杭州电子科技大学自动化学院，浙江 杭州 310018
近年来，随着深度学习的发展，基于深度学习的特征提取方法在高光谱图像领域表现出良好的发展前景。提出了一种引入注意力机制的多尺度高光谱图像特征提取方法，包括光谱特征提取网络和空间特征提取网络两个部分，并使用一种得分融合策略进行融合。在光谱特征提取网络中，引入注意力机制来缓解因光谱维数过高导致的梯度消失问题，以提取多尺度的光谱特征。在空间特征提取网络中，引入注意力机制作用于网络主干，使其关注邻域内的重要部分，帮助分支网络提取关键信息。将5种光谱特征提取方法、3种空间特征提取方法以及3种空间-光谱联合特征提取方法在3个数据集上进行对比实验，实验结果表明，所提方法能够稳定、有效地提升高光谱图像的分类准确率。
高光谱图像 长短期记忆网络 注意力机制 特征提取 深度学习 激光与光电子学进展
2024, 61(4): 0437010
1 西安邮电大学 电子工程学院，陕西西安702
2 西安电子科技大学 电子工程学院，陕西西安710071
针对高光谱遥感图像的特征提取与地物分类，提出一种基于分数阶微分的高光谱图像特征提取方法，设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征，并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征，将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征，并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3✕3，5✕5和7✕7的分数阶微分掩模进行空间特征提取，4个真实高光谱图像的实验结果表明，所提取的SpaFD特征和SpaFD-Spe-Spa特征可有效提升高光谱图像的地物分类精度，且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%，1.42%，2.41%和2.87%；SpaFD-Spe-Spa特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.90%，5.62%，3.35%和5.18%。
高光谱图像分类 分数阶微分 特征提取 卷积神经网络 hyperspectral images classification fractional differentiation feature extraction convolutional neural network 光学 精密工程
2023, 31(21): 3221
为了解决高光谱图像超分辨率重建中物质本征光谱表达能力不足、图像尺度变化过程中存在细节信息损失的问题，提出一种全局-局部注意力特征重用网络。首先，通过多节点特征重用增强网络的多尺度信息提取能力。其次，引入局部注意力，利用空间注意力机制聚焦重点空间信息，并通过通道注意力机制增强特异性光谱提取能力。最后，设计全局修正模块，根据原始多光谱图像空间信息丰富与高光谱图像光谱保真度高的特性进一步补偿处理过程中损失的空间与光谱维度信息，提高网络可靠性。选取CAVE和Harvard数据集进行训练与测试，并与多种先进方法进行定量与定性评估。结果表明，所提网络能够重建出更高分辨率的高光谱图像，更好完成高光谱超分辨率任务。
高光谱图像 超分辨率 注意力机制 特征重用 卷积神经网络 光学学报
2023, 43(21): 2115001
1 重庆大学 光电技术与系统教育部重点实验室，重庆 400044
2 重庆市妇幼保健院 超声科，重庆 401147
3 重庆大学附属肿瘤医院 影像科，重庆 40000
高光谱成像技术的飞速发展给非侵入式医学成像带来新的契机，但高光谱医学图像具有高维度、高冗余以及“图谱合一”的特点，亟需针对上述特点设计智能诊断算法。近年来，Transformer已经在高光谱医学图像处理领域得到广泛应用。然而，不同仪器设备、不同采集操作所获得的高光谱医学图像差异较大，这给现有Transformer诊断模型的实际应用带来了巨大挑战。针对上述问题，本文提出了一种空-谱自注意力Transformer （S3AT），自适应挖掘像素与像素间、波段与波段间的内蕴联系，并在分类阶段融合多个视野下的预测结果。首先，在Transformer编码器中，设计一种空-谱自注意力机制，获取不同视野下高光谱图像上的关键空间信息和重要波段，并将不同视野下所获得的空-谱自注意力进行融合。其次，在模型分类阶段，将不同视野下的预测结果根据可学习权重进行加权融合，对图像进行综合预测。在 In-vivo Human Brain 和 BloodCell HSI 两个数据集上，本文算法总体分类精度分别达到82.25%和91.74%。实验结果表明，所提出的算法有效改善高光谱医学图像分类性能。
高光谱医学图像 Transformer 空-谱自注意力 预测融合 medical hyperspectral images transformer spatial-spectral self-attention predictions fusion 光学 精密工程
2023, 31(18): 2752
1 哈尔滨理工大学 测控技术与通信工程学院 黑龙江省激光光谱技术及应用重点实验室， 黑龙江 哈尔滨 50080
2 国网黑龙江省电力有限公司 综合信息中心，黑龙江 哈尔滨 150010
3 中部大学 计算机科学学院，日本 爱知 487-8501
针对跨场景高光谱遥感图像分类中源域和目标域的频谱偏移问题，提出一种结合空谱域适应与极度梯度提升树（eXtreme Gradient Boosting， XGBoost）的跨场景高光谱图像分类模型。将深度超参数卷积模型（Depthwise Over-parameterized Convolution Model，DOCM）和大核注意力（Large Kernel Attention，LKA）结合，构成空谱注意力模型，提取源域空谱特征。利用相同的空谱注意力模型对目标域进行特征提取，并与鉴别器完成对抗域适应，减少源域与目标域之间的频谱偏移；通过目标域中少量有标签数据对目标域特征提取器进行有监督域适应，使目标域特征提取器进一步学习目标域的真实分布，并对源域和目标域的特征进行映射，形成相似的空间分布，完成聚类域适应。最后，使用集成分类器XGBoost进行高光谱图像分类，进一步提高模型的训练速度与置信度。在Pavia和Indiana高光谱数据集上的实验结果表明，本文算法的总体分类精度分别达到了91.62%和 65.98%。相比较于其他跨场景高光谱图像分类模型，本文所提模型具有更高的地物分类精度。
高光谱图像 域适应 大核注意力 XGBoost hyperspectral images domain adaptation large kernel attention XGBoost 光学 精密工程
2023, 31(13): 1950
1 重庆理工大学, 重庆市光纤传感与光电检测重点实验室, 重庆 400054
2 重庆中国三峡博物馆, 馆藏文物有害生物控制研究国家文物局重点科研基地, 重庆 400015
3 重庆第二师范学院, 重庆 400065
受保存条件影响, 很多纸质文物表面会形成狐斑(foxing), 如果不能进行有效监测和科学判断, 会进而影响纸质文物安全。 纸质文物狐斑病害检测存在滞后性、 主观性等问题, 对于书画藏品被墨色、 颜料及印章等覆盖的区域更是难以通过肉眼进行识别, 因此, 基于文物的预防性保护理念, 亟待开发对于狐斑高效、 精确识别的无损检测技术。 可见光-近红外高光谱图像结合了光谱和图像, 包含丰富的空间信息与光谱信息, 可以实现无损批量地平面采集样本光谱信息。 该研究提出一种基于高光谱成像技术检测纸质文物狐斑的快速识别方法, 获取模拟纸质文物在360~970 nm的高光谱图像, 因360~450 nm受噪声影响过大, 所以选择剔除这部分光谱数据; 选取感兴趣区域并获取相应的平均光谱反射率, 比较健康区域与被狐斑感染区域, 发现两者的光谱曲线存在差异; 在450~600 nm附近, 受狐斑影响区域比健康区域的光谱反射率偏高, 并在600 nm附近出现波峰形态; 而在600~900 nm范围内, 被感染区域与健康区域的光谱都趋于平稳, 两者之间差异逐渐减小。 选取从特征波长对应的图像中提取的特征信息建立图像识别模型, 运用波段运算观察狐斑图像特征, 狐斑的大小和分布情况都能清晰地显示, 但与印章和墨迹重叠部分, 狐斑被印章和墨迹遮盖, 难以识别; 利用最小噪声分离, 虽然不同部分有重叠, 但能发现仅凭肉眼难以识别的隐藏的狐斑; 180条高光谱数据(450~970 nm)建立狐斑判别模型, 随机地分为120条数据为训练集, 60条数据为测试集, 应用K-近邻法与BP神经网络建立纸质文物狐斑光谱判别模型, 总体上两种方法对狐斑判别率分别达到73.3%和85%; BP神经网络相较于K-近邻模型, 总体判别率更高, 识别效果也更好。 结果表明, 利用高光谱成像可高效准确识别纸质文物狐斑, 为后续研究狐斑分布发展提供可靠的技术手段, 也为博物馆馆藏文物的保存提供指导意见。
纸质文物 狐斑 高光谱图像 光谱 机器学习分类 Paper cultural relics Foxing Hyperspectral images Spectrum Machine learning classification 光谱学与光谱分析
2022, 42(5): 1567
1 空军航空大学, 长春 130022
2 中国人民解放军 31434部队, 沈阳 110000
为了快速揭露植被伪装, 基于Relief-F算法进行了高光谱波段选择, 将高光谱研究问题转化为多光谱应用问题。首先以常见植物云杉模拟植被伪装目标, 利用HH2地物光谱仪采集实验数据, 然后引入Relief-F算法筛选特征波段子集, 与其它两种常用算法得到的波段子集进行了分类实验。结果表明, 使用Relief-F算法筛选特征波段子集分类精度达96.4%, 高于其它两种算法。该研究对于揭露植被伪装问题是有帮助的。
光谱学 高光谱图像 Relief-F算法 波段选择 植被伪装 伪装揭露 spectroscopy hyperspectral images Relief-F algorithm band selection vegetation camouflage camouflage reveal
1 空军工程大学 信息与导航学院，陕西 西安 710077
2 重庆工程学院 软件学院，重庆 400056
高光谱图像有效压缩对于实现实时传输具有重要意义。本文将光谱线性分解应用于高光谱图像的高效压缩中，根据高光谱图像的线性混合模型，将高光谱数据分解为端元与丰度的乘积，编码端对端元与丰度进行必要的数据处理，然后分别进行JPEG-LS无损压缩，形成输出码流数据。解码端利用最终解码后的端元与丰度相乘来重建原始图像，探讨了量化步长对率失真性能的影响。仿真实验结果表明，该方法能够取得一定的压缩性能。
高光谱图像 线性混合模型 端元提取 hyperspectral images linear mixed model endmember extraction 太赫兹科学与电子信息学报
2021, 19(6): 1075
江西理工大学电气工程与自动化学院, 江西 赣州 341000
为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法。首先,对原始HSI进行最优分数阶傅里叶变换。然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量。最后,构建背景协方差矩阵,通过马氏距离检测异常目标。实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能。
遥感 高光谱图像 连续最大角凸锥 最优分数阶傅里叶变换 低秩稀疏矩阵分解 异常目标检测 激光与光电子学进展
2021, 58(22): 2228003
