最新刊期
2021 年 第 26 卷 第 8 期
-
摘要：由于高光谱图像包含了丰富的光谱、空间和辐射信息，且具有光谱接近连续、图谱合一的特性，可用于地质勘探、精细农业、生态环境、城市遥感以及军事目标检测等领域的目标精准分类与识别。对高光谱图像进行空谱特征提取是遥感领域的研究热点和前沿课题之一。传统空谱特征提取方法对高光谱图像分类的计算量和样本需求小、理论可解释性好、抗噪声能力强，但应用于分类的精度受限于特征来源；基于深度学习的高光谱图像空谱特征提取方法虽然计算量和样本需求大，但是由于深层空谱特征的表达能力更好，可以大幅度提高分类器的性能。为了便于对高光谱图像空谱特征提取领域进行更深入有效的探索，本文系统综述了相关研究进展。首先，概述了空间纹理与形态学特征提取、空间邻域信息获取及空间信息后处理等传统高光谱空谱特征提取方法的原理，对大量的已有工作进行了梳理、分析与总结。然后，从深度空谱特征提取角度出发，介绍了当前流行的卷积神经网络、图卷积神经网络及跨场景多源数据模型的结构特点及研究进展，分析、评价了基于深度学习的网络模型对高光谱图像空谱特征提取的优势及问题所在。最后，对该研究领域的未来相关发展提出建议并进行了展望。关键词：高光谱图像(HSI);空谱特征提取;卷积神经网络(CNN);图卷积网络(GCN);多源数据融合;深度神经网络321|920|22更新时间：2024-05-07 -
摘要：高光谱成像(hyperspectral imaging，HSI)作为生物医学可视化的一种新兴技术，在生物医学领域的研究正逐渐受到关注。随着高光谱成像技术以及精准医学的迅速发展，将高光谱成像技术应用于近距离的医学诊断成为新的研究趋势。高光谱成像技术能同时获取生物组织的2维空间信息和1维光谱信息，覆盖可见光、红外和紫外等光谱范围，具有较高的光谱分辨率，可提供有关组织生理、形态和生化成分的诊断信息，为生物组织学研究提供更精细的光谱特征，进而为医学病理诊断提供更多辅助信息。本文介绍了高光谱成像技术的基本原理、高光谱显微成像系统的基本构成及特点。基于此，总结并阐述了高光谱成像技术在疾病诊断和手术指导中的应用进展，涉及其在癌症、心脏病、视网膜疾病、糖尿病足、休克、组织病理学和图像引导手术等方面的应用。综合分析了高光谱成像技术在生物医学领域应用的局限性，并提出了生物医学研究领域中该技术的未来发展方向。关键词：医学高光谱成像;精准医学;医学高光谱图像分析;疾病诊断;手术图像指导332|1568|8更新时间：2024-05-07
综述
-
摘要：目的受到传感器光谱响应范围的影响，可见光区域和近红外区域(400~2 500 nm)的高光谱数据通常使用不同的感光芯片进行成像，现有这一光谱区域典型的高光谱成像系统，如AVIRIS (airborne visible infrared imaging spectrometer)成像光谱仪，通常由多组感光芯片组成，整个成像系统成本和体积通常比较大，严重限制了该谱段高光谱探测技术的发展。为了能够扩展单感光芯片成像系统获得的高光谱图像的光谱范围，本文探索基于卷积神经网络的近红外光谱数据预测技术。方法结合AVIRIS成像光谱仪的光谱配置，设计了基于残差学习的红外谱段图像预测网络，利用计算成像的方式从可见光范围的高光谱图像预测出近红外波段的光谱图像，并在典型的卫星高光谱遥感数据上进行红外光谱预测重构和基于重构的数据分类实验，以验证论文提出的红外光谱数据预测技术的可行性以及有效性。结果本文设计的预测网络在Cuprite数据集上得到的预测近红外图像峰值信噪比为40.145 dB，结构相似度为0.996，光谱角为0.777 rad；在Salinas数据集上得到的预测近红外图像峰值信噪比为39.55 dB，结构相似性为0.997，光谱角为1.78 rad。在分类实验中，相比于只使用可见光图像，利用预测的近红外图像使得支持向量机(support vector machine，SVM)的准确率提升了0.6%，LeNet的准确率提升了1.1%。结论基于AVIRIS传感器获取的两组典型卫星高光谱数据实验表明，本文提出的红外光谱数据预测技术不仅可基于计算成像的方式扩展可见光光谱成像系统的光谱成像范围，对于减小成像系统体积和质量具有重要意义，而且可有效提高可见光区域光谱图像数据在典型应用中的处理性能，对于提高高光谱数据处理精度提供新的技术支撑。关键词：深度学习;卷积神经网络(CNN);高光谱图像;光谱预测;高光谱分类87|161|1更新时间：2024-05-07 -
摘要：目的针对现有多光谱成像系统存在成本高、结构复杂、操作难度大和响应速度慢等问题。因此，本文提出了一种基于脉冲调制的低成本便携式多光谱成像系统，并采用客观图像质量评估(image quality assessment，IQA)的方法对其系统参数进行优化。方法该系统主要由光源模块、控制模块、图像采集模块和图像分析模块4部分组成。光源模块采用9个波长的LED (light emitting diode)阵列，其中心波长为365 nm、390 nm、460 nm、515 nm、585 nm、620 nm、650 nm、730 nm和840 nm；控制模块主要包括LED驱动电路和USB (universal serial bus)电源，可以通过发送一定时间间隔的脉冲波来分时点亮LED，并通过一定阻抗匹配使LED发光强度达到最大值；图像采集模块主要使用去除红外截止滤波片的高清红外工业相机，该相机的最佳光谱感应范围包含所选的9个LED灯珠的中心波长；图像分析模块主要执行客观图像质量评估算法。系统执行时，STC89C51单片机发射周期为T的脉冲波来驱动9种不同波长的LED分时点亮。然后，计算机平台调用高清红外相机模组，以相匹配的间隔捕获多光谱图像。在系统拍摄参数优化实验中，本文采用模糊度和清晰度评价指标对所获得的多光谱图像从相机拍摄时间间隔、相机拍摄距离和光照强度3个角度进行质量评估，进而获得较优的系统成像参数。结果通过改变系统拍摄参数，对3个场景下的不同拍摄条件所获取的多光谱图像质量进行评估，结果显示：对于本文所搭建的多光谱成像系统，相机拍摄时间间隔与LED灯珠频闪周期同步，拍摄距离为25 mm，光照强度为45 Lux下成像质量相对较好。结论本文设计并搭建的基于脉冲调制的低成本便携式多光谱成像系统成本低、操作难度小、结构简单、成像质量较好、成像速度较快，可以满足多光谱成像系统大规模推广使用的要求。此外，本文的系统设计方法、设计思路和实验方案等可以为后续研究提供借鉴。关键词：脉冲调制;多光谱成像;图像质量评价;实验设计优化;嵌入式系统;图像处理90|338|3更新时间：2024-05-07
高光谱成像技术新进展
-
摘要：目的场景分类是遥感领域一项重要的研究课题，但大都面向高分辨率遥感影像。高分辨率影像光谱信息少，故场景鉴别能力受限。而高光谱影像包含更丰富的光谱信息，具有强大的地物鉴别能力，但目前仍缺少针对场景级图像分类的高光谱数据集。为了给高光谱场景理解提供数据支撑，本文构建了面向场景分类的高光谱遥感图像数据集(hyperspectral remote sensing dataset for scene classification，HSRS-SC)。方法HSRS-SC来自黑河生态水文遥感试验航空数据，是目前已知最大的高光谱场景分类数据集，经由定标系数校正、大气校正等处理形成。HSRS-SC分为5个类别，共1 385幅图像，且空间分辨率较高(1 m)，波长范围广(380~1 050 nm)，同时蕴含地物丰富的空间和光谱信息。结果为提供基准结果，使用AlexNet、VGGNet-16、GoogLeNet在3种方案下组织实验。方案1仅利用可见光波段提取场景特征。方案2和方案3分别以加和、级联的形式融合可见光与近红外波段信息。结果表明有效利用高光谱影像不同波段信息有利于提高分类性能，最高分类精度达到93.20%。为进一步探索高光谱场景的优势，开展了图像全谱段场景分类实验。在两种训练样本下，高光谱场景相比RGB图像均取得较高的精度优势。结论HSRS-SC可以反映详实的地物信息，能够为场景语义理解提供良好的数据支持。本文仅利用可见光和近红外部分波段信息，高光谱场景丰富的光谱信息尚未得到充分挖掘。后续可在HSRS-SC开展高光谱场景特征学习及分类研究。关键词：遥感;场景分类;高光谱图像;基准数据集;深度学习470|199|6更新时间：2024-05-07
数据集论文
-
摘要：目的高光谱成像技术因其能够获取目标的详细空间和光谱信息，在医学领域引起了广泛关注。然而，对于识别任务来说，高光谱图像的高维特征通常会导致分类器性能不佳。因此，降维在高光谱图像分析过程中至关重要。为了在低维空间中保留医学高光谱图像的多流形结构信息并增强特征判别能力，本文提出了一种基于张量表示的拉普拉斯稀疏低秩图嵌入方法(tensor-based Laplacian regularized sparse and low-rank graph，T-LapSLRG)，用于医学高光谱图像的判别分析。方法在T-LapSLRG中，基于有标签的张量样本，通过引入稀疏、低秩约束及流形正则项以构造监督张量图。张量表示用于捕获空间结构信息，稀疏和低秩约束用于保留局部和全局结构信息，流形正则项用于利用固有的几何信息并增强特征判别能力。通过引入张量图嵌入技术获取数据的低维特征并输入分类器以实现数据的分类及识别。结果实验数据采用膜性肾病数据集，通过降维方法获取数据的低维特征，使用支持向量机(support vector machine，SVM)分类器对获取的低维特征进行分类。将T-LapSLRG获得的实验结果与相关的降维方法获得的实验结果进行性能比较，以证明T-LapSLRG算法的有效性。采用4个性能指标，即各个类别的准确性、总体准确性(overall accuracy，OA)、平均准确性(average accuracy，AA)和Kappa系数衡量分类性能。T-LapSLRG在膜性肾病数据集下的OA为97.14%，AA为97.05%，Kappa为0.942，各项性能指标均优于对比方法。其中，OA高出1.40%~34.75%，AA高出1.46%~36.89%，Kappa高出0.031~0.73。此外，通过T-LapSLRG算法获得的各个患者的分类准确率均达到90%以上。结论T-LapSLRG算法在膜性肾病诊断中具有潜在临床价值。关键词：医学高光谱图像;膜性肾病;张量;降维(DR);图嵌入141|121|1更新时间：2024-05-07 -
摘要：目的胆管癌高光谱图像的光谱波段丰富但存在冗余，造成基于深度神经网络高光谱图像分割方法的分割精度下降，虽然一些基于通道注意力机制的网络能够关注重要通道，但在处理通道特征时存在信息表示不足问题，因此本文研究构建一种新的通道注意力机制深度网络，以提高分割准确性。方法提出了傅里叶变换多频率通道注意力机制(frequency selecting channel attention，FSCA)。FSCA对输入特征进行2维傅里叶变换，提取部分频率特征，再通过两层全连接层得到通道权重向量，将通道权重与对应通道特征相乘，获得了融合通道注意力信息的输出。针对患癌区域和无癌区域数据不平衡问题引入了Focal损失，结合Inception模块，构建基于Inception-FSCA的胆管癌高光谱图像分割网络。结果在采集的胆管癌高光谱数据集上进行实验，Inception-FSCA网络的准确率(accuracy)、精度(precision)、敏感性(sensitivity)、特异性(specificity)、Kappa系数分别为0.978 0、0.965 4、0.958 6、0.985 2、0.945 6，优于另外5种对比方法。与合成的假彩色图像的分割结果相比，高光谱图像上的实验指标分别提高了0.058 4、0.105 8、0.087 5、0.039 0、0.149 3。结论本文所提出的傅里叶变换多频率通道注意力机制能够更有效地利用通道信息，基于Inception-FSCA的胆管癌高光谱图像分割网络能够提升分割效果，在胆管癌医学辅助诊断方面具有研究和应用价值。关键词：胆管癌高光谱图像;卷积神经网络(CNN);图像分割;通道注意力机制;傅里叶变换107|79|5更新时间：2024-05-07
高光谱医学诊断
-
摘要：目的高光谱异常检测由于其重要的应用价值，引起了研究人员的广泛关注，但大部分的检测算法，往往直接利用输入的高光谱遥感影像所携带的光谱信息或者空谱信息进行检测。考虑到由于成像过程的限制，如成像条件的复杂性以及光谱通道众多导致的每个通道光子数量有限等问题，所获取的高光谱遥感影像往往在一定程度上偏离真实场景，而这也制约了异常检测的精度。针对此问题，本文提出了一种局部梯度轮廓变换的高光谱遥感影像异常检测算法。方法为了在不影响算法性能的基础上减少计算复杂度，首先选取部分可能的异常像元，只对这些局部的异常像元可能位置进行梯度轮廓变换。其次，将变换后的梯度轮廓用于指导原始高光谱遥感影像的空域增强。最后，对增强后的高光谱遥感影像进行检测。通过将局部梯度轮廓用于影像的增强，避免了成像过程中由于细节损失而造成检测精度受限的情况。结果实验在来自4个数据集的6幅高光谱遥感影像上进行了性能验证。首先利用经典的Global-RX（Reed Xiaoli）检测算法同时检测本文算法增强后的影像和原始影像，分别取得的平均AUC（area under curve）值为0.987 1和0.933 6，本文算法带来了0.053 5的精度提升；同时，通过与其他3种预处理方法进行比较，证明了本文局部梯度轮廓变换方法的有效性；更进一步，利用基于协同表示CRD（collaborative representation-based detector）的检测器对增强后的影像和原始影像分别进行检测，分别取得的平均AUC值为0.990 7和0.977 5，检测结果再次验证了本文算法能够有效提升影像的检测精度；通过对比，实验数据表明本文所采用的局部梯度轮廓变换可减少约37.82%的时间复杂度。结论本文算法通过将局部的梯度轮廓进行变换并用于指导原始影像的增强过程，使得影像的空间轮廓信息更为锐利，更为接近真实场景，从而获得异常检测结果的提升。关键词：高光谱;遥感影像;异常检测;梯度轮廓;信息增强107|225|0更新时间：2024-05-07 -
摘要：目的高光谱遥感中，通常利用像素的光谱特征来区分背景地物和异常目标，即通过二者之间的光谱差异来寻找图像中的异常像元。但传统的异常检测算法并未有效挖掘光谱的深层特征，高光谱图像中丰富的光谱信息没有被充分利用。针对这一问题，本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法，利用深度学习技术提取高光谱图像的深层非线性特征，提高异常检测精度。方法采用像素配对的思想构建训练样本，与原始数据集相比，配对得到的新数据集数量呈指数增长，从而满足深度网络对数据集数量的需求。搭建含有特征提取模块和特征处理模块的孪生网络模型，其中，特征处理模块中的卷积层可以专注于提取像素对之间的差异特征，随后利用新的训练像素对数据集进行训练，并将训练好的分类模型固定参数，迁移至检测过程。用滑动双窗口策略对测试集进行配对处理，将测试像素对数据集送入网络模型，得到每个像素相较于周围背景像素的差异性分数，从而识别测试场景中的异常地物。结果在异常检测的实验结果中，本文提出的孪生网络模型在San Diego数据集的两幅场景和ABU-Airport数据集的一幅场景上，得到的AUC（area under the curve）值分别为0.993 51、0.981 21和0.984 38，在3个测试集上的表现较传统方法和基于卷积神经网络的异常检测算法具有明显优势。结论本文方法可以提取输入像素对的深层光谱特征，并根据其特征的差异性，让网络学习到二者的区分度，从而更好地赋予待测像素相对于周围背景的异常分数。本文方法相对于卷积神经网络的异常检测方法可以有效地降低虚警，与传统方法相比能够更加明显地突出异常目标，提高了检测率，同时也具有较强的鲁棒性。关键词：高光谱图像;异常检测;深度学习;孪生神经网络;像素配对策略;滑动双窗口179|56|3更新时间：2024-05-07 -
摘要：目的由于在军事和民用应用中的重要作用，高光谱遥感影像异常检测在过去的20~30年里一直都是备受关注的研究热点。然而，考虑到异常点往往藏匿于大量的背景像元之中，且只占据很少的数量，给精确检测带来了不小的挑战。针对此问题，基于异常点往往表现在高频的细节区域这一前提，本文提出了一种基于异常点粗定位和协同表示的高光谱遥感影像异常检测算法。方法对输入的原始高光谱遥感影像进行空间维的降质操作；通过衡量降质后影像与原始影像在空间维的差异，粗略定位可能的异常点位置；将粗定位的异常点位置用于指导像元间的协同表示以重构像元；通过衡量重构像元与原始像元的差异，从而进一步优化异常检测结果。结果在4个数据集上与6种方法进行了实验对比。对于San Diego数据集，次优算法和本文算法分别取得的AUC（area under curve）值为0.978 6和0.994 0；对于HYDICE（hyperspectral digital image collection equipment）数据集，次优算法和本文算法的AUC值为0.993 6和0.998 5；对于Honghu数据集，次优算法和本文方法的AUC值分别为0.999 2和0.999 3；对Grand Isle数据集而言，尽管本文方法以0.001的差距略低于性能第1的算法，但从目视结果图中可见，本文方法所产生的虚警目标远少于性能第1的算法。结论本文所提出的粗定位和协同表示的高光谱异常检测算法，综合考虑了高光谱遥感影像的谱间特性，同时还利用了其空间特性以及空间信息的先验分布，从而获得异常检测结果的提升。关键词：高光谱;遥感影像;异常检测;粗定位;协同表示126|168|1更新时间：2024-05-07 -
摘要：目的海洋资源调查是海洋科学研究的重要组成部分，对于开发利用海洋资源、保护海洋环境有重要意义。将深海高光谱图像用于调查洋底锰结核资源，相比传统图像方法信息更为全面，识别更为准确。但是高光谱方法中用于有监督分类识别的分类器需要人工标定的标签，这在深海环境中是较为困难的。针对这一局限性，本文提出了一种融合深度网络与模糊核聚类的深度模糊核聚类（deep kernel fuzzy C-means，DKFCM）算法，实现对洋底锰结核高光谱图像的无监督聚类。方法DKFCM由随机深度卷积网络（Rdnet）及改进的模糊核聚类算法两大模块组成。Rdnet通过降维、随机图块卷积及非线性激活操作的循环，实现对高光谱图像浅层及深层特征的提取，融合这两类特征作为后续聚类识别的输入。改进的模糊核聚类算法先用欧氏距离计算初始聚类中心，再用模糊核聚类的方法以实现海洋资源的准确分类。结果实验结果表明，DKFCM无监督聚类能有效聚类洋底资源，对锰结核的聚类准确率达到76.59%，相比单用K-means聚类提高了20.99%，相比经Rdnet提取特征后再用K-means聚类提高了13.76%，对比实验表明DKFCM算法在无标签数据的情况下也能达到良好的准确率。结论本文所提的高光谱深度模糊核聚类方法，实现了深海锰结核的无监督聚类，可以用于海洋资源量的评估。关键词：高光谱图像;深度学习;卷积网络;特征提取;聚类;锰结核124|122|1更新时间：2024-05-07
高光谱图像目标检测与识别
-
摘要：目的针对当前空谱融合方法应用到高光谱图像融合时，出现的空间细节信息提升明显但光谱失真，或者光谱保真度高但空间细节信息提升不足的问题，本文提出一种波段自适应细节注入的高分五号（GF-5）高光谱图像（30 m）与Sentinel-2多光谱图像（10 m）的遥感影像空谱融合方法。方法首先，为了解决两个多波段图像不便于直接融合的问题，提出一种波段自适应的融合策略，对多光谱图像波谱范围以外的高光谱图像波段，以相关系数为标准将待融合图像进行分组。其次，针对传统Gram-Schmidt（GS）融合方法用平均权重系数模拟低分辨率图像造成的光谱失真问题，使用最小均方误差估计计算线性拟合系数，再将拟合图像作为第1分量进行GS正变换，提升融合图像的光谱保真度。最后，为了能同时注入更多的空间细节信息，通过非下采样轮廓波变换将拟合图像、空间细节信息图像和多光谱图像的空间、光谱信息融入到重构的高空间分辨率图像中，再将其与其他GS分量一起进行逆变换，最终得到10 m分辨率的GF-5融合图像。结果通过与当前用于高光谱图像空谱融合的典型方法比较，本文方法对于受时相影响较小的城镇区域，在提升空间分辨率的同时有较好的光谱保真度，且不会出现噪点；对于受时相变化影响大的植被密集区域，本文方法融合图像有较好的清晰度和地物细节信息，且没有噪点出现。本文方法的CC（correlation coefficient）、ERGAS（erreur relative globale adimensionnelle de synthèse）和SAM（spectral angle mapper）相比于传统GS方法分别提升8%、26%和28%，表明本文方法的光谱保真度大大提高。结论本文方法的结果空间上没有噪点且光谱曲线与原始光谱曲线基本保持一致，是一种兼具高空间分辨率和高光谱保真度的高光谱图像融合方法。关键词：遥感;空谱融合;高分五号(GF-5);Sentinel-2;Gram-Schmidt(GS)变换;非下采样轮廓波变换(NSCT);高光谱图像;多传感器195|210|4更新时间：2024-05-07 -
摘要：目的高光谱图像复原是高光谱领域中一个重要的预处理步骤，能够有效去除成像条件所带来的不利影响，提升后续处理任务的精度。张量核范数被广泛应用于高光谱复原问题中，得到了较好的结果。然而，在张量核范数的定义中，它对张量所有奇异值使用相同的阈值进行收缩，未充分考虑高光谱的物理意义，得到了次优的结果。为了提升高光谱图像复原的精度，本文提出了基于频率加权张量核范数的高光谱复原算法。方法在张量的频率域内，对清晰的高光谱图像添加噪声，图像信息在低频部分变化较小，而在高频部分变化巨大。基于这样的物理意义，定义了一种频率加权张量核范数来逼近张量秩函数，提出了频率域权重的自适应确定方法，让其能减少对低频部分的收缩，同时加大高频部分惩罚。然后将其应用于高光谱图像复原和去噪问题中，并基于交替方向乘子法设计了相应最小化问题的快速求解算法。结果在4个高光谱数据集上与相关方法进行对比仿真实验，高采样率条件下在Washington DC Mall数据集上，相比性能第2的模型，本文模型复原结果的PSNR（peak signal-to-noise ratio）提升了1.76 dB；在Stuff数据集上，PSNR值提升了2.91 dB。高噪声条件下，在Pavia数据集上相比性能第2的模型，本文模型去噪结果的PSNR提升了8.61 dB；在Indian数据集上，PSNR值提升了10.77 dB。结论本文模型可以更好地探索高光谱图像的低秩特性，使复原的图像在保持主体信息的同时，复原出更多图像纹理细节。关键词：高光谱;图像复原;低秩;张量核范数;频率域加权92|339|3更新时间：2024-05-07
高光谱图像融合与恢复
-
摘要：目的受限于卷积核形状固定，传统卷积神经网络（convolutional neural network，CNN）方法难以精确分类高光谱图像（hyperspectral image，HSI）中的跨类别边缘区域，导致地物边界模糊。内容引导CNN（content-guided CNN，CGCNN）能够根据地物形态自适应调整卷积核形状，具有地物边缘保持分类能力。但由于内容引导卷积属于非固定模板结构，不能直接调用现有深度学习加速库实现并行计算。针对该问题，本文设计了一种内容引导卷积的并行计算方法，并验证其加速及分类性能。方法本文基于内容引导卷积等价于各向异性核加权和标准卷积的组合结构，通过利用深度学习库中的平铺、堆叠、网格和采样等底层函数构造索引矩阵来定义重采样方式，以将内容引导卷积分解为与空间位置无关的像素级独立计算过程，并在图形处理器（graphics processing unit，GPU）上并行执行。结果经测试，本文提出的并行化内容引导卷积相比串行运算方式平均提速近700倍。在分类性能测试中，并行化CGCNN在合成数据集上表现出优异的细节保持分类能力，总精度平均高于对比方法7.10%；同时在两组真实数据集上亦取得最优分类结果，分别高于对比方法7.21%、2.70%。结论通过将内容引导卷积分步拆解，能够将其转化为一系列并行计算过程，且能够在GPU上高效执行；并通过在多组数据集上的分类精度、参数敏感度和小样本学习等综合性能测试进一步表明，并行化CGCNN在具有优良分类性能的同时，亦具有对不同地物的边缘保持分类能力，能够获得更精细的分类结果。关键词：内容引导卷积;深度学习;高光谱图像(HSI)分类;并行加速;边缘保持分类65|147|3更新时间：2024-05-07 -
摘要：目的在高光谱图像分类中，由于成像空间分辨率较低，混合像元大量存在。混合像元使得不同类别的光谱特征发生改变，失去原有的独特性，类内差异变大，类间差异变小。针对这一问题，本文提出基于分组滚动引导滤波的策略。同时针对高光谱图像中存在的“维数灾难”问题，提出了弹性网逻辑回归分类器的框架。方法通过线性判别分析（linear discriminant analysis，LDA）算法生成具有判别性的引导图，对高光谱图像的每个波段执行滚动引导，从而让光谱曲线呈现类内凝聚、类间距离增大的趋势。通过构造逻辑回归目标函数的L1&L2范数正则项约束进行嵌入式波段选择，为每个类别选择出各自可分性强的波段，同时可以使高度相关性的波段保留下来作为分类依据。最后使用邻域优化策略对分类后结果进一步优化，提升分类精度。结果分别在3个实验数据集上与其他分类算法进行对比，实验结果表明，本文算法的分类结果取得明显提升。本文算法的总体分类精度（overall accuracy，OA）在Indian Pines、Salinas和KSC（Kennedy Space Center）数据集上分别为96.61%、98.66%和99.04%，比其他算法平均分别高出4.8%、3%和1%，同时也在Indina Pines数据集中进行了对比实验以验证增强混合像元光谱可分性和波段可分性算法的有效性，对比实验结果表明本文算法改善了分类效果。结论分别在光谱特性和波段选择两个环节增强类可分性，分类精度取得明显提升；同时，本文算法适合不同的数据集，并且在不同数量的训练样本下OA均表现较优，算法具有一定的鲁棒性。关键词：遥感;高光谱图像分类;增强类可分性;分组滚动引导滤波;弹性网逻辑回归116|193|3更新时间：2024-05-07 -
摘要：目的目前高光谱图像决策融合方法主要采用以多数票决（majority vote，MV）为代表的硬决策融合和以对数意见池（logarithmic opinion pool，LOGP）为代表的软决策融合策略。由于这些方法均使用统一的权重系数进行决策融合，没有对子分类器各自的分类性能进行评估而优化分配权重系数，势必会影响最终的分类精度。针对该问题，本文对多数票决和对数意见池融合策略进行了改进，提出了面向高光谱图像分类的自适应决策融合方法。方法根据相关系数矩阵对高光谱图像进行波段分组，对每组波段进行空谱联合特征提取；利用高斯混合模型（Gaussian mixture model，GMM）或支持向量机（support vector machine，SVM）分类器对各组空谱联合特征进行分类；最后，采用本文研究的两种基于权重系数优化分配的自适应融合策略对子分类器的分类结果进行决策融合，使得分类精度低的波段组和异常值对最终分类结果的影响达到最小。结果对两个公开的高光谱数据集分别采用多种特征和两种分类器组合进行实验验证。实验结果表明，在相同特征和分类器条件下，本文提出的自适应多数票决策融合策略（adjust majority vote，adjustMV）、自适应对数意见池决策融合策略（adjust logarithmic opinion pool，adjustLOGP）比传统的MV决策融合策略、LOGP决策融合策略对两个数据集的分类精度均有大幅度提高。Indian Pines数据集上，adjustMV算法的分类精度比相应的MV算法平均提高了1.2%，adjustLOGP算法的分类精度比相应的LOGP算法平均提高了7.38%；Pavia University数据集上，adjustMV算法的分类精度比相应的MV算法平均提高了2.1%，adjustLOGP算法的分类精度比相应的LOGP算法平均提高了4.5%。结论本文提出的自适应权重决策融合策略为性能较优的子分类器（即对应于分类精度高的波段组）赋予较大的权重，降低了性能较差的子分类器与噪声波段对决策融合结果的影响，从而大幅度提高分类精度。所研究的决策融合策略的复杂度和计算成本均较低，在噪声环境中具有更强的鲁棒性，同时在一定程度上解决了高光谱图像分类应用中普遍存在的小样本问题。关键词：高光谱图像分类;空谱特征提取;决策融合;多数票决;自适应权重69|18|1更新时间：2024-05-07 -
摘要：目的随着高光谱成像技术的飞速发展，高光谱数据的应用越来越广泛，各场景高光谱图像的应用对高精度详细标注的需求也越来越旺盛。现有高光谱分类模型的发展大多集中于有监督学习，大多数方法都在单个高光谱数据立方中进行训练和评估。由于不同高光谱数据采集场景不同且地物类别不一致，已训练好的模型并不能直接迁移至新的数据集得到可靠标注，这也限制了高光谱图像分类模型的进一步发展。本文提出跨数据集对高光谱分类模型进行训练和评估的模式。方法受零样本学习的启发，本文引入高光谱类别标签的语义信息，拟通过将不同数据集的原始数据及标签信息分别映射至同一特征空间以建立已知类别和未知类别的关联，再通过将训练数据集的两部分特征映射至统一的嵌入空间学习高光谱图像视觉特征和类别标签语义特征的对应关系，即可将该对应关系应用于测试数据集进行标签推理。结果实验在一对同传感器采集的数据集上完成，比较分析了语义—视觉特征映射和视觉—语义特征映射方向，对比了5种基于零样本学习的特征映射方法，在高光谱图像分类任务中实现了对分类模型在不同数据集上的训练和评估。结论实验结果表明，本文提出的基于零样本学习的高光谱分类模型可以实现跨数据集对分类模型进行训练和评估，在高光谱图像分类任务中具有一定的发展潜力。关键词：高光谱图像分类;深度学习;特征提取;零样本学习;高光谱语义特征178|203|1更新时间：2024-05-07 -
摘要：目的高光谱影像（hyperspectral image，HSI）中“同物异谱，异物同谱”的现象普遍存在，使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样，单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法结合多尺度超像素和奇异谱分析，提出一种新的高光谱影像分类方法，从而充分挖掘地物的局部空间特征和光谱特征，解决空间尺度和光谱混淆的问题，提高分类精度。利用多尺度超像素对影像进行分割，获取不同尺度的分割影像，同时在分割区域内进行均值滤波，减少类内的光谱差异，增强类间的光谱差异；对每个区域计算平均光谱向量，并利用奇异谱分析方法获取光谱的主要鉴别特征，同时消除噪声的影响；利用支持向量机对不同尺度超像素分割影像进行分类，并进行决策融合，得到最终的分类结果。结果实验选取了两个标准高光谱数据集和一个真实数据集，结果表明，利用本文算法提取的光谱—空间特征进行分类，比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度；与先进的深度学习SSRN（spectral-spatial residual network）算法相比，本文算法在精度上分别提升约5.2%、0.7%和4%，并且运行时间仅为前者的18.3%、45.4%和62.1%，处理效率更高。此外，在训练样本有限的情况下，两个标准数据集的样本分别为1%和0.2%时，本文算法均能取得87%以上的分类精度。结论针对高光谱影像分类中的难题，提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明，本文方法优于对比方法，可以产生更精细的分类结果。关键词：高光谱影像分类;超像素;奇异谱分析(SSA);决策融合;支持向量机(SVM)79|148|5更新时间：2024-05-07 -
摘要：目的地物分类是对地观测研究领域的重要任务。高光谱图像具有丰富的地物光谱信息，可用于提升遥感图像地物分类的准确度。如何对高光谱图像进行有效的特征提取与表示是高光谱图像分类应用的关键问题。为此，本文提出了一种结合倒置特征金字塔和U-Net的高光谱图像分类方法。方法对高光谱数据进行主成分分析（principal component analysis，PCA）降维，获取作为网络输入的重构图像数据，然后使用U-Net逐层提取高光谱重构图像的空间特征。与此同时，利用倒置的特征金字塔网络抽取相应层级的语义特征；通过特征融合，得到既有丰富的空间信息又有较强烈的语义响应的特征表示。提出的网络利用注意力机制在跳跃连接过程中实现对背景区域的特征响应抑制，最终实现了较高的地物分类精度。结果分析了PCA降维方法和输入数据尺寸对分类性能的影响，并在Indian Pines、Pavia University、Salinas和Urban数据集上进行了对比实验。本文方法在4个数据集上分别取得了98.91%、99.85%、99.99%和87.43%的总体分类精度，与支持向量机（support vector machine，SVM）等相关算法相比，分类精度高出1%~15%。结论本文提出一种结合倒置特征金字塔和U-Net的高光谱图像分类方法，可以应用于有限训练样本下的高光谱图像分类任务，并在多个数据集上取得了较高的分类精度。实验结果表明倒置特征金字塔结构与U-Net结合的算法能够高效地实现高光谱图像的特征提取与表示，从而获得更精细的分类结果。关键词：高光谱图像分类;稀少样本;倒置特征金字塔网络(IFPN);U-Net;特征融合100|153|3更新时间：2024-05-07 -
摘要：目的与传统分类方法相比，基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题，提出一种堆叠像元空间变换信息的数据扩充方法，用于解决训练样本不足的问题，并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型，来提取高光谱图像的本质空谱特征。方法通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作，丰富中心像元的潜在空间信息，达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征，实现更高精度的分类。结果5次重复实验后取平均的结果表明，在随机选取了10%训练样本并通过8倍数据扩充的情况下，Indian Pines数据集实现了98.34%的总体分类精度，Pavia University数据集总体分类精度达到99.63%，同时对比了不同算法的运行时间，在保证分类精度的前提下，本文算法的运行时间短于对比算法，保证了分类模型的稳定性、高效性。结论本文提出的基于双通道卷积神经网络的高光谱图像分类模型，既解决了训练样本不足的问题，又综合了高光谱图像的光谱特征和空间特征，提高了高光谱图像的分类精度。关键词：高光谱图像;有监督分类;空谱结合;卷积神经网络(CNN);深度学习;数据扩充166|166|4更新时间：2024-05-07 -
摘要：目的高光谱图像分类是遥感领域的基础问题，高光谱图像同时包含丰富的光谱信息和空间信息，传统模型难以充分利用两种信息之间的关联性，而以卷积神经网络为主的有监督深度学习模型需要大量标注数据，但标注数据难度大且成本高。针对现有模型的不足，本文提出了一种无监督范式下的高光谱图像空谱融合方法，建立了3D卷积自编码器（3D convolutional auto-encoder，3D-CAE）高光谱图像分类模型。方法3D卷积自编码器由编码器、解码器和分类器构成。将高光谱数据预处理后，输入到编码器中进行无监督特征提取，得到一组特征图。编码器的网络结构为3个卷积块构成的3D卷积神经网络，卷积块中加入批归一化技术防止过拟合。解码器为逆向的编码器，将提取到的特征图重构为原始数据，用均方误差函数作为损失函数判断重构误差并使用Adam算法进行参数优化。分类器由3层全连接层组成，用于判别编码器提取到的特征。以3D-CNN（three dimensional convolutional neural network）为自编码器的主干网络可以充分利用高光谱图像的空间信息和光谱信息，做到空谱融合。以端到端的方式对模型进行训练可以省去复杂的特征工程和数据预处理，模型的鲁棒性和稳定性更强。结果在Indian Pines、Salinas、Pavia University和Botswana等4个数据集上与7种传统单特征方法及深度学习方法进行了比较，本文方法均取得最优结果，总体分类精度分别为0.948 7、0.986 6、0.986 2和0.964 9。对比实验结果表明了空谱融合和无监督学习对于高光谱遥感图像分类的有效性。结论本文模型充分利用了高光谱图像的光谱特征和空间特征，可以做到无监督特征提取，无需大量标注数据的同时分类精度高，是一种有效的高光谱图像分类方法。关键词：遥感图像分类;空谱特征融合;3D-CNN;自编码器;卷积神经网络(CNN);深度学习199|250|2更新时间：2024-05-07
高光谱图像分类
- 地址：北京市海淀区北四环西路19号中科院电子所主楼223室 邮编：100190
- 联系电话：010-58887035/58887030/58887418 Email：jig@aircas.ac.cn
- 技术支持由北京北大方正电子有限公司提供 京ICP备05080539号-4
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0