高光谱图像分类问题是高光谱遥感图像处理问题中的研究基础,它的主要目的是根据高光谱遥感图像中的光谱信息和空间信息将图像中的每个像元划分为不同的地物类别[1]。高光谱图像分类技术被广泛应用于环境监测、矿产勘探、军事目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们的广泛关注[2-4]。

为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。

由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05%和94.16%; 在5%样本比例下, 地物总体分类精度达到了97.38%和97. 50%。结果表明: 由于SSDL特征提取算法融合了数据中深层非线性特征和空间信息, 能够提取出更具鉴别特性的特征, 较其他同类算法能够获取更高分类精度。

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

在进行遥感图像多分类识别时, 针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题, 研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二, 再增14类地物制作数据集三。在预处理图像数据之后, 通过设置神经网络结构、调整模型参数、对比神经网络模型等, 上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响, 证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

布拉格光栅程序、光栅F-P腔程序，相位图及光谱图

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征。再采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能。

针对高光谱图像和高空间分辨率图像配准过程中，各波段之间差异较大难以选择高精度配准波段的问题，提出一种基于Cram′er-Rao下限(CRLB)理论的高光谱图像高精度匹配波段选择算法。利用波段选择的方法选出高光谱图像中若干信息量大、相关性小的波段；将其分别与高空间分辨率图像做配准，并计算配准结果相应的CRLB；根据CRLB选择高精度配准波段。通过比较配准后的CRLB和均方根误差，验证CRLB具有较好配准质量评价性能。通过CRLB与其他方法的选择波段配准结果比较可知，本文算法选择的波段配准精度较高。上述波段为高光谱图像和高空间分辨率图像的配准提供更好的数据。

针对多光谱图像的空谱相关特性,提出一种基于卷积神经网络的端到端多光谱图像压缩方法。编码端,将多光谱数据整体输入到多光谱图像压缩网络中,采用卷积提取多光谱图像的主要光谱特征与空间特征,使用下采样减小特征数据的尺寸,并通过率失真优化控制光谱特征与空间特征数据的熵,使空谱特征数据分布更加紧凑,将量化后的中间特征数据进行无损熵编码得到压缩码流。解码端,码流经过熵解码、逆量化、上采样、反卷积的逆变换过程重构多光谱图像。实验结果表明,相同码率下该方法能有效保留多光谱图像谱间信息,并在图像恢复质量上比JPEG2000平均高约2 dB。

matlab开发-光谱图。使用线、杆、表面、图像绘制STFT。使用内置函数完成stft计算