- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 基于协同表示的SAR图像海冰变化检测
摘要： 基于合成孔径雷达（SAR）图像的海冰变化检测对航行安全和自然资源开采具有重要意义。本文提出一种基于协同表示的SAR图像海冰变化检测方法：首先采用邻域比值法生成差异图像（DI），继而通过分层模糊C均值（FCM）聚类从DI中选取可靠样本，最后基于这些样本利用协同表示方法将原始SAR图像像素分类为未变化类与变化类，从而获取最终变化图。在两个真实海冰数据集上的实验结果表明，该方法优于两种密切相关的对比方法。
关键词： 海冰变化检测、合成孔径雷达、聚类方法、协同表示
更新于2025-09-23 15:23:52
-
拉普拉斯正则化空间感知协同图用于高光谱图像判别分析
摘要： 降维（DR）模型对于高光谱图像（HSI）数据分析中提取低维特征具有重要意义，因为高光谱数据存在大量噪声和冗余的光谱特征。在众多降维技术中，图嵌入判别分析框架已被证明能有效实现高光谱特征降维?；诟每蚣?，许多基于表示学习的方法被开发用于构建相似性图，但大多数方法忽略了空间信息，导致降维模型性能不佳。本文首先受最新提出的空间感知协同表示（SaCR）启发，在协同图判别分析（CGDA）中引入简单高效的空间约束，提出一种新型监督降维算法——空间感知协同图判别分析（SaCGDA）。为使数据流形上的样本表示更平滑（即相似像素具有相似表示），我们进一步添加光谱拉普拉斯正则化项，提出拉普拉斯正则化的SaCGDA（LapSaCGDA），其中光谱与空间双重约束能高效挖掘高光谱图像固有的几何结构。在三个高光谱数据集上的实验验证了所提SaCGDA和LapSaCGDA算法优于其他先进方法。
关键词： 高光谱影像、图嵌入、降维、协同表示、判别分析
更新于2025-09-23 15:22:29
-
基于核完全约束最小二乘法的高光谱图像分类
摘要： 作为一种广泛应用的分类器，稀疏表示分类（SRC）在高光谱图像分类中展现出良好性能。最新研究表明，正是SRC底层的协同表示机制使其成为高效的分类技术。当测试像素的维度和区分度较高时，除稀疏性(l1范数)外，还可采用其他范数（如l2范数）对编码系数进行正则化。本文证明在核空间中非负约束同样能发挥该作用，因而建议研究核完全约束最小二乘法（KFCLS）用于高光谱图像分类。此外，为通过融合空谱信息提升KFCLS的分类性能，我们采用两种正则化策略研究了两种空谱方法：(1)系数级正则化策略；(2)类别级正则化策略?；谒淖檎媸蹈吖馄淄枷竦氖笛榻峁橹ち怂酜FCLS的有效性，并揭示了在正则化框架中高效融合空谱信息的方法。
关键词： 最小二乘法、高光谱、稀疏表示、正则化、图像分类、后验概率、协同表示
更新于2025-09-23 15:21:21
-
一种基于新局部知识的图像识别协同表示方法
摘要： 近年来，基于协作表示的分类器（CRC）在识别任务中展现出卓越性能。大多数CRC算法成功的关键在于：测试样本能通过全局合适的字典得到良好编码，而样本间的局部知识尚未被充分考量。我们观察到相似样本的表示具有高度相似性。为利用这一重要相似信息，本文提出一种新型基于局部知识的图像分类协作表示模型。具体而言，首先需确定测试图像的若干相邻训练样本，继而利用这些邻域样本的表示来引导测试样本系数更具判别性。此外，我们推导出该方法的鲁棒版本以处理存在遮挡或损坏的人脸识别问题。大量实验表明，在各类图像识别任务中，本方法较其他先进分类器具有显著优势。
关键词： 监督学习、图像识别、鲁棒性、协同表示、局部一致性
更新于2025-09-23 15:19:57
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于Gabor滤波的概率协作表示高光谱图像分类方法
摘要： 本文提出了一种基于Gabor滤波的概率协作表示方法用于高光谱图像分类。与原始的协作表示分类器（CRC）及采用Gabor特征的CRC相比，所提出的分类器具有更优的分类性能。虽然采用Gabor特征的正则化CRC版本具有出色的分类性能，但这些分类器的计算成本较高。实验结果表明，所提方法能在较低计算成本下实现较高的分类精度。
关键词： 概率分类、Gabor滤波、协同表示、高光谱影像
更新于2025-09-09 09:28:46
-
遥感图像场景分类的混合协同表示方法
摘要： 近年来，基于协同表示分类（CRC）的方法通过直接利用训练图像作为字典基，在视觉识别领域取得了显著成功。然而，该方法通过所有训练样本描述测试样本来提取共享属性，却未考虑利用特定类别的训练样本表示测试样本以提取类别特异性属性。对于遥感图像而言，共享属性和类别特异性属性对分类都至关重要。本文提出一种混合协同表示分类方法，通过将类别特异性协同表示嵌入传统协同表示分类中，有效提升了遥感图像分类性能。此外，我们将该方法扩展至任意核空间，以挖掘遥感图像特征中隐藏的非线性特性，从而进一步提高分类精度。在多个基准遥感图像数据集上进行的广泛实验清晰表明，所提算法性能优于现有最先进方法。
关键词： 遥感图像，核空间，协同表示，混合协同表示
更新于2025-09-04 15:30:14
-
基于异常值去除的协同表示高光谱异常检测
摘要： 近年来，协作表示检测器（CRD）被广泛应用于高光谱异常检测。原始CRD方法在涉及更多类别（即用于异常检测的样本）时，最小二乘解会变得不稳定；若测试像素为异常像素且存在多个与之相似的背景样本，则可能产生检测误差。本文提出一种结合主成分分析（PCA）去除异常值的高光谱异常检测方法（PCAroCRD）。根据不同的背景建模方式，分别提出了全局版本和局部版本。该算法采用空域PCA提取全局/局部背景的主要像素信息作为协作表示样本，同时消除全局/局部背景中的异常像素信息。减少有效样本数量也能保持检测结果的稳定性。实验结果表明，PCAroCRD的性能优于原始CRD、核化CRD、改进版CRD（CRDBORAD）、基于形态学的CRD、全局RX算法及局部RX算法。
关键词： 高光谱影像、目标检测、协同表示（CR）、主成分分析（PCA）、异常检测
更新于2025-09-04 15:30:14