针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种面向高光谱分类的半监督空谱全局与局部判别分析（S3GLDA）算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息，再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形，使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留，并在输出特征中自动融入了空间信息，构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明，总体分类精度分别达到76.24%和82.96%。与现有几种算法比较，该算法有效提高了输出特征在低维空间的判别能力，更好地揭示了数据集的内在非线性多模本质，有效提升了高光谱图像数据集的地物分类精度。
高光谱图像分类 特征提取 判别分析 空谱联合 半监督学习 空间近邻 hyperspectral image classification feature extraction discriminant analysis spatial-spectral semi-supervised learning spatial neighbors
火箭军工程大学信息工程系， 陕西 西安 710025
针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种基于空谱半监督局部判别分析(S3ELD)和空谱最近邻 (SSNN) 分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性，在利用标记样本的判别信息保持数据集可分性的基础上，定义空间近邻像元散度矩阵来保存像元的空间近邻结构，提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3ELD算法不仅能揭示数据集的局部几何关系，而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类，进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明，S3ELD算法的总体分类精度分别达到了92.51%和96.29%；与现有几种算法相比，该算法能更有效地提取出判别特征信息，并达到更高的分类精度。
遥感 高光谱图像分类 半监督局部判别分析 空谱距离 空间近邻
1 火箭军工程大学 信息工程系, 西安 710025
2 中国科学院西安光学精密机械研究所, 西安 710119
3 西安交通大学 电信学院, 西安 710048
为了充分利用高光谱图像蕴含的丰富的光谱信息和空间信息, 提出了结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择算法.算法利用基于l2,1范数的数学模型, 选出同时保存全局相似性结构和局部流形结构的特征子集; 在多个尺度的窗口中使用双边滤波, 自适应计算滤波核, 自动在光谱数据中融入空间信息, 增强了类内相似性和类间相异性, 避免了参量选择; 引入层级结构实现空间信息和光谱信息的深入融合, 提高了分类准确度; 讨论了层级数目和窗口尺度个数对分类准确度的影响.在Indian Pines和PaviaU两个数据集的实验表明, 该算法在大部分地物种类上的分类准确度都有较大幅度的提升, 总体分类准确度分别达到90.98%和94.20%, 相比其他方法明显提高了地物分类准确度.
高光谱图像 特征选择 双边滤波 空间近邻 流形学习 层级网络 Hyperspectral image Feature selection Bilateral filtering Spatial neighbors Manifold learning Hierarchical network
重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
高光谱影像中波段数过多易导致“维数灾难”，而传统高光谱影像维数约简算法仅利用光谱特征而忽略了空间信息.针对上述问题，提出一种融合加权均值滤波与流形重构保持嵌入的维数约简算法.该方法利用影像中地物分布的空间一致性特点，对所有像素进行加权均值滤波，消除同类光谱差异性较大的像素影响，并在流形重构过程中增大空间近邻点的权重,提取出更为有效的鉴别特征，实现维数约简.在PaviaU和Urban高光谱数据集上的实验结果表明：相比于其它相关方法，该方法能获得更高的分类准确度，在分别随机选取5%和1%的训练样本情况下，其总体分类准确度分别提高到98.76%和80.21%.该方法在发现内在低维流形结构的同时，有效融入了影像中的空间信息，改善了分类性能.
高光谱影像分类 加权均值滤波 流形学习 维数约简 空间近邻 Hyperspectral image classification Weighted mean filter Manifold learning Dimensionality reduction Spatial neighbors 光子学报
2016, 45(10): 1030001
重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
提出了一种基于加权空-谱距离(WSSD)的相似性度量方法, 并将其应用到最近邻分类器(KNN)中, 导出了一种新的高光谱图像分类算法。 该算法利用高光谱图像的物理特性, 通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息, 利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上, 增大了同类像元间的相似性以及异类像元间的差异性, 获得了更为有效的鉴别特征, 从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验, 结果表明: 将提出的WSSD-KNN算法应用于高光谱图像分类时, 其分类精度高于其他算法, 总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息, 提取出了更为有效的鉴别特征, 故不仅有效地改善了高光谱数据的地物分类精度, 而且可在训练样本较少时, 保持较高的识别率。
高光谱图像 图像分类 空间近邻 加权空-谱距离 最近邻分类器 hyperspectral image image classification spatial neighbor weighted spatial-spectral distance K Nearest Neighbor(KNN)
1 国防科技大学 电子科学与工程学院, 长沙 410073
2 中国西安卫星测控中心, 西安 710043
提出一种稀疏重构框架下利用幅度实现扩展目标量测划分的方法.利用衍射受限光学系统特性对像平面进行网格采样, 建立稀疏重构模型及“超完备字典”.通过重构挖掘像元幅度值中的有效信息并基于成像机理对重构出的非目标量测进行抑制处理,利用重构出的亚像元级目标位置、幅度信息实现目标量测的划分.仿真结果表明:信噪比为6 dB时, 本文算法比传统方法在实现对所有扩展目标量测的正确划分上提前30s, 对目标探测信息能充分利用, 在量测划分准确性上比依靠距离划分的传统方法有较大提高, 尤其在低信噪比条件下较传统方法量测划分的准确性提升明显.
天基监视 光学传感器 空间近邻目标 扩展目标 量测划分 稀疏重构 Space based surveillance Optical sensor Closely spaced objects Extended target Partitioning Sparse reconstruction 光子学报
2015, 44(12): 1212002
国防科技大学 电子科学与工程学院, 湖南 长沙 410073
天基光学传感器对空间近邻目标的像平面跟踪过程中,传统方法在单帧恒虚警检测后进行量测划分,采用的虚警率过高可能引入较多的杂波点,过低则群目标在像平面的部分信息损失.在分析空间近邻目标在像平面特征的基础上,提出一种使用马氏随机场模型进行预检测处理然后以k-均值进行量测划分的方法,仿真结果表明,相比传统方法,基于马氏随机场模型的空间近邻目标检测及量测划分准确率更高,且在信噪比较低的情况下,性能改善明显.
马氏随机场 天基光学系统 空间近邻目标 多目标检测 量测划分 Markov random field space-based optical system closely spaced objects multiple targets detection pixel partition
