空谱联合先验的高光谱图像解混与分类方法

合集下载

高光谱遥感图像高效分类与解混方法研究

高光谱遥感图像高效分类与解混方法研究高光谱遥感图像高效分类与解混方法研究摘要：高光谱遥感图像具有信息丰富且具体化的特点，被广泛应用于土地利用、环境监测、农业生产等领域。

然而，高光谱遥感图像面临诸多挑战，如高光谱数据的维度高、数据量大、类间互相重叠等。

因此，高效分类与解混方法的研究就显得尤为重要。

本文主要研究了高光谱遥感图像高效分类与解混方法，并探讨了其在实际应用中的优势和问题。

一、引言高光谱遥感图像是一种将地物不同光谱响应从可见光到近红外光谱范围内进行连续采样的遥感技术。

相比于传统的彩色遥感图像，高光谱遥感图像能够提供更为详细的地物光谱信息。

然而，由于高光谱数据的维度高、数据量大，传统的分类与解混方法在处理高光谱遥感图像时面临较大困难。

二、高光谱遥感图像分类方法研究为了高效地对高光谱遥感图像进行分类，研究者们提出了许多分类方法。

其中，基于光谱信息的分类方法是最常见的方法之一。

该方法通过提取光谱特征，并利用统计模型、聚类算法等来进行分类。

此外，基于空间信息的分类方法也得到了广泛应用。

这些方法结合了地物的空间分布特征，通过纹理分析等方法来提高分类效果。

此外，一些结合光谱和空间信息的联合分类方法也是当前的研究热点。

三、高光谱遥感图像解混方法研究高光谱遥感图像解混是指将混合像素分解为其组成物质的过程，是高光谱图像处理的核心问题之一。

目前，解混方法可以分为光谱解混方法和空间解混方法。

光谱解混方法主要是通过最小二乘法、线性光谱混合模型等来对单像元进行解混，适用于像元内部的光谱变化相对较小的情况。

而空间解混方法则利用相邻像元间的相关性，通过构建像元间的约束条件来实现解混。

四、高光谱遥感图像高效分类与解混方法的应用与挑战高光谱遥感图像高效分类与解混方法在土地利用、环境监测、农业生产等领域具有广泛的应用前景。

例如，在土地利用方面，高光谱遥感图像的分类结果能够提供准确的土地利用信息，为土地资源管理和规划提供重要的参考依据。

高光谱遥感图像高效分类与解混方法研究

高光谱遥感图像高效分类与解混方法研究高光谱遥感兴起于20世纪80年代,是一种融合光谱学理论与成像技术的前沿技术。

高光谱遥感图像包含几十至几百个窄波段的光谱信息,能够为人类社会提供丰富且精细的观测数据。

地物识别与分析作为高光谱遥感图像的研究热点,是高光谱遥感图像处理的重要组成部分,主要可通过地物分类与像元解混两种技术实现。

地物分类技术是一种像元级处理技术,通过对观测像元进行类别标定与识别来完成对地物的分析与识别;而像元解混技术是一种亚像元级处理技术,通过对观测像元中所包含的不同纯地物进行分析并计算其含量来完成对地物的识别与分析。

虽然,高光谱图像具有光谱分辨率高及图谱合一的特点,可以为地物分类与像元解混处理提供丰富的细节信息,但同时给这两种技术带来了巨大的挑战和难度,主要原因有:(1)高光谱图像容易受到高光谱传感器在空间分辨率上的限制以及光照、大气、云层厚度等自然环境因素的影响,出现“同物异谱”和“异物同谱”的现象,这两种现象不同程度地增加了地物分类与像元解混的难度。

(2)高光谱图像光谱维度高,由小样本引起“Hughes”现象的出现,使高光谱图像地物识别性能呈现先增加后下降趋势。

(3)高光谱图像的大数据量给高光谱图像处理带来了极大的计算量。

针对上述高光谱图像在地物分类与像元解混中存在的问题,本文深入研究了基于人工神经网络的地物分类技术与基于稀疏回归的像元解混技术,提出了高效的地物分类方法和像元解混方法。

具体工作概括如下:一、基于优化极限学习机的高光谱图像分类方法研究针对高光谱图像数据量大,导致分类方法计算复杂度高、样本训练时间长等问题,本文开创性的将极限学习机方法应用在高光谱图像分类中,并提出了一种基于优化极限学习机的高效高光谱图像分类方法。

该方法研究并发掘出训练样本数目与隐层神经元数目之间存在一种经验的线性关系,且这种线性关系可从小样本数据集延伸至大样本数据集,因此避免了大样本数据集所带来的大计算量。

高光谱图像的光谱解混模型与算法研究

高光谱图像的光谱解混模型与算法研究
高光谱成像是将成像技术与光谱技术相结合的技术,是遥感应用中一个快速发展的领域。

高光谱图像在军事目标辨别、远程控制、生物医学、食品安全以及环境监测等领域都有重要应用。

但由于高光谱成像光谱仪空间分辨率较低,使得每个高光谱像元可能由多种不同物质的光谱混合构成,因此混合像元广泛存在于高光谱图像中。

混合像元导致科研实践中一些应用分类不准确,因此对混合像元进行分解是高光谱遥感应用亟待解决的核心问题。

本文中首先介绍了两种光谱混合模型:线性和非线性光谱混合模型。

线性模型假设观察到的像元信号是所有的纯光谱信号的线性组合。

与之相反,非线性模型则考虑到多种物质反射光之间的物理相互影响。

其次,本文对高光谱图像解混的几种经典模型进行介绍。

在这些模型中详细介绍了本文的对比模型全变分模型(SUnSAL-TV),该模型利用高光谱图像空间关系构建了对端元丰度的正则项,这使高光谱图像解混问题在数值结果和视觉效果上都有较大提升。

但全变分模型的缺点是解混后丰度图中原平滑区域中伴有阶梯效应现象,视觉效果欠佳。

本文采用重叠组稀疏全变分作为端元丰度正则项,并采用交替方向乘子法对模型进行求解,将原问题转化为一系列较易求解的子问题,进而得到原问题的全局解。

在应用交替方向乘子法进行求解过程中,关于梯度域重叠组稀疏的子问题采用采用优化最小化方法进行求解。

通过合成数据和真实数据的实验证明,采用本文提出的新方法处理后图像视觉效果和数值效果相比SUnSAL-TV方法有明显提升,并且可以有效减弱
SUnSAL-TV模型的阶梯效应,使处理后丰度图更加平滑,视觉效果更佳。

基于光谱先验与协同学习的高光谱图像解混算法

THANKS
感谢观看
相关工作与研究现状
相关算法综述
对现有的高光谱图像解混算法进行综述，包括端元提取、混合像元分解等方法及其优缺点。指出当前研究的热点和难点问题。
研究现状
介绍当前最新的研究成果和进展，包括基于深度学习、协同学习等方法的解混算法，并分析其优劣和适用范围。
研究内容与方法
研究内容
介绍本文的研究重点和目标，包括基于光谱先验与协同学习的高光谱图像解混算法的构建、优化和应用。
数据预处理
对高光谱图像进行预处理，包括噪声去除、图像校正等操作。
模型训练
使用训练数据集对每个模型进行训练，并评估模型的性能。
模型应用
使用优化后的模型对测试数据集进行预测，并评估模型的泛化能力。
实验结果与分析
实验数据集
使用真实的高光谱图像数据集进行实验，包括不同场景下的高光谱图像。
性能评估指标
基于光谱先验与协同学习的高光谱图像解混算法
2023-11-04
contents
目录
• 引言 • 高光谱图像基本理论 • 基于光谱先验的高光谱图像解混算法 • 基于协同学习的高光谱图像解混算法 • 基于光谱先验与协同学习的高光谱图像解
混算法 • 结论与展望
01 引言
研究背景与意义
高光谱图像解混算法的重要性
高光谱图像的特性与优势
高光谱图像能够提供更丰富的空间和光谱信息，有利于识别和分类物体。
高光谱图像可以提高遥感探测的精度和效率，为科学研究提供更准确的数据支持。
高光谱图像具有较高的抗干扰性能和适应性，能够在复杂的环境中获取可靠的信息。
高光谱图像的应用领域
环境监测
高光谱图像可以用于检测空气、水和土壤污染，分析生态系统的健康状况等。

高光谱遥感图像的解混理论和方法研究

高光谱遥感图像的解混理论和方法研究高光谱传感器在一个连续的包括电磁波谱的紫外到短波红外等数十至数百个波段的光谱区间内获得丰富的地表信息。

受空间分辨率和地表混合效应的影响,记录瞬时视场(Instantaneous Field Of View, IFOV)内地物光谱的单个高光谱像素通常覆盖不止一种地物组成成分(端元),这些像素被称为混合像元,它们给地面目标的测量和分析带来较大的困难。

因此,高光谱解混已经成为近几十年来高光谱图像处理领域一个备受关注的热点。

它通常由两个步骤组成：提取图像中的端元特征光谱,即端元提取,和确定像素中各个端元所占的比例,即丰度估计。

由于具有简单的物理解释和低复杂度的求解方案,线性光谱混合模型(Linear Spectral Mixture Model, LSMM)成为当前研究中广泛应用的模型。

然而,LSMM只是对于混合过程发生在宏观尺度而且像素内仅存在单反射的情况有效。

在实际数据中,这种情况并不总是满足的。

为此,一些非线性光谱混合模型(Nonlinear Spectral Mixture Models, NSMMs)被用于表示高光谱图像中的非线性效应和克服LSMM的内在缺陷。

本论文的目标是提出有效的基于线性和非线性模型的高光谱解混(Hyperspectral Unmixing, HU)方法以充分提取高光谱图像中蕴含的丰富信息。

本论文的主要工作和创新点包括以下几个方面：1.提出一种新的基于Cayley-Menger行列式的端元提取算法。

作为一种基于LSMM的几何算法,该算法的目的是确定包含整个高光谱数据云的最大体积的单形体。

我们首先采用Cayley-Menger行列式计算和分析高维观测空间内的低维单形体体积。

然后,根据Hermite矩阵的特性提出一种新的快速递推关系,以使端元光谱以低复杂度的顺序方式被提取出来。

2.提出一种新的基于距离几何理论的全约束丰度估计算法。

根据LSMM,HU可以被看作一个凸面几何问题。

高光谱图像稀疏解混与分类算法研究

高光谱图像稀疏解混与分类算法研究随着遥感技术的飞速发展,高光谱遥感图像数据已经广泛地应用于环境监测、矿产勘探、军事目标识别等领域。

因此,高光谱遥感图像数据的处理十分重要且具有实际应用价值。

高光谱图像数据的解混精度和高光谱遥感图像的分类精度影响着高光谱遥感图像数据的后续应用,因此,高光谱图像的解混和分类是高光谱遥感图像处理中的关键性问题,也是后续研究和应用的重要基础。

其中,在高光谱图像数据解混算法中,基于稀疏约束的解混算法已经成为解混算法的热点。

现有的多目标稀疏解混算法虽然能解决传统稀疏解混算法中不能直接优化非凸<sub>0</sub>L范数和权重参数不能自适应选择的问题,但是仍存在因随机分组策略的缺陷及拐点选解具有单一性,从而导致高光谱图像数据解混精度不高的问题。

在高光谱图像分类算法中,现有的高光谱图像生成式对抗网络（Generative Adversarial Network,GAN）分类算法虽然能够解决高光谱图像数据冗余度大,标记样本有限的问题,但是仍存在不能提取全部的光谱特征和空谱联合特征的不足之处,使得高光谱图像分类精度有待提升。

本文针对现有高光谱图像稀疏解混算法和高光谱图像分类算法的不足,做了以下两方面的研究工作:首先,针对现有高光谱图像多目标稀疏解混算法中存在因随机分组策略的不足及拐点选解具有单一性而导致高光谱图像解混精度不高的问题,本文提出一种基于大规模多目标进化算法（Evolutionary Algorithm for Large-scale Many-objective Optimization,LMEA）的高光谱图像稀疏解混算法。

首次引入LMEA算法中的决策变量分组策略,并提出有约束拐点区域选解策略来提升高光谱图像数据稀疏解混的精度。

本文将该算法应用于基于光谱特征的二目标稀疏解混框架和基于空谱联合特征的三目标稀疏解混框架中,使用常用的模拟和真实高光谱图像数据集进行对比实验,提出算法均获得最好的解混效果,也证明了使用空谱联合特征提高了算法对噪声的鲁棒性。

基于光谱空间联合特征学习的高光谱图像分类方法

基于光谱空间联合特征学习的高光谱图像分类方法日期:目录•引言•高光谱图像概述•基于光谱空间联合特征学习的方法•方法验证与分析•应用案例展示•研究结论与展望引言高光谱图像分类在遥感图像分析、环境监测、城市规划等领域具有广泛的应用价值，对实现智能遥感监测和智慧城市发展具有重要意义。

高光谱图像具有丰富的光谱信息，使得地物识别和分类更加准确，但同时也带来了更高的复杂度和计算成本。

基于光谱空间联合特征学习的高光谱图像分类方法旨在挖掘高维数据中的特征关系，提高分类精度并降低计算复杂度。

研究背景与意义目前，高光谱图像分类主要依赖于人工提取特征，如光谱波形、纹理等，并进行模式识别。

然而，人工特征提取方法主观性强，且效果受限于特征设计者的专业知识和经验。

深度学习技术的快速发展为高光谱图像分类提供了新的解决方案。

然而，现有方法大多基于卷积神经网络（CNN）进行特征提取和分类，忽略了高光谱图像的光谱空间信息，可能导致信息的丢失和分类精度的下降。

研究现状与问题研究内容与方法本研究旨在提出一种基于光谱空间联合特征学习的高光谱图像分类方法，通过挖掘高维数据中的特征关系，提高分类精度并降低计算复杂度。

研究方法首先，构建一个深度学习模型，将高光谱图像的像素级特征表示为深度神经网络的输出；然后，利用已标注数据进行模型训练，实现高光谱图像的分类；最后，通过对比实验验证所提方法的有效性和优越性。

高光谱图像概述0102高光谱图像定义与特点高光谱图像的特点在于其具有高度的空间分辨率和光谱分辨率，使得图像中每个像素都包含丰富的空间和光谱信息。

高光谱图像（Hyper spectral Images，HSI）是一种包含大量连续光谱带信息的图像，每个像素包含一条完整的光谱曲线。

通过遥感设备中的光谱仪对目标进行扫描，获取每个像素点的光谱信息，从而得到高光谱图像。

高光谱图像广泛应用于环境监测、农业、地质、城市规划等领域。

植被类型、土壤成分、污染源等。

空-谱联合遥感图像优化分割与深度学习分类方法

采用准确率、召回率、F1分数等指标对模型的性能进行评估。
对比实验
与现有的空谱联合遥感图像分割和分类方法进行对比实验，以验证所提方法的有效性和优越性。
05 总结与展望
研究成果与贡献
1
提出了一种空-谱联合的遥感图像优化分割方法，有效地提高了图像分割的准确性和稳定性。
2
创新性地将深度学习技术应用于遥感图像分类，显著提高了分类的精度和效率。
行联合分析和处理，以获取更丰富的地表信息。
空谱联合遥感图像的应用源自03空谱联合遥感图像广泛应用于土地资源调查、环境监测、城市
规划等领域。
基于区域生长的图像分割算法
区域生长算法的基本原理
区域生长算法是一种基于像素的图像分割算法，它通过选择种子点，按照相似性准则将相邻像素加入到同一区域中，最终实现图像的分割。
研究方法
设计空-谱联合的优化分割网络结构，实现地物特征的有效提取。
02 空-谱联合遥感图像优化分割
空谱联合遥感图像概述
遥感图像的定义
01
遥感图像是对地球表面或其他星球表面进行远距离非接触探测
并获取其物理、化学、生物等特性的图像。
空谱联合遥感图像的定义
02
空谱联合遥感图像是指在空间和光谱两个维度上对遥感图像进
网络（CNN）或图卷积神经网络（GCNN）。
模型结构优化
通过调整模型的结构和参数，提高模型的分割性能和泛化能力。
正则化技术应用
利用正则化技术，如Dropout、 Batch Normalization等，增强模型的鲁棒性和泛化性能。
基于深度学习的分类模型优化与改进
分类模型选择
选择适合于遥感图像分类的深度学习模型，如支持向量机（ SVM）、决策树（DT）或神经网络（NN）。

基于深度学习和空谱联合先验的高光谱遥感解混研究

基于深度学习和空谱联合先验的高光谱遥感解混研究基于深度学习和空谱联合先验的高光谱遥感解混研究摘要：高光谱遥感技术在地球观测中起着重要作用，但由于遥感图像中的混合像元问题，精确的解混技术仍然是一个具有挑战性的问题。

本文提出了一种基于深度学习和空谱联合先验的高光谱遥感解混方法。

该方法利用深度学习算法自动提取高光谱遥感图像中的光谱特征，并通过空谱联合先验对混合像元进行解混。

实验结果表明，该方法能够有效地提取高光谱遥感图像中的光谱信息，并获得较好的解混效果。

1. 引言高光谱遥感技术是一种获取地球表面反射率的重要手段，它能够提供丰富的光谱信息，对于农业、环境保护、地质勘探等领域具有重要的应用价值。

然而，由于高光谱遥感图像中像元光谱混合的问题，使用高光谱遥感图像进行定量分析和应用仍然具有挑战性。

因此，提出一种高效准确的解混方法对于充分发挥高光谱遥感图像的潜力至关重要。

2. 相关工作目前，对于高光谱遥感图像解混问题的研究可以分为基于光谱曲线拟合和基于混合模型的方法。

光谱曲线拟合方法通过拟合混合像元的光谱曲线，然后估计每个光谱端元的成分占比来进行解混。

混合模型方法则是将光谱混合问题转化为解线性方程组的问题，通过求解线性方程组来估计像元端元的成分占比。

虽然这些方法在一定程度上可以解决光谱混合问题，但是由于混合像元的非线性和高光谱遥感图像的高维度特性，这些方法的解混精度和效率还有进一步的提升空间。

3. 提出的方法为了解决高光谱遥感图像解混问题，本文提出了一种基于深度学习和空谱联合先验的解混方法。

该方法首先利用深度学习算法，如卷积神经网络（CNN）等，对高光谱遥感图像中的光谱特征进行自动提取。

由于深度学习算法具有强大的非线性建模能力，可以更好地捕捉到混合像元的特征。

然后，通过空谱联合先验对混合像元进行解混。

空谱先验指的是同一遥感图像中不同像元之间的空间相关性，而联合先验则是指遥感图像中不同波段之间的光谱相关性。

通过综合考虑这两种先验信息，可以更准确地估计每个混合像元的端元成分占比，并进行解混。

基于自监督学习的空谱联合高光谱图像分类

基于自监督学习的空谱联合高光谱图像分类基于自监督学习的空谱联合高光谱图像分类摘要：随着遥感技术的快速发展，高光谱图像在地质勘探、环境监测、农业管理等领域得到广泛应用。

然而，由于高光谱图像中具有大量的波段和维度，传统的分类方法面临着计算量大、特征提取困难和模型泛化能力限制的问题。

为了克服这些问题，本文提出了一种基于自监督学习的空谱联合高光谱图像分类方法。

该方法通过自动构建空间约束传播网络，自主学习高光谱特征，有效提高分类性能。

实验结果表明，该方法在高光谱图像分类任务上具有较好的性能。

1. 引言高光谱图像是近年来兴起的一种重要的遥感数据，它具有丰富的光谱信息和细节信息，可用于地理环境、资源勘探、环境监测、农业管理等领域。

然而，高光谱图像具有高维度、多波段等特点，给图像分类带来了很大的挑战。

传统的高光谱图像分类方法主要依赖于手工提取特征，这种方法存在特征提取困难、计算量大以及模型泛化能力有限的问题。

2. 相关工作为了克服以上问题，研究人员提出了很多基于深度学习的高光谱图像分类方法。

例如，使用卷积神经网络(CNN)对高光谱图像进行特征提取；使用循环神经网络(RNN)对高光谱图像进行序列建模；使用生成对抗网络(GAN)生成虚假高光谱图像扩大数据集等。

3. 方法本文提出了一种基于自监督学习的空谱联合高光谱图像分类方法。

主要步骤包括：预处理、自监督学习和分类器训练。

3.1 预处理首先，对高光谱图像进行预处理，包括去除噪声、波段选择和数据标准化等。

去除噪声可以提高后续步骤的性能，波段选择可以降低计算量和特征冗余，数据标准化可以使数据分布更加均匀。

3.2 自监督学习自监督学习是一种无监督学习的方法，它通过利用图像中的自观信息来学习有价值的特征表示。

在本方法中，我们通过自动构建空间约束传播网络，从高光谱图像中自主学习特征。

具体而言，我们将高光谱图像分割成多个空间块，并通过传播网络捕捉块之间的相互作用。

传播网络通过对块之间的相似性进行建模，从而学习到具有语义信息的特征表示。

基于空谱特征融合学习的高光谱影像分类

基于空谱特征融合学习的高光谱影像分类基于空谱特征融合学习的高光谱影像分类高光谱遥感技术是一种获取地物光谱信息的关键技术，其可以提供丰富的光谱特征，用于地物分类、植被监测、环境变化等方面的研究。

高光谱影像的分类是一项重要的任务，可以为土地利用规划、资源管理、农业生产等提供重要的支持。

然而，由于高光谱影像的维度高和数据量大，如何高效准确地进行分类一直是一个挑战。

在传统的高光谱影像分类方法中，常采用的是像元级的分类方法，即将每个像素点进行分类。

但由于高光谱影像中存在丰富的光谱信息，仅仅依靠像元级分类往往难以充分利用这些信息。

基于空谱特征融合学习的高光谱影像分类方法可以有效地改善传统分类方法的不足。

该方法利用高光谱影像中像素点的空间邻近关系，将光谱信息与空间信息相结合，提高分类的准确性和鲁棒性。

具体实现该方法的过程如下：首先，对高光谱影像进行预处理。

预处理包括辐射校正、大气校正、几何校正等步骤。

通过这些步骤，可以排除影响影像准确性的因素，并提取出高质量的光谱数据。

其次，提取影像的空谱特征。

空谱特征是指影像中像素之间的空间邻近关系，包括纹理特征、形状特征等。

纹理特征可以描述影像中的纹理信息，例如纹理的粗糙度、方向等。

形状特征可以描述影像中物体的形状信息，例如物体的边缘、面积等。

通过提取这些特征，可以更全面地描述影像的空谱信息。

然后，利用融合学习方法将空谱特征与光谱特征相结合。

融合学习方法是指将多种特征或算法进行有效的组合，以提高分类的准确性。

在本方法中，可以使用一些经典的融合学习方法，例如支持向量机、随机森林、神经网络等。

这些方法可以综合利用光谱信息和空谱信息，相互补充，提高分类的性能。

最后，进行高光谱影像的分类。

在此步骤中，利用训练样本对分类模型进行训练，然后将训练好的模型用于对测试样本进行分类。

通过光谱信息和空谱信息的融合，可以得到更准确的分类结果。

同时，该方法还能够降低样本不均衡问题对分类结果的影响，提高分类算法的鲁棒性。

高光谱图像分类方法综述

上百个不同波段的反射信息，这使其适合于许多实际应用如军事目
标检测、矿物勘探和农业生产等［１⁃４］．高光谱图像分类已越来越成为其
中的一个研究热点．
高光谱图像分类的目标是依据样本特征为图像中的每个像元赋
予类别标签［５⁃６］．不同地物具有不同的光谱曲线，因此有许多利用光谱
信息的方法被提出来用于高光谱图像分类，代表性方法有支持向量
疏表示方法，文献［３５］提出了一种基于多元逻辑回
归的一般化的组合核方法，文献［３６］提出了基于方
形窗口的迭代式的图核方法．另一类具有代表性的
固定邻域方法是基于一系列形态学滤波的形态学分
空间依赖关系可以被简单分为像素特征间的空间依
析方法［３７⁃３８］，它将通过一系列方形的滤波模板得到
赖关系和像素类别间的空间依赖关系，并以此为基
光谱特征也不尽相同，因而不包含空间信息的逐像
贡献空间特征所用的像素组成的区域．而依据这个
如文献［１１］所指出，ＨＳＩ不应当仅仅被看作一
基于固定邻域的方法和基于自适应邻域的方法
素分类方法难以取得令人满意的分类结果．
区域的选择策略的不同，本文将ＨＳＩ分类方法分为
机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）［７］、稀疏表示分类（ＳｐａｒｓｅＲｅｐｒｅｓｅｎ⁃
ｔａｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎ，ＳＲＣ）［８］等．此类逐像素的分类方法有计算简单、便
于拓展等特点，然而此类方法仅利用到了光谱维度的信息，并未考虑
收稿日期２０１９⁃０７⁃０１
类方法在真实高光谱数据集上的分类结果．
关键词
高光谱图像；自适应邻域；预处理分类；后处理分类；空谱联合分类

空谱联合先验的高光谱图像解混与分类方法

空谱联合先验的高光谱图像解混与分类方法高光谱成像是近年来遥感领域发展较快、较前沿的技术。

由于包含丰富的空间、辐射和光谱三重信息,高光谱遥感已被广泛应用于精准农业、矿物勘测、军事目标识别、环境监测、灾害评估等领域。

因此,对高光谱数据的处理与解译具有重要的理论意义和实际应用价值。

高光谱解混和分类是高光谱遥感信息处理中的关键科学问题,也是定量分析以及后续应用的重要基础。

由于受仪器、大气辐射、光照不均、地物结构等因素的影响,相同地物的光谱曲线存在一定的差异,使得仅利用光谱信息的解混和分类方法的精度无法得到保障。

空间信息可以充分刻画地物结构,有效降低“同质异谱”的影响,空谱联合的方法受到众多学者的重视。

本文研究围绕高光谱线性解混、分类等高光谱数据处理中的热点问题,重点提出基于光谱库的l1/2正则化稀疏回归解混方法、以及空谱联合的高光谱分类方法,并在此基础上设计了相应问题的高效算法。

本文所做的主要工作和研究成果如下：1、根据高光谱线性解混模型,利用光谱库作为端元字典,将解混问题转化为稀疏回归问题；针对模型解的唯一性要求进行光谱库预优,利用l1/2范数对丰度系数向量进行稀疏正则化约束,在“和为一”、“非负性”条件下,提出了一种约束的l1/2正则化稀疏回归解混模型,并通过迭代重加权的l1算法进行优化求解。

模拟和真实高光谱数据实验表明,基于光谱库的l1/2正则化稀疏回归解混方法能够有效地从光谱库字典中选择出端元并准确反演出其对应的丰度系数。

2、针对高光谱监督分类问题,在贝叶斯最大后验框架下,利用l1-l2正则化稀疏表示方法对似然概率进行建模,并利用MRF分类标签的空间先验进行建模,提出了稀疏表示和马尔可夫场空间先验相结合的空谱联合分类模型,并通过图割算法进行了快速近似求解。

真实高光谱数据实验表明,基于稀疏表示与马尔可夫场空间先验相结合的高光谱分类模型能够有效地提升分类精度,且分类精度优于主流的分类方法。

3、在贝叶斯推断框架下,采用稀疏多项式逻辑回归方法对似然概率进行建模,并将最大后验(MAP)分布的边际概率作为实值的隐形场引入到马尔可夫空间先验中,提出了一种加权马尔可夫场空间先验的高光谱分类方法。

基于空-谱融合网络的高光谱图像分类方法

基于空-谱融合网络的高光谱图像分类方法欧阳宁;朱婷;林乐平【摘要】针对高光谱图像分类中提取的空-谱特征表达能力弱及维数较高的问题,提出一种基于空-谱融合网络(SSF-Net)的高光谱图像分类方法.首先,利用双通道卷积神经网络(Two-CNN)同时提取高光谱图像的光谱和空间特征;其次,使用多模态压缩双线性池化(MCB)将所提取的多模态特征向量的外积投射到低维空间,以此产生空-谱联合特征.该特征融合网络,既可以分析光谱特征和空间特征向量中元素之间的复杂关系,同时也避免对光谱和空间向量直接进行外积计算,造成维数过高、计算困难的问题.最终实验表明,与现有基于神经网络的分类方法相比,所提出的高光谱图像分类算法能够获得更高的像元分类精度,表明该网络所提取的空-谱联合向量对高光谱图像具有更强的特征表达能力.【期刊名称】《计算机应用》【年(卷),期】2018(038)007【总页数】5页(P1888-1892)【关键词】空-谱融合网络;多模态压缩双线性池化;特征融合;外积;高光谱图像分类【作者】欧阳宁;朱婷;林乐平【作者单位】认知无线电与信息处理省部共建教育部重点实验室(桂林电子科技大学),广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004;认知无线电与信息处理省部共建教育部重点实验室(桂林电子科技大学),广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004【正文语种】中文【中图分类】TP753;TP180 引言高光谱图像(HyperSpectral Image, HSI)具有光谱分辨率高、图谱合一的独特优点[1]，已被广泛应用于目标追踪、环境保护、农业监测及气象预报等领域[2-4]。

对高光谱图像中每个像元进行分类是高光谱遥感应用的基石，具有极大的研究意义。

传统的高光谱图像分类方法往往仅利用光谱信息在低维空间上提取特征，典型的方法主要包括：K-均值聚类(K-means)方法[5]、流形学习(Manifold Learning)[6]、支持向量机(Support Vector Machine, SVM)[7]等。