王立国
- 作品数：90 被引量：329H指数：10
- 供职机构：哈尔滨工程大学信息与通信工程学院更多>>
- 发文基金：国家自然科学基金国家教育部博士点基金黑龙江省自然科学基金更多>>
- 相关领域：自动化与计算机技术电子电信理学文化科学更多>>
- 联合改进LBP和超像素级决策的高光谱图像分类被引量：3
- 2023年
- 高光谱图像在有标签样本数目较少的情况下进行分类时,除了利用光谱特征外,空间纹理特征也是必不可少的。本文提出了一种利用多尺度多方向局部二值模式(LBP)描述子获取纹理特征,并结合超像素级指导决策的支持向量机分类方法。首先,本文方法将传统LBP描述子改进为多尺度多方向LBP描述子,一方面充分考虑了邻域像素之间的关系,另一方面在计算时分别考虑了水平垂直方向和对角方向。其次,在利用统计直方图获得纹理特征时,采用了多个尺寸窗口组合的方式,以获得多范围、高精度的纹理特征。第三,对传统的简单线性迭代聚类(SLIC)超像素分割方法进行改进,重新定义了光谱距离并引入了纹理特征距离,获得更精确的超像素分割图。最后,利用超像素分割图结合多数投票策略,对分类结果进行进一步的指导校正。实验表明,本文方法能够更有效的提取纹理特征,再结合超像素分割图的指导决策,进一步提升高光谱图像的分类性能。
- 王立国石瑶张震
- 关键词：高光谱图像局部二值模式纹理特征
- 高光谱图像小样本分类的卷积神经网络方法被引量：8
- 2021年
- 目的与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。
- 吴鸿昊王立国石瑶
- 关键词：高光谱图像
- 基于分段主成分分析和高光谱技术的大豆品种识别被引量：12
- 2016年
- 为了实现大豆品种的快速且无损鉴别,对大豆高光谱图像中的光谱信息进行研究分析。利用高光谱图像采集系统采集波长范围为400～1 000 nm的6类共660粒大豆样本的高光谱图像,从每粒大豆样本的中心区域上提取感兴趣区域并以此区域的平均光谱信息代表此粒大豆的光谱信息。对光谱曲线进行多元散射校正（multiple scattering correction,MSC）后,根据相关系数矩阵图,将整个高光谱波段分解为3个子分段,分别在每个子分段上做主成分分析（principal component analysis,PCA）,提取1～20个主成分作为光谱特征,利用极限学习机（extreme learning machine,ELM）和随机森林（random forests,RF）模型进行大豆品种识别。结果表明：在第二分段（510.6～685.4 nm）进行PCA变换,识别效果优于全波段PCA变换。因此,应用分段PCA变换和高光谱技术对大豆品种进行无损识别是可行的。
- 刘瑶谭克竹陈月华王志朋谢红王立国
- 关键词：大豆
- 多端元模式下高光谱图像解混的不确定性问题
- 2023年
- 为了探究多端元解混造成解混结果不确定性的原因,并进一步在解混中克服与降低该不确定性,详细分析了在二分类解混中,解混不确定性的两种表现形式,丰度固定时像元位置的不确定性和像元位置固定时丰度的不确定性,探究解混端元与不确定性的相互作用关系,进而提出一种可降低解混丰度不确定性的端元加权多端元解混方法。实验表明:混合丰度不确定性的存在,同时在保证解混精度的前提下验证了所提出的降低不确定性方法的有效性。
- 赵一凡王立国
- 关键词：不确定性线性光谱混合模型
- 基于线性最小二乘支持向量机的光谱端元选择算法被引量：5
- 2010年
- 光谱端元选择是高光谱数据解混分析的重要前提。在各种端元选择算法中,N-FINDR算法因其自动性和高效性受到广泛欢迎。然而,该算法需要进行数据降维预处理,且包含大量的体积计算导致该算法的运算速度较慢,限制了该算法的应用。为此提出基于线性最小二乘支持向量机的N-FINDR改进算法,该算法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度来加速算法。此外还提出对野值点施加有效控制以赋予算法鲁棒性,以及利用像素预排序方法来降低算法的迭代次数。实验结果表明,基于线性最小二乘支持向量机的改进N-FINDR算法在保证选择效果的前提下复杂度大大降低,鲁棒性方法和像素预排序方法则进一步提高了算法的选择效果和选择速度。
- 王立国邓禄群张晶
- 关键词：高光谱图像
- 基于鲁棒支持向量机的光谱解译被引量：1
- 2007年
- 在传统基于线性光谱混合模型的光谱解译方法中,模型自身的不足以及在光谱解译过程中无关类别的参与都影响着解译效果。为此,提出一种基于支持向量机并结合空间信息的光谱解译方法。首先创建一种具有鲁棒特性的线性最小平方支持向量机(LLSSVM),并将其应用于初次光谱解译;然后利用空间信息进行智能性纯像素判定、解译结果校正,并对混合像素进行相关类别选择;最后再次应用LLSSVM在相关类别内进行二次解译。仿真试验中,本文方法比传统方法在解译精度上提高了10%,表明了该方法具有良好的解译效果。
- 王立国张晔陈浩
- 关键词：计算机应用通信技术线性光谱混合模型空间信息
- SVM在高光谱图像处理中的应用综述被引量：25
- 2018年
- 高光谱遥感已经成为遥感领域的前沿技术,在军事以及国民经济中发挥着重要作用。支持向量机(support vector machine,SVM)在解决小样本、非线性和高维模式等问题中具有特有的优势,因而被广泛用于高光谱数据处理。在高光谱图像的波段选择、分类、端元选择、光谱解混及亚像元定位、异常检测等主要领域,SVM模型皆因其特性而表现出独特优势并已广泛应用。分析了高光谱图像特性,总结了当前各领域的发展现状及主要的处理方法,并对SVM方法在各领域中的应用及优势进行了阐述。
- 王立国赵亮刘丹凤
- 关键词：支持向量机端元选择异常检测
- 基于改进三重训练算法的高光谱图像半监督分类被引量：8
- 2016年
- 高光谱数据维数高,有标签的样本数量少,给高光谱图像分类带来困难。本文针对传统三重训练(tri-training)算法在初始有标签样本数量较少的情况下分类器间差异性不足的问题提出了一种基于改进三重训练算法的半监督分类框架。该方法首先通过边缘采样策略(margin Sampling,MS)选取最富含信息量的无标签样本,然后在训练每个分类器之前通过差分进化算法(differential evolution,DE)利用所选取的无标签样本产生新的样本。这些新产生的样本将被标记并且加入训练样本集来帮助初始化分类器。实验结果表明,该方法不仅能够有效地利用无标签样本,而且在有标签数据很少的情况下能够有效地提高分类精度。
- 王立国杨月霜刘丹凤
- 关键词：高光谱图像半监督分类差分进化
- 基于支持向量描述的自适应高光谱异常检测算法被引量：11
- 2009年
- 提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.
- 梅锋赵春晖王立国尤佳
- 关键词：异常检测自适应核方法支持向量描述
- 一种改进的加权L_1正则化稀疏光谱解混算法被引量：1
- 2013年
- 针对普通的加权L1正则化方法在进行稀疏光谱解混时,对空间信息利用不足的问题,提出了一种基于修正权值的L1范数正则化稀疏光谱解混方法。在加权L1优化求解过程中,根据当前的解以及空间信息得到下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。实验结果表明,在较低的信噪比时,基于权值修正的加权L1正则化稀疏光谱解混比传统的迭代加权L1正则化的方法精度高。
- 王立国谭健
- 关键词：高光谱图像权值修正空间信息
