- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于多目标的高光谱波段选择中的弱帕累托最优分析
摘要： 波段选择是指从高光谱图像中找出最具代表性的通道。通常需要设计特定目标函数并通过正则化项进行组合。这类方法的一个潜在缺陷是：在给定波段数量的情况下，单次运行只能生成一个解决方案。为解决该问题，研究者采用基于多目标（MO）的方法进行波段选择——该方法能同步获取不同波段数量的系列子集。然而由于波段选择问题的解空间具有离散特性，近期提出的加权切比雪夫（WT）多目标方法可能存在弱帕累托最优问题。这种情况下，每个波段数量对应的解都不唯一且不存在最优解，决策者必须手动为每个波段数量选择单一方案。本文通过理论分析揭示了波段选择中的弱帕累托最优问题，并定量给出了边界条件。进一步总结出帮助用户规避该问题的建议准则。基于这些标准，我们开发了新型自适应惩罚边界交叉（APBI）框架来改进高光谱波段选择的多目标算法。APBI主要具备两大优势：1）避免弱帕累托最优解；2）降低惩罚因子的敏感性。对比实验验证了理论分析的有效性，结果表明WT方法确实存在弱帕累托最优解，而APBI能有效解决该问题。
关键词： 多目标（MO）优化、波段选择、弱帕累托最优、高光谱影像（HSI）
更新于2025-09-23 15:22:29
-
基于深度卷积神经网络的高光谱图像分类数据增强方法
摘要： 卷积神经网络（CNN）已广泛应用于高光谱图像（HSI）分类。实践证明，在训练数据量较小时，数据增强技术具有显著效果。本文通过大量对比实验研究了常见数据增强方法，发现这些常规方法仅能产生有限且存在上限的性能提升。为解决该问题，本研究提出一种名为像素块对（PBP）的新型数据增强方法，可大幅增加训练样本数量。该方法利用深度CNN提取PBP特征，并采用决策融合技术进行最终标签分配。实验结果表明，本方法性能优于现有方案。
关键词： 模式分类，卷积神经网络（CNN），高光谱影像（HSI），数据增强
更新于2025-09-09 09:28:46
-
一种用于高光谱异常检测的约束稀疏表示模型
摘要： 本文提出一种基于稀疏性的高光谱图像异常检测新算法。该算法基于以下原理：若从邻域中剔除异常像元，则背景像元可近似表示为其空间邻域的稀疏线性组合，而异常像元则不能。为保证物理意义，基于线性混合模型对丰度向量施加和为一与非负约束，并取消稀疏度上界约束以更好重建测试像元。该方法首先利用冗余背景信息自动从背景字典中剔除异常像元，继而直接采用新背景字典获得的重建误差进行异常检测。此外还推导了核版本方法以充分挖掘高光谱数据的非线性特征。本方法的重要优势在于即使包含部分异常像元时仍能自适应建模背景。通过在三个真实高光谱数据集上的大量实验表明，所提检测器在较低计算成本下实现了优异的检测性能。
关键词： 高光谱影像（HSI）、线性混合模型（LMM）、异常检测、约束稀疏表示（SR）
更新于2025-09-09 09:28:46