摘要：为了在有限训练样本情况下充分提取高光谱影像的空间光谱特征,提高分类精度,提出一种结合空洞卷积和密集网络的高光谱影像分类方法。首先,构建多尺度空洞特征提取模块,引入不同数量的空洞卷积层和普通卷积层通过级联的方式增大模型的感受野,并提取多尺度特征。然后,在多尺度空洞特征提取模块之间建立密集连接,实现特征复用的同时缓解梯度消失问题,而模块内部无密集连接,避免构建深度网络而导致网络参数过多的问题。最后,将得到的特征依次通过池化层,全连接层和Softmax层完成分类。另外,本文在全连接层后加入dropout正则化防止出现过拟合。在Indian Pines和WHU-Hi-Longkou数据集上与经典分类方法进行对比,本文方法 OA分别为98.75%和98.82%。实验结果表明,本文设计的网络模型在有限训练样本情况下,分类效果最优。

摘要：针对高光谱影像分类方法精度不足的问题,提出一种基于空间-频谱变换(Spectral-Spatial Transformer,SST)网络的高光谱影像分类方法。首先,将高光谱影像预处理为一维特征向量。然后,设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%,表明此方法具有较高的分类精度,为高光谱影像分类及应用提供了一种新方案。

摘要：针对高光谱影像中地物的尺度复杂多样,并且存在“同物异谱、同谱异物”现象,给影像的解译和分类带来了困难,以及高光谱影像维度过高容易造成分类中的维数灾难等难题,提出了一种结合超像素的改进二维奇异谱分析(two-dimensional singular spectrum analysis combining with superpixels,S2DSSA),与局部Fisher判别分析(local Fisher discriminant analysis,LFDA)相融合,共同提取影像的光谱-空间特征,并使用支持向量机(support vector machine,SVM)来进行分类,记为S2DSSA-LFDA-SVM的方法。超像素2DSSA将2DSSA作用于每个构造的超像素规则区域,能够自适应地提取地物的空间特征。在其基础上,LFDA进一步挖掘光谱维度的流形结构,实现光谱特征提取和降维。实验结果证明,在两个经典高光谱数据集上,所提出方法的总体精度相比于原始数据分别提升了31.7%和12.9%,相比于其他先进的光谱-空间分类算法有2%~6%不同程度的提升。

摘要：高光谱遥感可以捕获地表近乎连续的光谱曲线,以较高的光谱诊断能力对地表农作物进行精细分类与识别。传统基于深度学习的高光谱分类算法中空间、光谱特征捕捉利用困难、冗余特征筛选能力不足、模型约束过于单一等问题,导致农作物类型复杂且样本分布不均区域分类模型性能下降。该研究提出一种基于空间-光谱双分支动态特征选择的高光谱分类算法,在结合通道注意力机制和空间注意力机制进行空间-光谱特征提取的基础上,通过门控卷积层对提取到的特征进行相关性的计算和处理,实现空间维度和通道维度上的特征动态选择,并分别从空间、光谱和联合特征3个角度对分类结果约束,结合分类损失函数实现高光谱影像的分类任务。结果表明,在JAAS(Jiangsu academy of agricultural sciences,江苏省农业科学院)高光谱农作物分类数据集上,该研究算法总体精度、Kappa系数分别为99.35%和99.20%,相较于专为高光谱分类设计的算法CDCNN(contextual deep convolution network,上下文深层卷积网络)、WCRN(wide contextual residual network,广义上下文残差网络)、DBDA(double-branch dual-attention mechanism network,双分支双注意力机制网络)、DCNN(dual-channel convolution network,双通道卷积网络)分别提升了4.91%和6.12%、6.82%和8.53%、2.12%和2.63%、2.04%和2.54%;在公开数据集WHU-Hi-HanChuan区域,总体精度、Kappa系数分别为99.49%、99.41%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.67%和1.96%、3.23%和3.80%、2.00%和2.35%、1.10%和1.29%;在WHU-Hi-Longkou区域,总体精度、Kappa系数分别为99.8%、99.74%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.30%和1.71%、0.59%和1.74%、0.71%和0.93%、0.57%和0.76%。所提方法在样本分布不均的不同作物识别上均具有较高的识别准确率,可为基于高光谱影像的地物复杂且样本分布不均地区的农作物分类提供指导。

摘要：可溶性固形物含量(SSC)是决定鲜桃风味和品质的重要成分。高光谱影像的特征提取为无损检测可溶性固形物含量提供了数据基础和方法路径。先前的研究表明,基于多光谱、荧光谱、近红外光谱、电子鼻的水果内部品质评估取得较好的结果。但是,由于缺少多特征融合,从而限制了水果品质的精准估测。为此,提出了一种基于堆栈自动编码器-粒子群优化支持向量回归(SAE-PSO-SVR)模型预测鲜桃可溶性固形物含量。首先,利用高光谱影像提取光谱信息、空间信息及空-谱融合信息。其次,设置普适性堆栈自动编码器(SAE)提取光谱信息、空间信息及空-谱融合信息的深层特征。最后,将深层特征作为粒子群优化支持向量回归(PSO-SVR)模型的输入数据进行鲜桃可溶性固形物含量的预测。其中,对于光谱信息作为输入的SAE模型,设计了453-300-200-100-40, 453-350-250-150-50, 453-350-250-100-60的三个隐含层结构。对于空间信息作为输入的SAE模型,设计了894-700-500-300-50, 894-650-350-200-80, 894-800-700-500-100的三个隐含层结构。对于融合信息作为输入的SAE模型,设计了1347-800-400-200-40, 1347-750-550-400-100, 1347-700-500-360-150的三个隐含层结构。实验结果表明,对于输入数据分别为光谱信息、空间信息及融合信息的SAE模型,结构为453-300-200-100-40, 894-800-700-500-100和1347-750-550-400-100的模型效果较好,而且基于融合信息的模型预测精度明显优于基于光谱信息或者图像信息的模型。为了验证模型的普适性,利用结构为1347-750-550-400-100的SAE模型提取融合信息的深层特征估测不同品种鲜桃的可溶性固形物含量并进行可视化。结果表明,基于结构为1237-650-310-130的SAE-PSO-SVR模型预测效果最好(R2=0.873 3, RMSE=0.645 1)。因此,所提出的SAE-PSO-SVR模型提高了鲜桃可溶性固形物含量的估计精度,为鲜桃的其他成分检测提供了技术支撑。

摘要：针对K-均值聚类存在的初始聚类中心不稳定、聚类数目难以确定的问题,提出利用正交投影散度(OPD)优化K-均值算法的初始聚类中心,设计了RD指标函数用于估计聚类数目k。将所提出的算法应用于高光谱影像特征提取与端元提取分析,实验结果表明,所提出算法的性能高于已有的类似算法。

摘要：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。

摘要：针对高光谱影像空谱信息利用问题,设计了一种融合空间信息的稀疏表达分类方法,以提高高光谱影像的分类精度。首先,在特征提取阶段引入空间信息,采用形态学滤波的方法提取高光谱影像的形态学属性剖面特征;然后,采用训练样本构成的字典对提取到的空间特征进行稀疏编码,在编码过程中进一步引入空间邻域信息来提高稀疏编码效果;最后,根据测试样本的稀疏编码向量计算其相对于每个类别的重构误差,并将该样本划分到重构误差最小的类别中完成分类。为了验证该方法的有效性,在Pavia大学和Indian pines 2组高光谱数据集上进行分类实验。实验结果表明,该方法充分利用了高光谱影像的空间邻域信息,能够有效提高高光谱影像的分类精度。

摘要：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。

摘要：针对分类过程中如何合理利用高光谱影像波段问题,提出一种基于波段影像统计量加权K-means聚类的高光谱影像分类算法.该算法的核心思想在于:由波段含有的信息量及波段间的相关性确定各波段权重,同时考虑各波段对各聚类的重要性.首先,根据波段影像的熵、标准差及均值定义波段信息量函数,根据相邻波段影像互信息定义相关性函数;其次,由上述波段信息量函数及波段间相关性函数定义波段权重函数;然后,结合波段权重和波段-类属权重定义规则化目标函数;最后,依据参数特性设计目标函数求解方案.对Salinas高光谱影像和Pavia Centre高光谱影像分别采用所提出的算法与传统K-means算法、 PCA+K-means算法及子空间波段选择+K-means算法进行对比实验,对于总精度及Kappa系数,所提出的算法都高于其他3种对比算法,结果验证了所提出算法的有效性.相对于其他3种算法而言,所提出的算法可有效改善高光谱影像分类的性能.