CN103052962A - 粗糙小波粒化空间和多光谱遥感图像的分类 - Google Patents

粗糙小波粒化空间和多光谱遥感图像的分类 Download PDF

Info

Publication number
CN103052962A
CN103052962A CN2011800403435A CN201180040343A CN103052962A CN 103052962 A CN103052962 A CN 103052962A CN 2011800403435 A CN2011800403435 A CN 2011800403435A CN 201180040343 A CN201180040343 A CN 201180040343A CN 103052962 A CN103052962 A CN 103052962A
Authority
CN
China
Prior art keywords
feature
granulation
small echo
particle
space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011800403435A
Other languages
English (en)
Other versions
CN103052962B (zh
Inventor
桑克·库马·帕尔
桑罗·库马·梅耶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Indian Statistical Inst
Original Assignee
Indian Statistical Inst
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Indian Statistical Inst filed Critical Indian Statistical Inst
Publication of CN103052962A publication Critical patent/CN103052962A/zh
Application granted granted Critical
Publication of CN103052962B publication Critical patent/CN103052962B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

具有正确选择的小波基和分解级别的移位不变小波变换用于对粗糙小波颗粒加以表征，产生了针对诸如遥感图像之类的多光谱图像的特征空间的小波粒化。通过使用粒化特征空间，单独地或者组合地分析时域和/或频域中的上下文信息。在选择粒化特征的子集时采用邻居粗糙度集(NRS)，所述邻居粗糙度集还根据邻居颗粒探察局部信息和/或上下文信息。

Description

粗糙小波粒化空间和多光谱遥感图像的分类
相关申请的交叉引用
本申请要求2010年11月24日在印度递交的申请号为1324/KOL/2010的相应专利申请的优先权，将其全部内容合并在此作为参考。
背景技术
除非另有声明，这一部分中所述的材料并非相对于该申请中权利要求是现有技术，并且并不承认包括在这一部分中就是现有技术。
粒化计算指的是对信息粒(相似对象或点的组)执行的计算和操作。粒化计算的应用性覆盖了研究信息和知识处理的概念和计算范例。信息粒可以在空间域中专门地构建，并且应用于各个领域，包括自动目标识别、彩色图像分割和遥感图像分类。多光谱遥感图像可以包含较大范围频率变化的信息，该信息也可以随区域变化。这种数据包括具有相关频带的光谱特征和在相同频带中相关的空间特征。按照有效方式同时利用光谱和空间(上下文关系)信息可以改进分析。已经发现利用频带中局部信息的优势进行图像分类的方法具有广泛的应用，例如从角度二次矩(angular second moments)提取的纹理特征、对比度、相关度、熵和基于灰度级共生矩阵的变化。
采用小波变换(WT)作为在空间(时间)和光谱(频率)域中分析图像的纹理区域的工具。因此，WT可以用于通过特征空间的小波粒化(即WT域中相似信息的分组)提取图像中像素的上下文信息。尽管移位变化WT对于各种应用相当有吸引力，WT不会如时间不变性那样保持纹理分析的不可缺少特性，并且使其不足以处理纹理分析。另外，使用WT对输入的冗余表示可能增加特征尺寸，并且在解决与模式识别、机器学习和数据挖掘相关联的任务时带来附加的复杂度。
已经示出了粗糙集理论有效用于特征选择、不确定性处理、知识发现和从分类数据的规则提取。该理论使得能够发现数据相关性，并且单独使用所述数据执行数据集合中包含的属性的减少/选择，而不要求附加的信息。尽管粗糙集可以用作处理数据集合中的模糊性和不确定性以及执行粒化计算的有效工具，它们可以用于具有数据离散化的数值数据，结果可能导致信息的丢失和噪声的引入。
发明内容
本公开描述了一种用于执行时空模式的基于粗糙小波的分析的方法。所述方法包括：产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类。
本公开还描述了一种用于执行时空模式的基于粗糙小波的分析的设备。所述设备可以包括：存储器，配置为存储与多光谱图像的输入模式矢量相关联的指令和数据；以及处理器，与存储器相连，其中所述处理器适用于产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类。
本公开还描述了一种计算机可读存储介质，其上存储有用于执行时空模式的基于粗糙小波的分析的指令。所述指令可以包括：产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类，其中使用光谱带值作为特征。
以上概述只是说明性的而不是意欲按照任何方式进行限制。除了上述说明性的方面、实施例和特征之外，另外的方面、实施例和特征通过参考以下详细描述将变得清楚明白。
附图说明
根据结合附图的以下描述和所附权利要求，本发明公开的下述和其他特征将变得更加清楚明白。应该理解的是这些附图只是描述了根据本发明公开的几个实施例，因此不应该看作是限制其范围，将通过使用附图利用附加的特性和细节来描述本发明的公开，其中：
图1说明了用于一级分解的二维移位变化和移位不变离散小波变化的示例流程；
图2说明了用于一级分解的二维小波变换及其光谱子空间的示例；
图3说明了使用WT分解利用图像的一个光谱带的特征元素产生；
图4说明了对移位不变小波变换和基于邻居粗糙集的特征选择进行组合的分类过程的示例示意流程图；
图5说明了使用小波变换分解利用图像的一个光谱带产生特征元素的示例；
图6说明了通用计算设备，所述通用计算设备可以用于实现对移位不变小波变换和基于邻居粗糙集的特征选择进行组合的分类过程；
图7是说明了可以通过例如图6中设备600的计算设备执行的多光谱图像的基于粗糙小波粒化空间的分类的示例方法的流程图；以及
图8说明了示例计算机程序产品的方框图；
所有都根据这里描述的至少一些实施例来布置。
具体实施方式
在以下详细描述中，参考作为附图进行，所述附图形成了描述的一部分。在附图中，除非上下文另有规定，类似的符号典型地表示类似的部件。在详细描述、附图和权利要求中描述的说明性实施例并非意味着限制。在不脱离这里所展现主题的精神和范围的情况下，可以利用其他实施例或者可以进行其他变化。应该理解的是如这里一般性描述并且在附图中说明的本公开的方面可以按照多种不同的结构进行排列、替代、组合、分离和设计，这里明确地考虑了这些内容。
该公开通常涉及一种与使用粗糙小波粒化空间的多光谱图像分析有关的方法、设备、系统、装置和/或计算机程序产品。
简要地说，具有正确选择的小波基和分解级别的移位不变小波变换可以用于对粗糙小波颗粒加以表征，粗糙小波颗粒产生针对诸如遥感图像之类的多光谱图像的特征空间的小波粒化。通过使用粒化特征空间，可以单独地或者组合地分析时域和/或频域的上下文信息。可以在选择粒化特征的子集时采用邻居粗糙集(NRS)，所述粒化特征的子集还根据邻居颗粒探察局部和/或上下文信息。
图1说明了根据这里所述至少一些实施例配置的用于一级分解的二维移位变化和移位不变离散小波变化的示例流程。数字图像处理中的图像分类基于一个或多个预定的分类准则将图像分类为不同组。可以在两个阶段执行图像分类：从源图像提取图像特征以及构造图像分类器。
可以将特征提取方法在三个重要类别下进行分组：基于统计的方法、基于模型的方法和基于滤波器的方法。基于统计的方法使用图像统计特征(例如颜色直方图)来表示图像。基于模型的方法采用概率分布模型来描述源图像，例如马尔可夫链和/或马尔可夫随机场。基于滤波器的方法可以采用滤波器组来将源图像从空间域变换到频域或时间域，其中使用变换系数来定义图像特征。小波滤波器可以用于将源图像分解为不同的子带，其中通过小波系数对图像特征加以表征。
根据一些实施例，基于粗糙小波颗粒空间的模型可以用于多光谱遥感图像或其他图像的陆地覆盖分类，其中在小波域中构建移位不变颗粒。具有正确选择的小波基和分解级别的移位不变小波变换可以用于对粗糙小波颗粒加以表征，产生了针对多光谱图像的特征空间的小波粒化。另外，可以采用NRS从邻居颗粒中选择粒化特征的子集，用于进一步检查局部和/或上下文信息。
因此，根据一些实施例的模型相互地采用移位不变小波粒化和NRS，尤其在具有重叠类别的模式分类中可以提高计算的效率和精度。
主要开发小波变换(WT)用于非稳定信号的分析。变换在双平面上进行，而不是在单平面(时间或频率)上进行。所述变换执行将信号分解为多个尺度，其中每一个尺度表示信号的特定粗糙度。离散WT(DWT)由于在计算上使用Mallat算法的计算高效实现以及实际通过滤波器组和门实现而变得非常流行。大体上，可以将DWT分类为移位/时间/平移变化(非冗余)和移位不变(冗余)。可以将二维(2D)移位变化DWT(SV-DWT)(一维SV-DWT的扩展)实现为沿行(112)和列(116)方向可分离的滤波器组110，如图100所示，其执行将图像一级分解为四个相等子带中的4个子图像。
滤波器组110中的H和L分别表示高通滤波器和低通滤波器，↓2(114和118)部件表示因子为2的下采样操作(抽取)。近似图像LL(119)是沿行(112)和列(116)方向通过输入的低通滤波获得的低频分量。细节图像LH、HL和HH分别是包括水平、垂直和对角信息的高频分量。对于更多级别的DWT分解，可以递归地处理低频分量(LL)。利用这种过程，具有Q个级别分解的SV-DWT可以产生总共3Q+1个子带。
滤波器组120是移位不变DWT(SI-DWT)的示例，其中不在行(122)和列(124)滤波器级中执行下采样。代替地，通过低通和高通路径(126和128)使得下一级(125)的输入经历上采样。
图2说明了根据这里所述至少一些实施例的用于一级分解的二维小波变换及其光谱子空间的示例。SV-DWT可以支持级之间没有实质上损耗或者冗余信息的压缩。然而，时间可能在SV-DWT中变化(即，延迟信息的系数不是那些原始信息的时移版本)，这可能导致在诸如遥感图像中的陆地覆盖之类的纹理分析中性能退化。
另一方面，如上所述，移位不变DWT(SI-DWT)执行无需下采样操作的分解，并且对滤波器系数(L和H)执行因子2的上采样(↑2)，用于下一级分解。结果，SI-DWT可以提供输入的移位不变表示。与2D SV-DWT类似，2D SI-DWT利用一级分解将原始频带分解为4个相等的子带(LL 240、LH238、HL234和HH 236)。图200说明了具有示出ωhorizontal 230的水平轴和示出ωvertical 232的垂直轴的相应频率划分。通过SV-DWT获得的子图像的大小会随着分解级别的增加而减小，而使用SI-DWT，它们的大小可以保持与原始图像相同。
图3说明了根据这里描述的至少一些实施例使用WT分解利用图像的一个光谱带产生特征元素。
在一些示例实现中，可以将光谱(频带)值用作多光谱遥感图像342的特征。最多到所需级别(级别1至Q)，执行图像342的DWT分解344，并且可以获得相应的子图像346、348。因为不同级别处子图像的像素表示原始像素的信息，这些像素值可以用于构建模式矢量。然后可以将子图像级联，使得可以获得原始多光谱图像的提取特征。图300示出了通过Q级DWT分解获得的单一频带图像的子图像346、348的级联。可以针对多频带图像的子图像扩展所述级联过程。
图4说明了根据这里所述的至少一些实施例对移位不变小波变换和基于邻居粗糙集的特征选择进行组合的分类过程的示例示意流程图。如在图400中概括地说明，根据一些实施例的图像分类可以在三个阶段执行：根据输入模式产生小波粒化的特征空间(452)；使用粗糙集或邻居粗糙集去除冗余特征(454)；以及基于所选择的特征进行分类(456)。
根据一些实施例，SI-DWT可以用于对多光谱遥感图像的输入模式矢量的小波粒化中的特征值加以表征。SI-DWT同时识别事件的尺度和空间信息以建立颗粒空间，利用重叠分类增强了针对数据集的分类。基于分解级别的个数，可以由相应个数的相等面积频率平面表示输入特征空间的每一个，从而产生了时间-频率平面中的小波颗粒。整体来说，粒化特征空间可以组成分别针对一级和两级DWT分解的n维特征空间的4n和7n个颗粒。
分解级别依赖于需要的类型并且随着正在进行的图像处理而变化。可以计算平均熵，提供针对每一个级别的图像的信息的测量。平均熵值可能在一定级别的分解之后不会实质性变化。因此可以在几个级别之后停止所述分解，例如在第二级别之后。在该级别之后，计算成本继续增加，同时不能获得实质上的新信息。可以利用使用正交基础的DWT分解以及使用双正交基础的进一步改进来保留类似不同尺度下的时空几何信息和能量的各种可区分特性(通常称作遥感图像中的陆地覆盖的标志)。因此，可以在根据一些实施例的图像处理系统中采用小波基的双正交组。
双正交基可以比正交基更加可取，这是因为双正交基可以保持具有有限个数的脉冲响应的线性行为特性，并且小波具有较高的规律性。在小波粒化处理中，可以沿轴由表征7个小波颗粒的7个子带来表示每一个特征值，结果增加了特征尺寸。增加的尺寸可能增加某些模式识别任务的复杂度，如在遥感图像的陆地覆盖分类中。因此，可以选择相关和非冗余特征的子集。根据其他实施例，可以在所述处理的第二操作中采用基于邻居粗糙集(NRS)的特征选择方法。NRS可以处理数值数据和分类数据两者，并且不要求数值数据的任何离散化。此外，邻居集便于通过邻居颗粒收集可能的局部信息，提供增强的分类区别信息。因此，通过利用移位不变小波粒化和NRS特征选择方法的组合的优点，增强的框架结构可以提供重叠分类环境中模式的分类。
粗糙集创建了对象的近似描述用于数据分析。在计算粗糙集时，可以确定下近似和上近似。下近似是域对象的描述，已知其一定程度上属于感兴趣的子集，并且上近似是对象的描述，其可能并且明确地属于所述子集。粗糙集可以用于去除冗余条件特征，同时保持它们的信息内容，并且单独地使用所述数据而无需附加的信息就使得能够实现数据相关性的发现以及在数据集中包含的特征子集的选择。根据一些示例，粗糙集可以使用等价关系基于特征集来对对象空间进行划分。这样产生的划分空间也称为颗粒。所产生的颗粒可以成为用于数据分析的信息粒化处理的基本构件。然后可以通过当从所述集合去除特征时对依赖性的变化进行评估来确定显著性的度量。依赖性的变化越大，具体特征的显著性越高。基于这种显著性，可以搜索和定位最小元素特征子集。
对于计算和资源管理的效率，快速约简(quickreduct)算法可以用于大数据集。快速约简算法计算最小元素特征集合，而不会无穷尽地产生所有可能的子集。可以通过将由属性集产生的等价关系进行比较来实现属性的约简。可以去除属性，使得约简集合提供与原始集合相同的判决特征的预测能力。将约简定义为条件属性集C的最小集势(cardinality)Rmin的子集，使得γR(D)＝γC(D)。此外，可以在快速约简算法中引入修剪的元素。通过留意任意预先发现约简的集势，如果当前可能的子集包含更多元素则忽略当前可能的子集。然后可以将所选择的特征用于分类过程。
基于特征的显著性，可以使用根据另外实施例的邻居粗糙集理论来评估特征的子集(约简)。可以基于显著性获得一个或多个合适的约简集合。前向贪婪搜索算法可以用于使用邻居粗糙集的特征选择。
在选择特征之后，分类器可以用于基于所选择的特征对输入模式进行分类。根据一些实施例，也可以确定在NRS中使用的针对各种距离的阈值，分类性能在超过所述阈值时性能实质下降。粗糙集理论特征选择方法的包括不但可以增加图像处理系统的性能，而且减小了针对基于小波的分类所需要的计算时间。除了多光谱遥感图像分类之外，这里描述的模型可以用于其它时空模式的分析，例如扩增现实(ArgumentedReality)应用的纹理分析。
与基于粗糙小波粒化和特征选择的模型相比较，利用针对k-最近邻分类器(k-NN，其中k＝1)的(根据训练和测试时间的综合获得的)总计算时间、小波粒化和k-NN分类器(其中k＝1)、利用基于粗糙集特征选择和k-NN分类器(其中k＝1)的小波粒化以及利用基于NRS特征选择和k-NN分类器(其中k＝1)的小波粒化的比较分析演示了针对基于小波粒化模型的总计算时间值较高，但是精度减小。
如上所述四个模型的增益的百分比也示出了利用基于NRS的特征选择和k-NN分类器(其中k＝1)的小波粒化提供了附加的精度。实施例不局限于利用基于NRS的特征选择和k-NN分类器(其中k＝1)的小波粒化。也可以在所述处理的第三操作中采用诸如k-NN(k＝3)、k-NN(k＝5)、最大似然(ML)分类器或多层感知(MLP)之类的其他分类器。还可以给予实验性说明使用基于NRS的特征选择和分类器的小波粒化的模型与上述其他模型相比具有较高的效率和精度。
图5说明了根据这里所述的至少一些实施例使用小波变换分解利用图像的一个光谱带产生特征元素的示例。图500显示了针对二维(F1和F2)特征空间566中的一级DWT分解所产生的小波颗粒的绘图视图。例如，颗粒个数7(568)分别由原始频率平面564和562的频率平面P1 3和P2 2加以表征。整体来看，粒化的特征空间分别针对一级和两极DWT分解组成了n维特征空间中的4n和7n个颗粒。
基于分解级别的个数，输入特征空间的每一个可以由相应个数的相等面积频率平面(例如562、564)表示，从而产生了时间频率平面中的小波颗粒。
图6说明了根据这里所述至少一些实施例的通用计算设备，通用计算设备可以用于实现对移位不变小波变换和基于邻居粗糙集的特征选择进行组合的分类过程。在非常基本的配置602中，计算设备600典型地包括一个或多个处理器604和系统存储器606。存储器总线608可以用于在处理器604和系统存储器606之间通信。
根据所期望的配置，处理器604可以是任意类型的，包括但不限于微处理器(μP)、微控制器(μC)、数字信号处理器(DSP)或其任意组合。处理器604可以包括一级或多级缓存(例如，一级高速缓存612)、处理器核614、以及寄存器616。示例处理器核614可以包括算术逻辑单元(ALU)、浮点单元(FPU)、数字信号处理核(DSP核)或其任意组合。示例存储器控制器618也可以与处理器604一起使用，或者在一些实施方式中，存储器控制器618可以是处理器604的内部部件。
根据所期望的配置，系统存储器606可以是任意类型的，包括但不限于易失性存储器(如RAM)、非易失性存储器(如ROM、闪存等)或其任意组合。系统存储器606可以包括操作系统620、一个或多个应用程序622和程序数据624。应用程序622可以包括小波计算模块626，所述小波计算模块626配置为通过以下步骤执行时空模式的基于粗糙小波的分析：产生小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；以及基于所选择的特征对模式进行分类，以及上述其他处理、方法和功能。程序数据624可以包括结合至少图1至图5如上所述的分析数据628(例如图像数据等)和类似数据的一个或多个。这种数据对于处理如这里所述的遥感图像和类似图像是有用的。在一些实施例中，应用程序622可以设置为在操作系统620上以程序数据624进行操作，使得如这里所述地调度开关量。这里所描述的基本配置602在图6中由虚线内的部件来图示。
计算设备600可以具有额外特征或功能以及额外接口，以有助于基本配置602与任意所需设备和接口之间进行通信。例如，总线/接口控制器630可以有助于基本配置602与一个或多个数据存储设备632之间经由存储接口总线634进行通信。数据存储设备632可以是可拆除存储设备636、不可拆除存储设备638或其组合。可拆除存储设备和不可拆除存储设备的示例包括磁盘设备(如软盘驱动器和硬盘驱动器(HDD))、光盘驱动器(如紧致盘(CD)驱动器或数字通用盘(DVD)驱动器)、固态驱动器(SSD)以及磁带驱动器，这仅仅是极多例子中的一小部分。示例计算机存储介质可以包括以任意信息存储方法和技术实现的易失性和非易失性、可拆除和不可拆除介质，如计算机可读指令、数据结构、程序模块或其他数据。
系统存储器606、可拆除存储设备636和不可拆除存储设备638均是计算机存储介质的示例。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术，CD-ROM、数字多功能盘(DVD)或其他光存储设备，磁盒、磁带、磁盘存储设备或其他磁存储设备，或可以用于存储所需信息并可以由计算设备600访问的任意其他介质。任何这种计算机存储介质可以是设备600的一部分。
计算设备600还可以包括接口总线640，以有助于各种接口设备(例如，输出设备642、外围设备接口644和通信接口666)经由总线/接口控制器630与基本配置602进行通信。示例输出设备642包括图形处理单元648和音频处理单元650，其可被配置为经由一个或多个A/V端口652与多种外部设备(如显示器或扬声器)进行通信。示例外围设备接口644包括串行接口控制器654或并行接口控制器656，它们可被配置为经由一个或多个I/O端口658与外部设备(如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备等))或其他外围设备(例如，打印机、扫描仪等)进行通信。示例通信设备666包括网络控制器660，其可以被设置为经由一个或多个通信端口664与一个或多个其他计算设备662通过网络通信链路进行通信。
网络通信链路可以是通信介质的一个示例。通信介质典型地可以由调制数据信号(如载波或其他传输机制)中的计算机可读指令、数据结构、程序模块或其他数据来体现，并可以包括任意信息传送介质。“调制数据信号”可以是通过设置或改变一个或多个特性而在该信号中实现信息编码的信号。例如，但并非限制性地，通信介质可以包括有线介质(如有线网络或直接布线连接)、以及无线介质(例如声、射频(RF)、微波、红外(IR)和其他无线介质)。这里所使用的术语计算机可读介质可以包括存储介质和通信介质。
计算设备600可以实现为物理服务器、虚拟服务器、计算云或包括上述功能任一个在内的混合设备的一部分。计算设备600也可以实现为包括膝上型计算机和非膝上型计算机配置两者在内的个人计算机。此外，计算设备600可以实现为网络化系统或者通用或专用服务器的一部分。
针对包括计算设备800在内的网络化系统的网络可以包括服务器、客户端、开关、路由器、调制解调器、因特网业务提供商和任意合适的通信介质(例如有线或无线通信)的任意拓扑。根据实施例的系统可以具有静态或动态网络拓扑。网络可以包括诸如企业网(例如LAN、WAN或WLAN)之类的安全网络、诸如开放无线网(例如IEEE 802.11无线网络)之类的非安全网络、或者万维网(例如，因特网)。网络也可以包括适用于一起操作的多个不同网络。这些网络配置为提供这里所述的节点之间的通信。作为示例并且不局限于此，这些网络可以包括诸如声学、RF、红外和其他无线介质之类的无线介质。另外，所述网络可以是相同网络或分离网络的一部分。
示例实施例也包括方法。这些方法可以按照任意多种方式实现，包括这里所述的结构。一个这种方式是在本公开中描述的类型的电子设备的机器操作。另一种可选方式是针对结合一个或多个人操作者执行的方法的单独操作的一个或多个，人操作者执行一些操作、而其他操作由机器执行。这些人操作者不需要彼此配置，但是每一个人只可以具有执行程序一部分的机器。在其他示例中，例如可以通过预先选择的机器自动化准则来使得人的交互作用自动化。
图7使说明了根据这里描述的至少一些实施例的示例方法的流程图，用于可以由控制器设备700执行的多光谱图像的基于粗糙小波颗粒空间的分类。例如，控制器设备710可以是图6的计算设备600。可以将模块722至726中描述的操作存储为计算机可读介质720中的计算机可执行指令，例如计算设备600的驱动器640。
多光谱图像的基于粗糙小波颗粒空间的分类过程可以开始于操作722，“产生基于小波的颗粒”。在操作722，可以使用小波域中的移位不变颗粒，通过SI-DWT对多光谱图像的输入模式矢量进行变换。基于所实现的分解级别的个数，输入特征空间的每一个可以由在时间-频率平面内产生小波颗粒的相应个数的相等面积频率平面来表示。
操作722之后可以是操作724，“使用邻居粗糙集选择特征”。在操作724，可以采用粗糙集理论和快速约简算法来选择特征。因为可以找到满足准则的多个特征集，可以在选择粒化特征的子集使采用NRS，选择粒化特征的子集进一步根据邻居颗粒探察局部/上下文信息。
在操作724之后的操作726“基于所选择的特征进行分类”处，分类器可以用于基于在操作724选择的特征来对输入模式进行分类。分类器可以包括k-NN分类器(其中k＝1、3或5)、最大似然(ML)分类器、多层感知(MLP)或类似的分类器。
在上述过程中包括的操作时用于说明的目的。多光谱图像的基于粗糙小波颗粒空间的分类可以通过具有更少或附加操作的类似过程来实现。在一些示例中，所述操作可以按照不同的顺序执行。在一些其他示例中，可以消除各种操作。在其他示例中，可以将各种操作划分为附加的操作，或者组合在一起成为更少的操作。
图8说明了根据这里描述至少一些实施例设置的示例计算机程序产品的方框图。在一些示例中，如图8所示，计算机程序产品800包括信号承载介质802，信号承载介质802还可以包括机器可读指令804，例如当通过处理器执行所述机器可读指令时可以提供相对于图6如上所述的功能。因此例如参考计算设备600，调度模块626可以响应于通过介质802传达给处理器604的指令804而承担图8所示任务的一个或多个，以执行与如这里所述的针对输入队列开关的基于差分框架结构的调度相关联的动作。那些指令的一些可以与小波粒化、基于邻居粗糙集的特征选择以及基于所选择特征的分类相关联。
在一些实现中，图8所示的信号承载介质802可以包括计算机可读介质806，例如但是不局限于硬盘驱动器、紧凑盘(CD)、数字通用盘(DVD)、数字磁带、存储器等。在一些实现中，信号承载介质802可以包括可记录介质808，例如但是不局限于存储器、读/写(R/W)CD、R/WDVD等。在一些实现中，信号承载介质802可以包括通信介质810，例如但是不局限于数字和/或模拟通信介质(例如，光线光缆、波导、有线通信链路、无线通信链路等)。因此例如，可以通过RF信号承载介质将程序产品800传达给处理器810的一个或多个模块，其中通过无线通信介质810(例如，符合IEEE 802.11标准的无线通信介质)传达所述信号承载介质802。
本公开提出了一种用于执行时空模式的基于粗糙小波的分析的方法。所述方法包括：产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类。
根据一些示例，所述方法还可以包括使用光谱带值作为特征，或者通过在小波域中构建移位不变颗粒来产生小波粒化空间。此外，所述方法还可以包括通过移位不变离散小波变换(SI-DWT)构建移位不变颗粒，所述移位不变离散小波变换对针对多光谱图像的输入模式矢量的小波粒化的特征值加以表征。可以在第二分解之后停止SI-DWT。
根据其他示例，所述小波粒化空间组成针对一级DWT分解的n维特征空间中的4n个颗粒，或者针对两级DWT分解的n维特征空间中的7n个颗粒。所述方法还可以包括选择小波基和分解级别，以对用于产生特征空间的小波粒化的颗粒加以表征。可以采用双正交小波基，并且基于粗糙集评估来选择特征包括在选择粒化特征的子集时采用邻居粗糙集(NRS)，所述粒化特征的子集还根据邻居颗粒获得局部信息和/或上下文信息的至少一个。
根据另外的示例，可以基于所述特征的显著性来评估粒化特征的子集。可以采用前向贪婪搜索算法用于特征选择。此外，可以通过确定在NRS中使用的距离阈值来基于选择的特征对模式进行分类，分类性能在超过所述阈值时实质下降。另外，k-最近邻分类器、最大似然分类器或多层感知分类器可以用于基于所选择的特征对模式进行分类。在k-最近邻分类器的情况下，k值可以是1、3或5。同样，多光谱图像可以是遥感图像。
本公开还提出了一种用于执行时空模式的基于粗糙小波的分析的设备。所述设备包括：存储器，配置为存储与多光谱图像的输入模式矢量相关联的指令和数据；以及处理器，与所述存储器相连，其中所述处理器适用于：产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类。
根据一些示例，可以执行基于粗糙小波的分析，以产生用于多光谱遥感图像的陆地覆盖分类的模型。可以针对纹理检测或图像索引之一执行所述基于粗糙小波的分析。可以通过在小波域中构建移位不变颗粒来产生小波粒化空间。另外，通过移位不变离散小波变换(SI-DWT)构建移位不变颗粒，所述移位不变离散小波变换对针对多光谱图像的输入模式矢量的小波粒化的特征值加以表征。处理器还可以配置为在第二分解之后停止SI-DWT。利用这种方法，小波粒化空间组成针对一级DWT分解的n维特征空间中的4n个颗粒，或者针对两级DWT分解的n维特征空间中的7n个颗粒。
根据其他示例，处理器还可以选择小波基和分解级别，以对用于产生特征空间的小波粒化的颗粒加以表征，并且采用双正交小波基。处理器还可以在选择粒化特征的子集时采用邻居粗糙集(NRS)，粒化特征的子集还根据邻居颗粒获得局部信息和/或上下文信息。处理器还可以基于所述特征的显著性来评估粒化特征的子集，并且使用光谱带值作为特征。
根据另外的示例，处理器可以采用前向贪婪搜索算法用于特征选择，并且确定在NRS中使用的距离阈值，分类性能在超过所述阈值时实质下降。处理器可以采用k-最近邻分类器、最大似然分类器和多层感知分类器之一，以基于所选择的特征对模式进行分类，其中在k-最近邻分类器的情况下，k可以是值1、3或5。
本公开还提出了一种计算机可读存储介质，其上存储有用于执行时空模式的基于粗糙小波的分析的指令。所述指令可以包括：产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类，其中光谱带值可以用作特征。
在系统方案的硬件和软件实现方式之间存在一些小差别；硬件或软件的使用一般(但并非总是，因为在特定情况下硬件和软件之间的选择可能变得很重要)是一种体现成本与效率之间权衡的设计选择。可以各种手段(例如，硬件、软件和/或固件)来实施这里所描述的工艺和/或系统和/或其他技术，并且优选的工艺将随着所述工艺和/或系统和/或其他技术所应用的环境而改变。例如，如果实现方确定速度和准确性是最重要的，则实现方可以选择主要为硬件和/或固件配置的手段；如果灵活性是最重要的，则实现方可以选择主要是软件的实施方式；或者，同样也是可选地，实现方可以选择硬件、软件和/或固件的特定组合。
以上的详细描述通过使用方框图、流程图和/或示例，已经阐述了设备和/或工艺的众多实施例。在这种方框图、流程图和/或示例包含一个或多个功能和/或操作的情况下，本领域技术人员应理解，这种方框图、流程图或示例中的每一功能和/或操作可以通过各种硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中，本公开所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而，本领域技术人员应认识到，这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中，实现为在一台或多台计算机上运行的一个或多个计算机程序(例如，实现为在一台或多台计算机系统上运行的一个或多个程序)，实现为在一个或多个处理器上运行的一个或多个程序(例如，实现为在一个或多个微处理器上运行的一个或多个程序)，实现为固件，或者实质上实现为上述方式的任意组合，并且本领域技术人员根据本公开，将具备设计电路和/或写入软件和/或固件代码的能力。
本公开不限于在本申请中描述的具体示例，这些具体示例意在说明不同方案。本领域技术人员清楚，不脱离本公开的精神和范围，可以做出许多修改和变型。本领域技术人员根据之前的描述，除了在此所列举的方法和装置之外，还可以想到本公开范围内功能上等价的其他方法和装置。这种修改和变型应落在所附权利要求的范围内。本公开应当由所附权利要求的术语及其等价描述的整个范围来限定。应当理解，本公开不限于具体方法、材料和配置，这些都是可以改变的。还应理解，这里所使用的术语仅用于描述具体示例的目的，而不应被认为是限制性的。
此外，本领域技术人员将认识到，本公开所述主题的机制能够作为多种形式的程序产品进行分发，并且无论实际用来执行分发的信号承载介质的具体类型如何，本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于：可记录型介质，如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等；以及传输型介质，如数字和/或模拟通信介质(例如，光纤光缆、波导、有线通信链路、无线通信链路等)。
本领域技术人员应认识到，上文详细描述了设备和/或工艺，此后使用工程实践来将所描述的设备和/或工艺集成到数据处理系统中是本领域的常用手段。也即，这里所述的设备和/或工艺的至少一部分可以通过合理数量的试验而被集成到数据处理系统中。本领域技术人员将认识到，典型的数据处理系统一般包括以下各项中的一项或多项：系统单元外壳；视频显示设备；存储器，如易失性和非易失性存储器；处理器，如微处理器和数字信号处理器；计算实体，如操作系统、驱动程序、图形用户接口、以及应用程序；一个或多个交互设备，如触摸板或屏幕；和/或控制系统，包括反馈环和控制电机(例如，用于调节特征选择参数)。
典型的数据处理系统可以利用任意合适的商用部件(如数据计算/通信和/或网络计算/通信系统中常用的部件)予以实现。本公开所述的主题有时说明不同部件包含在不同的其他部件内或者不同部件与不同的其他部件相连。应当理解，这样描述的架构只是示例，事实上可以实现许多能够实现相同功能的其他架构。在概念上，有效地“关联”用以实现相同功能的部件的任意设置，从而实现所需功能。因此，这里组合实现具体功能的任意两个部件可以被视为彼此“关联”从而实现所需功能，而无论架构或中间部件如何。同样，任意两个如此关联的部件也可以看作是彼此“可操作地连接”或“可操作地耦合”以实现所需功能，且能够如此关联的任意两个部件也可以被视为彼此“能可操作地耦合”以实现所需功能。能可操作地耦合的具体示例包括但不限于物理上可配对和/或物理上交互的部件，和/或无线交互和/或可无线交互的部件，和/或逻辑交互和/或可逻辑交互的部件。
至于本文中任何关于多数和/或单数术语的使用，本领域技术人员可以从多数形式转换为单数形式，和/或从单数形式转换为多数形式，以适合具体环境和应用。为清楚起见，在此明确声明单数形式/多数形式可互换。
本领域技术人员应当理解，一般而言，所使用的术语，特别是所附权利要求中(例如，在所附权利要求的主体部分中)使用的术语，一般地应理解为“开放”术语(例如，术语“包括”应解释为“包括但不限于”，术语“具有”应解释为“至少具有”等)。本领域技术人员还应理解，如果意在所引入的权利要求中标明具体数目，则这种意图将在该权利要求中明确指出，而在没有这种明确标明的情况下，则不存在这种意图。例如，为帮助理解，所附权利要求可能使用了引导短语“至少一个”和“一个或多个”来引入权利要求中的特征。然而，这种短语的使用不应被解释为暗示着由不定冠词“一”或“一个”引入的权利要求特征将包含该特征的任意特定权利要求限制为仅包含一个该特征的实施例，即便是该权利要求既包括引导短语“一个或多个”或“至少一个”又包括不定冠词如“一”或“一个”(例如，“一”和/或“一个”应当被解释为意指“至少一个”或“一个或多个”)；在使用定冠词来引入权利要求中的特征时，同样如此。另外，即使明确指出了所引入权利要求特征的具体数目，本领域技术人员应认识到，这种列举应解释为意指至少是所列数目(例如，不存在其他修饰语的短语“两个特征”意指至少两个该特征，或者两个或更多该特征)。
另外，在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
另外，在以马库什组描述本公开的特征或方案的情况下，本领域技术人员应认识到，本公开由此也是以该马库什组中的任意单独成员或成员子组来描述的。
本领域技术人员应当理解，出于任意和所有目的，例如为了提供书面说明，这里公开的所有范围也包含任意及全部可能的子范围及其子范围的组合。任意列出的范围可以被容易地看作充分描述且实现了将该范围至少进行二等分、三等分、四等分、五等分、十等分等。作为非限制性示例，在此所讨论的每一范围可以容易地分成下三分之一、中三分之一和上三分之一等。本领域技术人员应当理解，所有诸如“直至”、“至少”、“大于”、“小于”之类的语言包括所列数字，并且指代了随后可以如上所述被分成子范围的范围。最后，本领域技术人员应当理解，范围包括每一单独数字。因此，例如具有1～3个单元的组是指具有1、2或3个单元的组。类似地，具有1～5个单元的组是指具有1、2、3、4或5个单元的组，以此类推。
尽管已经在此公开了多个方案和实施例，但是本领域技术人员应当明白其他方案和实施例。这里所公开的多个方案和实施例是出于说明性的目的，而不是限制性的，本公开的真实范围和精神由所附权利要求表征。

Claims (49)

1.一种用于执行时空模式的基于粗糙小波的分析的方法，所述方法包括：
产生与多光谱图像相关联的特征的小波粒化空间；
基于粗糙集评估选择特征；
去除冗余特征；以及
基于所选择的特征对模式进行分类。
2.根据权利要求1所述的方法，还包括使用光谱带值作为特征。
3.根据权利要求1所述的方法，还包括通过在小波域中构建移位不变颗粒来产生小波粒化空间。
4.根据权利要求3所述的方法，还包括：通过移位不变离散小波变换SI-DWT构建移位不变颗粒，所述移位不变离散小波变换对针对多光谱图像的输入模式矢量的小波粒化的特征值加以表征。
5.根据权利要求4所述的方法，还包括在第二分解之后停止SI-DWT。
6.根据权利要求1所述的方法，其中所述小波粒化空间包括针对一级DWT分解的n维特征空间中的4n个颗粒。
7.根据权利要求1所述的方法，其中所述小波粒化空间包括针对两级DWT分解的n维特征空间中的7n个颗粒。
8.根据权利要求1所述的方法，还包括：选择小波基和分解级别，以对用于产生特征空间的小波粒化的颗粒加以表征。
9.根据权利要求8所述的方法，还包括采用双正交小波基。
10.根据权利要求1所述的方法，其中基于粗糙集评估来选择特征包括：在选择粒化特征的子集时采用邻居粗糙集NRS，所述邻居粗糙集进一步探察来自邻居颗粒的局部信息和/或上下文信息中的至少一个。
11.根据权利要求10所述的方法，还包括：基于所述特征的显著性来评估所述粒化特征的子集。
12.根据权利要求10所述的方法，还包括：采用前向贪婪搜索算法进行特征选择。
13.根据权利要求10所述的方法，其中基于选择的特征对模式进行分类包括：确定在NRS中使用的距离阈值，在超过所述阈值时分类性能实质下降。
14.根据权利要求13所述的方法，还包括：采用k-最近邻分类器、最大似然分类器和多层感知分类器之一，基于所选择的特征对模式进行分类。
15.根据权利要求14所述的方法，其中k-最近邻分类器使用k＝1、k＝3和k＝5之一。
16.根据权利要求1所述的方法，其中所述多光谱图像是遥感图像。
17.一种用于执行时空模式的基于粗糙小波的分析的设备，包括：
存储器，配置为存储与多光谱图像的输入模式矢量相关联的指令和数据；以及
处理器，与所述存储器相连，其中所述处理器适用于执行所述指令，当执行所述指令时将处理器配置为：
产生与多光谱图像相关联的特征的小波粒化空间；
基于粗糙集评估选择特征；
去除冗余特征；以及
基于所选择的特征对模式进行分类。
18.根据权利要求17所述的设备，其中执行基于粗糙小波的分析，以产生用于多光谱遥感图像的陆地覆盖分类的模型。
19.根据权利要求17所述的设备，其中针对纹理检测和图像索引之一执行所述基于粗糙小波的分析。
20.根据权利要求17所述的设备，其中通过在小波域中构建移位不变颗粒来产生小波粒化空间。
21.根据权利要求20所述的设备，其中通过移位不变离散小波变换SI-DWT构建移位不变颗粒，所述移位不变离散小波变换对用于多光谱图像的输入模式矢量的小波粒化的特征值加以表征。
22.根据权利要求21所述的设备，其中所述处理器还配置为在第二分解之后停止SI-DWT。
23.根据权利要求17所述的设备，其中所述小波粒化空间组成针对一级DWT分解的n维特征空间中的4n个颗粒。
24.根据权利要求17所述的设备，其中所述小波粒化空间组成针对两级DWT分解的n维特征空间中的7n个颗粒。
25.根据权利要求17所述的设备，其中所述处理器还配置为选择小波基和分解级别，以对用于产生特征空间的小波粒化的颗粒加以表征。
26.根据权利要求25所述的设备，其中所述处理器还配置为采用双正交小波基。
27.根据权利要求17所述的设备，其中所述处理器还配置为在选择粒化特征的子集时采用邻居粗糙集NRS，所述邻居粗糙集进一步探察来自邻居颗粒的局部信息和/或上下文信息中的至少一个。
28.根据权利要求27所述的设备，其中所述处理器还配置为基于所述特征的显著性来评估粒化特征的子集。
29.根据权利要求27所述的设备，其中所述处理器还配置为使用光谱带值作为特征。
30.根据权利要求27所述的设备，其中所述处理器还配置为采用前向贪婪搜索算法用于特征选择。
31.根据权利要求27所述的设备，其中所述处理器还配置为确定在NRS中使用的距离阈值，在超过所述阈值时分类性能实质下降。
32.根据权利要求31所述的设备，其中所述处理器还配置为采用k-最近邻分类器、最大似然分类器或多层感知分类器之一，以基于所选择的特征对模式进行分类。
33.根据权利要求32所述的设备，其中所述k-最近邻分类器使用k＝1、k＝3和k＝5之一。
34.一种计算机可读存储介质，其上存储有用于执行时空模式的基于粗糙小波的分析的指令，所述指令包括：
产生与多光谱图像相关联的特征的小波粒化空间；
基于粗糙集评估选择特征；
去除冗余特征；以及
基于所选择的特征对模式进行分类。
35.根据权利要求34所述的计算机可读存储介质，其中通过在小波域中构建移位不变颗粒来产生小波粒化空间。
36.根据权利要求35所述的计算机可读存储介质，其中通过移位不变离散小波变换SI-DWT构建移位不变颗粒，所述移位不变离散小波变换对针对多光谱图像的输入模式矢量的小波粒化的特征值加以表征。
37.根据权利要求36所述的计算机可读存储介质，其中所述指令还包括：
在第二分解之后停止SI-DWT。
38.根据权利要求34所述的计算机可读存储介质，其中所述多光谱图像是遥感图像。
39.根据权利要求34所述的计算机可读存储介质，其中所述小波粒化空间组成针对一级DWT分解的n维特征空间中的4n个颗粒。
40.根据权利要求34所述的计算机可读存储介质，其中所述小波粒化空间组成针对两级DWT分解的n维特征空间中的7n个颗粒。
41.根据权利要求34所述的计算机可读存储介质，其中所述指令还包括：
选择小波基和分解级别，以对用于产生特征空间的小波粒化的颗粒加以表征。
42.根据权利要求41所述的计算机可读存储介质，其中所述指令还包括：
采用双正交小波基。
43.根据权利要求34所述的计算机可读存储介质，其中基于粗糙集评估选择特征包括：在选择粒化特征的子集时采用邻居粗糙集(NRS)，所述邻居粗糙集进一步探察来自粒化邻居颗粒的局部信息和/或上下文信息中的至少一个。
44.根据权利要求43所述的计算机可读存储介质，其中所述指令还包括：
基于所述特征的显著性来评估粒化特征的子集。
45.根据权利要求43所述的计算机可读存储介质，其中所述指令还包括：
使用光谱带值作为特征。
46.根据权利要求43所述的计算机可读存储介质，其中所述指令还包括：
采用前向贪婪搜索算法用于特征选择。
47.根据权利要求43所述的计算机可读存储介质，其中基于所选择的特征对模式进行分类包括：确定在NRS中使用的距离阈值，在超过所述阈值时分类性能实质上下降。
48.根据权利要求47所述的计算机可读存储介质，其中所述指令还包括：
采用k-最近邻分类器、最大似然分类器或多层感知分类器之一，基于所选择的特征对模式进行分类。
49.根据权利要求48所述的计算机可读存储介质，其中所述k-最近邻分类器使用k＝1、k＝3和k＝5之一。
CN201180040343.5A 2010-11-24 2011-01-13 粗糙小波粒化空间和多光谱遥感图像的分类 Expired - Fee Related CN103052962B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN1324KO2010 2010-11-24
IN1324/KOL/2010 2010-11-24
PCT/IB2011/000045 WO2012069891A1 (en) 2010-11-24 2011-01-13 Rough wavelet granular space and classification of multispectral remote sensing image

Publications (2)

Publication Number Publication Date
CN103052962A true CN103052962A (zh) 2013-04-17
CN103052962B CN103052962B (zh) 2016-01-27

Family

ID=46145426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180040343.5A Expired - Fee Related CN103052962B (zh) 2010-11-24 2011-01-13 粗糙小波粒化空间和多光谱遥感图像的分类

Country Status (4)

Country Link
US (1) US9152877B2 (zh)
KR (1) KR101484971B1 (zh)
CN (1) CN103052962B (zh)
WO (1) WO2012069891A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331447A (zh) * 2014-10-29 2015-02-04 邱桃荣 布料色卡图像检索方法
CN105701512A (zh) * 2016-01-14 2016-06-22 西安电子科技大学 一种基于bbo-mlp和纹理特征的图像分类方法
CN109542993A (zh) * 2018-11-16 2019-03-29 浙江海洋大学 一种基于粗糙集的遥感数据处理方法

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5607839B2 (ja) * 2011-11-24 2014-10-15 パナソニック株式会社 診断支援装置および診断支援方法
CN103488968B (zh) * 2012-06-14 2016-12-21 株式会社日立制作所 遥感图像的混合像素物质构成精细化分解装置及方法
US9147132B2 (en) 2013-09-11 2015-09-29 Digitalglobe, Inc. Classification of land based on analysis of remotely-sensed earth images
KR102238693B1 (ko) * 2014-06-20 2021-04-09 삼성전자주식회사 포인트 클라우드에서 특징 영역을 추출하는 방법 및 장치
CN104794477B (zh) * 2015-04-27 2016-04-13 山东大学 基于3-d小波变换和稀疏张量的高光谱图像特征抽取方法
CN105320936B (zh) * 2015-09-21 2019-05-07 中国石油天然气集团公司 一种卫星图片中障碍物的识别方法及识别装置
CN105631872B (zh) * 2015-12-28 2018-06-26 西安电子科技大学 基于多特征点的遥感图像配准方法
CN106971204A (zh) * 2017-03-31 2017-07-21 上海海洋大学 一种新的基于粗集的高光谱遥感数据的降维方法
CN107273803B (zh) * 2017-05-16 2020-04-24 北京环境特性研究所 云层图像检测方法
CN109272508B (zh) * 2018-08-02 2021-10-26 哈尔滨工程大学 一种基于粗糙集和粗糙熵的Petri网络图像分割方法
US10984532B2 (en) * 2018-08-24 2021-04-20 Ordnance Survey Limited Joint deep learning for land cover and land use classification
CN111462144B (zh) * 2020-03-30 2023-07-21 南昌工程学院 一种基于粗糙集的快速抑制图像模糊边界的图像分割方法
CN114266277A (zh) * 2021-12-27 2022-04-01 四川大学 一种电能质量扰动分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1472544A (zh) * 2003-06-05 2004-02-04 上海交通大学 遥感影像像素与特征联合最优融合方法
CN1770201A (zh) * 2004-11-05 2006-05-10 北京师范大学 基于小波变换的可调节遥感影像融合方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7006881B1 (en) 1991-12-23 2006-02-28 Steven Hoffberg Media recording device with remote graphic user interface
US6400996B1 (en) 1999-02-01 2002-06-04 Steven M. Hoffberg Adaptive pattern recognition based control system and method
US6418424B1 (en) 1991-12-23 2002-07-09 Steven M. Hoffberg Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
US5901246A (en) 1995-06-06 1999-05-04 Hoffberg; Steven M. Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
US6081750A (en) 1991-12-23 2000-06-27 Hoffberg; Steven Mark Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
US5875108A (en) 1991-12-23 1999-02-23 Hoffberg; Steven M. Ergonomic man-machine interface incorporating adaptive pattern recognition based control system
US5903454A (en) 1991-12-23 1999-05-11 Hoffberg; Linda Irene Human-factored interface corporating adaptive pattern recognition based controller apparatus
US6850252B1 (en) 1999-10-05 2005-02-01 Steven M. Hoffberg Intelligent electronic appliance system and method
US5377302A (en) 1992-09-01 1994-12-27 Monowave Corporation L.P. System for recognizing speech
US6539122B1 (en) * 1997-04-04 2003-03-25 General Dynamics Decision Systems, Inc. Adaptive wavelet coding of hyperspectral imagery
US6178261B1 (en) 1997-08-05 2001-01-23 The Regents Of The University Of Michigan Method and system for extracting features in a pattern recognition system
US6789054B1 (en) 1999-04-25 2004-09-07 Mahmoud A. Makhlouf Geometric display tools and methods for the visual specification, design automation, and control of adaptive real systems
AUPQ156299A0 (en) * 1999-07-12 1999-08-05 Canon Kabushiki Kaisha Method and apparatus for discrete wavelet transforms and compressed bitstream ordering for block entropy coding of subband image data
WO2002009026A1 (en) 2000-07-21 2002-01-31 Ohio University System and method for identifying an object
AU2001291229A1 (en) 2000-09-27 2002-04-08 David N Levin Self-referential method and apparatus for creating stimulus representations thatare invariant under systematic transformations of sensor states
KR100547853B1 (ko) 2003-07-28 2006-01-31 삼성전자주식회사 블록별 에너지를 기초로 정지 영상을 적응적으로 부호화할수 있는 이산 웨이블렛 변환 장치 및 방법
US7590589B2 (en) 2004-09-10 2009-09-15 Hoffberg Steven M Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference
KR100852629B1 (ko) 2006-06-02 2008-08-18 연세대학교 산학협력단 다초점 영상 시퀀스를 이용한 홍채인식 시스템 및 방법
US20080059027A1 (en) 2006-08-31 2008-03-06 Farmer Michael E Methods and apparatus for classification of occupancy using wavelet transforms

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1472544A (zh) * 2003-06-05 2004-02-04 上海交通大学 遥感影像像素与特征联合最优融合方法
CN1770201A (zh) * 2004-11-05 2006-05-10 北京师范大学 基于小波变换的可调节遥感影像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUN-HAI ZHAI,ET AL.: "ROUGH-NEURAL IMAGE CLASSIFICATION USING WAVELET TRANSFORM", 《PROCEEDINGS OF THE SIXTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 *
NICK KINGSBURY: "SHIFT INVARIANT PROPERTIES OF THE DUAL-TREE COMPLEX WAVELET TRANSFORM", 《IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS,SPEECH,AND SIGNAL PROCESSING》 *
SANKAR K.PAL,ET AL.: "Pattern Classification Using Class-Dependent Rough-Fuzzy Granular Space", 《ROUGH SET AND KNOWLEDGE TECHNOLOGY》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331447A (zh) * 2014-10-29 2015-02-04 邱桃荣 布料色卡图像检索方法
CN105701512A (zh) * 2016-01-14 2016-06-22 西安电子科技大学 一种基于bbo-mlp和纹理特征的图像分类方法
CN109542993A (zh) * 2018-11-16 2019-03-29 浙江海洋大学 一种基于粗糙集的遥感数据处理方法
CN109542993B (zh) * 2018-11-16 2022-07-22 浙江海洋大学 一种基于粗糙集的遥感数据处理方法

Also Published As

Publication number Publication date
WO2012069891A1 (en) 2012-05-31
US9152877B2 (en) 2015-10-06
CN103052962B (zh) 2016-01-27
WO2012069891A8 (en) 2012-08-09
KR20130028978A (ko) 2013-03-20
KR101484971B1 (ko) 2015-01-21
US20120183225A1 (en) 2012-07-19

Similar Documents

Publication Publication Date Title
CN103052962B (zh) 粗糙小波粒化空间和多光谱遥感图像的分类
Suprem et al. Odin: Automated drift detection and recovery in video analytics
Yao et al. Wave-vit: Unifying wavelet and transformers for visual representation learning
Chen et al. Pothole detection using location-aware convolutional neural networks
JP7317717B2 (ja) ネットワーク計算エッジにわたってアプリケーションを連続して操作する、人工知能および深層学習においてメモリで境界された継続学習を可能にするシステムおよび方法
Kalsotra et al. Background subtraction for moving object detection: explorations of recent developments and challenges
JP7038744B2 (ja) 顔画像検索方法およびシステム、撮影装置、ならびにコンピュータ記憶媒体
Zhao et al. A 2-D wavelet decomposition-based bag-of-visual-words model for land-use scene classification
Xiao et al. FPS-Net: A convolutional fusion network for large-scale LiDAR point cloud segmentation
CN106462940A (zh) 图像中通用对象检测
Galvao et al. Pedestrian and vehicle detection in autonomous vehicle perception systems—A review
CN107209860A (zh) 使用分块特征来优化多类图像分类
Cui et al. Convolutional neural network for recognizing highway traffic congestion
Luo et al. Traffic analytics with low-frame-rate videos
Bhuiyan et al. Video analytics using deep learning for crowd analysis: a review
Yu et al. Abnormal event detection using adversarial predictive coding for motion and appearance
Lalit et al. Crowd abnormality detection in video sequences using supervised convolutional neural network
Kim et al. Detection of centerline crossing in abnormal driving using CapsNet
Liu et al. Review of CNN in aerial image processing
Venkatesvara Rao et al. Real-time video object detection and classification using hybrid texture feature extraction
US10282672B1 (en) Visual content analysis system with semantic framework
Tripathy et al. MuST-POS: multiscale spatial-temporal 3D atrous-net and PCA guided OC-SVM for crowd panic detection
Wu et al. Deep multiple classifier fusion for traffic scene recognition
Aved Scene understanding for real time processing of queries over big data streaming video
Zhang et al. Video action recognition with Key-detail Motion Capturing based on motion spectrum analysis and multiscale feature fusion

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160127

Termination date: 20200113

CF01 Termination of patent right due to non-payment of annual fee