当前课程知识点：分数域信号与信息处理及其应用 > 第10章 分数域高光谱信号处理 > 10.3 分数域高光谱协同分类 > 10.3 分数域高光谱协同分类
同学们好
前面的课程讲了分数域高光谱
信号处理的概论
这节课要讲的内容是分数傅里叶变换
在高光谱与雷达协同分类中的应用
主要的内容分为三个部分
第一部分介绍以高光谱图像为主的
多源遥感数据协同分类
并介绍使用分数域信号处理方法的目的
第二部分内容是利用分数Gabor
卷积神经网络进行多源协同分类
第三部分是所提方法在实际数据集上的
实验验证
高光谱图像具有纳米级的光谱分辨率
在军事和民用方面都已经成为
发达国家科技争夺的制高点之一
其应用十分广泛
比如精准农业 军事侦测 城市规划
以及医疗诊断
然而 高光谱数据光谱冗余度高
数据结构复杂
诊断性光谱信息的挖掘具有挑战性
各传感器数据特征维度高
训练样本少
需设计高精度检测和分类模型
多源遥感数据包括可见光 高光谱
激光雷达 红外和合成孔径雷达数据
从图中可以看出
每种数据源可以独特地表征被测物的
特定特征
比如高光谱图像可以表征地物的光谱特征
激光雷达图像可以表征地物的高度特征
在实际应用中
高光谱数据具有光谱范围广
光谱分辨率高等优势
但也存在低空间 时间分辨率
波段检存在冗余的缺点
因此需要其他数据源的补充
进而用于实际分类任务
高光谱数据的成像方式是被动式的
而雷达图像则与之不同
是主动成像数据
并具有全天时全天候探测等优势
恰好弥补高光谱数据的缺点
但雷达数据不具有丰富的光谱信息
且容易受到噪声影响
因此 在协同分类任务中
需要联合应用两种数据
当前的协同分类方法
虽然可以联合使用高光谱和雷达数据
实现地物分类
但是依然存在挑战
例如相同的地面物体
可能表现出不同的光谱特征
在复杂的场景中存在不同大小 形状的
地物类别等
传统的空谱联合分析方法存在不足
因此我们要引入分数域信号处理方法
解决这一难题
分数域特征是介于原信号
与其傅里叶变换域之间的特征
随着阶次的变化
图像的空间信息和光谱信息
同步地发生了变化
这样每个场景的全局和局部特征
有着对应的变化
每一种类别的物体都具有其特有的空间
光谱 变换域特征
这对于分类任务来说提供了更全面的信息
接下来介绍的是利用分数Gabor
卷积神经网络进行多源协同分类的方法
首先融合高光谱图像和雷达图像的信息
然后通过不同阶次的分数Gabor变换
来提取多个阶次的分数域信息
每个卷积层都提取了不同的分数域特征
随后运用这些特征对地面物体进行分类
那么为什么需要这种
分数Gabor卷积神经网络提取特征呢
因为现有的高光谱协同分类方法
很少关注场景的局部语义信息变化
但实际的场景中存在着不同方向不同尺度
变化的信息
因此我们提出了分数Gabor卷积神经网络
利用多阶次分数Gabor卷积神经网络
可以有效地提取多方向的纹理特征
和多尺度的空间特征
运用多阶次分数Gabor变换
可以提取到多维度的变换域特征
我们提出分数Gabor卷积层用于
提取不同方向 不同尺度
以及不同语意变化率下的特征
这样综合了方向性
多尺度特性和变换域特征的方法
对于地面物体有着更全面的表征
如图可以看出
三个不同阶次的分数Gabor卷积层
可以分别提取不同变换阶次的特征
从视觉上来看
不同的分数Gabor卷积层提取了多种尺度
多种方向的变换域特征
可以更加全面地获取地面物体的纹理特征
在每一个特定分数变换域中
Gabor卷积核又可以提取
不同方向和不同尺度的纹理特征
这种结合了信号处理方法的
深度神经网络分析
具有良好的可解释性与特征表征方式
分类的任务关键在于
如何区分不同地物的类别
以及如何聚合相同的地物类别
经过分数Gabor卷积层提取的特征
相对于当前常用的特征提取方法
具有更好的类内相似度以及类间区分度
接下来介绍所提方法在不同类型场景中的
分类应用
所提的方法因为可以提取全面的信息
更加细致的特征表征
所以可以获得更高的地面物体分类准确率
对比现有的方法
所提方法分类准确率更高
分数Gabor卷积神经网络用于城市地区的
地面物体分类任务中时
即使空间信息复杂
类别分布不均匀
所提方法依然可以在空间变化区域
获得更好的分类效果
且需要的训练样本数量更少
同样分数Gabor卷积神经网络用于
农业地区的地物分类也具有更高的准确率
通过对比 单特征方法与空谱联合方法
可以发现分数Gabor卷积神经网络
具有更高的准确率
特征更具有区分度
联合使用光谱-空间-变换域特征的效果
也是最佳的
分数Gabor卷积神经网络
在不同训练样本情况下都具有优势
其中在极少量样本情况下的
性能优势更明显
此外分数Gabor卷积神经网络可以在
多变换域进行联合特征提取
因此具有更好的噪声鲁棒性
最后对这节课介绍的内容进行归纳总结
这堂课主要介绍了利用
分数Gabor卷积神经网络进行地物分类
综合利用多种遥感数据源
提取全面的光谱 空间和变换域特征
实现更好的分类结果
这种变换域特征提取的方法
可以广泛地应用于智慧农业中的
作物精细分类与管理
智慧林业中的树种分类
环境保护中的湿地多样性遥感监测等
以上是本节课所介绍的
分数域高光谱协同分类方法
论文和代码公布在以上的网址上
谢谢大家
-1.1 分数傅里叶变换背景与理论
-1.2 分数傅里叶变换应用
-第1章 讨论题
--第1章 讨论题1
--第1章 讨论题2
-第1章 习题
--第1章 习题
-2.1 分数傅里变换的定义
-2.2 分数傅里叶变换的性质
-2.3 一维/二维分数傅里叶变换
-第2章 讨论题
--第2章 讨论题1
--第2章 讨论题2
-第2章 习题
--第2章 习题
-3.1 分数卷积I
-3.2 分数卷积II
-3.3 功率谱
--3.3 功率谱
-3.4 分数功率谱
-第3章 讨论题
--第3章 讨论题1
--第3章 讨论题2
-第3章 习题
--第3章 习题
-4.1 傅里叶域均匀采样定理
-4.2 分数域均匀采样定理I-采样信号的分数域谱分析
-4.3 分数域均匀采样定理II-信号重建
-4.4 傅里叶域带通采样定理
-4.5 分数域带通采样定理
-4.6 周期非均匀采样定理
-第4章 讨论题
--第4章 讨论题1
--第4章 讨论题2
--第4章 讨论题3
-第4章 习题
--第4章 习题
-5.1 多分量chirp信号检测与参数估计方法
-5.2 多分量chirp信号检测与参数估计背景及仿真
-5.3 基于分数傅里叶变换的时延估计
-5.4 立方相位信号参数估计理论与应用
-第5章 讨论题
--第5章 讨论题1
--第5章 讨论题2
-第5章 习题
--第5章 习题
-6.1 分数傅里叶变换离散算法
-6.2 离散分数变换
-6.3 广义Hilbert变换
-6.4 稀疏傅里叶变换的定义
-6.5 稀疏分数傅里叶变换
-第6章 讨论题
--第6章 讨论题1
--第6章 讨论题2
--第6章 讨论题3
-第6章 习题
--第6章 习题
-7.1 短时分数傅里叶变换
-7.2 分数小波变换I
-7.3 分数小波变换II
-7.4 基于分数阶相位匹配原理时频分布构造
-第7章 讨论题
--第7章 讨论题1
--第7章 讨论题2
--第7章 讨论题3
-第7章 习题
--第7章 习题
-8.1 分数傅里叶变换与模糊函数
-8.2 分数傅里叶变换与MIMO雷达模糊函数
-8.3 分数傅里叶变换与雷达通信一体化
-8.4 分数域海杂波抑制
-8.5 分数域雷达动目标检测
-8.6 分数域长时间相参积累及其应用
-8.7 分数域辐射源定位技术
-8.8 分数阶相位匹配时频分布的应用
-第8章 讨论题
--第8章 讨论题1
--第8章 讨论题2
--第8章 讨论题3
--第8章 讨论题4
-第8章 习题
--第8章 习题
-9.1 分数傅里叶光学
-9.2 分数域光学相干层析成像色散补偿技术
-9.3 基于分数傅里叶变换的牛顿环参数估计
-9.4 基于分数傅里叶变换的光纤端面检测仪
-第9章 讨论题
--第9章 讨论题1
--第9章 讨论题2
--第9章 讨论题3
--第9章 讨论题4
-第9章 习题
--第9章 习题
-10.1 分数域高光谱信号处理
-10.2 分数域高光谱异常检测
-10.3 分数域高光谱协同分类
-第10章 讨论题
-第10章 习题
--第10章 习题
