高光谱图像(Hyperspectral Images, HSI)可提供几十到数百个连续的光谱波段,但这些波段导致数据处理的复杂性增加,并且相邻波段的冗余度较大。为了解决这些问题,提出了一种潜在特征融合和最优聚类的高光谱图像降维方法(Latent Features Fusion and Optimal Clustering Framework, LFFOCF)。该方法使用超像素分割将HSI分割为多个区域,以便充分保留HSI的空间信息。通过构造相应的拉普拉斯矩阵获取先验信息,生成一组低维潜在特征,进一步增强不同波段之间的可分性;通过融合区域感知的潜在特征,获得HSI的共享潜在特征表示,以有效捕获HSI的频带冗余;通过最优聚类框架搜索HSI中的最优聚类结构,在一种排序策略的基础上获得最优聚类结果,生成相关性较低且具有更多鉴别信息的波段子集。该方法充分利用了光谱和空间特性,在两个公共数据集上的大量实验表明,与Optimal Neighborhood Reconstruction(ONR)、Optimal Clustering Framework(OCF)和Region-aware Latent Features Fusion based Clustering(RLFFC)方法相比,所提出的方法在OA、MA和Kappa系数3个指标上都优于其他算法。
以雪地为背景,根据不同的伪装样本,开展了基于偏振图像的检测研究。使用光电耦合器件(Complementary metal oxide semiconductor,CMOS)获取物体表面反射光的偏振信息,通过分析和计算,获得反映物体表面状态的偏振度图像和偏振角图像。利用偏振角图像、偏振度图像的灰度平均值和灰度标准差值,论证了雪地与样本#1~#5之间在可见光图像、偏振角图像与偏振度图像的区别。根据巴氏距离求得雪地与样本#1~#5间的相似度,得到相似度最高的材质、相似度最低的材质。研究表明,此结果对雪地伪装装备的设计和研制具有一定的参考价值,为识别融入雪地的伪装材料提供有效的解决办法。
