CN104463897A - 一种高光谱目标探测的方法 - Google Patents
一种高光谱目标探测的方法 Download PDFInfo
- Publication number
- CN104463897A CN104463897A CN201410843241.2A CN201410843241A CN104463897A CN 104463897 A CN104463897 A CN 104463897A CN 201410843241 A CN201410843241 A CN 201410843241A CN 104463897 A CN104463897 A CN 104463897A
- Authority
- CN
- China
- Prior art keywords
- signal
- target
- suspected
- hyperspectral
- blind source
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 17
- 230000003595 spectral effect Effects 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种高光谱目标探测的方法,其特征在于,所述方法包括:获取已知的目标光谱信号;基于盲源提取方法获取疑似信号;将目标光谱信号与疑似信号进行相关性的比较处理,获得相关性值;在相关性值大于或等于预设相关性值时,确定所述疑似信号为目标像元。其中,由于采用盲源提取方法获取疑似信号时,利用周围像素点作为混合信号,这样即便有虚警目标出现,其虚警目标像元聚集在目标像元周围,这样可以更加精确的确定目标的范围,解决了现有技术中存在对高光谱图像探测效果差的技术问题,进而实现了使得高光谱图像探测效果得到改善的技术效果。
Description
技术领域
本发明涉及高光谱遥感领域,尤其涉及一种高光谱目标探测的方法。
背景技术
高光谱成像技术在物质信息探测方面有着举足轻重的地位,它的发展对遥感领域的发展起到了重要的作用,高光谱目标探测正式运用了高光谱影像具有高分辨率以及图谱合一的特点,可以利用目标探测算法更加详细的检测到影像中的目标,在传感器成像的过程中当目标充满整个像元时就产生的目标为纯像元目标,这种纯像元目标的检测利用经典检测方法就能够很容易的探测得到;当目标不能够充满整个像元的时候,形成的目标就和其他地物一起构成混合像元,这时,它就以亚像元的形式存在,目标探测就变成亚像元目标探测问题。
在目标探测算法发展过程最常见的算法模型是线性混合模型如RX算法,约束能量最小化算法(CEM),正交子空间投影算法(OSP),以及一些基于子空间的检测算法,如自适应背景估计算法等,也出现了非线性混合模型的算法,这主要是一些利用了核函数的算法,如Kwon提出的Kernel-RX非线性RX算法等。
随着目标探测技术的发展,现有的一些算法虽然能在一定程度上满足探测需求,但是对于有些亚像元目标,一些并不能很好的显示出其探测效果,因此,现有技术存在对高光谱图像探测效果差的技术问题。
发明内容
本发明实施例通过提供一种高光谱目标探测的方法,解决了现有技术中存在对高光谱图像探测效果差的技术问题,进而实现了使得高光谱图像探测效果得到改善的技术效果。
本发明实施例提供了一种高光谱目标探测的方法,所述方法包括:
获取已知的目标光谱信号;
基于盲源提取方法获取疑似信号;
将目标光谱信号与疑似信号进行相关性的比较处理,获得相关性值;
在相关性值大于或等于预设相关性值时,确定所述疑似信号为目标像元。
进一步地,所述基于盲源提取方法获取疑似信号具体包括:
假设目标光谱信号为t,根据AR模型提取所述目标光谱信号的AR参数;
将所述AR参数作为输入参数,在线性混合信号X(n)中获得提取系数c;
根据提取系数c,从线性混合信号X(n)中提取疑似信号y(n),y(n)=cTX(n)。
进一步地,所述基于盲源提取方法获取疑似信号具体为:
采用基于均方协预测误差为代价函数的盲源提取方法获取疑似信号。
进一步地,所述采用基于均方协预测误差为代价函数的盲源提取方法获取疑似信号,具体包括:
根据假设的目标光谱信号的AR模型的长度,获取瞬时误差:e(n)=y(n)-bTY(n);其中,
b=[b1,b2,…,bp]T
Y(n)=[y(n-1),y(n-2),…,y(n-p)]T
y(n)=cT·X(n)
在以协预测误差均值为代价函数时,获得每个像元检测后的输出为y(n)=E{e(n)e(n-q)},0≤q≤p;
根据所述输出,在以均方协预测误差作为代价函数时,获得每个像元的探测值表示为
Jq(c)=cTAZ(q)ZT(q)ATc
;
s.t.c·cT=1
获取每个像元的探测值Jq(c)的最小化值,作为提取系数c;
根据提取系数c,由y(n)=cT·X(n),获取疑似信号。
进一步地,所述将目标光谱信号与疑似信号进行相关性的比较处理,获得相关性值具体为:
根据公式cc=|(y·tT/n)|,将目标光谱信号与疑似信号进行相关性的比较处理,其中y表示疑似信号,t表示目标光谱信号,n表示高光谱遥感影像的波段数目,获得相关性值。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、由于采用了通过采用盲源提取方法先对目标物光谱信号进行提取,获取疑似信号之后,将目标光谱信号与疑似信号进行相关性比较处理,在相关性值大于或者等于预设相关性值时,确定该疑似信号为目标像元,这样,通过采用盲源提取方法对目标物进行探测提取,使得获得的虚警目标像元在目标像元的周围,从而能够更加精确地确定目标,解决了现有技术中存在对高光谱图像探测效果差的技术问题,进而实现了使得高光谱图像探测效果得到改善的技术效果。
2、由于采用基于均方协预测误差为代价函数的盲源提取方法来获取疑似信号,能有效获取提取系数,从而基于获取的提取系数在混合信号中提取疑似信号,从而有效获取疑似信号。
附图说明
图1为本发明实施例中高光谱目标探测的方法流程示意图;
图2为本发明实施例中高光谱目标探测方法中算法流程框图。
具体实施方式
本发明通过提供了一种高光谱目标探测的方法,解决了现有技术中存在对高光谱图像探测效果差的技术问题,进而实现了使得高光谱图像探测效果得到改善的技术效果。
为了解决了现有技术中存在对高光谱图像探测效果差的技术问题,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供的一种高光谱图像探测的方法,采用盲源提取方法对高光谱目标进行探测,这种盲源提取方法本是一种信号处理的方法,较多的应用于语音信号等的提取,在本发明实施例中将该盲源提取方法与高光谱遥感相结合,形成一种有效的目标探测的方法,从而达到探测目标的效果。
具体地,在该盲源提取方法中以均方协预测误差(MSCPE)为核心思想,以探测目标的AR模型作为先验知识,以虚警率(PF),检测率(PD)和漏警(PL)作为验证检测性能指标。通过实验,在选取最佳参数的时候能够达到很好的探测目标的效果,即便有虚警目标出现,其虚警目标像元聚集在目标像元周围,从而更加精确的确定了目标的范围。
下面具体对高光谱目标探测的方法步骤进行描述,如图1所示,具体包括:S101,获取已知的目标光谱信号;S102,基于盲源提取方法获取疑似信号;S103,将目标光谱信号与疑似信号进行相关性的比较处理,获得相关性值;S104,在相关性值大于或等于预设相关性值时,确定该疑似信号为目标像元。
在具体地实施方式中,S101中具体是将目标的AR模型作为先验知识。比如,探测一个物体的高光谱,事先根据这个物体的材质,通过实验获得该材质的高光谱,从而获得目标光谱信号。
接着对S102,基于盲源提取方法获取疑似信号进行详细描述。
该盲源提取又称BSE模型,该模型已经应用于语音信号提取和生物医学信号提取等方面,主要目的是从线性混合信号中提取所需的信号,这种提取可以按照一定优先级别逐一提取而不重复,因此具有良好的应用前景。该BSE模型也构成符合线性混合模型的构成方式,而线性混合模型在高光谱目标探测中极为常见。
假设一副影像像元个数为r,波段个数为n,端元个数为l,则X(w)=[x1(w),x2(w),…,xr(w)]T;这是一个r×n的矩阵。可表示为:
X(w)=A·S(w) (1)
其中A是一个r×l的未知矩阵,代表每个构成像元的端元丰度;S(w)是影像中的端元集,S(w)=[s1(w),s2(w),…,sl(w)]T,这是一个l×n的矩阵。在高光谱图像中,将每个像元看成一个端元信号,将(1)式转化为BSE模型,如下:
X(n)=A·S(n) (2)其中,S(n)表示选取的像元,如果选取像元个数为l,则S(n)的大小就为l×n。
在高光谱图像中,一般情况下把每个像元都看成是各种端元的线性混合,在BSE模型中,假设目标光谱信号为t,利用AR模型提取目标光谱信号的AR参数,从而利用AR参数在线性混合信号得到一个向量c(提取系数),c是一个向量,维数大小为混合像元的个数,从线性混合信号X(n)中提取得到一个疑似信号y(n),y(n)=cTX(n),从而再计算得到疑似信号与目标光谱信号的相关度(cc);
cc=|(y·tt)/n|
由上述的式子可以得知,当线性混合信号为若干地物光谱信号的随机线性混合的时候,利用目标光谱的AR模型得到AR参数也能够很好的应用到基于MSCPE的BSE高光谱目标探测算法中来提取目标光谱信号。其中MSCPE为均方协预测误差。
下面描述基于MSCPE的BSE高光谱目标探测来获得提取系数c的过程。
在上述BSE模型中,由转化获得的X(n)=A·S(n),首先,对X(n)进行白化处理,然后,假设目标光谱信号的AR模型的长度为p,则,瞬时误差(PE)用e(n)表示,则
e(n)=y(n)-bTY(n);其中,
b=[b1,b2,…,bp]T
Y(n)=[y(n-1),y(n-2),…,y(n-p)]T
y(n)=cT·X(n)
b为目标光谱信号的AR模型参数,由此可以得出:
令则在以协预测误差均值(MCPE)为代价函数时,输出y(n)=E{e(n)e(n-q)},其中,q为误差延迟,此时输出为:
y(n)=E{e(n)e(n-q)} 0≤q≤p
而,
于是有:
y(n)=cTAE{z(n)zT(n-q)}ATc
令Z(q)=E{z(n)zT(n-q)},可以得出输出为:
y(n)=cTAZ(q)ATc
在上述协预测误差均值的基础上提出一种新的代价函数——均方协预测误差(MSCPE),因此,表示方法如下:
JQ(c)=cTAZ(q)ZT(q)ATc
s.t.c·cT=1
由上面的式子中可以得出,Z(q)ZT(q)是一个对角阵,并且它的对角元素是端元信号中各元素的平方,对于特定信号的AR模型,MSCPE只有一个最小值0,因此,可以通过最小化MSCPE获取特定信号,并且MSCPE的参数与AR模型参数是相对应的。
对Jq(c)的最小化相当于求实对称矩阵AZ(q)ZT(q)AT的最小特征值对应的特征向量问题,也就是对矩阵AZ(q)AT进行奇异值分解获取最小奇异值对应的奇异向量,因此,对应的特征向量和奇异向量就是提取系数c。
从而有效获得提取系数c,根据获得的提取系数c,在公式y(n)=cTX(n)的基础上,获得疑似信号y(n)。
最后,通过将疑似信号与目标光谱信号进行相关度比较,在相关度高时,也就是相关度值大于预设的相关度值时,确定该疑似信号为目标像元。由于上述是在基于盲源提取方法获得的疑似信号,这样在探测过程中虚警目标像元聚焦在目标像元周围,从而更加精确地确定了目标的范围。并且,将由此获得的疑似信号与目标光谱信号的相关度进行比较处理,在相关度较高时,由此确定该疑似信号为目标像元,进而实现了使得高光谱图像探测效果得到改善的技术效果。
如图2所示,为高光谱探测的方法的算法流程框图。由此,能够清晰地看到整个探测过程中所采用的算法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种高光谱目标探测的方法,其特征在于,所述方法包括:
获取已知的目标光谱信号;
基于盲源提取方法获取疑似信号;
将目标光谱信号与疑似信号进行相关性的比较处理,获得相关性值;
在相关性值大于或等于预设相关性值时,确定所述疑似信号为目标像元。
2.根据权利要求1所述的高光谱目标探测的方法,其特征在于,所述基于盲源提取方法获取疑似信号具体包括:
假设目标光谱信号为t,根据AR模型提取所述目标光谱信号的AR参数;
将所述AR参数作为输入参数,在线性混合信号X(n)中的获得提取系数c;混合信号X(n)由相邻的像素点构成。
根据所述提取系数c,从线性混合信号X(n)中提取疑似信号y(n),y(n)=cTX(n)。
3.根据权利要求2所述的高光谱目标探测的方法,其特征在于,所述基于盲源提取方法获取疑似信号具体为:
采用基于均方协预测误差为代价函数的盲源提取方法获取疑似信号。
4.根据权利要求3所述的高光谱目标探测的方法,其特征在于,所述采用基于均方协预测误差为代价函数的盲源提取方法获取疑似信号,具体包括:
根据假设的目标光谱信号的AR模型的长度,获取瞬时误差:e(n)=y(n)-bTY(n);其中,
b=[b1,b2,…,bp]T
Y(n)=[y(n-1),y(n-2),…,y(n-p)]T
y(n)=cT·X(n)
在以协预测误差均值为代价函数时,获得每个像元检测后的输出为y(n)=E{e(n)e(n-q)},0≤q≤p;
根据所述输出,在以均方协预测误差作为代价函数时,获得每个像元的探测值表示为
Jq(c)=cTAZ(q)ZT(q)ATc;
s.t.c·cT=1
获取每个像元的探测值Jq(c)的最小化值,作为提取系数c;
根据提取系数c,由y(n)=cT·X(n),获取疑似信号。
5.根据权利要求1所述的高光谱目标探测的方法,所述将目标光谱信号与疑似信号进行相关性的比较处理,获得相关性值具体为:
根据公式cc=|(y·tT/n)|,将目标光谱信号与疑似信号进行相关性的比较处理,其中y表示疑似信号,t表示目标光谱信号,n表示高光谱遥感影像的波段数目,获得相关性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410843241.2A CN104463897B (zh) | 2014-12-30 | 2014-12-30 | 一种高光谱目标探测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410843241.2A CN104463897B (zh) | 2014-12-30 | 2014-12-30 | 一种高光谱目标探测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463897A true CN104463897A (zh) | 2015-03-25 |
CN104463897B CN104463897B (zh) | 2017-11-10 |
Family
ID=52909879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410843241.2A Expired - Fee Related CN104463897B (zh) | 2014-12-30 | 2014-12-30 | 一种高光谱目标探测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463897B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124050A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于子空间的高光谱亚像元目标盲提取检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6282301B1 (en) * | 1999-04-08 | 2001-08-28 | The United States Of America As Represented By The Secretary Of The Army | Ares method of sub-pixel target detection |
US20020012451A1 (en) * | 2000-06-13 | 2002-01-31 | Ching-Fang Lin | Method for target detection and identification by using proximity pixel information |
US20060093223A1 (en) * | 2004-11-02 | 2006-05-04 | The Boeing Company | Spectral geographic information system |
US7043369B2 (en) * | 2003-04-15 | 2006-05-09 | The Johns Hopkins University | Radiance library forecasting for time-critical hyperspectral target detection systems |
CN101144861A (zh) * | 2007-11-02 | 2008-03-19 | 北京航空航天大学 | 高光谱亚像元目标探测方法及装置 |
CN101266296A (zh) * | 2008-04-28 | 2008-09-17 | 北京航空航天大学 | 高光谱小目标探测方法及装置 |
CN101794437A (zh) * | 2010-03-19 | 2010-08-04 | 武汉大学 | 一种高光谱遥感影像异常探测方法 |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN102194099A (zh) * | 2010-02-17 | 2011-09-21 | 波音公司 | 用于高光谱目标探测方法的高级背景估计技术和电路 |
US20120076406A1 (en) * | 2009-07-20 | 2012-03-29 | Kevin Fisher | System and method for progressive band selection for hyperspectral images |
CN102879098A (zh) * | 2012-09-19 | 2013-01-16 | 南京理工大学 | 窄带高光谱的快速干涉成像方法及装置 |
CN103115679A (zh) * | 2013-01-18 | 2013-05-22 | 中国科学院对地观测与数字地球科学中心 | 地物光谱获取方法及装置、高光谱图像目标探测方法及装置 |
CN103776532A (zh) * | 2014-01-14 | 2014-05-07 | 北京空间机电研究所 | 一种基于遥感应用的高光谱成像仪指标优化方法 |
-
2014
- 2014-12-30 CN CN201410843241.2A patent/CN104463897B/zh not_active Expired - Fee Related
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6282301B1 (en) * | 1999-04-08 | 2001-08-28 | The United States Of America As Represented By The Secretary Of The Army | Ares method of sub-pixel target detection |
US20020012451A1 (en) * | 2000-06-13 | 2002-01-31 | Ching-Fang Lin | Method for target detection and identification by using proximity pixel information |
US7043369B2 (en) * | 2003-04-15 | 2006-05-09 | The Johns Hopkins University | Radiance library forecasting for time-critical hyperspectral target detection systems |
US20060093223A1 (en) * | 2004-11-02 | 2006-05-04 | The Boeing Company | Spectral geographic information system |
CN101144861A (zh) * | 2007-11-02 | 2008-03-19 | 北京航空航天大学 | 高光谱亚像元目标探测方法及装置 |
CN101266296A (zh) * | 2008-04-28 | 2008-09-17 | 北京航空航天大学 | 高光谱小目标探测方法及装置 |
US20120076406A1 (en) * | 2009-07-20 | 2012-03-29 | Kevin Fisher | System and method for progressive band selection for hyperspectral images |
CN102194099A (zh) * | 2010-02-17 | 2011-09-21 | 波音公司 | 用于高光谱目标探测方法的高级背景估计技术和电路 |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN101794437A (zh) * | 2010-03-19 | 2010-08-04 | 武汉大学 | 一种高光谱遥感影像异常探测方法 |
CN102879098A (zh) * | 2012-09-19 | 2013-01-16 | 南京理工大学 | 窄带高光谱的快速干涉成像方法及装置 |
CN103115679A (zh) * | 2013-01-18 | 2013-05-22 | 中国科学院对地观测与数字地球科学中心 | 地物光谱获取方法及装置、高光谱图像目标探测方法及装置 |
CN103776532A (zh) * | 2014-01-14 | 2014-05-07 | 北京空间机电研究所 | 一种基于遥感应用的高光谱成像仪指标优化方法 |
Non-Patent Citations (4)
Title |
---|
GANGWANG ET AL: "Extraction of Desired Signal Based on AR Model with Its Application to Atrial Activity Estimation in Atrial Fibrillation", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》 * |
常睿春 等: "高光谱遥感混合像元盲分离模型", 《地球物理学进展》 * |
蔡英 等: "一种基于AR模型的非线性盲源提取方法及其应用", 《山东大学学报(工学版)》 * |
路野: "基于 AR 模型的水下目标检测方法", 《船电技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124050A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于子空间的高光谱亚像元目标盲提取检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104463897B (zh) | 2017-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9159121B2 (en) | Method for image denoising | |
CN103761752B (zh) | 一种极化合成孔径雷达图像的处理方法及装置 | |
CN103218796B (zh) | 一种全色—多光谱遥感图像融合方法 | |
Xu et al. | Spatial and temporal image fusion via regularized spatial unmixing | |
CN108427934B (zh) | 一种高光谱影像混合像元分解方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN102982517B (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
CN107145891B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
CN103325092B (zh) | 一种生成二维相位解缠质量图的方法及装置 | |
CN105809182B (zh) | 一种图像分类的方法及装置 | |
CN104933685A (zh) | 基于三维张量压缩感知的高光谱压缩成像方法 | |
CN108257109B (zh) | 一种数据融合方法及装置 | |
CN103926203B (zh) | 一种针对地物光谱不确定性的光谱角度制图方法 | |
CN103808413A (zh) | 基于噪声分离的温度与比辐射率分离的方法及装置 | |
CN102156998A (zh) | 一种高光谱图像压缩方法 | |
CN104463897B (zh) | 一种高光谱目标探测的方法 | |
CN105678716A (zh) | 一种地基sar大气干扰相位校正方法及装置 | |
RU2520424C2 (ru) | Способ комплексирования цифровых многоспектральных изображений земной поверхности | |
CN102663420B (zh) | 基于小波包变换和灰色预测模型的高光谱图像分类方法 | |
CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
CN103323844B (zh) | 一种多通道干涉合成孔径雷达高程重建方法及装置 | |
Liu et al. | Hyperspectral Real-Time Local Anomaly Detection Based on Finite Markov via Line-by-Line Processing | |
Wang et al. | Modified RANSAC for SIFT-based InSAR image registration | |
Hou et al. | Novel hyperspectral anomaly detection methods based on unsupervised nearest regularized subspace | |
CN105785363A (zh) | 一种极化合成孔径雷达图像的span增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171110 Termination date: 20191230 |