- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
一种用于高光谱图像光谱-空间维数约简的新型正则化非负矩阵分解方法
摘要： 降维（DR）是高光谱图像（HSI）分类的关键预处理步骤。近年来，非负矩阵分解（NMF）因其能提供可解释结果而被证明是高光谱数据降维的有效工具。然而，基础NMF忽略了高光谱数据的几何结构信息，从而限制了其性能。为此，本文提出一种称为自适应图正则化NMF（NMFAGR）的新型正则化NMF方法，用于高光谱数据的光谱-空间维降维。具体而言，为增强几何结构信息的保留能力，NMFAGR同步执行降维与图学习。针对这两项任务的相互关联性，通过添加图正则器作为交互项。此外，为有效利用光谱-空间特征间的互补信息，NMFAGR无需任何附加参数即可自动分配特征权重因子。采用高效算法求解该优化问题。通过三个基准高光谱数据集的实验验证了所提方法的有效性。
关键词： 高光谱图像、特征提取、模式识别
更新于2025-09-23 15:22:29
-
[IEEE 2018第二届电子、计算机与通信进展国际会议(ICAECC) - 班加罗尔(2018.2.9-2018.2.10)] 2018第二届电子、计算机与通信进展国际会议(ICAECC) - 基于Bregman迭代的 hyperspectral 图像稀疏重建
摘要： 高光谱图像处理在卫星通信中具有重要作用。由于星载成像光谱仪采集的数据量极其庞大，高光谱图像（HSI）处理在计算时间和存储方面需要极高的"计算资源"。从卫星向地面站传输图像数据的可用带宽有限。因此，高光谱图像压缩成为过去几年研究界的热门研究领域。本文提出的研究工作采用了一种新方案——高光谱图像稀疏化与重建（SHSIR），用于以压缩感知（CS）方式获取的高光谱图像数据重建。通过包含高斯独立同分布元素的测量矩阵生成类似压缩感知采集的压缩测量值。现在的重建问题转化为求解含非光滑项的约束优化问题。采用自适应Bregman迭代乘子法将该复杂优化问题转化为简单的循环序列问题。研究实验结果表明，该方法性能优于其他现有技术。
关键词： SHSIR算法，高光谱图像（HSI），压缩感知（CS）
更新于2025-09-23 15:22:29
-
基于多目标卷积神经网络模型与决策融合的高光谱海岸湿地分类
摘要： 沿海湿地地物类型存在光谱混叠现象，导致类别混淆。本文提出一种面向沿海湿地高光谱图像的多目标卷积神经网络（CNN）决策融合分类方法。该方法采用基于模糊隶属度规则的决策融合技术处理单目标CNN分类结果，从而获得更高的分类精度。实验结果表明，该方法对水体、滩涂、芦苇及其他植被等六类地物具有良好效果。基于模糊隶属度的决策融合分类方法总体精度达82.11%，较单目标特征波段CNN方法和支持向量机方法分别提高3.33%和6.24%。该多目标CNN决策融合分类方法继承了CNN单目标特征波段的特性，在存在类别混淆的挑战性条件下仍是一种实用的图像分类方案。
关键词： 决策融合、卷积神经网络（CNN）、高光谱图像、分类
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 - 利用高光谱图像/作物和辐射指数特征向量丰富卫星场景本体论
摘要： 卫星图像的语义分类与标注具有重要意义，且需要知识资源支撑。卫星场景的复杂性使其分类与标注成为艰巨任务，我们距离完全解决语义鸿沟问题仍有很大差距。现有几种知识资源，如语义网络、分类体系和本体。本文提出利用真实高光谱场景、美国地质调查局光谱库及WordNet词汇数据库来丰富卫星场景本体。最终构建的本体将在线发布，供研究人员进一步开发利用。
关键词： WordNet（词网），辐射指数，卫星场景本体，本体，高光谱图像（HSI），光谱特征，美国地质调查局光谱库
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 - 基于结构张量的高光谱与全色图像融合
摘要： 本文提出了一种基于结构张量的新型高光谱图像融合方法。该方法首先利用PCA变换获取高光谱图像的空间细节信息，然后对全色图像进行增强处理以锐化空间信息。由于结构张量能够表征结构特征和空间信息，本研究引入结构张量来提取增强后全色图像的空间细节。与仅从全色图像提取细节的传统方法不同，本方法同时考虑高光谱与全色图像的空间细节，并提出加权融合策略整合两者的空间细节数据以获得完整的空间信息。最后通过构建注入增益矩阵减少光谱与空间失真，将完整空间信息注入后生成融合图像。实验结果表明，本方法在客观评价和主观评价方面均展现出优异性能。
关键词： 全色图像，高光谱图像，加权融合，结构张量
更新于2025-09-23 15:22:29
-
基于光谱字典学习与稀疏编码的高光谱图像去噪
摘要： 高光谱图像（HSI）的处理与应用受噪声成分限制。本文通过应用字典学习与稀疏编码理论，建立了一种扩展至光谱域的HSI去噪算法。首先研究了加性噪声假设下的HSI噪声模型，针对HSI数据的光谱特性，提出基于在线方法的新型字典学习方法来训练用于去噪的光谱字典。通过利用含噪HSI中的空间上下文信息作为先验知识，引入总变分正则化器进行稀疏编码。最终实施稀疏重建以生成去噪后的HSI。所提方法性能优于现有算法，实验表明该算法获得的去噪结果比对比算法至少提升1dB，在显著去噪后仍能保留空间与光谱结构的本征细节。
关键词： 图像处理、高光谱图像、光谱字典、图像去噪、稀疏编码
更新于2025-09-23 15:22:29
-
高光谱遥感数据的光谱-空间分类深度置信网络
摘要： 随着高分辨率光学传感器的发展，结合多变量光学传感器的地物分类成为当前研究热点。深度学习方法（如卷积神经网络）被应用于特征提取与分类任务。本研究提出一种基于多变量光学传感器、通过受限玻尔兹曼机堆叠的新型深度置信网络（DBN）高光谱图像分类方法。我们在DBN框架基础上引入该网络对空间高光谱传感器数据进行分类，随后验证了融合光谱与空间信息的改进方法。经过无监督预训练和有监督微调后，DBN模型能成功学习特征。此外，我们增加了可对高光谱图像进行分类的逻辑回归层。所提出的融合光谱与空间信息的训练方法在印度松和帕维亚大学数据集上进行了测试。该方法相比传统方法的优势在于：(1) 网络具有深层结构，其特征提取能力优于传统分类器；(2) 实验结果表明本方法性能超越传统分类及其他深度学习方案。
关键词： 分类、特征提取、多传感器融合、遥感器、深度学习、高光谱图像
更新于2025-09-23 15:22:29
-
HCKBoost：基于极限学习机的混合复合核提升方法用于高光谱图像分类
摘要： 利用高光谱图像（HSI）分析中的上下文信息是一个重要因素。另一方面，与核方法相关的多重核（MKs）和混合核（HKs）对分类过程具有显著影响。通过复合核（CKs）激活空间信息以及利用MKs和HKs挖掘光谱信息的隐藏特征，在高光谱图像分类中已分别展现出卓越成效。本研究旨在聚合复合核与混合核，采用基于提升法的集成学习器实现高精度分类。通过预定义核的个体性能加权凸组合构建空间-光谱混合核，并按特定比例融合这些空间与光谱混合核形成复合核。采用计算快速高效的极限学习机（ELM）分类算法。由于核心目标是构建集成模型时获取最优核函数，与标准多核学习（MKL）方法不同，本方法摒弃复杂优化流程并支持多类分类。使用具有真实地物标签的帕维亚大学、印度松和萨利纳斯高光谱数据集进行仿真，通过高斯核、多项式核及对数核函数（含多组参数）构建杂交复合核（HCK），并将结果与当前最先进的多核学习、复合核、稀疏表示及单核方法进行对比分析。
关键词： 高光谱图像，复合核函数，自适应提升算法，极限学习机，混合核函数
更新于2025-09-23 15:22:29
-
基于非局部块张量稀疏表示的高光谱图像超分辨率方法
摘要： 本文提出一种高光谱图像（HSI）超分辨率方法，通过融合低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI）获取高分辨率高光谱图像（HR-HSI）。该方法首先提取非局部相似图像块构成非局部图像块张量（NPT），并创新性地提出基于张量-张量积（t-product）的张量稀疏表示模型来描述所提取的NPT。该张量稀疏表示能有效保持非局部相似图像块间的光谱与空间相似性。随后利用t-product建立HR-HSI与LR-HSI的关系，从而构建统一目标函数将非局部相似性、张量字典学习与张量稀疏编码有机结合。最终采用交替方向乘子法（ADMM）求解优化问题。在三个数据集及一个真实数据集上的实验结果表明，本方法显著优于现有最先进的高光谱图像超分辨率方法。
关键词： 张量字典学习，高光谱图像，非局部块张量，张量稀疏编码，超分辨率
更新于2025-09-23 15:22:29
-
基于预测的空间-光谱自适应高光谱压缩感知算法
摘要： 为提高海量高光谱数据存储与传输的性能，本文提出一种基于预测的空-谱自适应高光谱压缩感知（PSSAHCS）算法。首先根据空间自相关系数自适应获取高光谱图像的空间分块尺寸；其次采用k均值聚类算法对高光谱图像进行分组；随后通过局部均值与局部标准差（LMLSD）算法选取组内最优图像作为关键波段，组内非关键波段可通过线性预测进行平滑处理；接着选用随机高斯测量矩阵作为采样矩阵，离散余弦变换（DCT）矩阵作为稀疏基；最后采用分阶段正交匹配追踪（StOMP）算法重建高光谱图像。实验结果表明：相较于单波段压缩感知（SSCS）、分块高光谱压缩感知（BHCS）和自适应分组分布式压缩感知（AGDCS），所提PSSAHCS算法在主观评价、峰值信噪比、空间域自相关系数等空间域指标，以及光谱曲线对比度、重建光谱相关性等谱域指标上均能取得更优的评估结果，不仅能有效压缩重建高光谱图像，还具有强去噪性能。
关键词： 谱间预测、压缩感知、空-谱自适应、高光谱图像
更新于2025-09-23 15:21:21