing unit,GPU）的高光谱遥感信息处理并行优化方法进行了研究,针对高光谱遥感图像混合像元分解中广泛使用的纯净像元指数算法,提出了一种基于矩阵乘法的GPU并行优化算法,并给出了实验比较和性能测试数据。实验表明,该优化方法在保证结果准确性的同时,运行效率显著提升,算法加速比最高达到634倍,验证了基于GPU的高光谱数据处理并行优化算法的有效性,能够较好地满足高光谱遥感信息实时处理的应用需求。     

基于分布式信源编码的高光谱图像无损压缩研究进展

有效的高光谱图像压缩技术已经成为航天高光谱遥感领域研究的焦点之一。对基于分布式信源编码（Distributed Source Coding,DSC）的高光谱图像压缩技术研究进展进行了综述。首先介绍了DSC的理论基础、实现方式及其在高光谱图像无损压缩应用中的优势;然后总结了基于DSC的高光谱图像无损压缩研究进展,在此基础上给出了一种基于多波段预测的高光谱图像分布式无损压缩算法,实验结果表明,该算法具有较低的编码复杂度,其无损压缩性能优于现有的分布式无损压缩算法;最后指出了DSC在高光谱图像压缩中需要进一步研究的问题。     

基于哈特莱变换的快速图像模板匹配算法

去均值归一化模板互相关(ZNCC)是工程中应用最多的图像匹配算法,但过高的计算复杂度严重限制了其在实时系统中的应用.针对这一问题,提出了基于快速哈特莱变换的快速模板图像匹配算法,首先推导了该算法在哈特莱域的表达式,利用可分离的快速哈特莱变换对相关面进行高效率整体计算,然后在空间域对获取的相关面进行快速归一化处理和极值搜索,并通过空间换取时间和积分图的策略进一步加快算法的计算速度.对算法计算量的定量分析和仿真实验结果表明,算法计算效率高,并且可以完全重构,加速比与图像内容无关,综合性能全面优于现有算法,具有良好的工程应用前景.     

“珠海一号”高光谱数据城市不透水面提取研究

不透水面是评估城市化进程和评价城市环境的重要参考指标，研究城市不透水面的空间覆盖程度对城市生态环境保护、宜居城市建设具有重要意义。本文以“珠海一号”高光谱影像为数据源、珠海市陆域为研究区域，选取支持向量机和随机森林机器学习算法，结合光谱特征，实现城市不透水面信息提取。结果表明：使用“珠海一号”高光谱数据提取不透水面可行性较强，且支持向量机算法更适用于“珠海一号”不透水面提取，总体精度和Kappa系数分别达到92.4%、0.78；基于“珠海一号”高光谱数据进行城市不透水面提取，可为城市规划建设、分析城市土地扩张、评估城市灾害风险提供可靠理论依据和数据支撑。