- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
利用学习到的边缘结构进行高光谱图像特征提取
摘要： 本信提出一种基于新型边缘保持滤波的高光谱图像特征提取方法，其步骤如下：首先采用基于平均化的方法降低高光谱图像维度；随后对降维后的图像进行边缘保持滤波以获取特征，其中学习得到的边缘检测图作为滤波过程中的主要线索之一。该方法的创新优势在于充分挖掘了特征提取过程中学习到的边缘信息，因而相比传统特征提取方法能显著提升性能。在两个真实高光谱数据集上的实验表明，当训练样本数量有限时，本方法展现出尤为卓越的性能。
关键词： 边缘保持滤波、特征提取、高光谱图像、学习到的边缘结构
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 用于高光谱图像变化检测的鲁棒PCANet
摘要： 深度学习是处理高维数据与建模非线性的有效工具，能很好地应对高光谱数据。通常深度学习方法需要大量训练样本，但变化检测（CD）任务中缺乏用于训练的标注数据。鉴于此，本文开发了一种用于高光谱图像变化检测任务的无监督鲁棒主成分分析网络（RPCANet）。本研究的主要贡献有二：1）提出名为RPCANet的无监督卷积神经网络来处理高光谱图像变化检测；2）设计了一个结合RPCANet与变化矢量分析（CVA）的有效变化检测框架，通过更强大的特征实现更优的检测性能。真实高光谱数据集上的实验结果验证了所提方法的有效性。
关键词： 变化检测（CD）、鲁棒主成分分析网络（RPCANet）、高光谱图像、变化向量分析（CVA）
更新于2025-09-09 09:28:46
-
基于波段广义双线性模型的高光谱解混
摘要： 广义双线性模型（GBM）在高光谱非线性解混领域受到广泛关注。传统GBM解混方法通常假设仅受加性高斯白噪声（AWGN）影响，且高光谱图像（HSI）各波段的AWGN强度相同。然而实际HSI常受多种噪声混合干扰，包括高斯噪声、脉冲噪声、坏点/坏线、条纹等，且各波段AWGN强度往往存在差异。针对上述问题，本文提出一种基于分波段广义双线性模型（NU-BGBM）的新型非线性解混方法，可适应实际HSI中复杂混合噪声环境。同时采用交替方向乘子法（ADMM）求解该NU-BGBM。最后通过大量实验验证，与现有先进解混方法相比，所提NU-BGBM具有显著有效性。
关键词： 交替方向乘子法（ADMM）、波段广义双线性模型（BGBM）、高光谱图像（HSIs）、加性高斯白噪声（AWGN）、混合噪声
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于深度卷积神经网络的高光谱遥感图像杂草分类
摘要： 自动杂草检测与制图对于实施定点除草至关重要，既能降低农业生产成本，又能减少除草剂对人类健康的影响。本文采用高光谱图像研究基于斑块的杂草识别方法，通过卷积神经网络（CNN）与方向梯度直方图（HoG）进行对比评估。研究探讨了适宜的斑块尺寸，揭示了RGB影像的局限性。实验结果表明：随着波段数量增加，CNN的杂草分类总体精度持续提升；相比传统HoG特征提取方法，CNN能提取更具判别力的特征从而提高分类效果，但其计算负荷会随波段数增加而略有上升。
关键词： 方向梯度直方图（HoG）、杂草制图、高光谱图像、卷积神经网络（CNN）
更新于2025-09-09 09:28:46
-
基于子空间的高光谱图像分类多任务学习框架
摘要： 基于子空间的模型已广泛应用于高光谱图像处理，尤其在分类任务中。这些方法的核心原理在于原始图像可近似位于低维子空间。然而由于混合样本的存在，子空间投影具有不稳定性且受训练样本选择影响，可能导致特征表征与分类性能欠佳。为提升基于子空间分类模型的鲁棒性与特征表征能力，本文提出一种新型多任务学习框架。具体而言，首先将原始图像投影至不同分支的多个子空间，随后在各分支采用支持向量机（SVM）分类器处理投影数据集。通过考虑空间信息整合，进一步提供基于SVM结果的马尔可夫随机?。∕RF）扩展步骤。最终通过决策融合过程获得分类结果。在三个真实高光谱数据集上的实验表明，所提方法较其他相关方法在分类性能上具有显著提升。
关键词： 分类、子空间投影、支持向量机、高光谱图像
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018年7月22日-7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 通过一种新型基于进化策略的高光谱图像波段子集选择方法
摘要： 基于最优波段选择的高光谱降维方法近期备受关注，因为少量关键且具有物理意义的波段不仅能有效表征完整图像立方体，还可减轻计算负担。本文基于克隆选择原理构建高效搜索策略，优化名为最大椭球体积（MEV）的几何准则。主要贡献有二：1）揭示可加速该准则计算的精妙关系；2）提出进化策略以缓解从众多优质候选波段中获取目标波段时的沉重计算负荷。真实高光谱数据的实验结果表明该方法行之有效。
关键词： 最大椭球体积、波段选择、高光谱图像、克隆选择原理
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像分类中波段选择与加权空-谱方法的结合
摘要： 本文提出一种结合波段选择与加权空-谱特征融合的高光谱遥感影像地物分类新方法。每个像素的光谱信息通过全波段光谱曲线表征，空间信息则通过该像素邻域内视觉词袋模型表示。在提取空间特征前采用基于聚类的波段选择方法以降低计算复杂度，随后在支持向量机框架下学习光谱与空间特征权重，实现各类别两种基特征的平衡优化。在三种典型高光谱遥感影像上的分类结果表明，相比同类分类器，该方法能获得更高的分类精度和更低的虚警率。
关键词： 词袋模型，高光谱图像，空-谱，分类，波段选择
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018年7月22日-7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于全局空间与局部光谱相似性的群稀疏表示在高光谱图像分类中的应用
摘要： 光谱-空间分类方法已广泛应用于高光谱图像处理。然而现有方法要么聚焦于局部空间相似性，要么关注全局非局部自相似性（NLSS）。本文提出创新性方法，将全局空间相似性与局部光谱相似性统一整合至单一框架中。具体而言，我们的方案通过搜索非重叠非局部图像块来挖掘全局空间相似性，而光谱相似性则在所选图像块内进行局部判定。在两个真实高光谱数据集上的实验结果表明，相较于仅考虑全局或局部相似性的方法，本方案能提升5%-7%（总体分类精度）的显著效果。
关键词： 分类、非局部自相似性、高光谱图像、群稀疏表示
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 用于高光谱图像分类的子空间多项逻辑回归集成方法
摘要： 在集成框架中利用多个互补分类器被证明能有效提升高光谱图像分类效果，尤其当训练样本有限时?；诟吖馄滋卣飨蛄坑行Т嬖谟诘臀涌占湔庖患偕?，采用不同原理的子空间技术展现出卓越的分类性能。本研究提出一种基于子空间投影概念的新型高光谱图像精确分类集成方法：通过扩展子空间多项式逻辑回归分类器（MLRsub），使每个类别能从多个随机子空间中学习。具体而言，我们通过从训练集中随机选取自助样本以及原始高光谱特征空间的子集来构建具有多样性的MLRsub，从而生成不同的类别子空间特征。在两个真实高光谱数据集上的实验结果表明，相比其他先进方法，本方法取得了显著更优的分类效果。
关键词： 高光谱图像、子空间多项式逻辑回归、基于集成的方法、遥感、分类
更新于2025-09-09 09:28:46
-
应用于高光谱图像分类的深度学习模型的低-高功耗架构
摘要： 卷积神经网络已成为遥感高光谱图像（HSI）分类的优秀工具。然而，这些模型的高计算复杂度和能耗通常限制了其在星载遥感场景中的应用。在此背景下，低功耗架构作为有望提供可接受星载计算能力的平台，能够以更低的能耗需求实现令人满意的分类效果。例如，新型NVIDIA Jetson Tegra TX2设备是采用深度学习（DL）方法进行星载处理应用的有效解决方案。迄今为止，针对该平台或其他类似计算平台在星载遥感流程中的应用研究仍十分有限。本文探讨了低功耗架构与深度学习算法在高光谱图像分类中的应用。实验研究表明，在性能、成本和能耗方面，NVIDIA Jetson Tegra TX2设备为星载高光谱图像分类任务提供了良好选择。
关键词： 高光谱图像（HSI）分类、深度学习（DL）、低功耗架构、嵌入式计算
更新于2025-09-09 09:28:46