共查询到17条相似文献，搜索用时 125 毫秒
1.
高光谱遥感域自适应分类旨在利用有标注样本的源域知识对无标注的目标域场景进行分类,是高光谱跨场景分类的重要方法之一。目前流行的域自适应分类方法利用对抗训练模式实现目标域与源域的特征对齐,但未考虑源域知识是否充分转移至目标域这一关键问题。为了有效提取并迁移源域知识,本文提出一种基于对抗与蒸馏耦合模式的高光谱遥感自适应分类方法 UDAACD(Unsupervised Domain Adaptation by Adversary Coupled with Distillation)。该方法采用类内样本自蒸馏方式对源域信息进行提炼,提高自适应分类模型对源域监督知识的提取能力;同时,构建知识蒸馏与对抗耦合机制使目标域与源域特征在对抗与蒸馏中实现对齐,利用对抗与蒸馏耦合机制相互补充、相互促进,提升高光谱遥感知识从源域至目标域的迁移能力,进而完成目标域高光谱影像的无监督分类。本文选用Pavia University、Pavia Center、Houston 2013及Houston 2018高光谱遥感场景数据集进行了4组跨场景图像分类实验,结果表明所提出的模型优于其他高光谱域自适应方法,在相同样本条件... 相似文献
2.
面向高光谱图像分类的半监督空谱判别分析 总被引：2，自引：2，他引：0
为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。 相似文献
3.
4.
数据融合是解决高光谱卫星在时空分辨率等指标上受限的有效途径,探讨不同方法在GF-5高光谱数据上的融合效果,对GF-5高光谱数据的信息挖掘与推广应用有着重要意义。本文本着算法简单易用、适于推广的原则,采用GS（Gram-Schmidt）葛兰—施密特正交变换融合算法、GSA（GS Adaptive）自适应GS融合算法、CNMF（Coupled Non-negative Matrix Factorization）耦合非负矩阵分解融合算法、CRISP-W（Color Resolution Improvement Software Package with Wavelet transform）基于小波变换和CRISP-B（Color Resolution Improvement Software Package with Butterworth）基于巴特沃斯滤波器的分辨率提升融合算法、GLP（Generalized Laplacian Pyramid）广义拉普拉斯金字塔融合算法共6种融合方法,分别对BJ-2、GF-2、GF-1、GF-1C、GF-1D国产卫星多光谱数据与GF-5高光谱数据进行融合实验。通过目视分析、指标评价（相关系数、通用图像质量指标、峰值信噪比、光谱角、全局综合误差）、分类应用、时间成本4种方式对融合结果进行综合比较分析。结果表明,相融合的一组图像系列相同、空间分辨率相差越小,融合结果越好。CRISP-B、CRISP-W、GLP在提升空间分辨率、光谱保真度方面能达到较好的平衡,空间重建方面,GLP稍优且更稳定,CRISP-B、CRISP-W则在光谱信息保持方面稳定性更强且效果更好。数据源会对融合方法产生一定的影响,在光谱特征信息提取、分析等对光谱保真度要求高的工作中,GLP更适合同源数据（如GF-5与GF-1/1C/1D/2）融合,而在多源数据间（如GF-5与BJ-2）进行融合时,则优先选择CRISP-W。CNMF存在一定程度的色彩畸变,且运行时间较长。GSA、GS融合效果最差,其中,GSA不论是光谱保持能力还是空间分辨率提升能力均较GS更稳定。在小样本高光谱图像分类应用中,CRISP-B融合结果分类效果稳定,分类精度较高。GSA融合结果空间细节丰富,虽光谱失真较为严重,但同时增大了地物光谱分离度,仍适用于准确勾勒建筑物、道路等地物。本研究为GF-5高光谱数据与其他国产卫星多光谱数据融合方法的选择提供参考,有助于高分五号高光谱数据的应用与推广。 相似文献
5.
6.
目前,高光谱遥感特征提取方法往往因受到噪声的干扰而导致降维效果欠佳。近年来,判别局部对齐DLA (Discriminative Locality Alignment)由于可以处理非线性分布样本、保留局部判别信息,同时避免矩阵奇异性问题,受到了很多学者的关注;但该方法无法有效估计和减少噪声对高光谱遥感影像的影响。针对以上问题,本文提出了最小噪声判别局部对齐MDLA (Minimum-noise Discriminative Locality Alignment)的线性特征提取方法和核最小噪声判别局部对齐KMDLA (Kernel Minimum-noise Discriminative Locality Alignment)的非线性特征提取方法。充分利用最小噪声分离MNF (Minimum Noise Fraction)的去噪能力,将MNF与DLA算法结合提出了MDLA方法,该方法首先利用MNF对高光谱遥感影像进行降维,减少图像中的噪声,然后再在子空间进行DLA变换得到最终的投影数据。为提高样本分布的非线性判别能力,基于KMNF与DLA算法将核方法引入MDLA,提出了KMDLA方法,该方法首先通过KMNF将原始空间的数据映射到新的特征空间,然后在特征空间中进行DLA变换得到最终的投影数据。实验部分首先利用3组高光谱遥感数据对提出算法的性能进行评价,并与相关特征提取算法进行了对比分析,最后分析了图像噪声对不同降维方法性能的影响。结果表明:提出的算法对高光谱遥感影像特征提取效果较好,且可有效减少噪声对影像的影响并提升其分类准确度。 相似文献
7.
显著性权重RX高光谱异常点检测 总被引：1，自引：0，他引：1
高光谱图像异常点检测中,传统RX异常点检测算法忽略了空间相关性,背景估计不准确。本文提出了一种基于图像局部邻域光谱显著性分析的加权RX算法。该算法通过引入图像显著性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显著性权重图,重新定义RX算法中的均值向量和协方差矩阵,并给不同的目标赋予不同的权值,达到优化背景估计的目的。利用合成高光谱数据和真实高光谱数据进行异常点检测实验,结果表明,对于同一组数据,本文算法检测到的异常点数比传统算法多,虚警率较低,有效地提高了检测率。 相似文献
8.
在协方差矩阵、协因数阵、权阵等概念的基础上,引入了Fisher信息矩阵（简称信息矩阵）,介绍了信息矩阵的一些重要性质,强调了总体信息矩阵与样本信息矩阵两种概念的区别;推导了多元正态分布情况下的信息矩阵,揭示了总体/样本信息矩阵与总体/样本协方差矩阵以及协因数阵/权阵的关系,指出权阵为归一化信息矩阵;在信息矩阵的基础上引入信息向量的概念,推导了信息域间接平差方法,该方法对信息矩阵与信息向量进行估计,在结果层面,该方法与估计原参数向量与协方差矩阵的普通间接平差方法等价,但形式更简单、结构更明确,为理解间接平差提供了一种新的视角,而且新方法在模型不可解场合、序贯/递归平差的初始化方面等具有特殊优势;给出了用于动态状态空间模型滤波的信息域动态平差算法,即为与Kalman滤波算法等价的信息滤波算法。 相似文献
9.
传统的基于鲁棒主成分分析的高光谱异常探测模型中,稀疏异常矩阵假设为非低秩且其非零元素满足随机分布条件。这导致稀疏矩阵的非零元素影响低秩背景矩阵的估计,进而制约背景信息和异常信息的有效分离。提出列式鲁棒主成分分析的异常探测方法,改进异常矩阵为列稀疏条件来解决上述问题。该方法分解高光谱影像2维矩阵为低秩背景矩阵,列稀疏异常矩阵和噪声矩阵,松弛目标方程为凸优化问题,并采用非精确增强拉格朗日乘子算法来求解得到列稀疏异常矩阵的最优估计。最后,对稀疏异常矩阵中所有列的L2范数值进行阈值分割来探测得到异常像元。利用两个高光谱影像数据集,对比5种主流的异常探测方法来验证提出方法的有效性。实验结果表明,列式鲁棒主成分分析方法优于包括传统鲁棒主成分分析模型在内的5种异常探测方法,且计算效率适中。 相似文献
10.
11.
为利用已有标注的影像数据集实现对未标注遥感影像的语义分割,提出一种对抗域适应的方法。首先在生成对抗网络的基础上,利用基于香农熵的不确定图,进行域间的对抗学习,实现已标注的影像(源域)与未标注的影像(目标域)之间的迁移学习;其次为进一步提升模型的无监督学习能力,使用基于伪标签提纯的自学习策略。为验证所提方法的有效性,使用ISPRS提供的IRRG波段的Vaihingen数据集与RGB波段的Potsdam数据集进行实验。实验结果表明,与典型的域适应方法相比,该方法可以有效地提升网络的泛化能力,进而提高模型在目标域上的分割精度。 相似文献
12.
13.
高光谱遥感影像多级联森林深度网络分类算法 总被引：1，自引：1，他引：0
高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。 相似文献
14.
高光谱图像分类是遥感领域中一个具有挑战性的问题。基于深度学习框架的高光谱图像分类方法,由于其良好的分类性能受到了越来越多的关注。然而,这些方法普遍存在的问题为：模型的训练不仅需要大量的时间,而且还需要大量的标签样本。针对此问题,本文提出了一种基于超像素图卷积网络的高光谱图像分类方法。该方法以超像素作为图的节点,极大地减小了图的规模,从而提高了分类效率;提出的超像素合并技术能有效地融合光谱-空间信息,增强了空间信息在分类中的作用;为了验证该方法的有效性,在Indian Pines、Pavia University两个实际数据集上进行试验,并与一些先进的基于深度学习框架的高光谱图像分类方法进行比较。结果表明,本文方法在分类精度和分类效率上均优于其他方法。 相似文献
15.
云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。 相似文献
16.
Maryam Imani 《Journal of the Indian Society of Remote Sensing》2018,46(9):1389-1397
An anomaly detection method with a clustering based feature reduction is proposed in this paper to improve the performance of the Local RX detector. Because of high dimensionality of hyperspectral image and the low number of available samples in each local region around each testing pixel, the estimate of local covariance matrix is not possible. So, because of singularity problem, Local RX cannot use the local covariance matrix and misses the local structures of data to model the background clutter. To deal with this problem, a supervised clustering based feature reduction is introduced for extraction of background features with minimum overlap and redundant information. In the projected feature space with reduced dimensionality, the local structures of background pixels are estimated to efficiently model the background data. The experiments done on both synthetic and real hyperspectral images show the superior detection performance of the proposed method with a relatively high speed. 相似文献
17.
将高光谱图像与高空间分辨率图像融合后,由于融合图像空间分辨率提高,改变了混合像元内地物组分比例,像元光谱信息较原高光谱图像光谱信息会出现“失真”现象。针对这种情况,考虑混合像元内成分变化进行图像融合,首先利用投影方法模拟多光谱图像得到高光谱图像,并将模拟高光谱图像与原高光谱图像利用小波方法进行融合,融合图像不仅增强了空间信息,而且对光谱信息进行一定的修正,从而提高了环境异常探测等一系列应用的精度。利用Hyperion图像和SPOT-5图像进行融合实验,融合图像能够识别出87.2%目标区域。 相似文献