|
搜索
搜 索
高等教育领域数字化综合服务平台
基于形态稀疏协同表示的高光谱遥感图像分类
本成果属于高光谱图像信息处理技术，为高光谱遥感图像分类方法。首先对高维高光谱图像提取第一主成分特征图，并利用结构元素对主成分特征图进行多维的空间结构特征提取，结合提取的形态学特征与原始光谱特征，利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解，最终通过最小残差判断准则确定像元类别。这种方法有效地并且充分的挖掘了高光谱遥感图像中的空间信息、形态信息和光谱信息。考虑到稀疏表示方法在迭代求解稀疏向量时的耗时性与对非线性数据的不可分性，进一步提出了基于差分形态学核协同表示的高光谱遥感图像分类算法。该成果方法通过核化的协同表示分类算法避免了优化求解的耗时性，同时克服了高维特征空间下数据的线性不可分性。算法首先通过差分形态学方法在高光谱遥感图像的主成分分析图上进行空间特征提取，并通过核变换方法将新特征字典投影到高维的线性核特征空间，最后利用核化协同表示算法的高效性对高光谱图像进行分类。
主要技术指标
University of Pavia 通过 ROSIS-03 传感器记录，该图像捕获了意大利帕维亚的帕维亚大学周围的市区。图像尺寸为 610×340×103，空间分辨率为 1.3 m / 像素，光谱覆盖范围为 0.43 至 0.86μm。该图像考虑了九个类别。其具有 42776 个标记样本。每类取 50 个有标记样本共 450 个样本作为训练样本。
请参阅表 1，本方法提出的高光谱图像分类方法，相比于传统分类器 SVM，OA 提高了约 18%；相比于 JSRC，OA 提高了约 5%；同时参阅表 2，展示了本成果方法的时间运行效率与相关方法的比较。该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果。
表 1 PaviaU 数据集上对比实验结果
表 2 不同数据集上时间运行对比实验结果
西安电子科技大学
2023-03-14
高光谱偏振成像光谱仪
首次提出基于Savart偏光镜的图像、光谱、偏振态多维信息一体化获取技术；研制了星载原理样机，开展了模拟星载探测实验
西安交通大学
2021-04-10
高光谱偏振成像光谱仪
一、先进遥感仪器—成像光谱仪具有自主知识产权；国际上首台 偏振干涉成像光谱仪（机载、星载、地面），参加了 国家“十一五”重大科技成就展。成果：国家 863 项目 2 项；国家自然基金 2 项；获授权发明专利 3 项；发表 SCI 论文 80 余篇；出版专著 1 部。地面样机机载样机星载样机二、先进遥感仪器—偏振成像光谱仪研发成果：首次提出基于 Savart 偏光镜的图像、光谱、偏振态多维信息一体化获取技术；研制了星载原理样机，开展了模拟星载探测实验。成果：获国家 863 计划 1 项；国家自然科学基金 2 项；发表 SCI 论文 20 余篇；获授权发明专 5 项。-- 38 --西安交通大学国家技术转移中心三、偏振成像光谱仪仪器特性：高空间/高光谱分辨率 NISP、短波/中波红外波段 NISP（高科技，具有相机、光谱仪、偏振仪全部功能、具有地理信息导航及时间、气象信息；具备精确定位功能，并与仪器有机结合、适合于农业、工业、环保、军事、民用探测要求。具备鲁棒性、成本低，小型轻量，结构紧凑，结实，易维护、维修，抗振抗冲击，抗高低温，自动控制，可编程，可联网、适合于大力推广。应用领域可用于农
西安交通大学
2021-04-10
高光谱偏振成像光谱仪
先进遥感仪器—成像光谱仪研发成果：自行研发，具有自主知识产权；国际上首台偏振干涉成像光谱仪（机载、星载、地面），参加了 国家“十一五”重大科技成就展。国家863项目 2 项；国家自然基金 2 项；获授权发明专利 3项；发表SCI论文 80 余篇；出版专著 1 部先进遥感仪器—偏振成像光谱仪研发成果：首次提出 基于Savart偏光镜的图像、光谱、偏振态多维信息一体化获取技术；研制了 星载原理样机，开展了模拟星载探测实验。成果：获国家863计划 1 项；国家自然科学基金 2 项；发表SCI论文20余篇；获授权发明专5项。
西安交通大学
2021-04-11
一种基于图论的高光谱图像显著度计算方法
本发明公开了一种基于图论的高光谱图像显著度计算方法，包 括以下步骤：1）将输入的高光谱图像以图表示；2）对图进行权值计 算，构建权重矩阵,权重矩阵中的元素值反映了中任意一个顶点和其他 所有顶点的联系；3）像元的全局显著性计算，像元的全局显著性等于 它与图像中所有其它像元间权值的总和：4）像元的局部显著性计算， 像元的局部显著性用其邻域背景像素的方差来表示：5）像元的最终显 著度计算，将对应像元的全局显著性与局部显著性相乘，得到各像元 的最终显著度。本发明在计算高光谱图像显著度时，充分考虑了感兴 趣目标的光谱特性和几何尺寸特性，因此，能够有效抑制背景的干扰， 提高感兴趣区域的提取效果
华中科技大学
2021-04-11
基于同质块均值核类内协同表示的高光谱图像分类
该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量，在有效提高类别区分度和空间表征能力的同时，提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。
主要技术指标
不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参阅表 1。
（1）相比于传统分类器 SVM，OA 提高了约 15%；相比于 JCR 方法，OA 提高了约 2-4%。
（2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错分样本的数量，改善了过平滑的分类效果。参见表 1 与图 1。
（3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。
表 1.PaviaU 大学数据的训练样本选取与分类结果
表 2. 不同窗口大小下的特征生成时间比较
西安电子科技大学
2023-04-19
基于超像素样本扩充的空谱全卷积高光谱图像分类方法
本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。
成果非涉密，专利申请已经提交。
实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。
由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。
表 1 PaviaU 数据集上对比实验结果
西安电子科技大学
2023-03-03
基于空谱差分辅助核联合稀疏表示的高光谱图像分类
该成果提出了一种基于空谱差分辅助核联合稀疏表示分类的高光谱图像分类方法。本章方法的主要创新性在于：1）能够将光谱的差分辅助信息和原光谱特征信息有效结合。2）能够考虑不同光谱属性间的高阶空间相关信息。3）原空谱和差分空谱核特征字典的信息通过具有混合正则的核联合稀疏表示分类方法得到充分利用。通过在真实高光谱图像数据上的实验表明，该成果提出的方法能够有效地提高高光谱遥感图像的分类效果。
主要技术指标
不同数据集下的训练样本与测试样本数参阅表 1. 在该训练样本集数量下的分类结果表现参见表 2. 相比于传统分类器 SVM，OA 提高了约 20%；相比于 SOMP，OA 提高了约20%。
该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。
表 1. 不同数据集下的训练样本选取数量
表 2. PaviaU 大学数据下不同方法的正确率比较
西安电子科技大学
2023-03-22
一种高光谱图像端元个数自动估计的端元提取方法
本发明公开了一种高光谱图像端元个数自动估计的端元提取方 法，首先使用 PPI 算法计算高光谱图像中所有像元的 PPI 值，根据像 元的 PPI 值确定初始候选端元集，并对初始候选端元按 PPI 值由大到 小进行排序；然后依次剔除初始候选端元集中独立性最弱的候选端元， 同时获得随端元个数递减的候选端元集的重构精度曲线和端元独立性 曲线，通过寻找这两条曲线变化的显著性位置确定端元个数的取值范 围；最后利用 SGA 算法获取不同端元个数下的二次选择候选端元集， 根据这些候选端元集所构成的重构精度曲线，确定最终的端元个数， 同时获得最终的端元提取结果。本发明不需要事先给定端元的个数， 有利于端元提取的自动化处理，同时提取的端元准确性高。
华中科技大学
2021-04-11
基于丰度显著性分析的高光谱图像解混方法及系统
本发明提供基于丰度显著性分析的高光谱图像解混方法及系统，包括建立待处理的高光谱遥感图像 的端元光谱库；用基于稀疏回归的混合像元分解方法对每个像元进行初步混合像元分解并按照丰度值的 大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性丰度的临界值，然后根据预设的显著 性丰度阈值进行判断组成该像元的稀疏表示端元子集；最后采用丰度约束的最小二乘法再次进行混合像 元分解，将结果作为最终的混合像元分解结果。本发明可以得到更为稀疏和准确的像元表示端元
武汉大学
2021-04-14