CN104036289A - 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 - Google Patents
一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN104036289A CN104036289A CN201410246849.7A CN201410246849A CN104036289A CN 104036289 A CN104036289 A CN 104036289A CN 201410246849 A CN201410246849 A CN 201410246849A CN 104036289 A CN104036289 A CN 104036289A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- sample
- hyperspectral
- class
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明的目的在于提供一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法,包括如下步骤:读入高光谱高维数据,进行维数转换,并对其作归一化处理,其中含有样本类别数为L;分别提取图像空间纹理特征和光谱特征,得到空间纹理特征T1、光谱特征T2;融合空间纹理特征和光谱特征得到图像的空间-光谱特征集合T={T1,T2};从T中将L个类别各选取一部分样本来构成训练集A,测试集设定为T中所有L个类别的集合为M;利用M和A,求解高光谱数据的稀疏表达系数进行图像重构,并计算对应的每类的冗余;根据冗余确定样本的类别。本发明能够充分利用高光谱图像中的信息,通过空间-光谱特征来很好的刻画高光谱图像;能够提高分类精度;能够适用于不同的高光谱图像,适用性强。
Description
技术领域
本发明涉及的是一种图像处理方法,具体地说是高光谱图像处理方法。
背景技术
高光谱图像具有很高的光谱分辨率,能够获得非常窄的波段区间以及较多的光谱波段数量,从而得到包含丰富信息并且光谱连续的影像数据,因此被广泛应用于农业生产、矿物填图、目标识别与探测、灾害预警以及城市规划等领域。由于数据量大、冗余多,维数较高,同时在波段之间存在着很强的相关性是高光谱数据的主要特点,其会为后续的处理带来很大的挑战。
分类技术在高光谱图像处理过程中占有很重要的地位,其主要是将数据中有相似性质或特征的像元划分为同一类中。现有的分类方法中大多考虑的是对光谱信息的提取和利用,传统的高光谱数据分类方法中存在以下几个问题:1、没有充分利用高光谱图像本身所具有的空间信息。2、分类精度不高。
发明内容
本发明的目的在于提供能够达到更优的分类效果的一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法。
本发明的目的是这样实现的:
本发明一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法,其特征是:
(1)读入三维的高光谱高维数据,对其进行维数转换使其从三维转换为二维数据,并对所得的二维数据作归一化处理获得图像,确定要处理的样本类别数L;
(2)针对步骤(1)所得图像提取其空间纹理特征:
①对图像进行PCA变换;
②对PCA变换后的所得到的第一主成分灰度图进行Gabor滤波,获取滤波图像:
对于Gabor滤波器,在空间域上,可得到下述实响应:
通过坐标位置信息x,y以及关系式x'=xcosθ+ysinθ,y'=-xcosθ+ysinθ,可得出x′和y′的值,λ表示Gabor函数的尺度,θ和表示该函数的方向和相角,σ和γ为高斯半径及方向角;
③非线性变换:采用非线性算法对提取出来的滤波图像进行变换;
④进行高斯低通滤波:对平均绝对离差进行计算:应用高斯低通滤波器进行处理,选择的低通滤波器表示如下:
g(x,y)=exp{-(x2+y2)/2σ2},
σ为高斯窗口函数的标准差;
⑤通过①-④得到高光谱图像的纹理特征T1;
(3)针对步骤(1)所得图像提取其光谱特征:
光谱特征通过NWFE算法提取:
①获取样本对类别j的加权聚类中心
其中,为分配的权重矩阵, 为类别i(1≤i≤L)的第k个样本,nj为类别j的样本个数,j(1≤j≤L)为类别标号;
②获取类别i中第k个样本对类别j的散度分布矩阵
其中,dist(a,b)为向量a和向量b之间的欧式距离,ni为类别i的样本个数;
③获取类间离散度矩阵Sb和类内离散度矩阵Sw:
④获取变换矩阵:
根据下式产生所需的变换矩阵J:
J=tr(Sw -1Sb),
⑤产生光谱特征:
通过变换矩阵J与高光谱数据相乘获得光谱特征T2;
(4)图像特征融合:
通过对空间纹理特征T1和光谱特征T2融合,得到图像的空间-光谱特征集合T={T1,T2};
(5)设定训练集和测试集。
从T中将L个类别各选取一部分样本来构成训练集A,A=[A1,A2,…,Ai,…,AL],其中Ai为类别i的训练样本集合,测试集设定为T中所有L个类别的集合为M;
(6)求解稀疏表达系数:
利用M和A,求解高光谱数据的稀疏表达系数
m为M中的元素,λ为大于零的数,其中为类别的i所对应的稀疏表达系数;
(7)图像重构,计算冗余:
对图像进行重构,对于测试样本m,第i类样本对其所进行的重构为mm:
针对重构的图像,计算每类对应所对应的重构冗余,将第i类的冗余计算如下:
ri(m)=||m-mm||2,i=1,2,…,L;
(8)确定样本类别:
依据下式,根据冗余确定样本m的类别。
通过步骤(1)至步骤(8),最终输出高光谱图像分类结果。
本发明还可以包括:
1、所述的非线性算法为:
t和α分别表示离散小波系数及常数。
2、步骤(2)和步骤(3)同时进行。
本发明的优势在于:本发明能够充分利用高光谱图像中的信息,通过空间-光谱特征来很好的刻画高光谱图像;能够提高分类精度;能够适用于不同的高光谱图像,适用性强。
附图说明
图1为本发明的流程图;
图2为实验中的Indian Pines高光谱数据的真实图像;
图3为实验中在Indian Pines高光谱数据中所选取的原始各类的地物分布图;
图4为实验中在Indian Pines高光谱数据中所选取的样本名称和样本数量表;
图5为实验中的Pavia University高光谱数据的真实图像;
图6为实验中在Pavia University高光谱数据中所选取的原始各类的地物分布图;
图7为实验中在Pavia University高光谱数据中所选取的样本名称和样本数量表;
图8-a为数据集一SVM分类分布图,图8-b为数据集一本发明方法分类分布图,8-c为数据集二SVM分类分布图,8-d为数据集二本发明方法分类分布图;
图9为实验中采用的两种不同方法对两个数据集分类的评价指标表。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~9,本发明具体步骤如下:
1、读入高光谱图像数据。
读入三维的高光谱高维数据,对其进行维数转换使其从三维转换为二维数据以方便后续的处理,并对所得的二维数据作归一化处理,确定要处理的样本类别数为L。
2、提取图像特征。
针对图像分别提取其空间纹理特征和光谱特征,其中步骤2.1与步骤2.2是并行进行的。
2.1提取图像空间纹理特征。
(1)、对图像进行PCA变换。在PCA变换后的所得到的第一主成分灰度图基础上展开后续步骤。
(2)、进行Gabor滤波。
对于Gabor滤波器,在空间域上,可得到下述实响应:
式(1)中,通过坐标位置信息x,y以及关系式x'=xcosθ+ysinθ,y'=-xcosθ+ysinθ,可得出x′和y′的值,而其余参数意义为:λ表示Gabor函数的尺度,θ和则表示该函数的方向和相角,σ和γ为高斯半径及方向角。
(3)、非线性变换。
采用非线性算法对提取出来的滤波图像进行变换。这里的非线性算法为:
在式(2)中,t和α分别表示离散小波系数及某一常数。
(4)、进行高斯低通滤波。对平均绝对离差进行计算,计算过程为:应用高斯低通滤波器进行处理,选择的低通滤波器表示如下:
g(x,y)=exp{-(x2+y2)/2σ2} (3)
高斯窗口函数的标准差用σ表示。
(5)、产生纹理特征T1。通过步骤2.1中(1)-(4)的操作最终可以得到高光谱图像的纹理特征T1。
2.2提取图像光谱特征。
本算法中高光谱图像的光谱特征通过NWFE算法提取。
(1)、计算样本对类别j的加权聚类中心
其中,为分配的权重矩阵, 为类别i(1≤i≤L)的第k个样本,nj为类别j的样本个数,j(1≤j≤L)为类别标号。
(2)、计算类别i中第k个样本对类别j的散度分布矩阵
其中,dist(a,b)为向量a和向量b之间的欧式距离,ni为类别i的样本个数。
(3)、计算类间离散度矩阵Sb和类内离散度矩阵Sw。
(4)、计算变换矩阵。
根据最优特征优化准则关系式(8)产生所需的变换矩阵J。
J=tr(Sw -1Sb) (8)
(5)、产生光谱特征。
通过变换矩阵J与高光谱数据相乘可以获得光谱特征T2。
3、图像特征融合。
通过对空间纹理特征T1和光谱特征T2融合,得到图像的空间-光谱特征集合T={T1,T2}。
4、设定训练集和测试集。
从T中将L个类别各选取一部分样本来构成训练集A,A=[A1,A2,…,Ai,…,AL],其中Ai为类别i的训练样本集合,测试集设定为T中所有L个类别的集合为M。
5、求解稀疏表达系数。
利用M和A,求解高光谱数据的稀疏表达系数为了得到的值,需要对以下关系式进行求解:
该关系式称为最优化模型。在式(9)中,m为M中的元素,λ为大于零的数,其用于对稀疏度和重构精度进行平衡。其中为类别的i所对应的稀疏表达系数。
6、图像重构,计算冗余。
6.1、进行图像重构。
对图像进行重构,对于某测试样本m,第i类样本对其所进行的重构为mm:
6.2、冗余计算。
针对重构的图像,计算每类对应所对应的重构冗余。将第i类的冗余计算如下:
ri(m)=||m-mm||2,i=1,2,…,L (11)
7、确定样本类别。
依据式子(12),根据冗余确定样本m的类别。
通过步骤1至步骤7,最终输出本发明下的高光谱图像分类结果。图1给出了本发明方法的流程图。
为了说明本发明的有效性,特进行如下实验论证。
其中采用两个不同的高光谱数据集来验证本发明方法的适用性。
实验数据集一:Indian Pines高光谱数据
美国印第安纳州Indian Pine实验区图像于1992年6月用AVIRIS传感器采集得到,空间分辨率为20m。原始图像共有220个波段,光谱范围为0.2到2.4μm,大小为144×144,共有16种地物分布,将原始的220个波段中受噪声影响较大的一些波段去除后选取200个波段作为仿真研究对象。本文将全部的16种地物用来进行仿真,为方便研究,对其分别标号为第1-16类。将所有地物样本作为测试集,在每类样本中均匀的抽取约10%作为训练集。实验数据如图2所示,选取的原始各类的地物分布如图3所示,所选取的样本名称和样本数量如图4所示。
实验数据集二:Pavia University高光谱数据
Pavia University图像是由位于意大利北部的帕维亚中心的ROSIS传感器采集获得的图像,如图6所示,空间分辨率为1.3m,原始图像共有115个波段光谱范围为0.43到0.86μm,在去除噪声波段之后,选择剩下的103个波段作为研究对象,大小为610×340,共包含9种典型地物。仿真中对其包含的9种不同的地物分别标号为1-9类。将9种地物全部样本作为测试集,选择大约9%的标定数据作为训练样本集。实验数据如图5所示,选取的原始各类的地物分布如图6所示,其中所选取的样本名称和样本数量如图7所示。
在对高光谱图像进行分类时,本发明方法与经典分类方法即支持向量机(Support Vector Machine,SVM)方法进行对比,将基于图像原始光谱特征的SVM分类方法记为SVM。
运用两种方法分类后与之对应的各类地物的分类分布图如图8所示,可以很直观的看到相对于SVM分类,本发明方法所得分类结果与原始地物分布更加接近,分类效果图好。
两种分类方法的四个分类评价指标即总体分类精度,Kappa系数、平均漏分率和平均错分率如图9所示,其中由这些指标的定义可以知道总体分类精度和Kappa系数越高且平均漏分率和平均错分率越低时,图像的分类效果就越好,较之SVM,针对数据集一本发明的方法中从总体分类精度和Kappa系数来看均要高出15%,从平均漏分率和平均错分率来均降低14%;针对数据集二本发明的方法中从总体分类精度和Kappa系数来看均要高出10%,从平均漏分率和平均错分率来均降低9%。
通过实验的对比分析可以进一步看出本发明方法优势所在。
Claims (3)
1.一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法,其特征是:
(1)读入三维的高光谱高维数据,对其进行维数转换使其从三维转换为二维数据,并对所得的二维数据作归一化处理获得图像,确定要处理的样本类别数L;
(2)针对步骤(1)所得图像提取其空间纹理特征:
①对图像进行PCA变换;
②对PCA变换后的所得到的第一主成分灰度图进行Gabor滤波,获取滤波图像:
对于Gabor滤波器,在空间域上,可得到下述实响应:
通过坐标位置信息x,y以及关系式x'=xcosθ+ysinθ,y'=-xcosθ+ysinθ,可得出x′和y′的值,λ表示Gabor函数的尺度,θ和表示该函数的方向和相角,σ和γ为高斯半径及方向角;
③非线性变换:采用非线性算法对提取出来的滤波图像进行变换;
④进行高斯低通滤波:对平均绝对离差进行计算:应用高斯低通滤波器进行处理,选择的低通滤波器表示如下:
g(x,y)=exp{-(x2+y2)/2σ2},
σ为高斯窗口函数的标准差;
⑤通过①-④得到高光谱图像的纹理特征T1;
(3)针对步骤(1)所得图像提取其光谱特征:
光谱特征通过NWFE算法提取:
①获取样本对类别j的加权聚类中心
其中,为分配的权重矩阵, 为类别i(1≤i≤L)的第k个样本,nj为类别j的样本个数,j(1≤j≤L)为类别标号;
②获取类别i中第k个样本对类别j的散度分布矩阵
其中,dist(a,b)为向量a和向量b之间的欧式距离,ni为类别i的样本个数;
③获取类间离散度矩阵Sb和类内离散度矩阵Sw:
④获取变换矩阵:
根据下式产生所需的变换矩阵J:
J=tr(Sw -1Sb),
⑤产生光谱特征:
通过变换矩阵J与高光谱数据相乘获得光谱特征T2;
(4)图像特征融合:
通过对空间纹理特征T1和光谱特征T2融合,得到图像的空间-光谱特征集合T={T1,T2};
(5)设定训练集和测试集。
从T中将L个类别各选取一部分样本来构成训练集A,A=[A1,A2,…,Ai,…,AL],其中Ai为类别i的训练样本集合,测试集设定为T中所有L个类别的集合为M;
(6)求解稀疏表达系数:
利用M和A,求解高光谱数据的稀疏表达系数
m为M中的元素,λ为大于零的数,其中为类别的i所对应的稀疏表达系数;
(7)图像重构,计算冗余:
对图像进行重构,对于测试样本m,第i类样本对其所进行的重构为mm:
针对重构的图像,计算每类对应所对应的重构冗余,将第i类的冗余计算如下:
ri(m)=||m-mm||2,i=1,2,…,L;
(8)确定样本类别:
依据下式,根据冗余确定样本m的类别。
通过步骤(1)至步骤(8),最终输出高光谱图像分类结果。
2.根据权利要求1所述的一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法,其特征是:所述的非线性算法为:
t和α分别表示离散小波系数及常数。
3.根据权利要求1或2所述的一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法,其特征是:步骤(2)和步骤(3)同时进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410246849.7A CN104036289A (zh) | 2014-06-05 | 2014-06-05 | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410246849.7A CN104036289A (zh) | 2014-06-05 | 2014-06-05 | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104036289A true CN104036289A (zh) | 2014-09-10 |
Family
ID=51467054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410246849.7A Pending CN104036289A (zh) | 2014-06-05 | 2014-06-05 | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036289A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN105740799A (zh) * | 2016-01-27 | 2016-07-06 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN106815601A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107194936A (zh) * | 2017-05-24 | 2017-09-22 | 哈尔滨工业大学 | 基于超像素联合稀疏表示的高光谱图像目标检测方法 |
CN107527001A (zh) * | 2017-03-29 | 2017-12-29 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107944474A (zh) * | 2017-11-06 | 2018-04-20 | 中国地质大学(北京) | 基于局部自适应字典的多尺度协作表达高光谱分类方法 |
CN108052962A (zh) * | 2017-11-29 | 2018-05-18 | 西安建筑科技大学 | 一种基于改进编辑距离的光谱匹配算法 |
CN108389188A (zh) * | 2018-01-30 | 2018-08-10 | 大庆师范学院 | 一种稀疏高光谱异常目标检测方法 |
CN108399355A (zh) * | 2017-02-08 | 2018-08-14 | 广东交通职业技术学院 | 一种空间信息自适应融合的高光谱图像分类方法 |
CN108668131A (zh) * | 2018-05-16 | 2018-10-16 | 西安理工大学 | 一种基于稀疏表示的图像压缩编码方法 |
CN109271874A (zh) * | 2018-08-23 | 2019-01-25 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
WO2020000271A1 (zh) * | 2018-06-27 | 2020-01-02 | 深圳大学 | 一种基于无人机的数据处理的方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440500A (zh) * | 2013-08-30 | 2013-12-11 | 西北工业大学 | 高光谱遥感图像分类与识别方法 |
-
2014
- 2014-06-05 CN CN201410246849.7A patent/CN104036289A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440500A (zh) * | 2013-08-30 | 2013-12-11 | 西北工业大学 | 高光谱遥感图像分类与识别方法 |
Non-Patent Citations (4)
Title |
---|
BOR-CHEN KUO 等: ""Nonparametric Weighted Feature Extraction for Classification"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
刘建军 等: ""基于空间相关性约束稀疏表示的高光谱图像分类"", 《电子与信息学报》 * |
崔林林 等: ""NWFE结合纹理特征的SVM土地覆被分类方法研究"", 《国土资源遥感》 * |
王立国 等: ""结合Gabor滤波和同质性判定的高光谱图像分类"", 《应用科技》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN105740799A (zh) * | 2016-01-27 | 2016-07-06 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
WO2017128799A1 (zh) * | 2016-01-27 | 2017-08-03 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
CN106096652B (zh) * | 2016-06-12 | 2019-05-24 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN106469316B (zh) * | 2016-09-07 | 2020-02-21 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN106503727B (zh) * | 2016-09-30 | 2019-09-24 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN106815601B (zh) * | 2017-01-10 | 2019-10-11 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
CN106815601A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
CN108399355A (zh) * | 2017-02-08 | 2018-08-14 | 广东交通职业技术学院 | 一种空间信息自适应融合的高光谱图像分类方法 |
CN108399355B (zh) * | 2017-02-08 | 2022-01-14 | 广东交通职业技术学院 | 一种空间信息自适应融合的高光谱图像分类方法 |
CN107527001B (zh) * | 2017-03-29 | 2020-12-22 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107066959B (zh) * | 2017-03-29 | 2020-12-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107527001A (zh) * | 2017-03-29 | 2017-12-29 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107194936A (zh) * | 2017-05-24 | 2017-09-22 | 哈尔滨工业大学 | 基于超像素联合稀疏表示的高光谱图像目标检测方法 |
CN107944474A (zh) * | 2017-11-06 | 2018-04-20 | 中国地质大学(北京) | 基于局部自适应字典的多尺度协作表达高光谱分类方法 |
CN108052962A (zh) * | 2017-11-29 | 2018-05-18 | 西安建筑科技大学 | 一种基于改进编辑距离的光谱匹配算法 |
CN108389188A (zh) * | 2018-01-30 | 2018-08-10 | 大庆师范学院 | 一种稀疏高光谱异常目标检测方法 |
CN108389188B (zh) * | 2018-01-30 | 2022-02-15 | 大庆师范学院 | 一种稀疏高光谱异常目标检测方法 |
CN108668131A (zh) * | 2018-05-16 | 2018-10-16 | 西安理工大学 | 一种基于稀疏表示的图像压缩编码方法 |
CN108668131B (zh) * | 2018-05-16 | 2022-01-07 | 西安理工大学 | 一种基于稀疏表示的图像压缩编码方法 |
WO2020000271A1 (zh) * | 2018-06-27 | 2020-01-02 | 深圳大学 | 一种基于无人机的数据处理的方法及装置 |
CN109271874A (zh) * | 2018-08-23 | 2019-01-25 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
CN109271874B (zh) * | 2018-08-23 | 2022-02-11 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达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 | |
CN102651073B (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN102324047B (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
CN103886336B (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN102194114B (zh) | 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 | |
CN101763514B (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
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 | |
CN108197650B (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
CN104091151A (zh) | 基于Gabor特征提取和稀疏表示的车辆识别方法 | |
CN109359623A (zh) | 基于深度联合分布适配网络的高光谱图像迁移分类方法 | |
CN103247059A (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN103487832A (zh) | 一种三维地震信号中的有监督波形分类方法 | |
CN103902989B (zh) | 基于非负矩阵分解的人体动作视频识别方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN104281855A (zh) | 基于多任务低秩的高光谱图像分类方法 | |
CN103824093A (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN102542295A (zh) | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 | |
CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
CN104778476A (zh) | 一种图像分类方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN104680184A (zh) | 基于深度rpca的极化sar地物分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140910 |