CN103854281A - 基于波段选择的高光谱遥感影像矢量c-v模型分割方法 - Google Patents

基于波段选择的高光谱遥感影像矢量c-v模型分割方法 Download PDF

Info

Publication number
CN103854281A
CN103854281A CN201310729980.4A CN201310729980A CN103854281A CN 103854281 A CN103854281 A CN 103854281A CN 201310729980 A CN201310729980 A CN 201310729980A CN 103854281 A CN103854281 A CN 103854281A
Authority
CN
China
Prior art keywords
image
band
wave band
vector
segmentation
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
CN201310729980.4A
Other languages
English (en)
Other versions
CN103854281B (zh
Inventor
王相海
方玲玲
宋传鸣
周夏
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.)
Study Of Medical Technology (shenzhen) Co Ltd
Original Assignee
Liaoning Normal University
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 Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201310729980.4A priority Critical patent/CN103854281B/zh
Publication of CN103854281A publication Critical patent/CN103854281A/zh
Application granted granted Critical
Publication of CN103854281B publication Critical patent/CN103854281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于波段选择的高光谱遥感影像矢量C-V模型分割方法，首先根据光谱曲线选择目标与背景对比度较大的波段，并进一步通过波段相关系数，去除其中相关性较大的波段形成新的波段组合，进而根据所确定的波段组合构建高光谱影像矢量矩阵；在此基础上，构造基于该矢量矩阵的矢量C-V分割模型，模型中通过引入基于梯度的边缘引导函数，在保留传统C-V模型基于区域信息进行影像分割的基础上，通过利用影像的边缘细节信息，增强了在异质区域和复杂背景情况下对目标边界的捕捉能力，提高了对高光谱遥感影像的分割精度和速度。

Description

基于波段选择的高光谱遥感影像矢量C-V模型分割方法
技术领域
本发明属于高光谱遥感影像数据分割方法，尤其是一种适用于对异质区域和复杂背景情况下的高光谱遥感影像进行快速准确分割的基于波段选择的高光谱遥感影像分割矢量C-V模型分割方法。
背景技术
成像光谱学的快速发展，使遥感技术进入到高光谱遥感阶段。高光谱图像可以看作是由二维空间维和一维光谱维构成的三维立体图像，其中每一幅二维图像描述了地表的空间特征，而光谱维揭示了图像每一像素的光谱曲线特征。高光谱图像的特性与自然图像不同，具有数据量大、光谱分辨率高、空间分辨率相对较低、形状结构和细微结构部分复杂多样以及地物类型较为丰富的特点，因此高光谱遥感影像分割具有如下难题：一方面高光谱遥感影像包含了丰富地物信息的同时也存在很多冗余，直接利用上百个波段的空间信息进行矢量C-V模型分割，会使计算量极大，影响算法的效率；另一方面，高光谱遥感影像的对象和背景没有明显的边缘，只依靠对象与背景分界处的梯度信息对图像进行分割很难达到理想的分割效果；而依靠图像中的区域信息也很难达到理想的分割效果。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种适用于对异质区域和复杂背景情况下的高光谱遥感影像进行快速准确分割的基于波段选择的高光谱遥感影像分割矢量C-V模型分割方法。
本发明的技术解决方案是：一种基于波段选择的高光谱遥感影像矢量C-V模型分割方法，其特征在于按如下步骤进行：
a. 根据光谱曲线选择目标与背景对比度较大的波段，并进一步通过波段相关系数，去除其中相关性较大的波段形成新的波段组合，根据所确定的波段组合构建高光谱影像矢量矩阵；
b. 构造基于该矢量矩阵的矢量C-V分割模型，模型中通过引入基于梯度的边缘引导函数，在保留传统C-V模型基于区域信息进行影像分割的基础上，通过利用影像的边缘细节信息，演化能量函数达到极小值为止，从而得到影像最终分割信息。
所述a步骤是用                                                
Figure 2013107299804100002DEST_PATH_IMAGE001
和分别代表目标像元和背景像元，将所有波段在像元
Figure 125219DEST_PATH_IMAGE001
和
Figure 239238DEST_PATH_IMAGE002
处所对应的灰度值分别记为
Figure 2013107299804100002DEST_PATH_IMAGE003
、，
Figure 238735DEST_PATH_IMAGE006
和
Figure 140832DEST_PATH_IMAGE008
，其中n为波段数，则第i波段像元
Figure DEST_PATH_IMAGE009
、
Figure 434541DEST_PATH_IMAGE010
处的对比度差异可以表示为
Figure 602348DEST_PATH_IMAGE012
，设定阈值
Figure DEST_PATH_IMAGE013
=65，通过下列式选择出目标与背景对比度大的波段：  ；                                            
    对所选择的波段影像，将第1个波段的影像作为关键帧影像；依次计算其后续的影像与该影像的相关系数,直到遇到相关系数小于事先确定阈值
Figure 394199DEST_PATH_IMAGE016
的影像，并将该影像其作为新的关键帧影像； 
相关系数计算如下：设
Figure 2013107299804100002DEST_PATH_IMAGE017
和
Figure 901535DEST_PATH_IMAGE018
为两个不同的波段影像数据，和
Figure 428463DEST_PATH_IMAGE020
分别为对应的均值，
Figure 536096DEST_PATH_IMAGE017
和
Figure 744354DEST_PATH_IMAGE018
的相关系数
Figure 293148DEST_PATH_IMAGE022
定义如下，当
Figure 443506DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
=65时，去除该波段：
Figure 2013107299804100002DEST_PATH_IMAGE027
                                                 
重复该过程直到处理完所有的选择波段帧，所保留下来的关键帧影像形成新的波段组合；
所述根据所确定的波段组合构建高光谱影像矢量矩阵是：
设所选择的波段影像组合共有
Figure 401885DEST_PATH_IMAGE028
个波段影像，每个影像的空间大小为
Figure 2013107299804100002DEST_PATH_IMAGE029
，则构造所选择的波段影像矢量矩阵如下：
Figure DEST_PATH_IMAGE031
其中
Figure 476151DEST_PATH_IMAGE032
(
Figure 2013107299804100002DEST_PATH_IMAGE033
;
Figure 941767DEST_PATH_IMAGE034
)为像元灰度值矢量，包含了m个波段在空间位置
Figure 2013107299804100002DEST_PATH_IMAGE035
处的像元灰度值，其值为：
Figure DEST_PATH_IMAGE037
                                       
式中
Figure DEST_PATH_IMAGE039
为所选择的m个波段中的第
Figure 76077DEST_PATH_IMAGE040
(
Figure 2013107299804100002DEST_PATH_IMAGE041
)个波段在空间位置
Figure 702843DEST_PATH_IMAGE035
处的灰度值；
进一步，构造
Figure 439854DEST_PATH_IMAGE028
个波段影像的均值灰度矩阵如下：
Figure 2013107299804100002DEST_PATH_IMAGE043
其中
Figure 2013107299804100002DEST_PATH_IMAGE045
。
所述b步骤构造基于该矢量矩阵的矢量C-V分割模型如下：
Figure 2013107299804100002DEST_PATH_IMAGE047
                                       
其中, 
Figure 651655DEST_PATH_IMAGE048
和（）是用来近似图像强度的矢量值,
Figure 956866DEST_PATH_IMAGE052
(k=1,2,…，n)表示第k波段的高光谱图像; 
Figure 2013107299804100002DEST_PATH_IMAGE053
和
Figure 995229DEST_PATH_IMAGE054
表示第
Figure 363629DEST_PATH_IMAGE040
通道轮廓曲线内、外部区域的平均灰度值。
本发明在对高光谱遥感影像进行波段选择后，根据所确定的波段组合构建高光谱影像矢量矩阵，在此基础上，构造基于该矢量矩阵的矢量C-V分割模型。与现有技术相比具有优点：第一，针对高光谱遥感影像的特点，根据一定的准则进行波段选择，即选择目标与背景对比度大的波段，然后去除其中相关性较大的波段形成新的波段组合，保证充分利用高光谱遥感影像丰富谱间信息的同时，避免了数据冗余；第二，模型中通过引入基于梯度的边缘引导函数，在保留传统C-V模型基于区域信息进行影像分割的基础上，通过利用影像的边缘细节信息，增强了在异质区域和复杂背景情况下对目标边界的捕捉能力，提高了对高光谱遥感影像的分割精度和速度。
附图说明
图1为本发明实施例波段选择与组合所获取的部分波段影像。
图2为本发明实施例模型的影像分割结果图。
具体实施方式
实施例按如下步骤进行：
a. 选择波段
高光谱遥感影像的每个像元都对应一条光谱曲线，同一物质有着相同或相近的光谱曲线。选择目标与背景对比度高的波段，则需要选择光谱曲线存在较大差异的两种地物分别作为目标和背景。用
Figure 69417DEST_PATH_IMAGE001
和分别代表目标像元和背景像元，将所有波段在像元和
Figure 87686DEST_PATH_IMAGE002
处所对应的灰度值、
Figure 904780DEST_PATH_IMAGE004
分别记为：
Figure 183315DEST_PATH_IMAGE056
和
Figure 2013107299804100002DEST_PATH_IMAGE057
，其中n为波段数，则第
Figure DEST_PATH_IMAGE059
波段像元、
Figure 293670DEST_PATH_IMAGE010
处的对比度差异可以表示为
Figure 46338DEST_PATH_IMAGE060
。设定阈值
Figure 484273DEST_PATH_IMAGE013
=65，通过下列式选择出目标与背景对比度大的波段：
Figure DEST_PATH_IMAGE061
  
b. 波段组合
为减少算法的计算量，在波段选择后，对所选择的波段影像进行如下去除冗余波段的处理：
b.1确定相应的“关键帧影像”：对所选择的波段影像，将第1个波段的影像作为关键帧影像；
b.2依次计算其后续的影像与该影像的相关系数,直到遇到相关系数小于事先确定阈值
Figure 780256DEST_PATH_IMAGE016
的影像，并将该影像其作为新的关键帧影像；
b.3重复该过程直到处理完所有的选择波段帧，所保留下来的关键帧影像作为最后模型处理的影像数据；
具体两个波段影像的相关系数计算如下：设
Figure 252826DEST_PATH_IMAGE017
和
Figure 163013DEST_PATH_IMAGE018
为两个不同的波段影像数据，
Figure 901293DEST_PATH_IMAGE019
和
Figure 125601DEST_PATH_IMAGE020
分别为对应的均值，
Figure 514994DEST_PATH_IMAGE017
和
Figure 612394DEST_PATH_IMAGE018
的相关系数
Figure 24921DEST_PATH_IMAGE062
定义如下，当
Figure DEST_PATH_IMAGE063
，=65时，去除该波段：
Figure 847219DEST_PATH_IMAGE064
     
c. 对进行波段选择后的高光谱遥感影像构建矢量矩阵
c.1设所选择的波段影像组合共有m个波段影像，每个影像的空间大小为
Figure 364788DEST_PATH_IMAGE029
，则构造所选择的波段影像矢量矩阵如下：
Figure DEST_PATH_IMAGE065
其中
Figure 77660DEST_PATH_IMAGE032
(
Figure 706088DEST_PATH_IMAGE033
;
Figure 555226DEST_PATH_IMAGE034
)为像元灰度值矢量，包含了m个波段在空间位置
Figure 243696DEST_PATH_IMAGE035
处的像元灰度值，其值为：      
式中
Figure 610404DEST_PATH_IMAGE039
为所选择的
Figure 766579DEST_PATH_IMAGE028
个波段中的第
Figure 436070DEST_PATH_IMAGE040
(
Figure 857955DEST_PATH_IMAGE041
)个波段在空间位置
Figure 31447DEST_PATH_IMAGE035
处的灰度值；
进一步，构造m个波段影像的均值灰度矩阵如下：
其中
Figure 885451DEST_PATH_IMAGE045
d. 对矢量均值矩阵进行分割模型的构建： 
Figure DEST_PATH_IMAGE067
   
其中, 
Figure 43900DEST_PATH_IMAGE048
和（
Figure 496058DEST_PATH_IMAGE068
）是用来近似图像强度的矢量值,
Figure 634915DEST_PATH_IMAGE052
(k=1,2,…，n)表示第k波段的高光谱图像; 
Figure 22604DEST_PATH_IMAGE053
和
Figure 319910DEST_PATH_IMAGE055
表示第
Figure 442718DEST_PATH_IMAGE040
通道轮廓曲线内、外部区域的平均灰度值。上式能量泛函的极小值，即为图像的分割结果;
e．结束。 
本发明选取在美国圣马丁湾地区获取的Hyperion高光谱影像（获取网址：http://earthexplorer.usgs.gov/） 进行了仿真实验，该影像共有242 个波段，除去水汽吸收波段和噪声严重波段后，保留了其中 的79个波段如图1所示，图1从左至右依次为29波段、35波段、52波段、92波段，其光谱范围为400~2500nm ，光谱分辨率为10 nm。分割程序的运行环境为Pentium? Dual- Core T4500 2.3GHz，windows7 2.00 GB RAM PC以及 MATLAB 7.5.0.207软件,分割效果如图2所示：图2 a.初始状态、 b.迭代20 次、c.迭代40次、d.迭代60次、e.迭代80次、f.分割的二值影像。

Claims (3)

1.一种基于波段选择的高光谱遥感影像矢量C-V模型分割方法，其特征在于按如下步骤进行：
a. 根据光谱曲线选择目标与背景对比度较大的波段，并进一步通过波段相关系数，去除其中相关性较大的波段形成新的波段组合，根据所确定的波段组合构建高光谱影像矢量矩阵；
b. 构造基于该矢量矩阵的矢量C-V分割模型，模型中通过引入基于梯度的边缘引导函数，在保留传统C-V模型基于区域信息进行影像分割的基础上，通过利用影像的边缘细节信息，演化能量函数达到极小值为止，从而得到影像最终分割信息。
2.根据权利要求1所述的基于波段选择的高光谱遥感影像矢量C-V模型分割方法，其特征在于所述a步骤是用                                                
Figure 2013107299804100001DEST_PATH_IMAGE001
和
Figure 524081DEST_PATH_IMAGE002
分别代表目标像元和背景像元，将所有波段在像元
Figure 457402DEST_PATH_IMAGE001
和
Figure 939330DEST_PATH_IMAGE002
处所对应的灰度值分别记为
Figure 2013107299804100001DEST_PATH_IMAGE003
、
Figure 260590DEST_PATH_IMAGE004
，
Figure 559460DEST_PATH_IMAGE006
和
Figure 624367DEST_PATH_IMAGE008
，其中n为波段数，则第
Figure 147753DEST_PATH_IMAGE010
波段像元
Figure DEST_PATH_IMAGE011
、
Figure 187384DEST_PATH_IMAGE012
处的对比度差异可以表示为
Figure 429009DEST_PATH_IMAGE014
，设定阈值
Figure DEST_PATH_IMAGE015
=65，通过下列式选择出目标与背景对比度大的波段：
Figure DEST_PATH_IMAGE017
  ；                                            
    对所选择的波段影像，将第1个波段的影像作为关键帧影像；依次计算其后续的影像与该影像的相关系数,直到遇到相关系数小于事先确定阈值
Figure 845078DEST_PATH_IMAGE018
的影像，并将该影像其作为新的关键帧影像； 
相关系数计算如下：设和
Figure 98336DEST_PATH_IMAGE020
为两个不同的波段影像数据，
Figure DEST_PATH_IMAGE021
和
Figure 515061DEST_PATH_IMAGE022
分别为对应的均值，
Figure 40720DEST_PATH_IMAGE019
和
Figure 385114DEST_PATH_IMAGE020
的相关系数定义如下，当
Figure 264525DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
=65时，去除该波段：
                                                 
重复该过程直到处理完所有的选择波段帧，所保留下来的关键帧影像形成新的波段组合；
所述根据所确定的波段组合构建高光谱影像矢量矩阵是：
设所选择的波段影像组合共有m个波段影像，每个影像的空间大小为
Figure 356109DEST_PATH_IMAGE030
，则构造所选择的波段影像矢量矩阵如下：
Figure 51664DEST_PATH_IMAGE032
其中
Figure DEST_PATH_IMAGE033
(;
Figure DEST_PATH_IMAGE035
)为像元灰度值矢量，包含了m个波段在空间位置处的像元灰度值，其值为：
Figure 266854DEST_PATH_IMAGE038
                                       
式中
Figure 953050DEST_PATH_IMAGE040
为所选择的
Figure DEST_PATH_IMAGE041
个波段中的第
Figure 35407DEST_PATH_IMAGE042
(
Figure DEST_PATH_IMAGE043
)个波段在空间位置
Figure 211173DEST_PATH_IMAGE036
处的灰度值；
进一步，构造m个波段影像的均值灰度矩阵如下：
Figure DEST_PATH_IMAGE045
其中。
3.根据权利要求2所述的基于波段选择的高光谱遥感影像矢量C-V模型分割方法，其特征在于所述b步骤构造基于该矢量矩阵的矢量C-V分割模型如下：
Figure DEST_PATH_IMAGE049
                                       
其中, 
Figure 11770DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
（
Figure DEST_PATH_IMAGE053
）是用来近似图像强度的矢量值,
Figure 126093DEST_PATH_IMAGE054
(k=1,2,…，n)表示第k波段的高光谱图像; 
Figure DEST_PATH_IMAGE055
和
Figure 328535DEST_PATH_IMAGE056
表示第
Figure 425935DEST_PATH_IMAGE042
通道轮廓曲线内、外部区域的平均灰度值。
CN201310729980.4A 2013-12-26 2013-12-26 基于波段选择的高光谱遥感影像矢量c-v模型分割方法 Active CN103854281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310729980.4A CN103854281B (zh) 2013-12-26 2013-12-26 基于波段选择的高光谱遥感影像矢量c-v模型分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310729980.4A CN103854281B (zh) 2013-12-26 2013-12-26 基于波段选择的高光谱遥感影像矢量c-v模型分割方法

Publications (2)

Publication Number Publication Date
CN103854281A true CN103854281A (zh) 2014-06-11
CN103854281B CN103854281B (zh) 2016-09-14

Family

ID=50861893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310729980.4A Active CN103854281B (zh) 2013-12-26 2013-12-26 基于波段选择的高光谱遥感影像矢量c-v模型分割方法

Country Status (1)

Country Link
CN (1) CN103854281B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701819A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 光谱角约束的高光谱遥感影像分割活动轮廓方法
CN105787483A (zh) * 2014-12-22 2016-07-20 核工业北京地质研究院 一种用于利蛇纹石信息提取的高光谱影像处理方法
CN105825217A (zh) * 2016-03-22 2016-08-03 辽宁师范大学 基于活动轮廓模型的高光谱影像感兴趣区域自动提取方法
CN106706535A (zh) * 2017-01-06 2017-05-24 中国科学院上海技术物理研究所 一种基于光谱曲线相关系数鉴别特级初榨橄榄油的方法
CN111291762A (zh) * 2020-03-10 2020-06-16 上海航天控制技术研究所 一种基于多特征点差异的多波段图像融合检测方法
CN111915625A (zh) * 2020-08-13 2020-11-10 湖南省有色地质勘查研究院 一种能量积分的遥感影像地形阴影自动检测方法和系统
CN112163523A (zh) * 2020-09-29 2021-01-01 北京环境特性研究所 一种异常目标检测方法、装置和计算机可读介质
CN112837335A (zh) * 2021-01-27 2021-05-25 上海航天控制技术研究所 一种中长波红外复合的抗干扰方法
CN113281270A (zh) * 2021-04-26 2021-08-20 中国自然资源航空物探遥感中心 一种高光谱波段选择方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040068432A (ko) * 2003-01-25 2004-07-31 삼성전자주식회사 이미지의 경계치 추출 방법
US20090252382A1 (en) * 2007-12-06 2009-10-08 University Of Notre Dame Du Lac Segmentation of iris images using active contour processing
CN102289673A (zh) * 2011-06-22 2011-12-21 复旦大学 基于偏最小二乘法的高光谱遥感图像波段选择方法
CN103208113A (zh) * 2012-12-26 2013-07-17 辽宁师范大学 基于非下采样轮廓波和多相cv模型的图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040068432A (ko) * 2003-01-25 2004-07-31 삼성전자주식회사 이미지의 경계치 추출 방법
US20090252382A1 (en) * 2007-12-06 2009-10-08 University Of Notre Dame Du Lac Segmentation of iris images using active contour processing
CN102289673A (zh) * 2011-06-22 2011-12-21 复旦大学 基于偏最小二乘法的高光谱遥感图像波段选择方法
CN103208113A (zh) * 2012-12-26 2013-07-17 辽宁师范大学 基于非下采样轮廓波和多相cv模型的图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张文杰等: "基于区域活动轮廓模型的高光谱图像分割方法", 《遥感技术与应用》 *
方玲玲: "图像分割的活动轮廓模型研究", 《中国优秀博士学位论文库》 *
王相海等: "高光谱海岸带区域分割的活动轮廓模型", 《中国图象图形学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787483A (zh) * 2014-12-22 2016-07-20 核工业北京地质研究院 一种用于利蛇纹石信息提取的高光谱影像处理方法
CN105701819A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 光谱角约束的高光谱遥感影像分割活动轮廓方法
CN105701819B (zh) * 2016-01-14 2018-11-06 辽宁师范大学 光谱角约束的高光谱遥感影像分割活动轮廓方法
CN105825217A (zh) * 2016-03-22 2016-08-03 辽宁师范大学 基于活动轮廓模型的高光谱影像感兴趣区域自动提取方法
CN105825217B (zh) * 2016-03-22 2019-01-11 辽宁师范大学 基于活动轮廓模型的高光谱影像感兴趣区域自动提取方法
CN106706535A (zh) * 2017-01-06 2017-05-24 中国科学院上海技术物理研究所 一种基于光谱曲线相关系数鉴别特级初榨橄榄油的方法
CN111291762A (zh) * 2020-03-10 2020-06-16 上海航天控制技术研究所 一种基于多特征点差异的多波段图像融合检测方法
CN111291762B (zh) * 2020-03-10 2022-12-13 上海航天控制技术研究所 一种基于多特征点差异的多波段图像融合检测方法
CN111915625A (zh) * 2020-08-13 2020-11-10 湖南省有色地质勘查研究院 一种能量积分的遥感影像地形阴影自动检测方法和系统
CN112163523A (zh) * 2020-09-29 2021-01-01 北京环境特性研究所 一种异常目标检测方法、装置和计算机可读介质
CN112837335A (zh) * 2021-01-27 2021-05-25 上海航天控制技术研究所 一种中长波红外复合的抗干扰方法
CN113281270A (zh) * 2021-04-26 2021-08-20 中国自然资源航空物探遥感中心 一种高光谱波段选择方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN103854281B (zh) 2016-09-14

Similar Documents

Publication Publication Date Title
CN103854281B (zh) 基于波段选择的高光谱遥感影像矢量c-v模型分割方法
CN106469316B (zh) 基于超像素级信息融合的高光谱图像的分类方法及系统
Wang et al. A unified multiscale learning framework for hyperspectral image classification
US9159121B2 (en) Method for image denoising
WO2024027095A1 (zh) 基于双rgb图像融合的高光谱成像方法、系统及介质
CN113592026B (zh) 一种基于空洞卷积和级联代价卷的双目视觉立体匹配方法
CN106950177A (zh) 一种gf‑4卫星遥感影像的水体提取方法
CN102930518B (zh) 基于改进的稀疏表示的图像超分辨率方法
Song et al. Triple-discriminator generative adversarial network for infrared and visible image fusion
CN104700379A (zh) 一种基于多尺度形态成分分析的遥感图像融合方法
CN107609571A (zh) 一种基于lark特征的自适应目标跟踪方法
CN105513060A (zh) 一种视觉感知启发的高分辨率遥感图像分割方法
CN117765313A (zh) 一种基于空间连续视图对比学习的多源遥感图像分类方法
CN112150526A (zh) 一种基于深度学习的光场图像深度估计方法
CN110335197B (zh) 基于非局部统计本征的去马赛克方法
CN105809650A (zh) 一种基于双向迭代优化的图像融合方法
CN108960276A (zh) 提升光谱图像监督分类性能的样本扩充与一致性判别方法
CN110176021B (zh) 结合亮度校正的显著性信息的水平集图像分割方法及系统
CN105427249A (zh) 一种基于鲁棒核范数正则回归的风电图像质量增强方法
CN114898157A (zh) 用于高光谱图像分类的全局学习装置及方法
CN107358625B (zh) 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法
CN105701845A (zh) 协同稀疏测量和3d tv模型的高光谱影像压缩感知重构方法
CN103530860B (zh) 基于自适应的自回归模型的高光谱图像超分辨率方法
Wu et al. Research on crack detection algorithm of asphalt pavement
CN109460712B (zh) 一种基于最优近邻重构的高光谱波段选择方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180105

Address after: 430074, 3, 22, 09, 41, No. 1, modern and international design city, Optics Valley Avenue, East Lake New Technology Development Zone, Hubei, Wuhan

Patentee after: Wuhan Mai Liao Network Technology Co., Ltd.

Address before: 116029 the Yellow River Road, Shahekou District, Liaoning, No. 850, No.

Patentee before: Liaoning Normal University

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zou Hao

Inventor before: Wang Xianghai

Inventor before: Fang Lingling

Inventor before: Song Chuanming

Inventor before: Zhou Xia

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180321

Address after: Seamount Street Deep Salt Road in Yantian District of Shenzhen city in Guangdong province 518000 No. 2002 grand Parkway high tech Industrial Park A building 411

Patentee after: Study of medical technology (Shenzhen) Co., Ltd.

Address before: 430074, 3, 22, 09, 41, No. 1, modern and international design city, Optics Valley Avenue, East Lake New Technology Development Zone, Hubei, Wuhan

Patentee before: Wuhan Mai Liao Network Technology Co., Ltd.