基于精确字典稀疏表示算法的高光谱图像目标检测

目标检测是高光谱图像处理领域的主要研究内容之一。目前,稀疏表示算法已经在这方面取得了较好的检测效果。但传统的稀疏表示(SR)算法中的字典既包含目标信息又包含背景信息,且比例不确定,导致数据处理难度很大。针对传统稀疏表示(SR)算法的不足,提出了精确字典稀疏表示算法(ADSR)。该算法通过构造仅包含目标信息的目标字典和仅包含背景信息的背景字典,分别求解稀疏向量并恢复稀疏图像,继而利用目标与背景残差值不同这一特性区分图像中的目标与背景。在保证检测精度的同时,减小了数据处理的复杂度,缩短了运算时间。仿真实验将ADSR算法与RX算法、SR算法进行性能比较,证明了改进算法在检测效率上的优势。     

基于特征表示与学习的图像集合分类算法

当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此。此外,基于这些假设进行模型学习时可能会丢失部分区分性分类信息。针对这一问题,本文提出一种基于特征表示与学习的图像集合分类方法。对每个图像集合,首先将计算它的多阶统计量作为特征表示。对每阶统计量,计算一个内核矩阵来衡量两个图像集合的相似性。然后,通过利用局部多内核指标学习(LMKML)方法来学习一种距离指标,进而将不同阶统计量综合起来。最后,利用最近邻分类器进行分类。基于4种常用图像集合数据库的实验结果验证了本文算法的有效性。     

一种基于引导滤波和MNF的高光谱遥感;图像分类方法

提出一种基于引导滤波和最大噪声分离变换的高光谱遥感图像分类方法。使用MNF对高光谱图像进行最大噪声分离变换并进行降维,然后使用引导滤波对降维后的图像进行滤波操作,使用的引导图像为MNF变换后的第一成份,得到滤波后的高光谱图像特征,最后使用支持向量机针对特征进行分类。在AVIRIS图像上的实验结果表明,与单纯的MNF方法相比,该方法的Kappa系数提高超过15%。     

基于深度学习的高光谱图像多标签分类算法

提出一种基于深度学习的高光谱图像多标签分类算法。采用深度学习算法中的堆叠降噪自动编码器方法对每个像素的深层特征进行抽取,该方法可以有效表现高维特征空间中的非线性混合像素。使用多标签逻辑回归方法为每个像素预测并分配多个类标签。通过对合成数据和实际高光谱数据的大量对比实验,实验结果表明:该算法能够有效地为高光谱图像的像素精确地分配多类标签。     

基于三维全卷积神经网络的高光谱图像分类

三维空间滤波能够同时利用光谱和空间信息提取图像中的光谱和空间特征,提高高光谱图像(hyperspectral image,HSI)的分类性能.本文提出了一种用于HSI分类的三维全卷积神经网络(3D Fully convolutional neural network,3D-FCNN)框架.该框架能够在不需要任何数据预处理及后处理的情况下有效地提取高光谱特征,实现对地物类型的分类.在Indian Pines高光谱数据集上进行的实验表明,与支持向量机、浅层神经网络及其他卷积神经网络算法相比,所提出的框架在总体分类能够有效提高高光谱图像的分类精度.     

融合多层特征SENet和多尺度宽残差的高光谱图像地物分类

提出了一种融合多层特征SENet和多尺度宽残差的高光谱图像地物分类的方法。实验选取Indian Pines和Pavia University为研究对象,结果表明,SEInception-Resnet-MSWideResnet (SEIR-MSWR)网络结构的总体分类精度为99.33%、99.52%,Kappa系数为0.98时,分类效果最优,相较于支持向量机(Support Vector Machine,SVM)、K最近邻法(K-NearestNeighbor,KNN),宽残差网络(Wide Resnet Network,WRN)以及InceptionV2-Resnet,总体分类精度分别提高了20.86%、20.09%、5.48%、3.39%、23.1%、16.89%、6.66%、2.58%,Kappa系数分别提高了0.18、0.17、0.06、0.04、0.22、0.17、0.07、0.03,均表现出良好的性能。该方法更好地提取了高光谱图像的本质特征,进而提高了高光谱图像地物的分类精度。     

用于高光谱图像分类的轻量级空间注意力网络

卷积神经网络可自动提取高光谱图像中的光谱空间特征,因此被广泛用于高光谱图像分类.但是,由于缺乏足够的标记样本,限制了分类性能进一步提高.针对该问题,提出一种新颖的轻量级空间注意力网络(LSANet)用于高光谱图像分类.首先,设计分割核主成分分析(SPCA)方法用于降低高光谱图像维数;然后提出LSANet,它主要由3个轻...     

一种面向高光谱图像分类的模糊谱聚类算法

提出一种基于模糊相似性度量的谱聚类算法,将其应用于高光谱遥感图像分类,利用模糊相似性度量获取锚点和样本点与锚点之间的模糊相似度,得到相似矩阵,并利用谱聚类进行图像分类.实验结果表明,所提聚类算法能够成功应用于高光谱遥感图像分类,且模糊相似性度量的引入获得了鲁棒性更好的相似矩阵,与现有方法相比,所提算法具有更好的高光谱遥...     

遗传和差分演化算法的特征选择在高光谱图像降维中的应用

高光谱遥感使宽波段遥感中不可探测的物质可以被探测,成为了遥感界的一场新的革命．由于高光谱遥感图像波段多、光谱分辨率高、数据量庞大,给高光谱遥感数据实际应用分析带来极大不便．以特征选择为目的,以协方差矩阵特征值法为评价算法,设计实现了基于遗传算法和差分演化算法的降维过程．通过与传统的序列向前搜索的特征选择进行对比实验,比照搜索结果和算法耗时,验证了演化算法在特征选择的实现过程中具有良好的性能,证明了演化算法在高光谱图像降维中的实用价值．其中差分演化算法搜索结果十分稳定,可以替代完全搜索来寻找最优解．     

基于冗余字典的高光谱图像的稀疏分解

基于冗余字典的稀疏表示方式能够以较少的数据量,更好地描述高光谱图像中的特征信息,是一种更有效的高光谱图像表示方法。根据高光谱图像自身的特点,使用梯度下降法学习冗余字典,首先固定字典,用梯度下降法训练系数;然后固定系数,再用同样的方法训练字典,以上两步交替进行,直到算法收敛;最后将这个字典用于高光谱图像的重构。实验结果表明,该方法获得了良好的重构效果。     

基于判别信息极限学习机的高光谱遥感图像分类

极限学习机（ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用,然而在高光谱遥感图像分类中,极限学习机算法不能较好地利用数据蕴含的判别信息,限制了ELM的分类性能。为此,提出一种基于判别信息极限学习机（IELM）,IELM继承了极限学习机的优势,并在一定程度上解决了极限学习机在有限高光谱遥感图像数据样本中学习不充分的问题。高光谱遥感图像分类实验结果表明,该算法具有较好的分类效果。     

高光谱图像与农产品品质无损检测研究进展

高光谱图像具有图谱合一的特性,高光谱成像技术是农产品品质检测技术的发展趋势。本文从介绍高光谱图像特性、农产品无损检测技术入手,对高光谱图像在水果蔬菜、肉类、经济作物、粮食籽粒等农产品品质的无损检测方面的研究进展进行了综述,详细分析了高光谱成像技术对农产品品质无损检测的研究难点及未来发展趋势。     

改进的基于密度峰值背景纯化的高光谱异常检测

高光谱图像具有光谱分辨率高的特点,包含了大量可区分不同地物的光谱信息,在异常目标探测领域具有独特的优势.高光谱的光谱维度较高,容易导致信息冗余,使高光谱图像异常目标与背景不容易被区分出来.为了解决这个问题,提出了一种改进的基于密度峰值背景纯化的高光谱图像异常目标检测算法.通过一个极限学习网络,获得一个低维的特征空间;计算双窗内像元的局部密度,滤除背景中的异常目标获得纯背景集;用协同表示算法进行异常检测,避免对背景进行假设及估计.实验表明该方法AUC值更高,能更好地实现异常目标和背景的分离,有效地对高光谱图像进行异常目标检测,同时部分数据集的检测时间也得到了一定程度的缩短.     

高光谱图像波段间相关特性研究

高光谱图像是一种具有高光谱分辨率的遥感图像,相比于多光谱图像,具有较多的波段数.这些波段之间存在较强的相关性,因而波段间也存在着冗余性.如何合理减少高光谱图像波段间的相关性,有效去除冗余,就成为高光谱图像处理研究的一个关键问题.基于此,对高光谱图像的相关特性进行了分析和研究.     

一种用于图像识别的稀疏增强概率协同表示分类算法

稀疏表示分类方法在图像遮蔽、弱光等情况下具有良好的应用及识别效果,但在测试样本少的环境下仍具有一定局限.将稀疏表示分类算法联合概率协同表示分类算法,以稀疏表示系数增强概率系统表示分类算法的表示系数,采用FERET、Multi-PIE与FRGC人脸数据库进行实验测试.结果显示,稀疏增强概率协同表示分类算法能够显著提升人脸...     

高光谱遥感图像矿物填图模块设计

针对光谱仪从野外测得的高光谱遥感数据,提出一种基于IDL的矿物组合填图模块,该模块主要利用光谱角度填图法（SAM）与光谱信息散度法（SID）对高光谱遥感图像进行矿物填图,并通过不同颜色填充能够对矿物进行区别并有选择地进行查看．     

基于多任务学习的高光谱图像语义分割算法

针对高光谱图像语义分割中空间信息利用不充分的问题,提出了一种基于多任务学习的语义分割算法,分别为语义分割及基于遥感指数的图像重建任务.网络主要由3D卷积和2D卷积组成,通过主成分分析(principal component analysis,PCA)来减少冗余信息,通过不同任务的重要程度优化两者的损失函数权重.2个特征...     

基于图结构正则化稀疏表示的双层伯格曼图像插值算法

为了提高图像插值的恢复效果,提出了一种基于图结构正则化稀疏表示的双层伯格曼迭代算法．该迭代算法的外层用于约束图像观测数据,内层用于更新图像块的学习字典和稀疏表示系数．引入的图结构正则化稀疏表示约束可以有效地自适应图像块的局部结构,对于严重受损的情形也能得到精确的恢复结果．此外,在内层迭代中改进的稀疏表示和简洁的字典更新策略使算法能快速地趋于收敛．数值实验结果表明,所提出的算法可以有效地恢复图像,在主观视觉效果和客观量化标准上要优于目前已有的算法．     

高光谱遥感的应用

高光谱遥感是近二十年发展起来的谱像和一的遥感前沿技术。虽然发展时间不长，但由于其本身的特点，使其获得了广泛的重视和应用。简要介绍了高光谱遥感的特点，然后试对近年来高光谱遥感技术的研究(主要是其数据特点及数据分析方法)和其应用状况作一综合性的阐述。     

压缩感知算法分析及其在图像加密中的应用

本研究提出一种基于混沌系统的图像加密方案,并对混沌加密序列进行了改进,使得这种序列具有更好的统计均匀特性,提高了加密图像抗破解攻击的难度.通过实验和理论分析可知,本加密算法满足密码学所需要的混沌与扩展特性.另外算法加解密简单也是算法设计的一个特点,这些特性使得本算法在图像加密和图像传输中具有一定的应用价值.