CN103310230A - 联合解混及自适应端元提取的高光谱图像分类方法 - Google Patents
联合解混及自适应端元提取的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN103310230A CN103310230A CN2013102406551A CN201310240655A CN103310230A CN 103310230 A CN103310230 A CN 103310230A CN 2013102406551 A CN2013102406551 A CN 2013102406551A CN 201310240655 A CN201310240655 A CN 201310240655A CN 103310230 A CN103310230 A CN 103310230A
- Authority
- CN
- China
- Prior art keywords
- pixel
- class
- end member
- classification
- omega
- 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
Links
Abstract
本发明公开了一种联合解混及自适应端元提取的高光谱图像分类方法,用于解决现有基于光谱解混的高光谱图像分类方法误差大的技术问题。技术方案是首先对图像进行粗分类,继而利用混淆矩阵实现各类别的端元集提取。通过获得的端元集对各类别中的训练样本进行线性光谱解混,利用其丰度值优化基于多元逻辑回归的概率分类器,获得较优分类结果。根据分类结果实现类别的端元集更新。迭代此过程,不断优化分类器,提高了分类精度。本发明在模拟数据集和两个真实高光谱数据集AVIRIS Indian Pine数据和ROSIS Pavia University数据上的测试结果表明,平均精度分别为81.98%,62.19%,82.38%。
Description
技术领域
本发明涉及一种高光谱图像分类方法,特别涉及一种联合解混及自适应端元提取的高光谱图像分类方法。
背景技术
高光谱图像分类技术对于实现地表精细探测,环境监测,灾害预警等具有非常重要的意义。现有的高光谱图像分类方法主要有:基于纯像元理论的硬分类方法和面向混合像元的概率软分类方法。在高光谱图像中,低的空间分辨率会使像素包含多类地物类型,因而面向对象的概率软分类方法是近年的研究热点。其通过估计混合像元属于某一地物的概率,从而实现分类。
文献“Spectral unmixing for the classification of hyperspectral images at a finer spatialresolution,IEEE journal of selected topics in signal processing,vol.5,no.3,2011,p521-533”公开了一种基于光谱解混的高光谱图像分类方法。该方法首先采用概率支持向量机方法对原始图像进行粗分类,选取概率值大于设定阈值的像元分配到所属类别,获得的纯净像元作为相应类的端元。之后基于线性光谱解混模型对未分类的像元进行解混,获得其丰度值,将丰度值最大的类别作为像元的所属类别。最后,通过空间正则化获取分辨率高的分类图。该方法核心是利用光谱解混获得的丰度值信息判断混合像元类别。但是,在粗分类阶段,少量纯净像元对高光谱图像复杂的地物类型的代表性不足,基于此的解混误差较大。另外,通过设定阈值辨识混合像元,具有局限性。在解混阶段,利用全部类别对混合像元进行解混,具有较大误差。
发明内容
为了解决高光谱图像混合像元问题,克服现有基于光谱解混的高光谱图像分类方法误差大的不足,本发明提供一种联合解混及自适应端元提取的高光谱图像分类方法。该方法通过对图像进行粗分类,继而利用混淆矩阵实现各类别的端元集提取。考虑到高光谱图像相对低的空间分辨率所带来的混合像元问题,通过获得的端元集对各类别中的训练样本进行线性光谱解混,利用其丰度值优化基于多元逻辑回归的概率分类器,从而获得较优分类结果。进而,根据分类结果实现类别的端元集更新。迭代此过程,不断优化分类器,可以提高分类精度。
本发明解决其技术问题所采用的技术方案是:一种联合解混及自适应端元提取的高光谱图像分类方法,其特点是包括以下步骤:
步骤一、采用基于统计理论的最大似然分类算法对原始高光谱图像进行粗分类。当样本数量N满足N>1000,每类随机选择5‰的像元作为训练样本,100<N<1000则每类随机选择5%像元作为训练样本,否则随机选择5个像元作为训练样本。对原始高光谱图像数据采用主成分分析方法实现数据降维。
步骤二、采用混淆矩阵作为筛选类别端元集的依据,通过迭代不断更新端元集。将GIS数据计算类别平均光谱作为端元光谱。设图像共有N个像元,像元集合为X=[x1,x2,...,xN],图像有K个波段像元的类标签集合为Y=[y1,y2,...,yN],共有M个类别,因此像元xi的类标签yi满足图像中任意一个类别mi的端元集提取过程如下:
(2)利用混淆矩阵统计第i类地物mi错分到其他类别的像元个数。设定阈值λ,满足.0<λ<<1对于第j类地物,若第i类像元错分到第j类的像元个数Cij与第i类分对的像元个数Cii之比大于阈值λ,则将第j类的端元加入到第i类地物的端元集中,Βi为图像端元集Ε的子集,Si是第i类地物可能包含的地物种类的个数。
T={t|Cit≠0,Cit≥λCii,t∈Μ} (2)
Βi=ΕT,i∈Μ (3)
其中,T表示混淆矩阵中满足条件的类别号的集合。Βi表示由相应类别号从图像端元集Ε中选择对应的端元组成第i类地物的端元集。λ是阈值。
(3)根据以上过程获得各个类别相应的端元集Βk,针对第k类地物中的混合像元,利用其端元集合Βk进行线性光谱解混,获得混合像元的丰度值信息。
步骤四、利用基于多元逻辑回归的概率分类器估计像元的概率类标签。其中,混合像元采用其丰度值信息优化MLR的回归系数ω。具体的回归参数估计过程如下:
(1)xi的类标签为当yi中仅含有一个值时,xi为纯净像元,否则为混合像元。MLR模型的回归系数为利用最大后验概率法估计回归系数ω,如公式(4)和公式(5)。使用标记样本集DL={(y1,x1),(y2,x2),...,(yL,xL)}作为训练样本,其中,包含的混合像元的类标签是其丰度值。
步骤五、利用MLR分类器对待分类像元分配概率类标签,具体分类步骤如下:
(1)将待分类像元xj输入MLR分类器,估计像元属于第i类地物的概率
(2)选择概率最大的类别作为像元的所属类别。
步骤六、根据以上分类结果获得混淆矩阵,重复步骤二到步骤六。通过更新各类端元集,实现MLR分类器的优化。
本发明的有益效果是:由于该方法通过对图像进行粗分类,继而利用混淆矩阵实现各类别的端元集提取。考虑到高光谱图像相对低的空间分辨率所带来的混合像元问题,通过获得的端元集对各类别中的训练样本进行线性光谱解混,利用其丰度值优化基于多元逻辑回归的概率分类器,从而获得较优分类结果。进而,根据分类结果实现类别的端元集更新。迭代此过程,不断优化分类器,从而提高了分类精度。本发明在模拟数据集和两个真实高光谱数据集AVIRIS Indian Pine数据和ROSIS PaviaUniversity数据上的测试结果表明,在每类随机选择少量训练样本的情况下,分类总精度(overall accuracy)分别为87.25%,67.73%,79.15%。平均精度(average accuracy)分别为81.98%,62.19%,82.38%。在总精度,平均精度,kappa系数这三个评价指标上均明显优于概率支持向量机算法和经典的高光谱图像分类算法。
以下结合具体实施方式详细说明本发明。
具体实施方式
1、图像粗分类。
为了使获取的端元集可靠性更高,本实施例采用了基于统计理论的最大似然分类算法对原始高光谱图像进行粗分类。分类后每个像元具有唯一一个类标签,分类结果获得的混淆矩阵将作为后续端元筛选的依据。为了满足实际数据要求,当样本数量N满足N>1000,每类随机选择5‰的像元作为训练样本,100<N<1000则每类随机选择5%像元作为训练样本,否则随机选择5个像元作为训练样本。另外,为了减少光谱冗余性,降低噪声影响,本发明对原始高光谱图像数据采用主成分分析方法(PCA)实现数据降维,实验中,PCA方法参数设置为0.999。
2、端元集提取。
混淆矩阵是分类结果的可视化量化表示,从中可获得类别之间的重叠和混淆情况,因此利用混淆矩阵判断混合的地物类别十分可靠。本实施例根据这一特性,提出一种全新的自适应端元提取方法,采用混淆矩阵作为筛选类别端元集的依据,通过迭代不断更新端元集。为了使类别端元更具有辨识度,本实施例参考GIS数据计算类别平均光谱作为端元光谱。设图像共有N个像元,像元集合为X=[x1,x2,...,xN],图像有K个波段像元的类标签集合为Y=[y1,y2,...,yN],共有M个类别,因此像元xi的类标签yi满足图像中任意一个类别mi的端元集提取过程如下:
(2)利用混淆矩阵统计第i类地物mi错分到其他类别的像元个数。设定阈值λ,满足.0<λ<<1,对于第j类地物,若第i类像元错分到第j类的像元个数Cij与第i类分对的像元个数Cii之比大于阈值λ,则将第j类的端元加入到第i类地物的端元集中,Βi为图像端元集Ε的子集,Si是第i类地物可能包含的地物种类的个数。
T={t|Cit≠0,Cit≥λCii,t∈Μ} (2)
Βi=ΕT,i∈Μ (3)
其中,T表示混淆矩阵中满足条件的类别号的集合。Βi表示由相应类别号从图像端元集Ε中选择对应的端元组成第i类地物的端元集。阈值λ过小或过大会导致筛选出的端元个数与实际所包含的端元数差别较大,从而造成解混结果误差大,分类精度提高慢。实验中阈值设置为λ=0.01。
(3)根据以上过程获得各个类别相应的端元集Βk,针对第k类地物中的混合像元,利用其端元集合Βk进行线性光谱解混,获得混合像元的丰度值信息。
3、线性光谱解混。
高光谱数据解混过程是将一个像元光谱分解到一组纯净端元中,相应的百分比(丰度值)就表示该纯净端元在像元光谱中所占的比例。光谱解混通常有线性光谱解混和非线性光谱解混。研究表明,在实际的高光谱数据应用中,线性解混凭借其效率高,复杂度低,且信息丢失量不会对数据分析造成重要干扰等特性,成为光谱解混的主要方法。因此本发明采用线性光谱解混模型估计混合像元的丰度值信息。实际的高光谱数据丰度值系数A=[a1,a2,...,aM]需要满足因此本发明采用全约束的最小二乘方法(Fully constrained least square,FCLS)获得满足以上条件的混合像元丰度值信息。
4、分类器参数估计。
利用基于多元逻辑回归(multinomial logistic regression,MLR)的概率分类器估计像元的概率类标签。其中,混合像元将采用其丰度值信息优化MLR的回归系数ω。具体的回归参数估计过程如下:
(1)xi的类标签为当yi中仅含有一个值时(如yi=[0,1,0,0]),xi为纯净像元,否则为混合像元。MLR模型的回归系数为通常取ω(M)=0,利用最大后验概率法(MAP)估计回归系数ω,如公式(4)和公式(5)。使用标记样本集DL={(y1,x1),(y2,x2),...,(yL,xL)}作为训练样本,其中,包含的混合像元的类标签是其丰度值。
5、像元分类。
利用MLR分类器对待分类像元分配概率类标签,具体分类步骤如下:
(1)将待分类像元xj输入MLR分类器,估计像元属于第i类地物的概率
(2)选择概率最大的类别作为像元的所属类别。
6、端元集更新。
根据以上分类结果获得混淆矩阵,重复第2步到第6步。通过更新各类别的端元集,实现MLR分类器的优化。达到特定迭代次数或满足分类要求时可退出。
Claims (1)
1.一种联合解混及自适应端元提取的高光谱图像分类方法,其特征在于包括以下步骤:
第一步,采用基于统计理论的最大似然分类算法对原始高光谱图像进行粗分类;当样本数量N满足N>1000,每类随机选择5‰的像元作为训练样本,100<N<1000则每类随机选择5%像元作为训练样本,否则随机选择5个像元作为训练样本;对原始高光谱图像数据采用主成分分析方法实现数据降维;
步骤二、采用混淆矩阵作为筛选类别端元集的依据,通过迭代不断更新端元集;将GIS数据计算类别平均光谱作为端元光谱;设图像共有N个像元,像元集合为X=[x1,x2,...,xN],图像有K个波段像元的类标签集合为Y=[y1,y2,...,yN],共有M个类别,因此像元xi的类标签yi满足图像中任意一个类别mi的端元集提取过程如下:
(1)计算各个类别的平均光谱作为端元光谱ei,获得图像的端元集Ε=[e1,e2,...,eM];其中,Ni表示第i类的像元个数,表示第i类的第j个像元;
(2)利用混淆矩阵统计第i类地物mi错分到其他类别的像元个数;设定阈值λ,满足.0<λ<<1,对于第j类地物,若第i类像元错分到第j类的像元个数Cij与第i类分对的像元个数Cii之比大于阈值λ,则将第j类的端元加入到第i类地物的端元集中,Βi为图像端元集Ε的子集,Si是第i类地物可能包含的地物种类的个数;
T={t|Cit≠0,Cit≥λCii,t∈Μ} (2)
Βi=ΕT,i∈Μ (3)
其中,T表示混淆矩阵中满足条件的类别号的集合;Βi表示由相应类别号从图像端元集Ε中选择对应的端元组成第i类地物的端元集;λ是阈值;
(3)根据以上过程获得各个类别相应的端元集Βk,针对第k类地物中的混合像元,利用其端元集合Βk进行线性光谱解混,获得混合像元的丰度值信息;
步骤四、利用基于多元逻辑回归的概率分类器估计像元的概率类标签;其中,混合像元采用其丰度值信息优化MLR的回归系数ω;具体的回归参数估计过程如下:
(1)xi的类标签为当yi中仅含有一个值时,xi为纯净像元,否则为混合像元;MLR模型的回归系数为利用最大后验概率法估计回归系数ω,如公式(4)和公式(5);使用标记样本集DL={(y1,x1),(y2,x2),...,(yL,xL)}作为训练样本,其中,包含的混合像元的类标签是其丰度值;
步骤五、利用MLR分类器对待分类像元分配概率类标签,具体分类步骤如下:
(1)将待分类像元xj输入MLR分类器,估计像元属于第i类地物的概率
(2)选择概率最大的类别作为像元的所属类别;
步骤六、根据以上分类结果获得混淆矩阵,重复步骤二到步骤六;通过更新各类端元集,实现MLR分类器的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310240655.1A CN103310230B (zh) | 2013-06-17 | 2013-06-17 | 联合解混及自适应端元提取的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310240655.1A CN103310230B (zh) | 2013-06-17 | 2013-06-17 | 联合解混及自适应端元提取的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103310230A true CN103310230A (zh) | 2013-09-18 |
CN103310230B CN103310230B (zh) | 2016-04-13 |
Family
ID=49135424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310240655.1A Active CN103310230B (zh) | 2013-06-17 | 2013-06-17 | 联合解混及自适应端元提取的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103310230B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868865A (zh) * | 2014-02-24 | 2014-06-18 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
WO2016033965A1 (zh) * | 2014-09-05 | 2016-03-10 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
CN103761530B (zh) * | 2014-01-03 | 2017-05-24 | 哈尔滨工程大学 | 一种基于相关向量机的高光谱图像解混方法 |
CN107273927A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于类间匹配的无监督领域适应分类方法 |
CN108734199A (zh) * | 2018-04-24 | 2018-11-02 | 西北工业大学 | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 |
CN109785305A (zh) * | 2018-12-28 | 2019-05-21 | 嘉兴市恒创电力设备有限公司 | 一种端元可变的高光谱图像光谱混合分析方法及装置 |
CN109840544A (zh) * | 2018-12-19 | 2019-06-04 | 嘉兴市恒创电力设备有限公司 | 一种高光谱图像多端元光谱混合分析方法及装置 |
CN110852369A (zh) * | 2019-11-06 | 2020-02-28 | 西北工业大学 | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 |
CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
CN112633374A (zh) * | 2020-12-22 | 2021-04-09 | 江苏海洋大学 | 一种结合多光谱混合像元线性分解的监督分类方法 |
CN112733867A (zh) * | 2021-02-04 | 2021-04-30 | 大连民族大学 | 一种高光谱图像的端元提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060233421A1 (en) * | 2005-04-15 | 2006-10-19 | The Boeing Company | Methods and apparatus for adaptive foreground background analysis |
CN101692125A (zh) * | 2009-09-10 | 2010-04-07 | 复旦大学 | 基于Fisher判别零空间的高光谱遥感图像混合像元分解方法 |
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
CN102609944A (zh) * | 2012-02-08 | 2012-07-25 | 复旦大学 | 基于距离几何理论的高光谱遥感图像混合像元分解方法 |
-
2013
- 2013-06-17 CN CN201310240655.1A patent/CN103310230B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060233421A1 (en) * | 2005-04-15 | 2006-10-19 | The Boeing Company | Methods and apparatus for adaptive foreground background analysis |
CN101692125A (zh) * | 2009-09-10 | 2010-04-07 | 复旦大学 | 基于Fisher判别零空间的高光谱遥感图像混合像元分解方法 |
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
CN102609944A (zh) * | 2012-02-08 | 2012-07-25 | 复旦大学 | 基于距离几何理论的高光谱遥感图像混合像元分解方法 |
Non-Patent Citations (2)
Title |
---|
ALBERTO VILLA 等: "Spectral Unmixing for the Classification of Hyperspectral Images at a Finer Spatial Resolution", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
成宝芝 等: "简析高光谱图像解混技术及算法", 《大庆师范学院学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761530B (zh) * | 2014-01-03 | 2017-05-24 | 哈尔滨工程大学 | 一种基于相关向量机的高光谱图像解混方法 |
CN103868865B (zh) * | 2014-02-24 | 2016-03-02 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
CN103868865A (zh) * | 2014-02-24 | 2014-06-18 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
WO2016033965A1 (zh) * | 2014-09-05 | 2016-03-10 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
CN107273927A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于类间匹配的无监督领域适应分类方法 |
CN107273927B (zh) * | 2017-06-13 | 2020-09-22 | 西北工业大学 | 基于类间匹配的无监督领域适应分类方法 |
CN108734199A (zh) * | 2018-04-24 | 2018-11-02 | 西北工业大学 | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 |
CN108734199B (zh) * | 2018-04-24 | 2021-09-07 | 西北工业大学 | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 |
CN109840544A (zh) * | 2018-12-19 | 2019-06-04 | 嘉兴市恒创电力设备有限公司 | 一种高光谱图像多端元光谱混合分析方法及装置 |
CN109785305B (zh) * | 2018-12-28 | 2021-01-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种端元可变的高光谱图像光谱混合分析方法及装置 |
CN109785305A (zh) * | 2018-12-28 | 2019-05-21 | 嘉兴市恒创电力设备有限公司 | 一种端元可变的高光谱图像光谱混合分析方法及装置 |
CN110852369A (zh) * | 2019-11-06 | 2020-02-28 | 西北工业大学 | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 |
CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
CN111650129B (zh) * | 2020-03-05 | 2022-07-01 | 广东省科学院广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
CN112633374A (zh) * | 2020-12-22 | 2021-04-09 | 江苏海洋大学 | 一种结合多光谱混合像元线性分解的监督分类方法 |
CN112733867A (zh) * | 2021-02-04 | 2021-04-30 | 大连民族大学 | 一种高光谱图像的端元提取方法 |
CN112733867B (zh) * | 2021-02-04 | 2023-08-08 | 大连民族大学 | 一种高光谱图像的端元提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103310230B (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310230A (zh) | 联合解混及自适应端元提取的高光谱图像分类方法 | |
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
CN111414942B (zh) | 一种基于主动学习和卷积神经网络的遥感图像分类方法 | |
CN109492593B (zh) | 基于主成分分析网络和空间坐标的高光谱图像分类方法 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
CN111860612A (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN104331698B (zh) | 一种遥感图像城区提取方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN112052755A (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN104700100A (zh) | 面向高空间分辨率遥感大数据的特征提取方法 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN102930533A (zh) | 一种基于改进k-均值聚类的半监督高光谱影像降维方法 | |
CN107844751A (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN111783884B (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
CN110443139B (zh) | 一种面向分类的高光谱遥感影像噪声波段探测方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN103942562A (zh) | 基于多分类器组合的高光谱图像分类方法 | |
CN111814685A (zh) | 基于双支路卷积自编码器的高光谱图像分类方法 | |
CN111368691B (zh) | 无监督高光谱遥感图像空谱特征提取方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN104182767A (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
CN105116400A (zh) | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 | |
CN106485238A (zh) | 一种高光谱遥感图像特征提取和分类方法及其系统 |
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 |