共查询到20条相似文献，搜索用时 218 毫秒
1.
2.
随着高分辨率对地观测技术的快速发展,我国已具备获取高空间分辨率和较高光谱分辨率遥感图像的能力.在高分辨率对地观测条件下,能够进行检测的目标最小尺度在不断提升,使得复杂场景中的目标检测成为可能.针对机载高分成像获取的高光谱图像中目标检测问题,本文提出了一种基于张量表示的目标检测新框架及稀疏目标检测新方法.首先,利用张量模型对输入高光谱图像数据进行低秩分解和表示,所得到的投影分量能够表示高光谱图像的空间-光谱整体信息;其次,将稀疏表示方法同传统目标匹配检测方法相结合,构成稀疏匹配目标检测算子,对低秩张量分解的投影数据进行检测.本文所提出稀疏张量目标检测新方法能够有效地挖掘和利用局部区域目标的空间-光谱联合信息,提高高分条件下复杂场景目标检测的性能、降低虚警率.本文利用两组真实的航空系统高光谱图像进行仿真试验,试验结果表明所提出的方法检测性能明显优于当前国际主流遥感图像目标检测方法. 相似文献
3.
小样本的高光谱图像降噪与分类 总被引：1，自引：0，他引：1
在样本数目稀少情况下实现高光谱图像精细分类是个挑战性的问题。高光谱图像信噪比提高比较困难,噪声大小对分类结果有最直接的影响。利用高光谱图像相邻波段之间的相关性和相邻像素之间的相关性,提出多级降噪滤波的高光谱图像分类方法,通过改进的两阶段稀疏与低秩矩阵分解方法,去除高光谱图像中能量较高的噪声,利用主成分分析方法去除高光谱图像中能量较低的噪声,引导滤波方法去除分类结果图中的"椒盐噪声"。选取两幅真实高光谱图像进行实验,结果表明,两阶段稀疏与低秩矩阵分解法和主成分分析法两种降噪方法具有较强的互补性;引导滤波方法使得分类图更加平滑且分类精度更高。与其他光谱空间分类方法相比,本文方法分类精度更高,且在样本极少时能获得很高的分类精度。 相似文献
4.
受仪器和观测条件限制,高光谱数据易受噪声污染,给数据解译带来挑战。针对传统稀疏解混模型抗噪性能差的问题,本文提出一种截断加权核范数稀疏解混方法,利用高光谱图像像元之间的相关性减轻噪声对丰度估计的干扰。该方法借助低秩表示在挖掘数据内在低维结构方面的优势,在稀疏解混中加入基于截断加权核范数的低秩约束,并结合加权稀疏技术,在稀疏正则项中引入空间邻域权重。截断加权核范数对丰度矩阵的奇异值向量分段处理,可以更好地实现丰度矩阵的低秩逼近,使丰度图像保持空间一致性并保留更多细节信息,空间加权策略则增强了丰度图像的空间连续性。模拟高光谱数据、Cuprite矿区真实数据和红树林高光谱数据实验表明,与其他先进的稀疏解混方法相比,所提方法具有更好的抗噪性,能够提高解混精度。 相似文献
5.
超光谱图像在常规的二维图像中加入了光谱维度,具有更大的信息量的同时也带来了较大的光谱冗余性,这给图像压缩带来了新的挑战。提出了一种基于张量分解的超光谱图像降秩与压缩方法,将超光谱图像视为三阶张量数据表示,并使用张量分解技术将原始观测张量分解为核张量与多个投影矩阵的乘积形式。这样,超光谱图像被压缩为了低秩张量,它可以通过张量反投影进行图像重构。实验证明张量分解技术能够将超光谱图像压缩到很低的比率,同时保持较低的重构相对误差。 相似文献
6.
高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术,它能够同步记录成像区域内地物的空间信息和光谱信号,故而也称为“成像光谱遥感”。高光谱遥感所获取的数据称为“高光谱遥感图像”,相较于传统的遥感数据,高光谱遥感图像具有光谱分辨率高和“图谱合一”的特点,目前已成为遥感工程应用中的重要支撑数据之一。然而,受空间分辨率限制,混合像元（即某一像元内包含多种类型的地物）问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用。混合像元分解（“解混”）是现阶段处理混合像元问题最有效的分析方法,旨在从亚像元角度出发,获取像元中纯净的光谱信号（“端元”）,并分析出各类端元在像元内所占的比例（“丰度”）。在遥感领域,为实现地物信息精细化解译,目前已发展出不同类型的解混方法,在一定程度上解决了混合像元问题对遥感定量化分析的制约。如今,随着深度学习的发展,越来越多的先进理论和工具被用于处理混合像元问题,发展出了一类基于深度学习的新型解混方法。这些新方法以光谱混合模型为桥梁,用深度学习方式来解译光谱混合现象。相比于传统的解混方法,基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势,对先验知识依赖程... 相似文献
7.
本文提出了一种基于张量子空间的多维滤波算法,将其应用于高光谱遥感影像降噪。该方法将高光谱影像数据视为三阶张量,引入张量数据表达,通过张量子空间分解将含噪影像投影到信号子空间,根据影像信号与噪声在子空间中分布的不同滤除噪声并保留原始影像的信号成分。利用该算法作用于多组含噪高光谱数据,对比逐波段二维维纳滤波算法、小波降噪算法等传统数字图像降噪算法的结果,实验证明了这种新型降噪算法的有效性。 相似文献
8.
9.
高光谱图像的异常检测在军事、农业、勘探、防火等领域具有重要的应用价值。传统的高光谱图像异常检测算法未能有效地挖掘图像光谱的深层特征,而深度学习方法具有良好的提取深层特征信息的能力。由于异常检测问题一般无法获取地物先验信息,因此无监督网络相比于监督网络要更为适用。而现有的基于自编码器的异常检测算法没有对局部信息进行有效利用,导致检测效果受限。针对这一问题,本文提出一种基于稀疏表示约束的自编码器深度特征提取方法。首先通过栈式自编码器得到深层次语义信息;然后利用稀疏表示作为约束与编码器进行有效结合,挖掘了潜在隐藏空间中的特征元素的局部表示特性;最后采用分数傅里叶变换,通过空间-频率表示获得原始光谱与其傅里叶变换的中间域中的特征,进一步增强了背景和异常的光谱区分度,且能有效去除噪声的影响。在Hymap、AVIRIS、ROSIS、HYDICE这4种光谱仪采集的5幅高光谱遥感影像上进行了性能验证,得到的曲线下覆盖面积(area under curve, AUC)分别为0.990 5、0.998 3、0.999 0、0.992 8和0.911 0,相比于对比算法都有了不同程度的效果提升。结果表明本文... 相似文献
10.
深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。 相似文献
11.
在过去几年里,卷积神经网络已经在高光谱图像分类上取得良好的效果,然而高光谱图像的高维性和卷积神经网络对所有波段的平等处理,限制了这些方法性能。本文提出了一种端到端的光谱空间注意力双边网络SSABN (Spectral-Spatial Attention Bilateral Network),直接将原始图像3D块作为输入数据,而不需要进行预处理。首先,通过光谱空间注意力模块从原始数据中增强有用波段,抑制无效波段。然后,设计双边网络两条路径。其中,空间路径用于提取空间信息,上下文路径用于提供更大的感受野,并通过特征融合模块有效的结合特征。实验结果表明,SSABN在3个公开数据集上取得了更高的分类精度,同时有效的减少训练时间。 相似文献
12.
高光谱与多角度数据联合进行混合像元分解研究 总被引：8，自引：0，他引：8
混合像元问题是定量遥感的主要障碍之一。将混合像元问题归结为类内与类间像元混合两类，并对类内混合像元分解问题加以研究。混合像元分解的关键在于确定组分光谱，确定组分光谱的方法很多，但大多数方法基于以下假定，即从图像本身可以找到纯组分光谱，然而这一假定对于类内混合像元分解问题来说很难成立。提出采用高光谱与多角度相结合的方法，利用几何光学模型和线性光谱混合模型进行类内混合像元分解。即首先利用多角度数据反演几何光学交互遮蔽(GOMS)模型获得组分光谱，再对高光谱数据进行组分光谱分解。由于该方法直接从混合光谱产生的机理出发，因而更容易获得真正的亚像元信息。为减小反演误差，反演过程中采用改进的多阶段的反演策略，并充分利用多角度图像本身提供的先验信息。用BORE—AS试验获取的高光谱与多角度数据所作的研究表明，该方法可以获得比较理想的分解结果。 相似文献
13.
针对高光谱影像数据中存在大量冗余,传统异常探测算法应用高光谱所有波段进行探测计算量巨大的问题,提出一种基于波段相似性线性预测与学习字典的异常探测算法。该算法首先通过对波段的相似性进行线性预测,找到最不相似的波段子集;然后,利用学习字典算法获得能够表征图像背景信息的背景字典,并通过低秩分解的算法将影像分解为低秩矩阵与稀疏矩阵;最后,使用经典RXD(Reed-X detector)探测算法对稀疏影像进行异常探测。实验结果表明,该算法可以在减少计算代价、保持波段原始信息不被破坏的同时,能够较好地实现了高光谱影像的异常探测。 相似文献
14.
高光谱影像受到高维波段间强相关性的困扰,导致处理应用的困难。而现有高光谱波段选择方法通常以线性角度考虑波段间关系,未充分考虑多尺度的信息且容易受到噪声的影响,导致所选的波段子集性能不佳。为了克服上述问题,本文提出了基于多特征的深度子空间聚类方法进行高光谱影像波段选择。该方法将自表达层嵌入到卷积自编码器中学习子空间自表达系数,充分考虑了空间信息和光谱信息的交互,用非线性的视角思考了波段间关系。为了提高潜在表征的学习能力,提升自表达系数学习的准确性,本文将注意力模块和多特征提取模块与卷积自编码器相结合,进一步降低了异常值的干扰。本文在3个高光谱遥感影像数据集上,将提出的方法与几种经典主流的方法进行多种对比实验,证明了本文方法能够选择具有代表性的波段子集。 相似文献
15.
针对高光谱遥感图像易受噪声干扰,本文提出了一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和核主成分分析KPCA(Kernel Principal Component Analysis)的去噪方法。首先对高光谱各波段图像进行NSCT分解;然后利用KPCA对NSCT系数进行处理,并在KPCA重构时依据各类噪声的特性选取合适的主成分;最后用处理过的系数进行逆变换得到去噪图像。实验结果表明,本文方法抑制了高光谱遥感图像中的噪声干扰,较完整地保留了原始数据的有效信息。 相似文献
16.
针对顶点成分分析方法无法实现复杂地表环境下的高光谱影像端元精确提取问题,提出了一种基于空谱协同多尺度顶点成分分析的端元提取方法,通过影像空谱特征融合和聚类分割,对不同分辨率空间尺度下的分割影像进行端元协同提取,并考虑噪声对影像端元提取精度的影响,提升端元提取的精度。首先,对影像进行预处理,采用低秩矩阵分解去除噪声。其次,对高光谱影像进行空谱多特征提取,利用多特征融合和K-means算法进行聚类分割,获取地物分布的空间异质性信息,提升后续端元提取的精度。然后,对高分辨率影像空间降采样,利用顶点成分分析方法对降采样后的低分辨率分割图像进行端元提取,并利用坐标映射寻找高分辨率影像中的相应端元,利用光谱角来判定是否为纯端元。最后,遍历上述方法至所有分割影像以获取最终的端元集合。使用模拟数据和真实的高分五号高光谱数据对提出的方法进行实验验证。实验结果表明,空谱协同多尺度顶点成分分析方法可提取高精度的纯净端元,且计算效率较高。 相似文献
17.
高光谱图像作为多模态遥感数据的重要组成部分,能够捕捉地物精细的光谱特征。由于成像机理的限制,空间细节的损失导致高光谱图像的空间表征能力有所退化,一定程度上限制了数据进一步应用的潜力。数据融合是解决空间/光谱分辨率矛盾的有效手段,近年来相关理论得到了深入发展。本文全面综述了高/多光谱遥感图像超分辨率融合领域的研究进展与展望。首先,将当前方法系统性地分为细节注入、模型优化及深度学习3大类方法,并对不同方法的原理、模型、代表性算法进行了回顾,重点介绍了模型优化中的矩阵分解、张量表示及深度学习中的监督与非监督方法。在此基础上,梳理了该领域技术在像素级分类、目标提取、在轨融合领域的成功应用案例,指出融合产品的潜能在后续遥感应用未被充分挖掘的现状;然后,从退化模型、数据-模型驱动、多任务一体化及应用耦合4个角度对该领域进行展望;最后,就该领域的研究现状与发展趋势进行总结,归纳各类方法优劣势的同时,点明了多类方法协同、外部数据辅助及实际应用驱动等方面的重要性。 相似文献
18.
为了充分利用多光谱图像的光谱信息和全色图像的空间信息,本文提出一种基于深度递归残差网络的遥感图像空谱融合方法。方法将残差网络和递归网络相结合,利用残差网络学习低空间分辨率多光谱图像与高空间分辨率多光谱图像之间的残差,同时结合全局残差和局部残差,加快网络的收敛速度,解决深层次网络容易出现的梯度消失和梯度爆炸问题;利用递归神经网络在不增加权重参数、减轻过拟合的情况下通过提高网络层数来提高精度,得到更好的图像融合效果。为了验证本文方法的有效性,应用遥感图像进行模拟实验、真实实验和泛化实验,实验结果与传统方法和现有深度学习方法进行对比分析。主观视觉和客观定量评价表明,本文方法很好地改善了传统方法存在的光谱失真现象,并且较现有深度学习方法学习到更深层次丰富的图像特征,更好地保留了图像的空谱信息,同时泛化实验也说明本文的网络具有较好的泛化能力。 相似文献
19.
随着航空航天技术与遥感技术的不断发展,遥感影像在诸多领域的应用不断拓展,其中高光谱分辨率遥感影像具有“图谱合一”的特点,即该数据既包含了具有强大区分性的地物光谱信息,又包含了丰富的地物空间位置信息,因此高光谱数据具有非常大的应用潜力。高光谱异常目标检测问题,是在对目标先验信息未知的前提下,根据光谱与空间信息实现对区域中的异常目标的进行“盲”检测,因此其在资源调查、灾害救援等领域发挥了巨大的作用,是遥感领域非常重要的研究课题。本文针对高光谱遥感影像异常目标检测研究方向,首先总结阐述了目前高光谱异常目标检测问题的主要研究进展,根据算法原理的不同对现有主流算法进行了分类与总结,主要分成了基于统计学、基于数据表达、基于数据分解、基于深度学习等不同的种类的方法,并对每类方法的特点进行分析。随后通过对现有方法的调研、分析与总结,提出了数据库拓展、多源数据融合、算法实用化等高光谱异常检测研究未来发展的3个方向。 相似文献
20.
如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。 相似文献