CN104270640A - 基于支持向量回归的光谱图像无损压缩方法 - Google Patents
基于支持向量回归的光谱图像无损压缩方法 Download PDFInfo
- Publication number
- CN104270640A CN104270640A CN201410455209.7A CN201410455209A CN104270640A CN 104270640 A CN104270640 A CN 104270640A CN 201410455209 A CN201410455209 A CN 201410455209A CN 104270640 A CN104270640 A CN 104270640A
- Authority
- CN
- China
- Prior art keywords
- prediction
- support vector
- vector regression
- image
- band
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明属于光谱遥感技术领域,提供了基于支持向量回归的光谱图像无损压缩方法,包括如下步骤:(1)导入原图像;(2)选择聚类算法,对光谱图像进行分类预处理,获得相应的聚类索引;(3)选择预测算法,进行预测模型的设计,依据得到的聚类索引和预测模型,对整幅光谱图像的每个像素进行预测,得到预测图像;(4)对原图像和预测图像进行做差得残差图像;(5)对残差图像采用算术编码,同时对经预测模型预测时得到的预测系数及聚类算法获得的聚类索引进行编码,得到码流文件。该发明通过对读入的图像进行聚类,对每类分别建立预测模型,对残差图像及边信息进行编码的方式,实现基于支持向量回归的光谱无损压缩,达到较好的无损压缩效果,预测准确度高,残差小。
Description
技术领域
本发明属于光谱遥感技术领域,涉及光谱图像的无损压缩及编码技术,具体涉及基于支持向量回归的光谱图像无损压缩方法。
背景技术
光谱遥感技术是20世纪80年代兴起的一种对地观测技术,广泛应用于海洋遥感、地质勘查、大气和环境遥感、以及军事侦察等方面。随着成像光谱仪空间和谱间分辨率的提高,光谱数据急剧增加,然而数据量和数据维数的膨胀都将给光谱图像的传输和存储带来较大的困难,因此,采用有效的方法对光谱图像进行压缩是很有必要的。
由于成像光谱是在较窄的光谱范围内成像,这使得光谱图像相邻谱段间具有较强的谱间相关性。这种谱间相关性比空间相关性要强很多。因此,在对光谱图像进行压缩时可以充分利用光谱图像较强的谱间相关性。目前对光谱图像的压缩方法主要有基于预测、变换、矢量量化,以及将多种压缩方法相结合进行压缩。基于变换的方法费时较多,且计算方法复杂,在无损压缩中并没有明显的优势。矢量量化的方法是在高压缩比和最小失真之间获得最佳折衷,其压缩性能接近于理论上图像的熵值,但随着数据维数的增长,其计算量呈指数递增,不适合于图像的实时压缩。相对而言,基于预测的方法特别适用于数据连续变化的自然物理过程,该方法不经过变换,直接探索像素与像素之间的相关性和谱带与谱带之间的相关性。
目前已有不少学者对基于预测的方法进行了研究,但是大部分预测方法并没能够充分利用谱间的相关性去除光谱数据的冗余,导致压缩效果有限。
发明内容
本发明的目的是针对现在成像光谱仪产生光谱数据量大,光谱图像的传输和存储困难,有效去除光谱数据冗余方法的不足,提供了一种基于支持向量回归的光谱图像无损压缩方法。
本发明的技术方案是提供一种基于支持向量回归的光谱图像无损压缩方法,包括如下步骤:
(1)导入光谱图像,即原图像;
(2)选择聚类算法,对光谱图像进行分类预处理,获得相应的聚类索引;
(3)选择预测算法,进行预测模型的设计,依据步骤(2)得到的聚类索引和本步骤所产生的预测模型,对整幅光谱图像的每个像素进行预测,得到预测图像;
(4)对原图像和预测图像进行做差得残差图像;
(5)对残差图像采用算术编码,同时对经预测模型预测时得到的预测系数及聚类算法获得的聚类索引进行编码,得到码流文件。
上述步骤(2)的具体过程包括如下步骤:
(2a)选择聚类算法,根据要聚类的数目,随机选择K条不同的谱线作为初始的聚类中心;
(2b)计算每条谱线与每一聚类中心的欧式距离,将每条谱线分给离它最近的聚类中心所对应的类;
(2c)计算每一类中所有谱线的平均值作为新的聚类中心;
(2d)重复步骤(2b)和步骤(2c),直到新的聚类中心与上一次的聚类中心完全一致,则获得的此新的聚类中心即为聚类索引。
上述步骤(3)的具体过程包括如下步骤:
(3a)利用步骤(2)得到的聚类索引,对每一类训练预测模型,设定预测阶数;
(3b)由步骤(2a)改变不同的聚类数目,重复步骤(3a),得到最佳的聚类数目;
(3c)根据选择不同的预测阶数,得到不同的压缩效果,最终得到最优结果。
上述步骤(3a)的具体过程包括如下步骤:
(4a)利用步骤(2)得到的聚类索引开始对每一类训练预测模型;
(4b)判断预测的当前波段是否是第一波段,如果是进行步骤(4c),否则进行步骤(4d);
(4c)对第一波段的光谱图像进行带内预测,采用JPEG-LS算法;
(4d)对除第一波段外的其他波段光谱图像采用带间预测,如果当前波段数小于预测阶数则进行步骤(4e),否则进行步骤(4f);
(4e)对当前波段的像素进行预测时,利用当前波段前面的所有波段,进行步骤(4g);
(4f)对当前波段的像素进行预测时,利用当前波段的前N波段,进行步骤(4g);
(4g)利用支持向量回归建立预测模型。
上述步骤(4g)的具体过程包括如下步骤:
(5a)准备支持向量回归的训练样本;
(5b)采用网格搜索的方式进行参数优化,得出最优参数对应的支持向量回归模型;
(5c)将步骤(5b)得到的最优参数对应的支持向量回归模型变形得到普通多元回归形式的预测模型;
(5d)利用步骤(5c)产生的普通多元回归形式的预测模型进行预测。
本发明的有益效果:本发明提供的这种基于支持向量回归的光谱图像无损压缩方法克服了人为的构造预测器算法的限制,实现了通过机器学习的方式,让计算机在给定的样本中训练出预测器,通过参数迭代的方式,得到最优的结果。通过本发明可以实现有效去除波段间的带间冗余,并实现无损压缩,与其他的无损预测压缩算法相比实现了更高的压缩比,为光谱数据压缩提供更好的技术支持。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是本发明基于支持向量回归的光谱图像无损压缩方法的流程图。
图2是本发明中聚类算法的流程图。
图3是本发明中预测过程的流程图。
图4是本发明中每一类训练预测模型的流程图。
具体实施方式
实施例1:
为了克服现在成像光谱仪产生光谱数据量大,光谱图像的传输和存储困难,以及有效去除光谱数据冗余方法的不足,本发明提供了一种如图1、图2、图3和图4所示的基于支持向量回归的光谱图像无损压缩方法,包括如下步骤:
(1)导入光谱图像,即原图像;
(2)选择聚类算法,对光谱图像进行分类预处理,获得相应的聚类索引;
(3)选择预测算法,进行预测模型的设计,依据步骤(2)得到的聚类索引和本步骤所产生的预测模型,对整幅光谱图像的每个像素进行预测,得到预测图像;
(4)对原图像和预测图像进行做差得残差图像;
(5)对残差图像采用算术编码,同时对经预测模型预测时得到的预测系数及聚类算法获得的聚类索引进行编码,得到码流文件,结束基于支持向量回归的光谱图像无损压缩方法。
如图2所示,上述步骤(2)的具体过程包括如下步骤:
(2a)选择聚类算法,根据要聚类的数目,随机选择K(设定的聚类数目)条不同的谱线作为初始的聚类中心μ1,μ2,…,μk∈Rm,其中m是光谱图像的波段数目;
目前常见的聚类算法有K均值聚类算法、PCM聚类算法、最近邻聚类算法等,本实施例中采用K均值聚类算法。
(2b)计算每条谱线i与每一聚类中心的欧式距离,将每条谱线分给离它最近的聚类中心所对应的类x(i)是第i条谱线上的像素组成的向量,c(i)是第i条谱线所被分的类,μj是第j类的聚类中心,j∈1,2,…,k。
(2c)所有谱线聚类结束,计算每一类中所有谱线的平均值作为新的聚类中心其中NCj是第j类的谱线数目。
(2d)重复步骤(2b)和步骤(2c),直到新的聚类中心与上一次的聚类中心完全一致,则获得的此新的聚类中心即为聚类索引。
如图3所示,所述步骤(3)的具体过程包括如下步骤:
(3a)利用步骤(2)得到的聚类索引,对每一类训练预测模型,设定预测阶数N;
预测阶数即为预测当前波段时参考的之前波段的数目,由于高光谱图像谱间相关性较强,预测阶数越多,回归训练得到的预测系数的精度越高,从而预测残差越小,其熵编码后的码流越小,但是预测阶数的增加也会导致边信息的增多,两者折中之后有最优预测阶数。
(3b)由步骤(2a)改变不同的聚类数目,重复步骤(3a),得到最佳的聚类数目;
由于高光谱图像的同类地物的光谱线极为相似,通过聚类后分别的对每一类的光谱数据建立单独的回归模型可以有效的提高预测精度,聚类数目越多同一类的谱线越相似,预测越精确,但是聚类数目的增加也会导致边信息的增多,两者折中之后取最佳聚类数目。
(3c)根据选择不同的预测阶数,得到不同的压缩效果,最终得到最优结果。
如图4所示,所述步骤(3a)的具体过程包括如下步骤:
(4a)利用步骤(2)得到的聚类索引开始对每一类训练预测模型。
(4b)判断预测的当前波段是否是第一波段,如果是进行步骤(4c),否则进行步骤(4d)。
(4c)对第一波段的光谱图像进行带内预测,采用JPEG-LS算法;
由于第一个波段没有参考波段,只能采取带内预测的方式,本实施例采用JPEG-LS压缩标准的核心算法LOCO算法:
其中x是待预测的像素,a是x上方的像素值,b是x左方的像素值,c是x左上方的像素值。
(4d)对除第一波段外的其他波段光谱图像采用带间预测,如果当前波段数小于预测阶数则进行步骤(4e),否则进行步骤(4f)。
(4e)对当前波段的像素进行预测时,利用当前波段前面的所有波段,进行步骤(4g)。
(4f)对当前波段的像素进行预测时,利用当前波段的前N波段,进行步骤(4g)。
(4g)利用支持向量回归建立预测模型。
而所述步骤(4g)的具体过程包括如下步骤:
(5a)准备支持向量回归的训练样本;
本实施例中利用Libsvm(台湾大学林智仁教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包)中SVR(supportvectorregression:支持向量回归)模型进行建模,并利用其中的线性核函数,根据模型对数据集的要求准备样本:
D={(x1,y1),....,(xl,yl)},x∈Rn,y∈R
其中,l表示样本的数量,x表示输入n维的向量即当前类当前波段的待预测像素前n波段的像素值组成的向量,y表示待预测像素的像素值。
(5b)采用网格搜索的方式进行参数优化,得出最优参数对应的支持向量回归模型;
根据选择的线性SVR预测模型需要优化选择的参数是c和p,设定c和p在一定区间内变化,并且分别设定步长,进行迭代选择最优参数,通过交叉验证的方式最终得到最优预测模型为其中是待预测像素的预测值,x是待预测像素对应的输入,ai是线性SVR预测模型的预测系数,该预测系数只有一小部分是非零值,非零值对应的样本xi为支持向量,b预测模型的偏移量。
(5c)将步骤(5b)得到的最优参数对应的支持向量回归模型变形得到普通多元回归形式的预测模型 其中,x是待预测像素对应的输入即待预测像素前n波段的像素值组成的向量,w是预测系数向量,x1,x2,…,xn分别是前n波段像素的像素值,w1,w2,…,wn是对应波段像素值的预测系数。
(5d)利用步骤(5c)产生的普通多元回归形式的预测模型进行预测。
实施例2:
在实施例1的基础上,本发明的效果通过以下仿真实验做进一步的说明。
本发明的仿真条件:计算机配置环境为Intel(R)Core(TM)34.00Ghz,内存2G,系统windows7,计算机仿真软件采用集成Libsvm的MATLABR2010a。实验数据库采用2006年美国AVIRIS扫描仪获得的已校正的Yellowstone高光谱数据集(Scene0、Scene3、Scene10、Scene11、Scene18)。
本发明的仿真内容:选取实验数据库中的一组数据,如Scene0;本实施例仿真中,选取聚类的数目为16,支持向量回归的训练样本数目为300,预测阶数为10,在利用支持向量回归训练预测模型的过程中,其中的参数选择为g=1,c=0.00001-1(步长为10)。
本实验的实验结果和JPEG-LS、LAIS-LUT及目前压缩效果较好的FL#算法的结果对比如表1所示。
表1
由实验结果对比可知,采用本发明中提出的无损压缩方法,从表1可以看出,和传统的无损压缩方法相比,本发明方法在压缩效果上有明显的优势。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (5)
1.基于支持向量回归的光谱图像无损压缩方法,其特征在于:包括如下步骤:
(1)导入光谱图像,即原图像;
(2)选择聚类算法,对光谱图像进行分类预处理,获得相应的聚类索引;
(3)选择预测算法,进行预测模型的设计,依据步骤(2)得到的聚类索引和本步骤所产生的预测模型,对整幅光谱图像的每个像素进行预测,得到预测图像;
(4)对原图像和预测图像进行做差得残差图像;
(5)对残差图像采用算术编码,同时对经预测模型预测时得到的预测系数及聚类算法获得的聚类索引进行编码,得到码流文件。
2.如权利要求1所述的基于支持向量回归的光谱图像无损压缩方法,其特征在于:所述步骤(2)的具体过程包括如下步骤:
(2a)选择聚类算法,根据要聚类的数目,随机选择K条不同的谱线作为初始的聚类中心;
(2b)计算每条谱线与每一聚类中心的欧式距离,将每条谱线分给离它最近的聚类中心所对应的类;
(2c)计算每一类中所有谱线的平均值作为新的聚类中心;
(2d)重复步骤(2b)和步骤(2c),直到新的聚类中心与上一次的聚类中心完全一致,则获得的此新的聚类中心即为聚类索引。
3.如权利要求1所述的基于支持向量回归的光谱图像无损压缩方法,其特征在于:所述步骤(3)的具体过程包括如下步骤:
(3a)利用步骤(2)得到的聚类索引,对每一类训练预测模型,设定预测阶数;
(3b)由步骤(2a)改变不同的聚类数目,重复步骤(3a),得到最佳的聚类数目;
(3c)根据选择不同的预测阶数,得到不同的压缩效果,最终得到最优结果。
4.如权利要求3所述的基于支持向量回归的光谱图像无损压缩方法,其特征在于:所述步骤(3a)的具体过程包括如下步骤:
(4a)利用步骤(2)得到的聚类索引开始对每一类训练预测模型;
(4b)判断预测的当前波段是否是第一波段,如果是进行步骤(4c),否则进行步骤(4d);
(4c)对第一波段的光谱图像进行带内预测,采用JPEG-LS算法;
(4d)对除第一波段外的其他波段光谱图像采用带间预测,如果当前波段数小于预测阶数则进行步骤(4e),否则进行步骤(4f);
(4e)对当前波段的像素进行预测时,利用当前波段前面的所有波段,进行步骤(4g);
(4f)对当前波段的像素进行预测时,利用当前波段的前N波段,进行步骤(4g);
(4g)利用支持向量回归建立预测模型。
5.如权利要求4所述的基于支持向量回归的光谱图像无损压缩方法,其特征在于:所述步骤(4g)的具体过程包括如下步骤:
(5a)准备支持向量回归的训练样本;
(5b)采用网格搜索的方式进行参数优化,得出最优参数对应的支持向量回归模型;
(5c)将步骤(5b)得到的最优参数对应的支持向量回归模型变形得到普通多元回归形式的预测模型;
(5d)利用步骤(5c)产生的普通多元回归形式的预测模型进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410455209.7A CN104270640B (zh) | 2014-09-09 | 2014-09-09 | 基于支持向量回归的光谱图像无损压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410455209.7A CN104270640B (zh) | 2014-09-09 | 2014-09-09 | 基于支持向量回归的光谱图像无损压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104270640A true CN104270640A (zh) | 2015-01-07 |
CN104270640B CN104270640B (zh) | 2018-07-31 |
Family
ID=52162118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410455209.7A Active CN104270640B (zh) | 2014-09-09 | 2014-09-09 | 基于支持向量回归的光谱图像无损压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104270640B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053455A (zh) * | 2017-12-25 | 2018-05-18 | 西安交通大学 | 一种基于线性预测去相关的矢量量化高光谱图像压缩方法 |
CN108960333A (zh) * | 2018-07-12 | 2018-12-07 | 西安电子科技大学 | 基于深度学习的高光谱图像无损压缩方法 |
CN110414438A (zh) * | 2019-07-30 | 2019-11-05 | 西南交通大学 | 基于空间聚类信息修正的高光谱图像识别方法 |
CN111385582A (zh) * | 2020-04-13 | 2020-07-07 | 辽宁工程技术大学 | 一种基于谱空联合预测的高光谱遥感图像无损压缩算法 |
CN112136041A (zh) * | 2018-05-30 | 2020-12-25 | 株式会社岛津制作所 | 成像数据处理装置 |
CN113643389A (zh) * | 2021-07-27 | 2021-11-12 | 闽都创新实验室 | 一种基于分割的图像无损压缩方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006067222A2 (en) * | 2004-12-23 | 2006-06-29 | Celec Conception Electronique En Abrege Celec | Method of detecting presence and motion for door control devices and door control devices implementing such a method |
CN101996396A (zh) * | 2010-09-16 | 2011-03-30 | 湖南大学 | 一种基于压缩传感理论的卫星遥感图像融合方法 |
CN103646409A (zh) * | 2013-12-19 | 2014-03-19 | 哈尔滨工程大学 | 多元向量量化的高光谱图像压缩编码方法 |
CN103985096A (zh) * | 2014-05-18 | 2014-08-13 | 西安电子科技大学 | 基于离线训练的高光谱图像回归预测压缩方法 |
-
2014
- 2014-09-09 CN CN201410455209.7A patent/CN104270640B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006067222A2 (en) * | 2004-12-23 | 2006-06-29 | Celec Conception Electronique En Abrege Celec | Method of detecting presence and motion for door control devices and door control devices implementing such a method |
CN101996396A (zh) * | 2010-09-16 | 2011-03-30 | 湖南大学 | 一种基于压缩传感理论的卫星遥感图像融合方法 |
CN103646409A (zh) * | 2013-12-19 | 2014-03-19 | 哈尔滨工程大学 | 多元向量量化的高光谱图像压缩编码方法 |
CN103985096A (zh) * | 2014-05-18 | 2014-08-13 | 西安电子科技大学 | 基于离线训练的高光谱图像回归预测压缩方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053455A (zh) * | 2017-12-25 | 2018-05-18 | 西安交通大学 | 一种基于线性预测去相关的矢量量化高光谱图像压缩方法 |
CN108053455B (zh) * | 2017-12-25 | 2020-06-19 | 西安交通大学 | 一种基于线性预测去相关的矢量量化高光谱图像压缩方法 |
CN112136041A (zh) * | 2018-05-30 | 2020-12-25 | 株式会社岛津制作所 | 成像数据处理装置 |
CN112136041B (zh) * | 2018-05-30 | 2023-06-16 | 株式会社岛津制作所 | 成像数据处理装置 |
CN108960333A (zh) * | 2018-07-12 | 2018-12-07 | 西安电子科技大学 | 基于深度学习的高光谱图像无损压缩方法 |
CN108960333B (zh) * | 2018-07-12 | 2021-12-17 | 西安电子科技大学 | 基于深度学习的高光谱图像无损压缩方法 |
CN110414438A (zh) * | 2019-07-30 | 2019-11-05 | 西南交通大学 | 基于空间聚类信息修正的高光谱图像识别方法 |
CN111385582A (zh) * | 2020-04-13 | 2020-07-07 | 辽宁工程技术大学 | 一种基于谱空联合预测的高光谱遥感图像无损压缩算法 |
CN113643389A (zh) * | 2021-07-27 | 2021-11-12 | 闽都创新实验室 | 一种基于分割的图像无损压缩方法 |
CN113643389B (zh) * | 2021-07-27 | 2024-04-05 | 闽都创新实验室 | 一种基于分割的图像无损压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104270640B (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104270640A (zh) | 基于支持向量回归的光谱图像无损压缩方法 | |
CN103207409B (zh) | 一种频率域全波形反演地震速度建模方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN102930533B (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 | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
CN105760821A (zh) | 基于核空间的分类聚集稀疏表示的人脸识别方法 | |
CN114169442B (zh) | 基于双原型网络的遥感图像小样本场景分类方法 | |
CN101303764A (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN102789633B (zh) | 基于k-svd和局部线性嵌套的图像降噪系统和方法 | |
CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
CN104298977A (zh) | 一种基于不相关性约束的低秩表示人体行为识别方法 | |
CN103020939A (zh) | 利用多时相数据去除光学遥感影像大面积厚云的方法 | |
CN105631469A (zh) | 一种多层稀疏编码特征的鸟类图像识别方法 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN102148987A (zh) | 基于先验模型和l0范数的压缩感知图像重构方法 | |
CN103714148A (zh) | 基于稀疏编码分类的sar图像检索方法 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN114821342A (zh) | 一种遥感影像道路提取方法及系统 | |
CN114693064A (zh) | 一种建筑群方案生成性能评价方法 | |
CN105740908A (zh) | 基于核空间自解释稀疏表示的分类器设计方法 | |
CN103646409B (zh) | 多元向量量化的高光谱图像压缩编码方法 | |
CN114973136A (zh) | 一种极端条件下场景图像识别方法 | |
CN113822825B (zh) | 基于3d-r2n2的光学建筑目标三维重建方法 | |
CN105046057A (zh) | 基于Morlet小波核的LSSVM脉动风速预测方法 | |
CN103578104B (zh) | 一种针对高斯模糊图像的部分参考图像客观质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211118 Address after: 710071 Taibai South Road, Yanta District, Xi'an, Shaanxi Province, No. 2 Patentee after: XIDIAN University Patentee after: Shaanxi radio and television ruiwan Culture Development Co., Ltd Address before: 710071 Xi'an Electronic and Science University, 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |
|
TR01 | Transfer of patent right |