- 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 - 2018年IEEE国际地球科学与遥感研讨会 - 自适应高光谱混合噪声去除
摘要： 本文提出了一种针对受条纹噪声、高斯噪声和脉冲噪声（从统计学意义上混合）污染的高光谱图像（HSI）的新型去噪方法。该方法具有三个显著特点：1）利用高光谱图像的内在特性，即低秩性和自相似性；2）假设观测噪声为加性噪声，并通过高斯混合密度（MoG）进行建模；3）采用期望最大化（EM）算法进行推断，该算法除估计纯净高光谱图像外，还同步估算混合参数（各模式的概率后验及方差）。与现有最先进算法的对比实验验证了所提去噪方法的有效性。
关键词： 期望最大化、低秩、混合噪声、自相似性、去噪、高斯混合模型、高光谱图像
更新于2025-09-23 15:22:29
-
具有噪声标签的鲁棒高光谱图像域自适应
摘要： 在高光谱图像（HSI）分类中，领域自适应（DA）方法已被证明能有效解决训练（即源域）与测试（即目标域）像素间分布差异导致的分类效果不佳问题。然而这些方法依赖源域的精确标签，且很少考虑噪声标签（高光谱像素标注本就是项挑战任务，常易出现此类情况）导致的性能下降。为提升DA方法对标签噪声的鲁棒性，我们提出一种新的无监督HSI DA方法，该方法从特征层和分类器层双重构建：首先在特征层学习线性变换函数以对齐源域子空间与目标域子空间；随后开发基于鲁棒低秩表示的分类器来有效处理对齐子空间获得的特征。由于子空间对齐与分类器均对噪声标签具有免疫性，所提方法在面对源域噪声标签时仍能获得良好分类效果。两个DA基准数据集上的实验结果验证了该方法的有效性。
关键词： 低秩表示、高光谱图像（HSI）分类、域适应、子空间对齐
更新于2025-09-23 15:22:29
-
基于协同训练的半监督堆叠自编码器在高光谱图像分类中的应用
摘要： 近年来，深度学习（DL）在高光谱图像（HSI）分类领域备受关注。尽管现有文献中存在许多有效框架，但训练样本普遍有限的问题给DL应用于HSI分类带来了巨大挑战。本文提出一种新型DL框架——采用协同训练的半监督堆叠自编码器（Semi-SAEs）用于HSI分类。首先分别基于高光谱特征和空间特征对两个SAE进行预训练；其次通过设计有效的区域生长方法扩充初始训练集，以半监督协同训练方式交替微调这两个SAE；最后采用迭代条件模式求解的马尔可夫随机场模型融合两个SAE获得的分类概率?；谌鲋髁鞲吖馄资菁氖笛榻峁砻?，该方法优于其他最先进的DL方法。
关键词： 深度学习（DL）、堆叠自编码器（SAEs）、协同训练、高光谱图像（HSI）半监督分类、马尔可夫随机?。∕RF）
更新于2025-09-23 15:22:29
-
基于跨域卷积神经网络的高光谱图像光谱-空间特征高效提取与分类
摘要： 近年来，众多遥感应用高度依赖高光谱图像（HSI）。作为基础性问题，HSI分类日益受到关注，已成为遥感领域的热门课题。我们实现了一种采用dropout和正则化策略的卷积神经网络（CNN），以解决有限训练样本导致的过拟合问题。尽管大量文献证实融合光谱与空间上下文是有效的HSI分类方法，但尺度问题尚未得到充分挖掘。本文提出一种高效的光谱-空间HSI深度特征提取与分类方法，能充分利用引导滤波获取的多尺度空间特征。该方法是首次尝试为光谱和多尺度空间特征学习CNN。实验结果表明，相比同类方法，在印度松树、帕维亚大学和萨利纳斯等数据集上，本方法可将分类精度提升3%。
关键词： 卷积神经网络（CNN）、高光谱图像（HSI）分类、引导滤波、光谱-空间融合
更新于2025-09-23 15:22:29
-
用于高光谱图像超分辨率的可分离谱卷积与初始网络
摘要： 由于成像系统的限制，很难获取具有极高空间分辨率的高光谱图像（HSI）。超分辨率（SR）技术能够从低分辨率图像中恢复高频信息，是处理数据缺失问题的有效手段，可用于解决这一难题。近年来，深度学习（DL）在计算机视觉领域（包括SR）取得了卓越成效。然而，大多数基于DL的HSI SR方法忽略了常规二维卷积导致的光谱失序问题。本文提出了一种名为可分离光谱与初始网络（SSIN）的新型端到端深度学习网络用于HSI SR。该网络中，特征提取模块独立提取各波段图像特征，随后通过特征融合?？榻庑┨卣魅诤弦越徊酵诰虿胁钔枷裥畔ⅲ恢亟？樵蚬菇ǘ嗦肪读永椿袢〔煌愦翁卣?，以由粗到精的方式恢复高空间分辨率图像。研究在包含室内和航空HSI的两个数据集上开展实验，并评估SSIN在不同条件下的性能。实验结果表明，在深度网络中加入多个可分离光谱卷积和多路径连接能显著提升SR性能，相较于其他方法，SSIN实现了更高的精度和更优的可视化效果。
关键词： 高光谱图像，可分离光谱卷积，深度学习，超分辨率，多路径重建
更新于2025-09-23 15:22:29
-
[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<tex>$\ell_{q}$</tex>正则化的盲非线性高光谱解混方法
摘要： 高光谱解混包括估计高光谱图像中纯净物质的光谱（端元）及其对应的丰度。本文提出了一种盲非线性高光谱解混算法。该算法利用lq正则化器促进稀疏的丰度图谱，并假设光谱是按照广义双线性模型的扩展版本（称为Fan模型）进行混合的。该算法使用模拟和真实的高光谱数据进行评估。
关键词： 非负矩阵分解、光谱解混、双线性模型、高光谱图像
更新于2025-09-23 15:22:29
-
基于分块低秩张量分解与PFFT算法的高光谱人脸识别
摘要： 具有充分区分性光谱和空间信息的高光谱成像技术为稳健的人脸图像识别带来了新机遇。然而高光谱成像存在若干挑战，包括信噪比（SNR）低、波段间个体内错位以及数据维度高等问题。大量研究表明全局与局部人脸特征在识别中均起重要作用。本研究提出一种基于局部块低秩张量分解的高光谱人脸图像新型局部特征提取算法，该算法同时保留了邻域关系与光谱维度信息。此外，采用极坐标离散快速傅里叶变换（PFFT）算法提取全局轮廓特征，该方法能应对光照、表情、不对称（朝向）及衰老变化等人脸识别相关挑战。进一步通过融合获得的局部与全局特征构建集成分类器。研究使用香港理工大学数据库进行方法评估，并与其他现有高光谱人脸识别算法对比。数值实验结果表明，本算法性能与最优CRC_RLS和PLS方法相当。
关键词： 光谱与空间信息、极坐标离散快速傅里叶变换、波段融合、集成分类器、全局与局部特征、张量分解、高光谱图像
更新于2025-09-23 15:22:29
-
[IEEE 2018年第十届无线通信与信号处理国际会议（WCSP）- 杭州（2018.10.18-2018.10.20）] 2018年第十届无线通信与信号处理国际会议（WCSP）- 基于联合稀疏性与空间相关性模型的高光谱图像分类
摘要： 本文提出了一种基于联合稀疏性与空间相关性的新型约束稀疏表示（SR）算法，用于高光谱图像（HSI）分类。结构化字典中与训练样本相关的稀疏向量系数呈现组稀疏连续性，但经典SR分类器未考虑该系数向量的联合稀疏特性。此外，空间相关性对HSI分类过程具有积极影响。因此，在所提SR模型中，我们引入联合稀疏正则化项以增强稀疏向量的联合稀疏性，并采用空间正则化约束输出的关联特性。通过交替方向乘子法（ADMM）求解该优化问题。仿真结果表明，该算法性能得到提升。
关键词： 稀疏表示、分类、高光谱图像、联合稀疏性、交替方向乘子法
更新于2025-09-23 15:22:29
-
局部自适应联合稀疏表示在高光谱图像分类中的应用
摘要： 本文提出了一种用于高光谱遥感图像分类的局部自适应联合稀疏表示（LAJSR）模型。该模型在信号与字典构建阶段以及稀疏表示阶段均对原始联合稀疏表示（JSR）方法进行了改进。针对待测像素，通过选取其空间邻域内少数最相似像素构建相似信号集。原始训练字典由不同类别的训练样本组成，并通过添加每个训练样本的空间邻域进行扩展。从扩展字典中筛选出与相似信号集相关的最具代表性原子，构建局部自适应字典。在LAJSR框架下，所选相似信号同时由局部自适应字典表示，所得稀疏表示系数进一步通过稀疏浓度指数向量加权——该向量旨在将系数集中并突出显示在预期类别上。两个基准高光谱数据集的实验结果表明，所提出的LAJSR方法比现有JSR和SVM方法更有效，尤其在小样本情况下优势显著。
关键词： 局部自适应字典，高光谱图像，分类，联合稀疏表示
更新于2025-09-23 15:22:29
-
基于代数多重网格的多尺度信息融合高光谱图像光谱-空间分类
摘要： 本研究提出了一种融合代数多重网格（AMG）、层次分割（HSEG）和马尔可夫随机?。∕RF）技术的高光谱图像（HSI）新型谱-空分类框架。该框架具有两大创新贡献：首先，通过结合基于AMG的标记选择方法与传统HSEG算法，开发出有效的HSI分割方法，构建多尺度无监督分割图集；为提升计算效率，在图像分割前采用快速鱼群马尔可夫选择器（FMS）算法进行特征选择。其次，提出改进的MRF能量函数，通过综合空间与跨尺度上下文信息实现多尺度信息融合（MIF）。采用两幅机载高光谱影像进行实验，与多种主流分类方法对比验证了本框架的性能优势。实验结果表明，该框架在定性与定量分析层面均展现出卓越性能。
关键词： 层次分割、代数多重网格、高光谱图像、光谱-空间分类、多尺度信息融合、马尔可夫随机场
更新于2025-09-23 15:22:29