高光谱分类_高光谱图像分类 - CSDN
精华内容
参与话题
  • 高光谱图像分类流程

    千次阅读 2018-05-05 08:39:14
    本文转载自https://blog.csdn.net/archielau/article/details/18152959ENVI下推荐使用的波谱识别流程(如图1所示)。大致可以分为五个部分:大气校正、数据维数判断、端元波谱选择、波谱识别和结果分析。...

    本文转载自https://blog.csdn.net/archielau/article/details/18152959


    ENVI下推荐使用的波谱识别流程(如图1所示)。大致可以分为五个部分:大气校正、数据维数判断、端元波谱选择、波谱识别和结果分析。

     

    【遥感微课堂】高光谱图像处理和分析
     1波谱识别流程

    (1)       大气校正:使用FLAASH大气校正工具;

    (2)       数据维数判断:对图像做MNF变换,根据特征值判断数据的维数;

    (3)       端元波谱选择

    端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱,与监督分类中的分类样本具有类似的作用,直接影响波谱识别与混合像元分解结果的精度。

    最简单的端元波谱获取途径是选择已知的波谱,这些已知的波谱可以来自标准波谱库中的波谱,或者波谱仪器量测等;也可以从图像自身的像元波谱中获得,这些像元一般选择只包含一种地物的纯净像元;还常常采用前面两种方法相结合,即使用已知波谱校正和调整图像上获取的端元波谱。

    可选择很多种方法,流程图上标识了两种方法——基于PPI的端元提取和从外部源(如波谱库)获取,也可以选择基于几何顶点的端元提取、基于SMACC的端元提取等方法;

    (4)       波谱识别可选的方法就很多,如波谱角填图(SAM)、二进制编码(Binary Encoding )和光谱信息散度(Spectral Information Divergence)、线性波段预测(Linear Band Prediction)、线性波谱分离(Linear Spectral Unmixing )、匹配滤波(Matched Filtering )、混合调谐匹配滤波(Mixture Tuned Matched Filtering)、最小能量约束(Constrained Energy Minimization)、自适应一致估计(Adaptive Coherence Estimator)、正交子空间投影(Orthogonal Subspace Projection)、包络线去除(Continuum Removal)、光谱特征拟合(Spectral Feature Fitting)和多范围光谱特征拟合(Multi Range Spectral Feature Fitting)等。

    (5)       分析结果。

    展开全文
  • 摘要 解决高光谱图像中样本不足的两种途径有主动学习和半监督学习。前者提高样本的质量,后者试图提高样本数量。 代表信息:有监督的聚类结果获取未标记样本的重要的结构信息。结合主动学习,结合判别信息(SVM分类...

    摘要 解决高光谱图像中样本不足的两种途径有主动学习和半监督学习。前者提高样本的质量,后者试图提高样本数量。 代表信息:有监督的聚类结果获取未标记样本的重要的结构信息。结合主动学习,结合判别信息(SVM分类器)。

    介绍

    主动学习:考察未标记数据,选择信息量最大的(most informative)的样本加入下一次迭代。选中的样本标记后加入L集(labeled),并从U集(unlabeled)中移除。主动学习需要人力去标记一些样本。
    半监督学习:更关注未标记数据,以无监督的方式获取信息。
    本文方法:DRDbSSAL: discovering representativeness and discriminativeness by semisupervised active learning. representativeness代表性试图捕捉未标记数据的整体分布,discriminativeness在给定的标记样本下提高分类准确率。两者之间有一个tradeoff。

    相关工作

    主动学习

    选择最不确定的样本
    1. entropy query-by-bagging(EQB)算法,考虑学习者中最不一致的样本
    2. 基于后验概率的方法,度量候选样本的不确定性
    3. 候选样本的不确定性通过衡量其与分类器的margin来表示,比如SVM
    考虑uncertainty和diversity,用到的工具有SVM、kernel k means、SOM神经网络等

    半监督学习

    结合主动学习的方法,主动学习选择信息量最大的样本交给人类专家进行标记,剩余未标记的数据由分类器分类。但以往方法更多关注分类器,也就是判别(discriminative)信息,忽视了代表representative信息。本文方式就可以挖掘到未标记样本的代表信息。

    本文方法

    记总样本集为D,已知标签的样本集为L,未知的为U(主动学习的candidate pool)。U中的一些样本可以被分给伪标签来改进训练模型,记为T,剩余的不能分配给伪标签的记为S。

    A. 主动学习的query function

    query function是主动学习的关键,其选择最具信息量的样本交给人类专家做标记。本文提出的DRDbSSAL方法采用了MCLU这种衡量的方法,multiclass level uncertainty。
    binary SVM分类器,one-against-all结构,每个样本xUx∈U 到每个hyperplane的距离表示为{f1(x),f2(x),...,fn(x)}{f1(x),f2(x),...,fn(x)}。有以下计算:
    这里写图片描述
    根据c(x)大小来选择样本。
    这里的intuition是:

    B. 代表信息的挖掘和验证

    聚类,一种常用的无监督分类方法,可以用来挖掘未标记样本的数据结构或者代表信息。在DRDbSSAL中,因为有标记样本太有限,引入一种有监督的聚类方法。
    首先将数据集D通过k均值聚类分为C个簇,即

    D=D1D2...DCD=D1∪D2∪...∪DC

    每个簇不停地再划分
    Di=PunlabeledPlabeledDi=Punlabeled∪Plabeled

    方法示意图
    这里写图片描述
    不断聚类,目的是最终所有小的簇要不全是未标记的,要不就是只有一种标记的样本。
    算法过程:
    这里写图片描述
    由于有标记的样本是非常有限的,因为有很大可能会剩下完全不包含有标记样本的簇,这时候放弃。只保留最终带有标记样本的簇。

    C. 判别信息的挖掘和验证

    首先使用SVM1训练已标记的样本,然后使用MCLU从U中选择h个包含最多信息的样本给人类专家标记,更新L 和 U。
    再以L训练SVM 2,。基于两个分类结果,如果一个未标记样本的两次结果一样,有很大信息将其归类,记它的标签为伪标签。第二次迭代中训练SVM1 2就可以采用伪标签的信息了。

    D. 方法流程图

    这里写图片描述
    这里写图片描述
    数据集D分为L和U
    T是带有伪标签的样本,初始T为空
    S是不能被分配伪标签的样本,初始S=U
    迭代过程:将数据D基于L的标签使用有监督的聚类得到结果Z1;使用L和T训练SVM1;从S中使用MCLU选择h个样本标记,更新L和U;将数据D再次以L使用有监督的聚类得到结果Z2;使用L训练SVM2。将U输入SVM1和2中得到结果V1 V2
    更新T,包含三种情况,除去四个分类结果都不相同的。
    Intuition: 两个SVM分类器结果及有监督的聚类方法结果,综合判定。结果Z表示了无标记样本的代表信息,结果V表示了判别信息。在一次迭代中包含了主动学习选取的h个样本,h标签加入前后的两次SVM分类结果如果不相同,但是分别与结果Z一致,仍可以为其分配伪标签。如果四次结果都不相同,那表示完全无法确定,留到下一次迭代。

    实验与分析

    数据集:BOT来自NASA;肯尼迪航空中心;Pavia大学;IndianP;
    实验设计:60%作为训练样本,40%测试。首先每类样本中随机选择10个作为初始的标记后的数据,剩下的作为主动学习的候选样本。每次迭代新加入20个样本。
    结果与分析:前三个数据集直到1000个样本被标记后停止,第四个直到2000个样本被标记后停止迭代。
    T-test 学生检验

    文献
    A Novel Semisupervised Active-Learning Algorithm for Hyperspectral Image Classification, TGRS 2017
    Zengmao Wang, Bo Du, Senior Member, IEEE, Lefei Zhang, Member, IEEE, Liangpei Zhang, Senior Member, IEEE, and Xiuping Jia, Senior Member, IEEE

    展开全文
  • 通过结合浅层和深层卷积特征,RPNet具有多尺度的优点,它具有更好的高光谱分类效果。目前普遍的深度光谱图像分类的方法都是Fig.1所示,分别提取得到光谱信息,空间信息或者两者的联合信息然后用分类器分类,但是....

    文章中提出了一种有效的基于深度学习的方法Random Patches Network (RPNet) 用于高光谱图像分类,它直接将从图像中取得到的随机patches视为卷积核而无需任何训练。 通过结合浅层和深层卷积特征,RPNet具有多尺度的优点,它具有更好的高光谱分类效果。


    目前普遍的深度高光谱图像分类的方法都是Fig.1所示,分别提取得到光谱信息,空间信息或者两者的联合信息然后用分类器分类,但是整体存在几个问题。

    • 大多数现有的基于深度学习的方法在训练期间是耗时的;
    • 多数深度方法需要确定大量参数的因此现有深度网络的复杂度高,需要大量的训练样本;
    • 传统的深度学习方法只利用最深层的特征来对图像进行分类

    相关理论

    RPNet的相关理论是随即投影,它是一种简单有效的降维方式,在随即投影中,原始的d维数据使用随机矩阵映射到k维子空间。


    随机投影的理论基础来自Johnson-Lindenstrauss引理:如果向量空间中的点投影到随机选择的适当高维的子空间,则点之间的距离大约保存完好。 R. I. Arriaga等人利用这个属性通过将数据投影到随机低维空间来实现分类。他们的研究表明,通过随机投影不同类别之间的边缘保存完好,在低维空间中仅需要少量样本来训练分类器。该属性有利于分类任务,尤其是当训练样本非常有限时。

    RPNet结构


    1. PCA和白化:令为原始高光谱数据,其中r,c,n分别为行数量,列数量和光谱带数量。 为了降低卷积操作期间的计算成本,PCA应用于原始数据,并且仅保留前p 个PC。将尺寸减小的数据表示为。 将白化操作应用于Xp,使得不同的频带具有相似的方差,并且可以减小不同频带之间的相关性,这将有利于图像分类任务。
    2. 随机补片的卷积:然后我们从白化数据中随机选择k个像素。在每个像素周围,取w×w×p patch,这样得到k个随机patchees,。 对于分布在图像边缘的那些像素,我们通过镜像图像来填充邻居的空白像素。最后,所有k个随机区域被认为是卷积核心,我们可以通过将白化数据与随机区域进行卷积来获得k个特征图。
    3. 非线性激活:令为第一层中的卷积特征。为了改善特征的稀疏性,我们进一步利用线性单元作为激活函数。

    其中表示i的第二维中平均向量,M是由的k次重复组成的平均矩阵。最后,网络第一层中的特征可以表示为

        4. 深层特征提取:设为第(l - 1)层的特征。为了提取第l层中的特征,我们可以将Z(L-1)视为新的输入数据X并以类似的方式采用第一层的特征提取过程。通过这种方式,我们可以得到来自不同层的特征

        5. SVM分类

    实验


    展开全文
  • 高光谱图像分类

    2020-05-09 19:40:49
    高光谱遥感影像分类的特点: )特征空间维数,数据相关性强,冗余度,运算时间长; 要求的训练样本多; 可用于分类的特征多,既包括直接光谱向量,还可以计算植被指数、光谱吸收指数、导数光谱、纹理特征、形状...

    高光谱遥感影像分类的特点:

    • 特征空间维数高,数据相关性强,冗余度高,运算时间长;
    • 要求的训练样本多;
    • 可用于分类的特征多,既包括直接光谱向量,还可以计算植被指数、光谱吸收指数、导数光谱、纹理特征、形状指数等派生特征
    • 图像的二阶统计特征在识别中的重要性增加

    分类采用的策略:

    • 以训练样本为依据的监督分类与非监督分类
    • 以分类特征输入为依据的分类策略
    • 以像元构成假设为前提的硬分类和软分类
    • 以基本操作单元为基础的像素级分类和对象级分类
    • 以分类器数量为区分准则的单分类器和多分类器集成
      分类策略图

    高光谱影像分类的挑战

    • 维数灾难的挑战。在特定的分类器和训练样本条件下,高光谱影像的分类精度会随着特征维数的增大而呈现先增后减的趋势,分类器的泛化能力会随着维数的增大而变弱;
    • 非线性数据结构的挑战。信号的高维特性、不确定性、信号冗余以及地表物体的异质性等导致了高光谱数据结构的高度非线性,一些基于统计模式识别理论的分类模型难以直接对原始高维数据进行分类识别;
    • 不适定问题的挑战 (Shahshahani 和Landgrebe, 1994)。在统计学习中,由于已标记样本有限和样本质量不均一,统计模型往往不足以表达高光谱影像的数据分布,模型参数无法估计或估计不准确;
    • 空间同质性和异质性问题的挑战。实地表物体的分布呈现区域性,相邻位置通常代表相同的物体。然而,逐像素的分类结果往往与此相违背,空间先验知识没有在分类问题中发挥作用。因此,需要引入空间上下文、纹理、语义、对象、形状等特征和知识,以提高分类精度。

    解决方案

    • 核变换技术:可以很好地解决“复杂非线性数据结构”的问题
    • 特征挖掘技术:能够寻找出有效特征集,在一定程度上缓解“维数灾难”现象
    • 半监督学习和主动学习用于高光谱影像分类:解决高光谱影像处理的 “ 不适定 ” 问题
    • 光谱–空间分类:可以综合利用光谱和空间特征,很好地解决高光谱分类中“空间同质性与异质性”问题
    • 稀疏表达:将高维信号表示成少数字典原子及其系数的线性组合,在去噪的同时发掘数据本源并对其进行有效表征,传递字典原子的类别信息,依据最小重构误差可实现较准确的信号分类
    • 多分类器集成:可以解决单一分类器泛化性能差、选择分类器主观性强等问题

    参考资料

    论文:高光谱遥感影像分类研究进展_杜培军

    展开全文
  • 高光谱分类技术 开题报告的答辩PPT 自己制作 方便快捷
  • 高光谱图像分类 初学者指南 (Beginner’s Guide) This article provides detailed implementation of different classification algorithms on Hyperspectral Images(HSI). 本文提供了在高光谱图像(HSI)上不同分类...
  • 高光谱图像分类方法

    千次阅读 2019-10-21 16:37:18
    一、基于基本光谱信息,依据光谱特征和适当的...利用光谱信息和空间联合信息的前后组合:光谱分类与马尔可夫随机场(MRF)或图像分割技术的组合。 2.融合方式 空间信息与光谱信息的特征融合:三维小波变换、三维Gab...
  • 在总结分类策略的基础上,重点从以核方法(SVM)为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成6个方面对光谱影像像素级分类最新研究进行...
  • 空间序列递归神经网络用于高光谱图像分类 本文基于2018年发表于期刊Journal of Selected Topics in Applied Earth Observations and Remote Sensing上的论文“Spatial Sequential Recurrent Neural Network for ...
  • 有哪位大神有高光谱图像分类程序,刚入门,迫切想了解![图片说明](http://forum.csdn.net/PointForum/ui/scripts/csdn/Plugin/001/face/54.gif)![图片说明]...
  • 高光谱图像分类(三)分类流程

    万次阅读 多人点赞 2017-04-11 19:04:36
    如何利用稀疏表示进行高光谱图像分类呢?前面我们已经了解了高光谱图像分类的一些基本概念,那这篇文章当中将讲解高光谱图像分类具体的流程是怎么样的。以下是高光谱图像分类的具体详细步骤: 1.导入indian_pines...
  • 高光谱图像分类(一)入门

    万次阅读 多人点赞 2016-10-18 14:04:35
    一、什么是高光谱图像?如何获取?高光谱图像并非普通的二维图像,而是一种三维数据。如下图所示: 1.成像原理:星载光谱成像仪会在沿着轨道飞信时,对地表发出不同波段的光谱信号。而地表不同物质对每一个波段的...
  • 论文地址基于深度卷积神经网络的高光谱遥感图像分类西华大学学报同时利用高光谱图像的光谱信息和空间信息的深度卷积神经网路分类模型。基于深度学习到的深度特征,用逻辑回归分类器进行分类训练。高光谱图像面临的...
  • 高光谱遥感图像相关知识梳理大全

    万次阅读 多人点赞 2017-05-17 17:09:57
    前言​ 本资料整理了高光谱遥感图像概念定义、分析处理与分类识别的基本知识。第一部分介绍高光谱图像的一般性原理和知识,第二部分介绍了高光谱图像的噪声问题;第三部分介绍高光谱图像数据冗余问题以及数据降维...
  • 用于高光谱图像分类的深度卷积神经网络     摘要:近来,卷积神经网络已经在各种视觉任务中表现出优异的性能,包括常见二维图像的分类。 在本文中,采用深卷积神经网络直接在光谱域中对高光谱图像进行分类。更...
  • 高光谱数据集

    万次阅读 多人点赞 2018-06-06 17:32:24
    摘自《基于深度卷积神经网络的高光谱图像分类》徐敏1.Indian Pines 数据集Indian Pines 是最早的用于高光谱图像分类的测试数据,由机载可视红外成像光谱仪(AVIRIS)于 1992 年对美国印第安纳州一块印度松树进行...
  • 高光谱图像基础知识(1)

    万次阅读 多人点赞 2019-03-15 12:29:53
    本部分主要介绍什么是高光谱图像,成像原理,以及高光谱图像的特点。 高光谱图像 所谓高光谱图像就是在光谱的维度进行了细致的分割,不仅仅是传统的黑,白,或者R、G、B的区别,而是在光谱维度上也有N个通道,例如:...
  • 光谱空间特征提取用来高光谱图像分类:维度约减和深度学习方法
  • 高光谱图像综述

    千次阅读 2016-08-24 20:21:14
    本文是根据 袁迎辉 林子瑜所著的 “高光谱遥感技术综述”一文而写,具体细节基本皆引自此文。 近年来,高光谱图像飞速发展,在遥感领域占据着越来越重要的角色,各种遥感平台,遥感传感器,遥感信息处理,遥感应用...
  • 高光谱遥感图像处理与信息提取综述

    万次阅读 多人点赞 2017-08-09 10:08:30
    高光谱图像处理与信息提取技术的研究主要包括数据降维、图像分类、混合像元分解和目标探测等方向。   高光谱图像处理与信息提取中面临的关键问题: 高光谱图像波段多、数据量大,而且混合像元问题较为严重,且同...
1 2 3 4 5 ... 20
收藏数 4,610
精华内容 1,844
关键字:

高光谱分类