CN104268558A - 用于光谱图像数据降维的邻居点搜索方法及系统 - Google Patents
用于光谱图像数据降维的邻居点搜索方法及系统 Download PDFInfo
- Publication number
- CN104268558A CN104268558A CN201410468127.6A CN201410468127A CN104268558A CN 104268558 A CN104268558 A CN 104268558A CN 201410468127 A CN201410468127 A CN 201410468127A CN 104268558 A CN104268558 A CN 104268558A
- Authority
- CN
- China
- Prior art keywords
- pixel
- window
- compared
- spectrum intervals
- spectrum
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims description 101
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种用于光谱图像数据降维的邻居点搜索方法及系统,包括首先对当前像素所在窗口的像素进行筛选,剔除受噪声等因素干扰较大的像素;然后对当前像素以及待比对像素所在窗口内像素分别进行排序,计算当前像素和待比对像素所在窗口的光谱距离;选取相似度最高的若干像素为当前像素的邻居点。本发明的方法充分利用了空间信息,而且通过排序使得搜索过程不受图像几何形态上的变化影响,具有空间鲁棒性,对一些噪声污染点也有很好的抑制作用,使得寻找到的邻居点更准确,提高了高光谱图像数据降维处理的性能。
Description
技术领域
本发明涉及光谱图像数据降维技术领域,具体地说,本发明涉及用于光谱图像数据降维的邻居点搜索方法及系统。
背景技术
光谱遥感是一门新兴的对地观测技术,它是在电磁波谱的紫外、可见光、近红外、中红外和热红外波段范围内,获取许多精细的、连续的狭窄谱段上光谱数据的技术。运用机载或者星载的具有高光谱分辨率的仪器,对地球表面进行遥感可以得到很多地面观测很难得到的信息。光谱成像仪获得的是一个三维的数据立方体,其中包括二维空间信息和每个像素的一维光谱曲线信息。随着光谱仪技术的进步,光谱仪已从最初的多光谱、高光谱向超光谱发展,即波段数越来越多,测量得到的光谱越来越精细。特别是近年来出现的超光谱技术,波段数已经达到数百甚至上千。随着光谱仪光谱波段数增多,其直接后果就是所获取的光谱数据维度的增加,数据维度的增加在给光谱遥感应用带来便利的同时,也对后期的数据处理提出的新的要求。其中一个最重要的问题就是冗余信息的存在。由于光谱仪波段多,宽度窄,使得相邻或者相近波段上的采集到的光谱数据很接近,有着很强的相关性,也就是说信息的冗余度较高。冗余信息的存在增大了数据处理的运算量,而对于光谱数据的分析没有意义,因此在利用光谱进行检测、分类等应用前,有必要通过降维等手段消除数据间的冗余。
近年来,对光谱图像进行数据降维的方法被广泛的研究,其中流形学习方法中的局部线性嵌入(LLE)非线性降维算法成为一种主要的降维方法。对于LLE算法,其中一个最重要的步骤就是对于每个像素点,寻找整个光谱图像中和它最相似的若干点作为光谱域邻居点,邻居点选取的合适与否将直接影响降维性能。
传统的LLE算法在搜索邻居点时,在整个图像上逐一计算每个像素点与当前像素的光谱距离,取距离最近的若干像素点为光谱邻居。这就将光谱图像当成一个个孤立的点,或者说是一组无序的光谱向量队列,忽视了光谱图像中的空间信息,使得降维后的数据不能很好地重构出高光谱数据的三维特性。因此需要寻找一种能够在邻居点搜索过程中充分利用光谱图像空间信息的方法,提高邻居点的选取准确度,从而提高整个降维方法的性能。
发明内容
针对现有技术缺陷,本发明提出了一种用于光谱图像数据降维的邻居点搜索及系统。
为达到上述目的,本发明采用的技术方案包括一种用于光谱图像数据降维的邻居点搜索方法,以需要寻找邻居点的像素为当前像素,执行包括以下步骤,
步骤1,以当前像素为中心建立窗口,记为窗口A,对窗口A内的像素进行筛选,包括计算窗口A内各像素分别与当前像素的光谱距离Dxj然后求均值Dx,当窗口A内某像素与当前像素的光谱距离Dxj大于α×Dx时删除该像素,其中α为预定的阈值系数;
步骤2,对光谱图像中每个待比对像素分别执行以下步骤,
步骤2.1,以待比对像素为中心建立窗口,记为窗口B,将步骤1所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序;
将窗口A内筛选剩下的像素进行排序,包括按照光谱距离Dxj由小到大依次排序;设筛选剩下的像素有m个,记排序后的像素所构成序列为A1,A2,...Am;
将窗口B内像素分别进行排序,包括计算窗口B内各像素分别与待比对像素的光谱距离Dyj,并按照光谱距离Dyj由小到大依次排序;记排序后的序列为B1,B2,...B9;
步骤2.2,计算当前像素所在窗口和待比对像素所在窗口的光谱距离,包括从排序后的序列B1,B2,...B9中取前m个像素B1,B2,...Bm,计算当前像素所在窗口和待比对像素所在窗口的光谱距离DAB如下,
其中,SAM(Ai,Bi)为Ai与Bi的光谱距离;
步骤3,根据步骤2所得当前像素所在窗口和各待比对像素所在窗口的光谱距离DAB,选取若干DAB最小的相应待比对像素为当前像素的邻居点。
而且,任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下,
其中,<a,b>为a与b的内积,||表示取二范数。
而且,窗口大小为3×3。
本发明还相应提供了一种用于光谱图像数据降维的邻居点搜索系统,包括以下模块,
当前像素窗口筛选模块,用于以需要寻找邻居点的像素为当前像素,以当前像素为中心建立窗口,记为窗口A,对窗口A内的像素进行筛选,包括计算窗口A内各像素分别与当前像素的光谱距离Dxj然后求均值Dx,当窗口A内某像素与当前像素的光谱距离Dxj大于α×Dx时删除该像素,其中α为预定的阈值系数;
窗口光谱距离确定模块,包括以下子模块,
排序子模块,用于以待比对像素为中心建立窗口,记为窗口B,将当前像素窗口筛选模块所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序;
将窗口A内筛选剩下的像素进行排序,包括按照光谱距离Dxj由小到大依次排序;设筛选剩下的像素有m个,记排序后的像素所构成序列为A1,A2,...Am;
将窗口B内像素分别进行排序,包括计算窗口B内各像素分别与待比对像素的光谱距离Dyj,并按照光谱距离Dyj由小到大依次排序;记排序后的序列为B1,B2,...B9;
距离计算子模块,用于计算当前像素所在窗口和待比对像素所在窗口的光谱距离,包括从排序后的序列B1,B2,...B9中取前m个像素B1,B2,...Bm,计算当前像素所在窗口和待比对像素所在窗口的光谱距离DAB如下,
其中,SAM(Ai,Bi)为Ai与Bi的光谱距离;
邻居点选择模块,用于根据窗口光谱距离确定模块所得当前像素所在窗口和各待比对像素所在窗口的光谱距离DAB,选取若干DAB最小的相应待比对像素为当前像素的邻居点。
而且,任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下,
其中,<a,b>为a与b的内积,||表示取二范数。
而且,窗口大小为3×3。
本方法首先对当前像素所在窗口的像素进行筛选,剔除受噪声等因素干扰较大的像素,然后对当前像素以及待比对像素所在窗口内像素进行相似度排序,计算当前像素和待比对像素所在窗口的光谱距离,遍历全图后选取相似度最高的若干像素为当前像素的邻居点。本发明具有以下优点:
1、对受噪声等因素影响较大的点进行了剔除,避免了噪声点对邻居点搜索的影响,提高了搜索的正确率;
2、充分利用了光谱图像的空间信息,并通过窗口内像素排序,可以避免空间信息由镜像、旋转等几何变换带来的影响,提高了鲁棒性。
3、广泛适用于多光谱、高光谱、超光谱的情况,提高了光谱图像数据降维处理的性能,有效降低遥感信息的冗余度。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的当前像素窗口示意图。
图3为本发明实施例的待比对像素窗口示意图。
具体实施方式
本发明技术方案可采用软件技术实现自动流程运行。下面结合附图和实施例对本发明技术方案进一步详细说明。
下面结合附图对本发明进行进一步的说明。
参照附图1,本发明主要包括以需要为其寻找邻居点的像素为当前像素,对当前像素执行3个步骤:对当前像素所在窗口的像素进行筛选;对每个待比对像素,将当前像素窗口内筛选剩下的像素以及待比对像素所在窗口内像素分别进行排序,计算当前像素和待比对像素所在窗口的光谱距离;根据计算的窗口光谱距离选取为当前像素选取若干邻居点;下面对本发明实施例所提供邻居点搜索方法的各步骤进行详细说明:
步骤(1):以当前像素为中心建立窗口,记为窗口A,对当前像素所在窗口内的像素进行筛选,剔除受噪声等因素干扰较大的像素。
具体实施时,窗口尺寸n×n可由本领域技术人员自行设定,一般n取奇数。窗口中包含N=n×n个像素。
实施例具体操作如下:
如图2,以当前像素为中心,取3×3大小的窗口,N=9,设窗口内各像素从左至右,从上至下分别为X1,X2,X3,X4,X5,X6,X7,X8,X9,其中X5就是当前像素;分别计算X1,X2,X3,X4,X5,X6,X7,X8,X9与X5的光谱距离,光谱距离计算公式如下:
其中,SAM(a,b)为像素a与像素b之间的光谱距离,<a,b>为a与b的内积,||表示取二范数。
设Xj与X5的光谱距离为Dxj,j的取值为1,2,…,N,记X1,X2,X3,X4,X5,X6,X7,X8,X9与X5的光谱距离分别为Dx1-Dx9,计算9个光谱距离Dx1,Dx2,Dx31,Dx4,Dx5,Dx6,Dx7,Dx8,Dx9的均值Dx;当Dx1-Dx9中出现大于α×Dx的光谱距离的情况时,认定与之对应的像素为受噪声因素干扰的像素,并将该像素剔除,其中α为预定的阈值系数,具体实施时本领域技术人员可自行设定取值,本实施例中取1.25。
步骤(2):对各待比对像素,分别以待比对像素为中心建立窗口,基于步骤1所得结果进行窗口像素对比排序,求取当前像素所在窗口和待比对像素所在窗口的光谱距离。
对可能是当前像素的邻居点,都需要作为待比对像素,然后确定他们是否为当前像素的邻居点。一般除了当前像素,整张光谱图像其余像素都可作为作为待比对像素。
对任一待比对像素,执行以下步骤,
步骤(2.1):以待比对像素为中心建立窗口,记为窗口B,将当前像素窗口内筛选剩下的像素以及待比对像素所在窗口内像素分别进行排序。窗口B尺寸与窗口A一致。
实施例具体操作如下:
将步骤(1)筛选剩下的像素按照与之所对应的光谱距离Dx1-Dx9由小到大进行排序,设筛选剩下的像素有m个,记排序后的像素所构成序列为A1,A2,...Am,其中步骤(1)中剔除了9-m个噪声像素且1≤m≤8;由于X5与自己最相似,因此A1就是X5,其余像素按照与X5的相似程度(即光谱距离由小到大)依次排序。
如图3,以待比对像素为中心,取3×3大小的窗口,设窗口内各像素从左至右,从上至下分别为Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8,Y9,其中Y5就是待比对像素;根据步骤(1)中光谱距离计算公式分别计算Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8,Y9与Y5的光谱距离,设Yj与Y5的光谱距离为Dyj,j的取值为1,2,…,N,即可得到Dy1-Dy9;将Y1-Y9按照与之所对应的光谱距离Dy1-Dy9由小到大进行排序,记排序后的序列为B1,B2,...B9,同样B1就是Y5,其余像素按照与X5的相似程度(即光谱距离由小到大)依次排序。
步骤(2.2):计算当前像素所在窗口和待比对像素所在窗口的光谱距离,实施例具体操作如下:
从排序后的序列B1,B2,...B9中取前m个像素,即B1,B2,...Bm,根据步骤(1)中光谱距离计算公式分别计算与A1与B1、A2与B2,...Am与Bm的光谱距离,则当前像素所在窗口和待比对像素所在窗口的光谱距离DAB为:
其中,SAM(Ai,Bi)为Ai与Bi的光谱距离,同样根据步骤(1)中光谱距离计算公式分别计算得到。
步骤(3):根据步骤2计算的光谱距离选取为当前像素选取若干邻居点。
实施例具体操作如下:
从步骤(2)所得光谱图像中所有待比对像素所在窗口与当前像素所在窗口的光谱距离DAB后,选取出前K个光谱距离最小的待比对像素所在窗口,则与之对应的K个待比对像素为当前像素的邻居点,其中K为所需邻居点个数,一般为光谱图像数据降维算法中需要的邻居点个数,可根据需要预先设定。
本发明还相应提供了一种用于光谱图像数据降维的邻居点搜索系统,包括以下模块,
当前像素窗口筛选模块,用于以需要为其寻找邻居点的像素为当前像素,以当前像素为中心建立窗口,记为窗口A,对窗口A内的像素进行筛选,包括计算窗口A内各像素分别与当前像素的光谱距离Dxj然后求均值Dx,当窗口A内某像素与当前像素的光谱距离Dxj大于α×Dx时删除该像素,其中α为预定的阈值系数;
窗口光谱距离确定模块,包括以下子模块,
排序子模块,用于以待比对像素为中心建立窗口,记为窗口B,将当前像素窗口筛选模块所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序;
将窗口A内筛选剩下的像素进行排序,包括按照光谱距离Dxj由小到大依次排序;设筛选剩下的像素有m个,记排序后的像素所构成序列为A1,A2,...Am;
将窗口B内像素分别进行排序,包括计算窗口B内各像素分别与待比对像素的光谱距离Dyj,并按照光谱距离Dyj由小到大依次排序;记排序后的序列为B1,B2,...B9;
距离计算子模块,用于计算当前像素所在窗口和待比对像素所在窗口的光谱距离,包括从排序后的序列B1,B2,...B9中取前m个像素B1,B2,...Bm,计算当前像素所在窗口和待比对像素所在窗口的光谱距离DAB如下,
其中,SAM(Ai,Bi)为Ai与Bi的光谱距离;
邻居点选择模块,用于根据窗口光谱距离确定模块所得当前像素所在窗口和各待比对像素所在窗口的光谱距离DAB,选取若干DAB最小的相应待比对像素为当前像素的邻居点。
具体实施时,可采用软件模块化技术实现各模块。各模块具体实现参见方法中各步骤,本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似方式替代,但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (6)
1.一种用于光谱图像数据降维的邻居点搜索方法,其特征在于:以需要寻找邻居点的像素为当前像素,执行包括以下步骤,
步骤1,以当前像素为中心建立窗口,记为窗口A,对窗口A内的像素进行筛选,包括计算窗口A内各像素分别与当前像素的光谱距离Dxj然后求均值Dx,当窗口A内某像素与当前像素的光谱距离Dxj大于α×Dx时删除该像素,其中α为预定的阈值系数;
步骤2,对光谱图像中每个待比对像素分别执行以下步骤,
步骤2.1,以待比对像素为中心建立窗口,记为窗口B,将步骤1所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序;
将窗口A内筛选剩下的像素进行排序,包括按照光谱距离Dxj由小到大依次排序;设筛选剩下的像素有m个,记排序后的像素所构成序列为A1,A2,...Am;
将窗口B内像素分别进行排序,包括计算窗口B内各像素分别与待比对像素的光谱距离Dyj,并按照光谱距离Dyj由小到大依次排序;记排序后的序列为B1,B2,...B9;
步骤2.2,计算当前像素所在窗口和待比对像素所在窗口的光谱距离,包括从排序后的序列B1,B2,...B9中取前m个像素B1,B2,...Bm,计算当前像素所在窗口和待比对像素所在窗口的光谱距离DAB如下,
其中,SAM(Ai,Bi)为Ai与Bi的光谱距离;
步骤3,根据步骤2所得当前像素所在窗口和各待比对像素所在窗口的光谱距离DAB,选取若干DAB最小的相应待比对像素为当前像素的邻居点。
2.根据权利要求1所述用于光谱图像数据降维的邻居点搜索方法,其特征在于:任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下,
其中,<a,b>为a与b的内积,||表示取二范数。
3.根据权利要求1或2所述用于光谱图像数据降维的邻居点搜索方法,其特征在于:窗口大小为3×3。
4.一种用于光谱图像数据降维的邻居点搜索系统,其特征在于:包括以下模块,
当前像素窗口筛选模块,用于以需要寻找邻居点的像素为当前像素,以当前像素为中心建立窗口,记为窗口A,对窗口A内的像素进行筛选,包括计算窗口A内各像素分别与当前像素的光谱距离Dxj然后求均值Dx,当窗口A内某像素与当前像素的光谱距离Dxj大于α×Dx时删除该像素,其中α为预定的阈值系数;
窗口光谱距离确定模块,包括以下子模块,
排序子模块,用于以待比对像素为中心建立窗口,记为窗口B,将当前像素窗口筛选模块所得窗口A内筛选剩下的像素以及窗口B内像素分别进行排序;
将窗口A内筛选剩下的像素进行排序,包括按照光谱距离Dxj由小到大依次排序;设筛选剩下的像素有m个,记排序后的像素所构成序列为A1,A2,...Am;
将窗口B内像素分别进行排序,包括计算窗口B内各像素分别与待比对像素的光谱距离Dyj,并按照光谱距离Dyj由小到大依次排序;记排序后的序列为B1,B2,...B9;
距离计算子模块,用于计算当前像素所在窗口和待比对像素所在窗口的光谱距离,包括从排序后的序列B1,B2,...B9中取前m个像素B1,B2,...Bm,计算当前像素所在窗口和待比对像素所在窗口的光谱距离DAB如下,
其中,SAM(Ai,Bi)为Ai与Bi的光谱距离;
邻居点选择模块,用于根据窗口光谱距离确定模块所得当前像素所在窗口和各待比对像素所在窗口的光谱距离DAB,选取若干DAB最小的相应待比对像素为当前像素的邻居点。
5.根据权利要求1所述用于光谱图像数据降维的邻居点搜索系统,其特征在于:任意两个像素之间a、b光谱距离SAM(a,b)的计算公式如下,
其中,<a,b>为a与b的内积,||表示取二范数。
6.根据权利要求1或2所述用于光谱图像数据降维的邻居点搜索系统,其特征在于:窗口大小为3×3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410468127.6A CN104268558B (zh) | 2014-09-15 | 2014-09-15 | 用于光谱图像数据降维的邻居点搜索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410468127.6A CN104268558B (zh) | 2014-09-15 | 2014-09-15 | 用于光谱图像数据降维的邻居点搜索方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268558A true CN104268558A (zh) | 2015-01-07 |
CN104268558B CN104268558B (zh) | 2017-10-24 |
Family
ID=52160078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410468127.6A Active CN104268558B (zh) | 2014-09-15 | 2014-09-15 | 用于光谱图像数据降维的邻居点搜索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268558B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060190465A1 (en) * | 2005-02-24 | 2006-08-24 | Nahava Inc. | Method and apparatus for efficient indexed storage for unstructured content |
CN101324923A (zh) * | 2008-08-05 | 2008-12-17 | 北京中星微电子有限公司 | 用于人脸识别的特征提取方法和装置 |
CN103136736A (zh) * | 2013-03-19 | 2013-06-05 | 哈尔滨工业大学 | 一种高光谱遥感数据非线性降维方法 |
-
2014
- 2014-09-15 CN CN201410468127.6A patent/CN104268558B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060190465A1 (en) * | 2005-02-24 | 2006-08-24 | Nahava Inc. | Method and apparatus for efficient indexed storage for unstructured content |
CN101324923A (zh) * | 2008-08-05 | 2008-12-17 | 北京中星微电子有限公司 | 用于人脸识别的特征提取方法和装置 |
CN103136736A (zh) * | 2013-03-19 | 2013-06-05 | 哈尔滨工业大学 | 一种高光谱遥感数据非线性降维方法 |
Non-Patent Citations (1)
Title |
---|
陈宏达,等: ""基于图像欧氏距离的高光谱图像流形降维算法"", 《红外与毫米波学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
CN105069758B (zh) * | 2015-08-21 | 2017-11-28 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104268558B (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peyghambari et al. | Hyperspectral remote sensing in lithological mapping, mineral exploration, and environmental geology: an updated review | |
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
Song et al. | Hyperspectral image classification based on KNN sparse representation | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
Chen et al. | Hyperspectral classification based on spectral–spatial convolutional neural networks | |
CN104268879B (zh) | 基于遥感多光谱图像的建筑物实物量损毁评估方法 | |
Kang et al. | Decolorization-based hyperspectral image visualization | |
Kotwal et al. | A novel approach to quantitative evaluation of hyperspectral image fusion techniques | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN104408705A (zh) | 一种高光谱图像的异常检测方法 | |
Han et al. | Infrared image super-resolution using auxiliary convolutional neural network and visible image under low-light conditions | |
CN108960276B (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 | |
Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
Gu et al. | Hyperspectral target detection via exploiting spatial-spectral joint sparsity | |
KR101750520B1 (ko) | 표적신호 분리를 이용하여 탐지성능이 향상된 초분광 영상의 표적물질 탐지방법 | |
Xie et al. | Trainable spectral difference learning with spatial starting for hyperspectral image denoising | |
Ma et al. | Multiscale 2-D singular spectrum analysis and principal component analysis for spatial–spectral noise-robust feature extraction and classification of hyperspectral images | |
CN108985357A (zh) | 基于图像特征的集合经验模态分解的高光谱图像分类方法 | |
Su et al. | Superpixel-based weighted collaborative sparse regression and reweighted low-rank representation for hyperspectral image unmixing | |
CN109101977B (zh) | 一种基于无人机的数据处理的方法及装置 | |
Kim et al. | ADOM: ADMM-based optimization model for stripe noise removal in remote sensing image | |
CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
CN105809177A (zh) | 执行遥感影像分类的方法 | |
CN104268558A (zh) | 用于光谱图像数据降维的邻居点搜索方法及系统 | |
Defa et al. | Infrared and visible image fusion based on shiftable complex directional pyramid transform and SUSAN edge detector |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Ma Yong Inventor after: Huang Jun Inventor after: Ma Jiayi Inventor before: Huang Jun Inventor before: Ma Yong Inventor before: Ma Jiayi |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |