CN104504391A - 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 - Google Patents
一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN104504391A CN104504391A CN201410734811.4A CN201410734811A CN104504391A CN 104504391 A CN104504391 A CN 104504391A CN 201410734811 A CN201410734811 A CN 201410734811A CN 104504391 A CN104504391 A CN 104504391A
- Authority
- CN
- China
- Prior art keywords
- classification
- sample
- probability
- alpha
- dictionary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 12
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 5
- 235000011613 Pinus brutia Nutrition 0.000 description 5
- 241000018646 Pinus brutia Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感信息处理技术领域,具体涉及一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法。本发明包括:读入高光谱图像数据;求解字典;求解稀疏特征;用概率支持向量机求解概率输出,并确定初始分类结果:通过马尔科夫随机场来求解样本概率;确定高光谱图像最终分类结果。本发明应用稀疏特征使得图像得到很好的表述,能够对图像中的邻域信息充分的利用,优化了分类图的视觉效果,提高了分类的精度等优点。
Description
技术领域
本发明属于遥感信息处理技术领域,具体涉及一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法。
背景技术
高光谱图像分类是一种重要的获取信息的手段,以高光谱图像为对象,利用统计模式识别技术,提取研究取识别模式的统计特征值,然后根据某种决策准则做出类别决策,实现对不同地物的判别,其目标是将图像中的每个像元划分给一个类别。不同的地物由于反射的电磁能量不同表现出波谱的差异性,这就是高光谱分类的理论依据。良好的高光谱图像分类有助于充分挖掘高光谱图像信息,高光谱数据的特点是数据量大、冗余多,维数较高,同时在波段之间存在着很强的相关性。传统高光谱处理中通常用到的信息为原始的光谱(OriginalSpectral,OS)特征和主成分分析(Principal Components Analysis,PCA)特征信息,如何有效地利用丰富的光谱信息,并同时确保处理精度获得了越来越广泛的关注。
传统的高光谱数据分类方法中存在以下几个问题:1、高光谱数据不能得到很好的表达致使分类精度不高。2、没有充分利用邻域信息。针对以上问题,本发明提出一种稀疏特征和马尔科夫随机场的高光谱图像分类方法。
发明内容
本发明的目的是提供一种具有更优的分类效果,分类视觉效果好,分类精度高的基于稀疏特征和和马尔科夫随机场的高光谱图像分类方法。
本发明的目的是这样实现的:
(1)读入高光谱图像数据:
读入三维的高光谱高维数据,进行维数转换从三维转换为二维数据,对所得的二维数据作归一化处理得到高光谱遥感图像数据集X,确定要处理的样本类别数为s;
(2)求解字典D:
高光谱遥感图像数据集 表示n维实数集,其中n为高光谱数据的行数,xp表示X中的第p个列向量,h为其列总数,字典dz表示D中的第z个列向量,W为其列总数,把稀疏表示表达为:
其中,为系数矩阵,λ>0,参数λ平衡重构误差和稀疏性之间的折中关系;得到高光谱数据所对应的字典D;
(3)求解稀疏特征A:
将像元x∈X表示为字典D中原子的稀疏线性组合:
则像元x在字典D上的稀疏表示特征即为 得到高光谱数据的稀疏特征A;
(4)用概率支持向量机求解概率输出,并确定初始分类结果:
(4.1)设定训练集和测试集:
从稀疏特征A中将s个类别各选取一样本来构成训练集E,整个稀疏特征A设定为测试集;
(4.2)进行样本标号:
将具有监督信息的训练样本中属于第i(1≤i≤s)类样本对应的样本标号标记为+1,其余s-1的类别对应的样本标号标记为-1;
(4.3)概率支持向量机二分类:
A中的元素e的分类决策函数为fi(e)为:
fi(e)=<w,e>+b
其中,截距b为 中的第一个元素,斜率w为式
w=Eβ
其中,y为对应于E中第i类位置处的值为+1、其余元素值为-1的s维列向量,1v为元素值全为1的s维列向量,参量β为 中去掉第一个元素的列向量;
(4.4)通过二分类结果为fi(e),求解出分类概率输出po(i|e),并对结果进行存储,
其中,a和B分别为斜率和截距参数;
(4.5)重复步骤(4.1)-(4.3),直至分类概率输出po(s|e)求解完毕;
(4.6)对概率输出进行归一化,得到最终概率输出P(i|e):
(4.7)确定初始分类结果:
由步骤(4.1)-(4.6)得s个概率输出,稀疏特征A中测试样本的归属类别取决于s个结果中对应的最大值,样本就偏向于这个类别并且最终归属为这一类,得到初始分类结果Y0;
(5)通过马尔科夫随机场来求解样本概率:
(5.1)求解能量函数U(e):
初始分类结果Y0为马尔科夫随机场,求解其能量总函数U(e):
其中C1为一阶邻域集团,C2为二阶邻域集团,e为目标像素,em与en为邻域集团中的像素,m和n表示的为坐标位置,与分别为一阶邻域集团和二阶邻域集团的能量函数,其中一阶能量V1(em=i)=-ρ,二阶能量 ρ和βc分别为一阶邻域势参数和二阶邻域势参数;
(5.2)求解样本e出现的概率P(e):
求解样本e出现的概率P(e):
其中是切分函数的归一化常量,Ω表示样本空间,T为温度常数这里设为1;
(6)确定高光谱图像最终分类结果;
通过最大后验概率准则确定样本的最终标号BH,最终输出最终分类结果Y:
本发明的有益效果在于其应用稀疏特征使得图像得到很好的表述,能够对图像中的邻域信息充分的利用,优化了分类图的视觉效果,提高了分类的精度等优点。
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为实验中采用的三种不同方法对数据集分类后与之对应的各类地物的分类分布图,其中5-a,5-b,5-c分别对应着数据集的OS+SVM分类分布图,PCA+SVM分类分布图和本发明方法分类分布图;
图6为实验中采用的三种不同方法对数据集分类的评价指标表。
具体实施方式
下面结合附图对本发明做出更详细的描述。
本发明提供一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法。具体包括以下步骤:1、读入高光谱图像数据。读入高光谱高维数据,进行维数转换,并对其作归一化处理得到X,其中含有样本类别数为s。2、求解字典D。对X进行字典学习,得到高光谱数据所对应的字典D。3、求解稀疏特征A。利用X和已经求得的字典D求解高光谱数据的稀疏特征A。4、用概率支持向量机(Support Vector Machines,SVM)求解概率输出,并确定初始分类结果。从A中将s个类别各选取一部分样本来构成训练集E,测试集设定为整个A。通过概率支持向量机来求解分类概率输出,并确定初始分类结果Y0。5、通过马尔科夫随机场来求解样本概率。根据初始分类结果Y0,通过马尔科夫随机场求解样本e出现的概率P(e)。6、确定高光谱图像最终分类结果。通过最大后验概率准则来确定最终分类结果Y。
本发明的详细步骤如下:
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得到X,确定要处理的样本类别数为s。
2、求解字典D。
高光谱遥感图像数据集 表示n维实数集,其中n为高光谱数据的行数,xp表示X中的第p个列向量,h为其列总数。字典(dz表示D中的第z个列向量,W为其列总数)可以把稀疏表示表达为如下形式的优化问题:
其中,为系数矩阵,λ>0,参数λ平衡重构误差和稀疏性之间的折中关系。
通过对式(1)优化求解,最终得到高光谱数据所对应的字典D。
3、求解稀疏特征A。
可以将像元x∈X表示为字典D中原子的稀疏线性组合:
则某像元x在字典D上的稀疏表示特征即为 通过对式(2)求解可以得到高光谱数据的稀疏特征A。
4、用概率SVM求解概率输出,并确定初始分类结果。
4.1、设定训练集和测试集。
从A中将s个类别各选取一部分样本来构成训练集E,整个A设定为测试集。
4.2、进行样本标号。
将具有监督信息的训练样本中属于第i(1≤i≤s)类样本对应的样本标号标记为+1,其余s-1的类别对应的样本标号标记为-1。
4.3、SVM二分类。
A中的元素e的分类决策函数为fi(e)为式(3):
fi(e)=<w,e>+b (3)
其中,截距b为 中的第一个元素,斜率w为式(4):
w=Eβ (4)
其中,y为对应于E中第i类位置处的值为+1、其余元素值为-1的s维列向量,1v为元素值全为1的s维列向量,参量β为 中去掉第一个元素的列向量。
4.4、通过5.2得到二分类结果为fi(e),通过式(5)求解出分类概率输出po(i|e),并对结果进行存储。
其中,a和B分别为斜率和截距参数。
4.5、重复5.1-5.3,直至po(s|e)求解完毕。
4.6、通过式子(6)对概率输出进行归一化,得到最终概率输出P(i|e)。
4.7、确定初始分类结果。
由步骤4.1-4.6可得s个概率输出,A中测试样本的归属类别取决于s个结果中对应的哪个值最大,样本就偏向于这个类别并且最终归属为这一类,得到初始分类结果Y0。
5、通过马尔科夫随机场来求解样本概率。
5.1、求解能量函数U(e)。
初始分类结果Y0为马尔科夫随机场,通过式子(7)来求解其能量总函数U(e)。
其中C1为一阶邻域集团,C2为二阶邻域集团,e为目标像素,em与en为其邻域集团中的像素,m和n表示的为坐标位置。与分别为一阶邻域集团和二阶邻域集团的能量函数,其中一阶能量V1(em=i)=-ρ,二阶能量 ρ和βc分别为一阶邻域势参数和二阶邻域势参数。
5.2、求解样本e出现的概率P(e)。
通过式(7)来求解样本e出现的概率P(e)。
其中是切分函数的归一化常量,Ω表示样本空间,T为温度常数这里设为1。
6、确定高光谱图像最终分类结果。
通过最大后验概率准则即式(8)来确定样本的最终标号BH,最终输出最终分类结果Y:
通过步骤1至步骤6,最终输出本发明下的高光谱图像分类结果Y。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Indian Pines高光谱数据集来验证本发明方法的适用性。
美国印第安纳州Indian Pine实验区图像,其于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,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。考虑到地物个数、比例等原因从中16种地物中选取9类地物来进行实验,为方便对其分别标号为第1-9类。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。从这9种实际地物分布样本中均匀抽取10%的数据作为训练样本。
在对高光谱图像进行分类时,本发明方法与经典方法即分别利用OS特征和PCA特征然后经SVM分类方法(两种方法分别标记为OS+SVM和PCA+SVM)进行对比。
运用三种方法分类后与之对应的各类地物的分类分布图如图5所示,可以很直观的看到相对于OS+SVM和PCA+SVM分类,本发明的方法分类效果图好。其中5-a,5-b,5-c分别对应着数据集的OS+SVM分类分布图,PCA+SVM分类分布图和本发明方法分类分布图;
三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6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OS+SVM,针对本发明的方法中从总体分类精度和Kappa系数来看均要高出11%,从平均漏分率和平均错分率来均降低10%。较之PCA+SVM,针对本发明的方法中从总体分类精度和Kappa系数来看均要高出25%,从平均漏分率和平均错分率来均降低25%。
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 (1)
1.一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法,其特征在于:
(1)读入高光谱图像数据:
读入三维的高光谱高维数据,进行维数转换从三维转换为二维数据,对所得的二维数据作归一化处理得到高光谱遥感图像数据集X,确定要处理的样本类别数为s;
(2)求解字典D:
高光谱遥感图像数据集 表示n维实数集,其中n为高光谱数据的行数,xp表示X中的第p个列向量,h为其列总数,字典dz表示D中的第z个列向量,W为其列总数,把稀疏表示表达为:
其中,为系数矩阵,λ>0,参数λ平衡重构误差和稀疏性之间的折中关系;得到高光谱数据所对应的字典D;
(3)求解稀疏特征A:
将像元x∈X表示为字典D中原子的稀疏线性组合:
则像元x在字典D上的稀疏表示特征即为 得到高光谱数据的稀疏特征A;
(4)用概率支持向量机求解概率输出,并确定初始分类结果:
(4.1)设定训练集和测试集:
从稀疏特征A中将s个类别各选取一样本来构成训练集E,整个稀疏特征A设定为测试集;
(4.2)进行样本标号:
将具有监督信息的训练样本中属于第i(1≤i≤s)类样本对应的样本标号标记为+1,其余s-1的类别对应的样本标号标记为-1;
(4.3)概率支持向量机二分类:
A中的元素e的分类决策函数为fi(e)为:
fi(e)=<w,e>+b
其中,截距b为 中的第一个元素,斜率w为式
w=Eβ
其中,y为对应于E中第i类位置处的值为+1、其余元素值为-1的s维列向量,1v为元素值全为1的s维列向量,参量β为 中去掉第一个元素的列向量;
(4.4)通过二分类结果为fi(e),求解出分类概率输出po(i|e),并对结果进行存储,
其中,a和B分别为斜率和截距参数;
(4.5)重复步骤(4.1)-(4.3),直至分类概率输出po(s|e)求解完毕;
(4.6)对概率输出进行归一化,得到最终概率输出P(i|e):
(4.7)确定初始分类结果:
由步骤(4.1)-(4.6)得s个概率输出,稀疏特征A中测试样本的归属类别取决于s个结果中对应的最大值,样本就偏向于这个类别并且最终归属为这一类,得到初始分类结果Y0;
(5)通过马尔科夫随机场来求解样本概率:
(5.1)求解能量函数U(e):
初始分类结果Y0为马尔科夫随机场,求解其能量总函数U(e):
其中C1为一阶邻域集团,C2为二阶邻域集团,e为目标像素,em与en为邻域集团中的像素,m和n表示的为坐标位置,与分别为一阶邻域集团和二阶邻域集团的能量函数,其中一阶能量V1(em=i)=-ρ,二阶能量 ρ和βc分别为一阶邻域势参数和二阶邻域势参数;
(5.2)求解样本e出现的概率P(e):
求解样本e出现的概率P(e):
其中是切分函数的归一化常量,Ω表示样本空间,T为温度常数这里设为1;
(6)确定高光谱图像最终分类结果;
通过最大后验概率准则确定样本的最终标号BH,最终输出最终分类结果Y:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410734811.4A CN104504391B (zh) | 2014-12-04 | 2014-12-04 | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410734811.4A CN104504391B (zh) | 2014-12-04 | 2014-12-04 | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504391A true CN104504391A (zh) | 2015-04-08 |
CN104504391B CN104504391B (zh) | 2017-11-21 |
Family
ID=52945787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410734811.4A Expired - Fee Related CN104504391B (zh) | 2014-12-04 | 2014-12-04 | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504391B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608433A (zh) * | 2015-12-23 | 2016-05-25 | 北京化工大学 | 一种基于核协同表达的高光谱图像分类方法 |
CN107145831A (zh) * | 2017-04-11 | 2017-09-08 | 中国地质大学(武汉) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 |
CN107222275A (zh) * | 2017-06-19 | 2017-09-29 | 四川大学 | 基于马尔科夫随机场的dmwc频谱感知 |
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 |
CN110208666A (zh) * | 2019-07-03 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 局部放电特征光谱的选取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314685A (zh) * | 2011-07-23 | 2012-01-11 | 北京航空航天大学 | 一种基于随机投影的高光谱图像稀疏解混方法 |
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
-
2014
- 2014-12-04 CN CN201410734811.4A patent/CN104504391B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314685A (zh) * | 2011-07-23 | 2012-01-11 | 北京航空航天大学 | 一种基于随机投影的高光谱图像稀疏解混方法 |
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
Non-Patent Citations (6)
Title |
---|
BING ZHANG .ETC: ""Adaptive Markov Random Field Approach for Classification of Hyperspectral Imagery"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
MOSTAFA BORHANI .ETC: ""Hyperspectral Image Classification Based on Spectral-Spatial Features Using Probabilistic SVM and Locally Weighted Markov Random Fields"", 《INTELLIGENT SYSTEMS(ICIS)》 * |
YULIYA TARABALKA .ETC: ""SVM- and MRF-Based Method for Accurate Classification of Hyperspectral Images"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
李娜,等: ""基于光谱与空间特征结合的改进高光谱数据分类算法"", 《光谱学与光谱分析》 * |
李祖传,等: ""利用SVM-CRF进行高光谱遥感数据分类"", 《武汉大学学报.信息科学版》 * |
赵春晖 .ETC: ""空间4_邻域稀疏表示的高光谱图像目标检测", 《哈尔滨工程大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608433A (zh) * | 2015-12-23 | 2016-05-25 | 北京化工大学 | 一种基于核协同表达的高光谱图像分类方法 |
CN105608433B (zh) * | 2015-12-23 | 2018-11-16 | 北京化工大学 | 一种基于核协同表达的高光谱图像分类方法 |
CN107145831A (zh) * | 2017-04-11 | 2017-09-08 | 中国地质大学(武汉) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 |
CN107145831B (zh) * | 2017-04-11 | 2020-02-14 | 中国地质大学(武汉) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 |
CN107222275A (zh) * | 2017-06-19 | 2017-09-29 | 四川大学 | 基于马尔科夫随机场的dmwc频谱感知 |
CN107222275B (zh) * | 2017-06-19 | 2020-09-08 | 四川大学 | 基于马尔科夫随机场的dmwc节点选择方法 |
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 |
CN110208666A (zh) * | 2019-07-03 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 局部放电特征光谱的选取方法 |
CN110208666B (zh) * | 2019-07-03 | 2021-07-16 | 云南电网有限责任公司电力科学研究院 | 局部放电特征光谱的选取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104504391B (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN108830209B (zh) | 基于生成对抗网络的遥感图像道路提取方法 | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN104504391A (zh) | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 | |
CN103065160B (zh) | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 | |
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 | |
CN105320965A (zh) | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 | |
CN105046276A (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN110427836A (zh) | 一种基于多尺度优化的高分辨率遥感影像水体提取方法 | |
CN111160171A (zh) | 一种联合两域多特征的辐射源信号识别方法 | |
CN113160139A (zh) | 基于注意力的Faster R-CNN网络的钢板表面缺陷检测方法 | |
CN113673509B (zh) | 一种基于图像文本的仪表检测分类方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN102915448B (zh) | 一种基于AdaBoost的三维模型自动分类方法 | |
CN106022355A (zh) | 基于3dcnn的高光谱图像空谱联合分类方法 | |
CN104809471A (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 | |
CN114092815B (zh) | 一种大范围光伏发电设施遥感智能提取方法 | |
CN113378971B (zh) | 近红外光谱的分类模型训练方法、系统及分类方法、系统 | |
CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
CN103714148A (zh) | 基于稀疏编码分类的sar图像检索方法 | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
CN103903010A (zh) | 基于稀疏特征和邻域同属性的高光谱图像分类方法 | |
CN104270640A (zh) | 基于支持向量回归的光谱图像无损压缩方法 | |
CN115859142A (zh) | 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171121 |