当前位置：文档之家 › 高光谱图像分类方法研究

高光谱图像分类方法研究

  • 格式：pdf
  • 大小：221.38 KB
  • 文档页数：5

高光谱图像分类方法研究

摘要 高光谱图像数据是光谱波段数据与空间位置数据的综合体，其包含的地物类别信息丰富

而复杂。高光谱图像分类研究的目的就是利用分类相关理论和技术去充分挖掘地物信息，提

高高光谱图像分类精度，为后续的高光谱图像应用提供坚实可靠的地物信息基础。目前，高光谱图像分类技术已经深深影响了现代生活的方方面面，其在农林、军事、海洋和地质等领

域的应用已经越来越广泛、越来越成熟。本文以传统高光谱图像分类算法对光谱信息和空间

信息利用不充分为切入点，提出了基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分

类算法和基于块近邻的边界约束标签平滑高光谱图像分类算法。本文的主要研究内容有： 1. 提出基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类算法。该算法将自适应增强思想融入稀疏表示的正交匹配过程中，在正交匹配的迭代寻优中加强对判决特征的

提取，同时利用局部Fisher判别分析算法在降维特征域进行紧耦合像元的选取，利用生成的

紧耦合像元平滑初始的特征分布，防止后面算法迭代增强过程中可能产生的过拟合。在真实

高光谱图像上的实验表明，该算法比对比的同类算法具有更优良的分类性能。 2. 提出基于块近邻的边界约束标签平滑算法。该算法首先利用训练块聚合度和测试样本块聚合度计算出一个加权因子，然后用加权因子对块间距离进行加权计算判决距离并根据

判决距离输出分类标签；同时，该算法利用局部Fisher判别分析算法对原始高光谱图进行降

维生成单波段灰度图，接着利用自适应二值化处理成图像边界快照，最后利用获取的边界快

照信息对前面输出的标签应用层次平滑操作输出最终的分类标签。该算法在三个真实高光谱

图像上的实验结果表明：其分类效果比对比的同类算法更优越。 关键词：高光谱图像分类，稀疏表示，自适应增强，块近邻，边界约束

Abstract Hyperspectral image data is a synthesis of spectral dimension information data and spatial

information data, which contains rich and complex information of feature class. The purpose of

hyperspectral image classification is to use the classification related technology and theory to fully

excavate the information of objects, improve the accuracy of hyperspectral image classification,

and provide a solid and reliable information base for the subsequent hyperspectral image application. At present, hyperspectral image classification technology has deeply affected the

aspects of modern life, its application in the fields of agriculture, forestry, military, marine and

geology has become more and more extensive and mature. In this paper, the traditional

hyperspectral image classification algorithm for spectral information and spatial information is not

sufficient as the starting point, than the close coupled set of pixels-based adaptive boosting class-wise sparse representation classifier for robust hyperspectral image classification algorithm

and the block-nearest classifier based boundary constraint algorithm for classification of

hyperspectral image algorithm are proposed. The main contents of this paper are as follows:

1. Close coupled set of pixels-based adaptive boosting class-wise sparse representation

classifier for robust hyperspectral image classification is proposed. In this algorithm, the adaptive-boosting idea is integrated into the sparse representation of the orthogonal matching

process. In the iterative optimization of orthogonal matching, the extraction of the decision feature

is strengthened, and the close coupled set of pixels is produced in the feature domain created by

the local Fisher discriminant analysis. The generated close coupled set of pixels is to smooth the initial feature distribution, and prevent the over-fitting the previous iterative process may produce.

Experiments on real hyperspectral images show that the algorithm has better classification

performance than similar algorithms.

2. The block-nearest classifier based boundary constraint algorithm is proposed. Firstly, the

weighting factor is calculated by using the degree of polymerization of the training block and the degree of polymerization of the test sample block. Then, the weighting factor is used to calculate

the distance between the blocks, than the label is output according to the distance. At the same

time, the algorithm uses the local Fisher discriminant analysis algorithm to reduce the original

hyperspectral spectrum to reduce the single band grayscale, then use the adaptive binarization to

process the image boundary snapshot, and finally use the acquired boundary snapshot information with Level smoothing operation for the label to output the final classification label. The

experimental results of the algorithm on three real hyperspectral images show that the

classification effect is superior to the similar algorithm.

Keywords: hyperspectral image classification; sparse representation; adaptive boosting; block nearest neighbor; boundary constraint 目录

第1章 引言 1 1.1 课题研究背景与意义 1

1.2 国内外研究现状 3 1.2.1 高光谱图像传统分类技术研究现状 4

1.2.2 稀疏表示分类器研究现状 4

1.2.3 高光谱图像分类框架研究现状 6

1.3 论文的主要研究内容 7

1.4 论文的主要结构 8 第2章 高光谱图像分类方法 10 2.1 高光谱图像分类常见方法 10

2.1.1 K近邻分类与局部费希尔判别分析 10

2.1.2 支持向量机分类方法 12

2.1.3 模糊神经网络分类方法 13 2.2 稀疏表示高光谱图像分类方法 15

2.2.1 稀疏表示分类模型 16

2.2.2 稀疏模型重构算法 18

2.3 高光谱图像分类效果评价方法 20

2.4 高光谱图像分类常用实验数据集 22 2.5 本章小结 23

第3章 基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类 25 3.1 自适应增强类内稀疏表示模型 25

3.2 紧耦合像元生成算法 28

3.3 实验分析 30 3.3.1 Indian Pines数据集 32

3.3.2 University of Pavia数据集 34

3.3.3 Salinas数据集 35

3.4 本章小结 38 第4章 基于块近邻的边界约束标签平滑高光谱图像分类 39 4.1 基于块近邻的高光谱图像分类模型 39

4.2 边界约束标签平滑算法 42

4.3 实验分析 43

4.3.1 Indian Pines 数据集 43 4.3.2 University of Pavia 数据集 45

4.3.3 Salinas 数据集 47

4.4 本章小结 49

第5章 总结与展望 50 5.1 工作总结 50 5.2 发展展望 50

参考文献 52

致谢 57

合集下载

基于Transformer_的高光谱图像分类方法

基于Transformer_的高光谱图像分类方法

75Internet Technology互联网+技术

一、引言 高光谱图像（hyperspetral image，HSI）是通过搭载在不同空间平台上的高光谱传感器，名为成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像而形成的图像。早期的高光谱图像分类方法主要是通过人工提取高光谱图像中的特征，然后利用传统的机器学习方法对HSI进行分类。虽然这些方法在一定程度上能够对高光谱图像进行有效地识别和分类，但是需要人工构建特征。此外，近年来高光谱图像数据呈现出海量增长的趋势，数据的特征维度也越来越高。研究者们将深度学习技术应用到高光谱图像数据处理中。这些基于深度学习的方法首先通过深度神经网络，如循环神经网络或卷积神经网络，来提取高光谱图像中的空间信息和光谱信息，然后利用分类器对图像进行分类。虽然基于CNN的主流方法能够有效提取高光谱特征，但是由于CNN的结构，它只能提取局部特征，无法准确有效地捕捉全局特征。近来，Transformer在自然语言处理领域取得了巨大的成功，并被应用到计算机视觉任务中。与基于CNN的方法相比，Transformer借助注意力基于Transformer的高光谱图像分类方法

机制，有效地兼顾了局部与全局特征。本文提出了一种基于Transformer的高光谱图像分类算法。首先利用主成分分析（PCA）来对高光谱图像数据进行降维处理，然后将处理后的数据利用空-谱联合特征提取模块（SSRN）来提取高光谱图像的空-谱联合特征，最后采用Visual-transformer（ViT）对于提取后的空-谱联合特征进行分类。二、相关工作针对高光谱图像研究中的特征提取，国内外学者进行了多方面地研究。比如，徐沁[1]等人提出新型多尺度特征提取模块及拥有多尺度空谱融合注意力模块的SE-Res2Net。欧阳宁[2]等人在此基础上提出一种基于多层次空-谱融合网络的高光谱图像分类方法。王雷全[3]等人提出基于光谱－空间一致性正则化的高光谱图像分类方法。王爱丽[4]等人将残差网络引入动态卷积提取深度精细化特征。在国外，Hong[5]等人针对传统图卷积网络计算成本巨大的问题，提出了mini-batch图卷积网络，提升了高光谱分类任务在单个传统图卷积网络以及单个卷积神经网络模型中的性能表现。Hang[6]等人针对高光谱图像

基于Vision Transformer的高光谱图像分类

基于Vision Transformer的高光谱图像分类

基于Vision Transformer的高光谱图像分类

基于Vision Transformer的高光谱图像分类

摘要：

随着科技的发展，高光谱图像的获取和应用越来越广泛。高光谱图像包含了丰富的光谱信息，对于许多领域的问题都具有重要的指导意义。然而，高光谱图像的分类任务一直面临着挑战，主要是由于数据维度高、噪声干扰和像素关联性等问题。为了解决这些问题，本文提出了一种基于Vision

Transformer （ViT）的高光谱图像分类方法。该方法利用了ViT在计算机视觉领域的优秀表现，并将其应用于高光谱图像分类任务中。通过对高光谱图像进行切块，并将每个切块作为输入，我们可以利用ViT模型学习到高光谱图像的特征表示，从而实现分类任务。实验结果表明，该方法在高光谱图像分类任务中取得了良好的性能，不仅提高了分类准确率，还具有较强的鲁棒性和泛化能力。

一、引言

高光谱图像是指在一定波长范围内对物体进行连续光谱采样，并将采样结果以图像的形式表示的一种数据。与普通图像相比，高光谱图像不仅包含了RGB等通常的三个通道，还具有大量的光谱信息，可提供更丰富的物质表达和细微结构特征。因此，高光谱图像在农业、环境监测、地质勘探等领域具有广泛的应用前景。

然而，高光谱图像的分类任务并不简单。首先，高光谱数据的维度往往非常高，每个像素点都有数百个或数千个光谱波段。这使得传统的分类方法在处理高光谱图像时面临着维度灾难问题。其次，高光谱数据往往受到噪声干扰，而且不同波段之间存在相关性，这增加了分类任务的难度。因此，如何从高维度、噪声干扰和相关性等挑战中提取有用的特征，成为了高光谱图像分类研究的重要问题。

二、相关工作

在高光谱图像分类任务中，研究者们尝试了许多方法，包括传统的机器学习方法和深度学习方法。传统的机器学习方法通常利用特征提取和分类器模型来完成分类任务。这些方法在一定程度上能够提取出高光谱数据中的有用信息，但由于数据维度高和噪声干扰等问题的存在，分类准确率较低。

高光谱遥感图像分类算法中的应用研究

高光谱遥感图像分类算法中的应用研究

第２９卷第２期　计算机仿真　２０１２年２月　

文章编号：１００６—９３４８（２０１２）０２—０２８１—０４　

高光谱遥感图像分类算法中的应用研究　

张敬　，朱献文　，何宇　

（１．黄淮学院国际学院，河南驻马店４６３０００；　２河南省新蔡县余店乡初级中学，河南新蔡４６３５００）　

摘要：针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点，提出一种基于决策边界特征提取（Ｄｅｃｉｓｉｏｎ　Ｂｏｕｎｄａ－　ｒｙ　Ｆｅａｔｕｒｅ　Ｅｘｔｒａｃｔｉｏｎ，ＤＢＦＥ）的ＳＶＭ高光谱遥感图像分类算法。首先采用ＤＢＦＥ对高光谱遥感图像进行特征提取，消除特征　

之间相关性，并降低特征维数，然后采用ＧＡ对ＳＶＭ参数进行优化，找到最优分类模型参数，最后采用最优分类模型对待分　类的高光谱遥感图像进行分类。仿真结果表明，高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确　率，说明分类方法是有效、可行的。　关键词：高光谱；遥感图像；支持向量机；特征提取　

中图分类号：ＴＰ７５１．１　文献标识码：Ａ　

Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｈｙｐｅｒｓｐｅｃｔｒａｌ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　

Ｉｍａｇｅｓ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｍｅｔｈｏｄ　

ＺＨＡＮＧ　Ｊｉｎｇ　，ＺＨＵ　Ｘｉａｎ—ｗｅｎ　，ＨＥ　Ｙｕ　

（１．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｌｌｅｇｅ　ｏｆ　Ｈｕａｎｇｈｕａｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｕｍａｄｉａｎ　Ｈｅｎｅｎ　４６３０００，Ｃｈｉｎａ；　

２．Ｙｕｄｉｍｌ　Ｊｕｎｉｏｒ　ｍｉｄｄｌｅ　ｓｃｈｏｏｌ，Ｘｉｎｃａｉ　Ｈｅｎａｎ　４６３５００，Ｃｈｉｎａ）　

ＡＢＳＴＲＡＣＴ：Ｂｅｃａｕｓｅ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ　ｈａｖｅ　ｌａｒｇｅ　ａｍｏｕｎｔ　ｏｆ　ｄａｔａ，ｈｉｇｈ　ｄｉｍｅｎｓｉｏｎｓ，ａｎｄ　ｒｅｄｕｎ－　

ｄａｎｃｙ　ａｍｏｎｇ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｄ　ｏｎｅ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　

高光谱分类方法

高光谱分类方法

高光谱分类方法

高光谱分类方法主要包括深度学习、支持向量机（SVM）、随机森林等。

1. 深度学习：深度学习在高光谱图像分类中非常有效，尤其是卷积神经网络（CNN）由于其强大的特征提取能力，在处理高维度数据时表现出色。CNN能够自动学习数据的层次特征，这对于高光谱数据的复杂性和多样性至关重要。

2. 支持向量机（SVM）：SVM是一种广泛使用的分类器，它通过找到一个超平面来最好地分隔不同类别的数据点。在高光谱分类中，SVM因其在小样本数据集上的优秀表现和良好的泛化能力而被广泛采用。

3. 随机森林：随机森林是一种集成学习方法，它通过构建多个决策树并将它们的预测结果结合起来进行分类。这种方法对于处理高维数据特别有效，因为它可以处理大量的输入变量，并且在训练过程中不易出现过拟合。

除了上述方法，还有一些其他技术如主成分分析（PCA）用于降维，以及一些特定的算法如光谱角映射（SAM）和匹配滤波器（MF）等，这些方法在特定应用场景下也非常有效。

总的来说，高光谱分类是一个多学科交叉的领域，涉及到遥感学、模式识别、机器学习等多个领域的知识。随着技术的发展，新的算法和方法不断涌现，为高光谱图像的分析和应用提供了更多的可能性。