CN104463247B - 一种高光谱图像分类中光谱向量互相关特征的抽取方法 - Google Patents
一种高光谱图像分类中光谱向量互相关特征的抽取方法 Download PDFInfo
- Publication number
- CN104463247B CN104463247B CN201410748096.XA CN201410748096A CN104463247B CN 104463247 B CN104463247 B CN 104463247B CN 201410748096 A CN201410748096 A CN 201410748096A CN 104463247 B CN104463247 B CN 104463247B
- Authority
- CN
- China
- Prior art keywords
- sample
- vector
- feature
- matrix
- correlation
- 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.)
- Active
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Abstract
本发明公开了一种高光谱图像分类中光谱向量互相关特征的抽取方法,包括高光谱图像数据预处理——归一化、去噪、降维等;boostrap采样和加权平均获取参考样本集;光谱信号随机过程理论假设——假设一,光谱信号是一平稳随机过程某一时刻的随机试验,假设二,每个随机试验取值的概率都相等,其次根据随机过程自相关理论对光谱信号进行抽象,得出自相关系数计算公式,最后将其组合成自相关特征向量;采用最优方向法(MOD)对相关性特征向量进行稀疏分解。本发明从随机过程互相关的角度提出高光谱分类中特征抽取方法,具有较好的抗噪性和稳定性高,能够提高高光谱分类的精度。
Description
技术领域
本发明属于高光谱图像处理领域,尤其涉及一种高光谱图像分类中光谱向量互相关特征的抽取方法。
背景技术
高光谱图像将传统的空间维信息和光谱维信息有机地融合和为一体,在获取场景空间图像的同时,得到场景内所有对象的连续光谱,从而实现依据对象光谱特征分类和识别的目标。与传统的全色、多光谱遥感相比,因其高光谱分辨率和空间分辨率,有效得结合的光谱信息与空间信息,且数据量丰富,数据模型易于描述,高光谱图像在识别与精确分类方面具有突出的优势。随着高光谱成像技术的发展和成熟,高光谱图像处理技术已被广泛成功应用于医学诊断,农业检测,矿物探测,环境监测等领域中。
高光谱图像分类问题仍然是高光谱图像分析与处理技术的所面临的一大难题。高光谱图像本身存在很大缺陷,例如海量造成的数据冗余度过大,高空间分辨率带来的光谱混合以及噪声的影响,大大增加了精细分类的难度。传统的高光谱特征匹配分类方法需要大量的先验知识,对光谱特征数据库依赖性太高,而统计分类方法运算速度慢,精度受训练样本的影响较大。已有的特征抽取和分类方法往往受限于高光谱图像自身的缺陷,表现为算法的稳定性和鲁棒性不足。
发明内容
本发明的目的就是为了解决上述问题,提供一种高光谱图像分类中光谱向量互相关特征的抽取方法,它具有能有效应对小样本学习分类问题,且具有良好的抗噪性,能有效提高整个分类系统的分类精确度优点。
为了实现上述目的,本发明采用如下技术方案:
一种高光谱图像分类中光谱向量互相关特征的抽取方法,包括以下步骤:
步骤(1):对高光谱图像原始数据进行预处理得到训练样本集合;所述预处理包括:将三维高光谱数据转化为二维特征向量矩阵、数据归一化、采用主成分分析法进行降维和随机抽取部分已标记样本构成训练样本集合;
步骤(2):采取boostrap抽样法从训练样本集合中获取参考样本集,计算训练样本集合中的训练样本与参考样本集的参考样本的互相关系数,构建互相关系数特征向量;
步骤(3):特征选择:根据步骤(2)中构建的互相关系数特征向量,从降低计算复杂度角度出发需要进行特征再选择,选择方法是对步骤(2)中构建的相关系数特征向量进行稀疏表示,稀疏化相关系数特征向量得到稀疏特征向量。
所述步骤(1)包括:
步骤(1-1):将三维高光谱图像转换成二维特征矢量形式:
其中,I是三维高光谱图像,M为图像行数,N为图像列数,K为特征数,I1是转化后的二维特征矩阵,I1的每一行对应一个样本,每一列对应一个特征,L是像元总数,Lable是对应于I的标签矩阵,Lable1是对应于I1的标签矩阵;
步骤(1-2):数据归一化:按照特征维,即所述步骤(1-1)中I1的列,搜索每列中的特征值的最小值xmin、最大值xmax,将[xmin,xmax]之间的原特征值映射到[-1,1]之间,映射关系如公式(3)所示:
其中,ymax=1,ymin=-1,x是I1中原特征值,y是映射到[-1,1]之间后的特征值,用y取代x,I1经归一化后得到归一化后的图像数据I2;
步骤(1-3):采用主成分分析法(PCA)对归一化后的图像数据I2进行主成分分析,降低图像噪声和特征维度:
主成分分析过程如下:归一化后的图像数据I2表示成I2=(x1,x2,…,xi,…,xL)T,其中xi为一个K×1的列向量,表示一个样本。
样本中心化,即对I2中所有样本进行中心化操作,具体方法为将I2中所有向量减去全局均值向量
计算中心化后的I2的协方差矩阵Σ=I2 T*I2,然后对协方差矩阵Σ特征分解,得到特征值矩阵Λ和特征向量矩阵ω,对I2进行主成分变换:
I3=I2*ω (4)
I3是经过PCA降维后的图像数据,I3的特征维度K1(列数)远小于I2的特征维数K。
步骤(1-4):随机抽取训练样本集合:
抽取方式采用随机数方法,即随机产生一组1~L之间的随机数a=(a1,a2,...,al),随机数不重复,l是随机数的个数。
将生成的随机数作为行标号,从步骤(1-3)的I3中抽取对应的行组成训练样本集合train_matrixl×K1,
将生成的随机数作为行标号,从步骤(1-1)的Lable1抽取对应的标签,组成训练样本类别标签集合trian_labell×1。
train_matrixl×K1的每一行代表一个训练样本,对应rtian_labell×1中相应行的类标签。
所述步骤(2)包括:
步骤(2-1):采取boostrap抽样法构建各类别参考样本集合:
假设有c类,且每类参考样本数Ni。对类别i,根据所述步骤(1-4)中训练样本类别标签集合trian_labell×1和训练样本集合train_matrixl×K1,首先从训练样本集合train_matrixl×K1中抽取类别标签为i的样本,构成样本子集Subi,其次从Subi中有放回抽取样本子集Subi样本总数的80%加权平均,所述加权平均公式如下:
其中,refi是加权后的新样本,是一个1×K1的行向量,xi是抽取的样本,l1是抽取的样本数。
抽取Ni次后,会得到一个新的参考样本矩阵
汇总所有类别参考样本矩阵,得到总体参考样本矩阵Ref=(Ref1,Ref2,…,Refc)T。
步骤(2-2):假设任意两个光谱特征向量x1=(x11,x12,…,x1K1)T,x2=(x21,x22,…,x2K1)T,分别是随机过程X(t,ω)的两次不同时间t,t+τ的随机试验,则X(t,ω)=x1,X(t+τ,ω)=x2对于离散平稳随机过程,同一平稳随机过程不同时间随机试验的互相关有:
RXY(τ)表示两个随机实验X(t,ω)、X(t+τ,ω)的互相关,τ为时间间隔,Ω={ω1,ω2,…,ωi,…,ωN}表示随机试验样本空间,N为随机试验所有可能结果的个数,ωi是某次随机试验的结果,P(ωi)是随机试验取得ωi的概率。
当t固定时,令X(ω)=X(t,ω),Y(ω)=X(t+τ,ω),则公式(6)改写为:
RXY(τ)表示两个随机试验的互相关,x1i=X(t,ωi)、x2i=X(t+τ,ωi)分别对应于光谱特征向量x1、x2第i个特征值,ωi∈Ω={ω1,ω2,…,ωi,…,ωN},Ω表示随机试验样本空间,N为随机试验所有可能结果的个数,且N=K1,ωi是某次随机试验的结果,P(ωi)是随机试验取得ωi的概率;
步骤(2-3):对步骤(2-2)的条件作进一步假设——假设所有特征取值的概率P(ωi)相等,则能够去掉公式(7)的P(ωi),用RXY取代RXY(τ),进一步转变得:
步骤(2-4):根据式(8)的形式,结合kernel方法,将原始数据映射到高维空间,引入RBF核函数,其结构如下式所述:
其中,k(x,r)表示RBF核函数,x表示测试样本列向量,r是参考样本列向量,σ是RBF核函数的参数,且参数σ可调。
公式(8)能够被公式(9)取代:
Rxr=k(x,r) (10)
Rxr是向量x与r之间的相关系数,x表示测试样本列向量,r是参考样本列向量;
步骤(2-5):通过计算得到相关系数特征向量构成的训练样本矩阵;
步骤(2-6):通过计算得到相关系数特征向量构成的测试样本矩阵。
所述步骤(2-5)的步骤为:
步骤(2-5-1):对所述步骤(1-4)中训练样本集合train_matrixl×K1中任意训练样本xi,即train_matrixl×K1中的一行数据,按照公式(9)和公式(10)计算训练样本xi与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数,得到训练样本xi与总参考样本集合Ref所有参考样本的相关系数特征向量cori,用cori取代xi作为训练样本;
步骤(2-5-2):对所述步骤(1-4)中训练样本集合train_matrixl×K1中所有训练样本xi,i=1,2,…,l执行步骤(2-5-1)操作,得到相关系数特征向量构成的训练样本矩阵train=(cor1,cor2,…,corl)T;
所述步骤(2-6)的步骤为:
步骤(2-6-1):对所述步骤(1-3)I3中任意一个测试样本x*,即I3中的一行数据,按照公式(9)和公式(10)计算测试样本x*,与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数,得到测试样本x*,与总参考样本集合Ref所有参考样本的相关系数特征向量cor*,用cor*取代x*,作为测试样本;
步骤(2-6-2)对所述步骤(1-3)I3中所有测试样本L为I3中样本数,执行步骤(2-6-1)操作,得到相关系数特征向量构成的测试样本矩阵
所述步骤(3)特征选择的方法为:
步骤(3-1):采用稀疏分解法对步骤(2-5-2)的训练样本矩阵train中的相关系数训练样本进行稀疏分解,同时获得稀疏字典Φ,稀疏分解后,对应于train中每一个样本cori会得到一个稀疏系数特征向量αi,用αi取代croi,得到稀疏系数训练样本集合Train。
步骤(3-2):对所述步骤(2-6-2)相关系数测试样本矩阵test在步骤(3-1)的稀疏字典Φ上进行稀疏分解,稀疏分解后,对应于test中每一个样本会得到一个稀疏系数特征向量用取代得到稀疏系数测试样本集合Test。
所述稀疏分解的方法如下,稀疏分解的基本模型为:
y是未稀疏化的特征向量,Φ是稀疏字典,α是特征向量y在稀疏字典Φ上分解的稀疏系数,λ是一个控制稀疏系数α变化的参数。
所述稀疏字典Φ采用最优方向法(MOD)学习获得:
以步骤(2-5-2)中train的相关系数训练样本作为MOD算法的输入样本X,寻找到一个稀疏字典Φ:
X是输入样本,A稀疏系数矩阵,βi表示A中的第i列。
本发明的有益效果:
本发明从随机过程分析理论的角度出发,将光谱向量视作同一随机过程不同时刻的随机试验结果,将高光谱分类问题转化为两个随机试验的互相关问题,互相关系数越大,两个光谱向量属于同一类的概率越大。通过引入核方法,将光谱向量非线性映射到高维空间,计算待分类样本与参考样本之间的互相关系数,并组合成相关系数特征特征向量,并通过稀疏分解方法稀疏化相关系数特征向量,完成高光谱分类特征抽取过程。
本方法具有良好的抗噪性,稳定性,计算复杂度低,分类精度高等优点。
附图说明
图1本发明过光谱分类中自相关特征抽取法流程图;
图2相关性特征向量构建原理图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,自相关特征抽取方法的过程是:
1)数据转换。将原始三维高光谱数据I转换成二维特征数据I1,每一行对应一个样本,每一列对应一个特征。
2)数据归一化。数据归一化完成的是一个数据映射过程。步骤1)中I1数据被投影映射到[-1,1]区间内。其过程是,搜索每列中的特征值的最小值xmin、最大值xmax,将[xmin,xmax]映射到[-1,1]之间。
3)采用主成分分析方法(PCA)对数据进行降维消噪。在2)的基础上对数据进行降维,要求用尽可能少的维度,表示尽可能多的原始图像信息。PCA降维后得到预处理数据集。
4)样本集的获取。样本集合包括训练样本集合和参考样本集合。本发明首先采用随机数方法获取训练样本集合,随机生成要抽取样本编号,然后从步骤3)中预处理数据集中抽取对应的样本,组成训练样本集合。然后采用boostrap采样方法获取参考样本集合,对训练样本按类别有放回采样,每次抽取一定数量样本加权平均计算出一个参考样本。一方面充分保证样本选择的随机性,另一方面,通过样本加权平均,增加参考样本的代表性。
5)相关系数的计算。将光谱信号看做一个平稳随机过程,每个样本对应一个时间t的随机实验结果。平稳随机过程互相关公式:
在高光谱图像中,ωi对应于波段数,则可以假设取得每个ωi的概率P(ωi)是相等的,所以可以消除(13)式中P(ωi)对相关系数的影响。
相关系数计算分为两个过程:
(1)对于训练样本集,任意一个训练样本,分别计算其与4)中参考样本集中所有
样本的互相关系数R,然后组合成相关性特征向量。
(2)对于原数据样本,对任意未标记样本,4)中参考样本集中所有样本的互相关系数R,然后将其组合成相关性特征向量。
如图2所示,相关性特征向量的构建过程。
6)相关性特征向量的稀疏化表示。必要性:(1)4)中的新构建的参考样本集中样本数目可能很大,根据5)中计算,所得相关性特征向量维度会很高;(2)系数表示能简化计算,降低数据量,提高分类效率。
所选方法为稀疏表示,基于5)中训练样本相关性特征向量结婚训练一个稀疏字典,训练方法是最优方向法(MOD),然后对原相关性特征向量进行稀疏分解。
7)分类器测试,主要是对特征抽取算法进行评估。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,包括以下步骤:
步骤(1):对高光谱图像原始数据进行预处理得到训练样本集合;所述预处理包括:将三维高光谱数据转化为二维特征向量矩阵、数据归一化、采用主成分分析法进行降维和随机抽取部分已标记样本构成训练样本集合;
步骤(2):采取boostrap抽样法从训练样本集合中获取参考样本集,计算训练样本集合中的训练样本与参考样本集的参考样本的互相关系数,构建互相关系数特征向量:
步骤(2-1):采取boostrap抽样法构建各类别参考样本集合;
步骤(2-2):假设任意两个光谱特征向量x1=(x11,x12,...,x1K1)T,x2=(x21,x22,…,x2K1)T,分别是随机过程X(t,ω)的两次不同时间t,t+τ的随机试验,则X(t,ω)=x1,X(t+τ,ω)=x2,对于离散平稳随机过程,同一平稳随机过程不同时间随机试验的互相关有:
RXY(τ)表示两个随机实验X(t,ω)、X(t+τ,ω)的互相关,τ为时间间隔,Ω={ω1,ω2,...,ωi,...,ωN}表示随机试验样本空间,N为随机试验所有可能结果的个数,ωi是某次随机试验的结果,P(ωi)是随机试验取得ωi的概率;
当t固定时,令X(ω)=X(t,ω),Y(ω)=X(t+τ,ω),则公式(6)改写为:
RXY(τ)表示两个随机试验的互相关,x1i=X(t,ωi)、x2i=X(t+τ,ωi)分别对应于光谱特征向量x1、x2第i个特征值,ωi∈Ω={ω1,ω2,…,ωi,…,ωN},Ω表示随机试验样本空间,N为随机试验所有可能结果的个数,且N=K1,ωi是某次随机试验的结果,P(ωi)是随机试验取得ωi的概率;
步骤(2-3):对步骤(2-2)的条件作进一步假设——假设所有特征取值的概率P(ωi)相等,则能够去掉公式(7)的P(ωi),用RXY取代RXY(τ),进一步转变得:
步骤(2-4):根据式(8)的形式,结合kernel方法,将原始数据映射到高维空间,引入径向基函数RBF核函数,其结构如下式所述:
其中,k(x,r)表示RBF核函数,x表示测试样本列向量,r是参考样本列向量,σ是RBF核函数的参数,且参数σ可调;
公式(8)能够被公式(9)取代:
Rxr=k(x,r) (10)
Rxr是向量x与r之间的相关系数,x表示测试样本列向量,r是参考样本列向量;
步骤(2-5):通过计算得到相关系数特征向量构成的训练样本矩阵;
步骤(2-6):通过计算得到相关系数特征向量构成的测试样本矩阵;
步骤(3):特征选择:根据步骤(2)中构建的互相关系数特征向量,从降低计算复杂度角度出发需要进行特征再选择,选择方法是对步骤(2)中构建的相关系数特征向量进行稀疏表示,稀疏化相关系数特征向量得到稀疏特征向量。
2.如权利要求1所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,所述将三维高光谱数据转化为二维特征向量矩阵的步骤为:
步骤(1-1):将三维高光谱图像转换成二维特征矢量形式:
其中,I是三维高光谱图像,M为图像行数,N为图像列数,K为特征数,I1是转化后的二维特征矩阵,I1的每一行对应一个样本,每一列对应一个特征,L是像元总数,Lable是对应于I的标签矩阵,Lable1是对应于I1的标签矩阵。
3.如权利要求2所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,所述数据归一化的步骤为:
步骤(1-2):按照特征维,即所述步骤(1-1)中I1的列,搜索每列中的特征值的最小值xmin、最大值xmax,将[xmin,xmax]之间的原特征值映射到[-1,1]之间,映射关系如公式(3)所示:
其中,ymax=1,ymin=-1,x是I1中原特征值,y是映射到[-1,1]之间后的特征值,用y取代x,I1经归一化后得到归一化后的图像数据I2。
4.如权利要求3所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,所述采用主成分分析法进行降维的步骤为:
步骤(1-3):采用主成分分析法对归一化后的图像数据I2进行主成分分析,降低图像噪声和特征维度:
主成分分析过程如下:归一化后的图像数据I2表示成I2=(x1,x2,...,xi,...,xL)T,其中xi为一个K×1的列向量,表示一个样本;L是像元总数;
样本中心化,即对I2中所有样本进行中心化操作,具体方法为将I2中所有向量减去全局均值向量
计算中心化后的I2的协方差矩阵∑=I2 T*I2,然后对协方差矩阵∑特征分解,得到特征值矩阵Λ和特征向量矩阵ω,对I2进行主成分变换:
I3=I2*ω (4)
I3是经过主成分分析法PCA降维后的图像数据,I3的特征维度K1远小于I2的特征维数K。
5.如权利要求4所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,所述随机抽取部分已标记样本构成训练样本集合的步骤为:
步骤(1-4):随机抽取训练样本集合:
抽取方式采用随机数方法,即随机产生一组1~L之间的随机数随机数不重复,是随机数的个数;
将生成的随机数作为行标号,从步骤(1-3)的I3中抽取对应的行组成训练样本集合
将生成的随机数作为行标号,从步骤(1-1)的Lable1抽取对应的标签,组成训练样本类别标签集合
的每一行代表一个训练样本,对应中相应行的类标签。
6.如权利要求5所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,所述步骤(2-5)的步骤为:
步骤(2-5-1):对所述步骤(1-4)中训练样本集合中任意训练样本xi,即中的一行数据,按照公式(9)和公式(10)计算训练样本xi与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数,得到训练样本xi与总参考样本集合Ref所有参考样本的相关系数特征向量cori,用cori取代xi作为训练样本;
步骤(2-5-2):对所述步骤(1-4)中训练样本集合中所有训练样本xi,执行步骤(2-5-1)操作,得到相关系数特征向量构成的训练样本矩阵
所述步骤(2-6)的步骤为:
步骤(2-6-1):对所述步骤(1-3)I3中任意一个测试样本x*,即I3中的一行数据,按照公式(9)和公式(10)计算测试样本x*,与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数,得到测试样本x*,与总参考样本集合Ref所有参考样本的相关系数特征向量cor*,用cor*取代x*,作为测试样本;
步骤(2-6-2)对所述步骤(1-3)I3中所有测试样本i=1,2,…,L,L为I3中样本数,执行步骤(2-6-1)操作,得到相关系数特征向量构成的测试样本矩阵
7.如权利要求6所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,所述步骤(3)特征选择的方法为:
步骤(3-1):采用稀疏分解法对步骤(2-5-2)的训练样本矩阵train中的相关系数训练样本进行稀疏分解,同时获得稀疏字典Φ,稀疏分解后,对应于train中每一个样本cori会得到一个稀疏系数特征向量αi,用αi取代cori,得到稀疏系数训练样本集合Train;
步骤(3-2):对所述步骤(2-6-2)相关系数测试样本矩阵test在步骤(3-1)的稀疏字典Φ上进行稀疏分解,稀疏分解后,对应于test中每一个样本会得到一个稀疏系数特征向量用取代得到稀疏系数测试样本集合Test。
8.如权利要求5所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,所述步骤(2-1)的步骤为:
假设有c类,且每类参考样本数Ni;对类别i,根据所述步骤(1-4)中训练样本类别标签集合和训练样本集合首先从训练样本集合中抽取类别标签为i的样本,构成样本子集Subi,其次从Subi中有放回抽取样本子集Subi样本总数的80%加权平均,所述加权平均公式如下:
其中,refi是加权后的新样本,是一个1×K1的行向量,xi是抽取的样本,是抽取的样本数;
抽取Ni次后,会得到一个新的参考样本矩阵
汇总所有类别参考样本矩阵,得到总体参考样本矩阵Ref=(Ref1,Ref2,…,Refc)T。
9.如权利要求7所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法,其特征是,
所述稀疏分解的方法如下,稀疏分解的基本模型为:
y是未稀疏化的特征向量,Φ是稀疏字典,α是特征向量y在稀疏字典Φ上分解的稀疏系数,λ是一个控制稀疏系数α变化的参数;
所述稀疏字典Φ采用最优方向法学习获得:
以步骤(2-5-2)中train的相关系数训练样本作为最优方向法的输入样本X,寻找到一个稀疏字典Ф:
X是输入样本,A稀疏系数矩阵,βi表示A中的第i列。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748096.XA CN104463247B (zh) | 2014-12-09 | 2014-12-09 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
PCT/CN2015/092591 WO2016091017A1 (zh) | 2014-12-09 | 2015-10-23 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748096.XA CN104463247B (zh) | 2014-12-09 | 2014-12-09 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463247A CN104463247A (zh) | 2015-03-25 |
CN104463247B true CN104463247B (zh) | 2016-08-31 |
Family
ID=52909261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410748096.XA Active CN104463247B (zh) | 2014-12-09 | 2014-12-09 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN104463247B (zh) |
WO (1) | WO2016091017A1 (zh) |
Families Citing this family (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463247B (zh) * | 2014-12-09 | 2016-08-31 | 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 |
CN104794477B (zh) * | 2015-04-27 | 2016-04-13 | 山东大学 | 基于3-d小波变换和稀疏张量的高光谱图像特征抽取方法 |
CN104794497B (zh) * | 2015-05-06 | 2016-04-13 | 山东大学 | 一种高光谱图像分类中多中心拟合方法 |
CN105139026B (zh) * | 2015-08-03 | 2019-02-12 | 山东大学 | 高光谱分类中光谱域空间域联合相关约束的特征抽取方法 |
CN105894493A (zh) * | 2016-01-27 | 2016-08-24 | 电子科技大学 | 一种基于稳定性选择的fMRI数据特征的选择方法 |
CN105976310B (zh) * | 2016-05-04 | 2018-01-12 | 山东大学 | 一种基于分块的vca端元提取方法 |
CN106934400B (zh) * | 2017-02-24 | 2020-02-07 | 西安电子科技大学 | 基于自表示和局部相似性保护的高光谱图像波段选择方法 |
CN108429589B (zh) * | 2018-01-29 | 2020-02-07 | 清华大学 | 基于光谱分析的光网络的光源及光路径识别方法 |
CN108470192B (zh) * | 2018-03-13 | 2022-04-19 | 广东工业大学 | 一种高光谱分类方法及装置 |
CN108197630A (zh) * | 2018-03-19 | 2018-06-22 | 中国矿业大学(北京) | 一种基于自学习的煤岩识别方法 |
CN108520235B (zh) * | 2018-04-09 | 2020-05-08 | 中国人民解放军国防科技大学 | 一种压缩光谱特征感知方法 |
CN108985357B (zh) * | 2018-06-29 | 2023-10-20 | 湖南理工学院 | 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 |
CN110163101B (zh) * | 2019-04-17 | 2022-09-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
CN110097135B (zh) * | 2019-05-09 | 2022-12-09 | 绍兴聚量数据技术有限公司 | 一种基于双张量的全息衍射标签图像识别算法 |
CN111881933B (zh) * | 2019-06-29 | 2024-04-09 | 浙江大学 | 一种高光谱图像分类方法及系统 |
CN110443139B (zh) * | 2019-07-05 | 2023-01-03 | 中国地质大学(武汉) | 一种面向分类的高光谱遥感影像噪声波段探测方法 |
CN110334659B (zh) * | 2019-07-08 | 2022-05-10 | 太原科技大学 | 一种基于二分类的双峰发射线数据搜寻方法 |
CN110321866B (zh) * | 2019-07-09 | 2023-03-24 | 西北工业大学 | 基于深度特征稀疏化算法的遥感图像场景分类方法 |
CN110516920B (zh) * | 2019-08-05 | 2022-12-02 | 西安电子科技大学 | 基于指标融合的陀螺仪质量等级评估方法 |
CN110400276B (zh) * | 2019-08-28 | 2022-10-14 | 上海海洋大学 | 高光谱图像去噪方法、装置 |
CN110619370A (zh) * | 2019-09-23 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种高光谱图像超像素局部线性嵌入降维方法 |
CN110648276B (zh) * | 2019-09-25 | 2023-03-31 | 重庆大学 | 基于流形映射与字典学习的高维图像数据降维方法 |
CN111382749B (zh) * | 2020-03-02 | 2023-04-18 | 西安建筑科技大学 | 一种基于二维结构特征的青铜器铭文图像自动识别方法 |
CN111289991B (zh) * | 2020-03-10 | 2023-09-12 | 国网安徽省电力有限公司 | 一种基于多场景的激光测距方法及装置 |
CN111428201B (zh) * | 2020-03-27 | 2023-04-11 | 陕西师范大学 | 基于经验模态分解和前馈神经网络对时序数据的预测方法 |
CN111460966B (zh) * | 2020-03-27 | 2024-02-02 | 中国地质大学(武汉) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 |
CN111723838A (zh) * | 2020-04-21 | 2020-09-29 | 中国人民解放军火箭军工程大学 | 一种多核机器学习融合多尺度特征的高光谱地物分类方法 |
CN111639697B (zh) * | 2020-05-27 | 2023-03-24 | 西安电子科技大学 | 基于非重复采样与原型网络的高光谱图像分类方法 |
CN111860124B (zh) * | 2020-06-04 | 2024-04-02 | 西安电子科技大学 | 基于空谱胶囊生成对抗网络的遥感图像分类方法 |
CN112016385B (zh) * | 2020-07-03 | 2023-04-28 | 温州大学 | 基于空间分解的近红外光谱数据单分类特征抽取方法 |
CN112016392A (zh) * | 2020-07-17 | 2020-12-01 | 浙江理工大学 | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 |
CN111881965B (zh) * | 2020-07-20 | 2023-08-25 | 北京理工大学 | 药材产地等级的高光谱图形分类识别方法、装置及设备 |
CN111854930B (zh) * | 2020-07-21 | 2022-10-14 | 长春理工大学 | 一种基于先验预估的振动信号工频干扰压制方法 |
CN114282585A (zh) * | 2020-09-17 | 2022-04-05 | 南京邮电大学 | 基于天文光谱数据的离群天体分类方法 |
CN112183300B (zh) * | 2020-09-23 | 2024-03-22 | 厦门大学 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
CN112381756B (zh) * | 2020-09-30 | 2022-12-16 | 广东省科学院智能制造研究所 | 一种基于块平滑神经网络的高光谱数据分析方法和系统 |
CN112257603B (zh) * | 2020-10-23 | 2022-06-17 | 深圳大学 | 高光谱图像分类方法及相关设备 |
CN112381766B (zh) * | 2020-10-26 | 2023-08-22 | 华南理工大学 | 一种基于小样本学习的肺部ct影像特征检测系统 |
CN112949718A (zh) * | 2020-11-20 | 2021-06-11 | 扬州大学 | 一种半配对多视图邻域相关分析方法 |
CN112633345A (zh) * | 2020-12-17 | 2021-04-09 | 鄂尔多斯应用技术学院 | 一种基于多视图方法的采煤机数字字典的建立方法 |
CN112541554B (zh) * | 2020-12-18 | 2024-03-22 | 华中科技大学 | 基于时间约束的核稀疏表示的多模态过程监控方法及系统 |
CN112801133A (zh) * | 2020-12-30 | 2021-05-14 | 核工业北京地质研究院 | 一种基于keras模型的光谱识别分类方法 |
CN112801187B (zh) * | 2021-01-29 | 2023-01-31 | 广东省科学院智能制造研究所 | 基于注意力机制与集成学习的高光谱数据分析方法和系统 |
CN112819077B (zh) * | 2021-02-02 | 2023-04-07 | 河南大学 | 基于新型激活函数的高光谱图像分类方法 |
CN112949738B (zh) * | 2021-03-17 | 2024-03-05 | 西安电子科技大学 | 基于eecnn算法的多类不平衡高光谱图像分类方法 |
CN113095175A (zh) * | 2021-03-30 | 2021-07-09 | 成都航空职业技术学院 | 一种基于数传电台射频特征的低空无人机识别方法 |
CN113298143B (zh) * | 2021-05-24 | 2023-11-10 | 浙江科技学院 | 一种地基云鲁棒分类方法 |
CN113361548B (zh) * | 2021-07-05 | 2023-11-14 | 北京理工导航控制科技股份有限公司 | 一种用于高光图像的局部特征描述及匹配方法 |
CN113670836B (zh) * | 2021-07-27 | 2024-03-12 | 中国地质调查局西安矿产资源调查中心 | 高光谱遥感蚀变矿物信息提取的方法和装置 |
CN113505856B (zh) * | 2021-08-05 | 2024-04-09 | 大连海事大学 | 一种高光谱影像无监督自适应分类方法 |
CN114280566B (zh) * | 2021-11-30 | 2023-05-23 | 电子科技大学 | 一种类标签关联一维距离像识别方法 |
CN114332534B (zh) * | 2021-12-29 | 2024-03-29 | 山东省科学院海洋仪器仪表研究所 | 一种高光谱图像小样本分类方法 |
CN114397244A (zh) * | 2022-01-14 | 2022-04-26 | 长春工业大学 | 一种金属增材制造制件缺陷的识别方法及相关设备 |
CN114661101A (zh) * | 2022-04-06 | 2022-06-24 | 杭州盈嘉网络科技有限公司 | 一种基于云平台的分类式数据处理平台 |
CN116223756B (zh) * | 2023-03-27 | 2023-09-08 | 北京智科远达数据技术有限公司 | 一种水体氮含量预测模型的生成方法 |
CN117093855A (zh) * | 2023-10-19 | 2023-11-21 | 中电科新型智慧城市研究院有限公司 | 一种特征提取方法、装置、终端设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770584A (zh) * | 2009-12-30 | 2010-07-07 | 重庆大学 | 高光谱遥感数据鉴别特征提取方法 |
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102324047A (zh) * | 2011-09-05 | 2012-01-18 | 西安电子科技大学 | 基于稀疏核编码skr的高光谱图像地物识别方法 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0405741D0 (en) * | 2004-03-15 | 2004-04-21 | Bae Systems Plc | Apparatus for enhancing a signal and related method |
CN103632160B (zh) * | 2012-08-24 | 2017-01-18 | 孙琤 | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 |
CN103942788B (zh) * | 2014-04-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 高光谱遥感图像特征提取方法及装置 |
CN104036289A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 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 |
CN104463247B (zh) * | 2014-12-09 | 2016-08-31 | 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 |
-
2014
- 2014-12-09 CN CN201410748096.XA patent/CN104463247B/zh active Active
-
2015
- 2015-10-23 WO PCT/CN2015/092591 patent/WO2016091017A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770584A (zh) * | 2009-12-30 | 2010-07-07 | 重庆大学 | 高光谱遥感数据鉴别特征提取方法 |
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102324047A (zh) * | 2011-09-05 | 2012-01-18 | 西安电子科技大学 | 基于稀疏核编码skr的高光谱图像地物识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
WO2016091017A1 (zh) | 2016-06-16 |
CN104463247A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463247B (zh) | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 | |
Zhao et al. | shapedtw: Shape dynamic time warping | |
CN102651073B (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN105069811B (zh) | 一种多时相遥感图像变化检测方法 | |
Dias et al. | Using the Choquet integral in the pooling layer in deep learning networks | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN104298999B (zh) | 基于递归自动编码的高光谱特征学习方法 | |
CN104952050A (zh) | 基于区域分割的高光谱图像自适应解混方法 | |
Talwalkar et al. | Distributed low-rank subspace segmentation | |
CN103440512A (zh) | 一种基于张量局部保持投影的大脑认知状态的识别方法 | |
CN104008394B (zh) | 基于近邻边界最大的半监督高光谱数据降维方法 | |
CN105913092A (zh) | 基于子空间学习的图正则高光谱图像波段选择方法 | |
CN105005798A (zh) | 一种基于局部相似结构统计匹配的目标识别方法 | |
CN107578063B (zh) | 基于快速选取地标点的图像谱聚类方法 | |
CN109034213A (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN106886793A (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN115578632A (zh) | 基于膨胀卷积的高光谱图像分类方法 | |
CN111881965B (zh) | 药材产地等级的高光谱图形分类识别方法、装置及设备 | |
CN103310237A (zh) | 手写体数字识别方法及系统 | |
Gayathri | Onboard target detection in hyperspectral image based on deep learning with FPGA implementation | |
Yang et al. | Riemannian sparse coding for classification of PolSAR images | |
Qiao et al. | LiteSCANet: An efficient lightweight network based on spectral and channel-wise attention for hyperspectral image classification | |
Boix-Adsera et al. | GULP: a prediction-based metric between representations | |
CN104573727A (zh) | 一种手写体数字图像降维方法 | |
Qi et al. | A novel joint dictionary framework for sparse hyperspectral unmixing incorporating spectral library |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |