针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间...针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。展开更多
为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的...为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.展开更多
针对高光谱图像超分辨率过程中,图像细节信息容易丢失的问题,提出多感受野特征与空谱注意力结合的高光谱图像超分辨率算法,该算法充分利用高光谱图像中的高频信息与低频信息,减少图像细节信息丢失,提升了高光谱图像超分辨率效果。首先,...针对高光谱图像超分辨率过程中,图像细节信息容易丢失的问题,提出多感受野特征与空谱注意力结合的高光谱图像超分辨率算法,该算法充分利用高光谱图像中的高频信息与低频信息,减少图像细节信息丢失,提升了高光谱图像超分辨率效果。首先,在特征提取阶段采用不同大小卷积核的卷积,获取到多尺度感受野特征,更好地提取低分辨率图像中的高频信息与低频信息,有助于保留原始图像的特征信息;然后,把获取到图像特征,经过“空间-光谱”结合的注意力机制增强,利用光谱维信息辅助空间维特征重建;最后,把每组的特征融合,通过像素级反卷积层缓解棋盘格效应,输出清晰的高分辨率图像。实验结果表明:提出的多感受野特征与空谱注意力结合的超分辨率算法在Chikusei和Pavia center scene这2个公开数据集上峰值信噪比分别达到了39.8697和31.9422,结构相似度分别达到了0.9376和0.8786,与最新超分辨率算法比较有明显的性能优势。该文提出的算法,结合了多感受野特征提取模块和空谱结合注意力模块的优势,超分辨率后的图像细节特征有了明显的改善。展开更多
文摘针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。
文摘为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.
文摘针对高光谱图像超分辨率过程中,图像细节信息容易丢失的问题,提出多感受野特征与空谱注意力结合的高光谱图像超分辨率算法,该算法充分利用高光谱图像中的高频信息与低频信息,减少图像细节信息丢失,提升了高光谱图像超分辨率效果。首先,在特征提取阶段采用不同大小卷积核的卷积,获取到多尺度感受野特征,更好地提取低分辨率图像中的高频信息与低频信息,有助于保留原始图像的特征信息;然后,把获取到图像特征,经过“空间-光谱”结合的注意力机制增强,利用光谱维信息辅助空间维特征重建;最后,把每组的特征融合,通过像素级反卷积层缓解棋盘格效应,输出清晰的高分辨率图像。实验结果表明:提出的多感受野特征与空谱注意力结合的超分辨率算法在Chikusei和Pavia center scene这2个公开数据集上峰值信噪比分别达到了39.8697和31.9422,结构相似度分别达到了0.9376和0.8786,与最新超分辨率算法比较有明显的性能优势。该文提出的算法,结合了多感受野特征提取模块和空谱结合注意力模块的优势,超分辨率后的图像细节特征有了明显的改善。
