CN105069482B - 基于空间正则化流形学习算法的高光谱遥感图像分类方法 - Google Patents
基于空间正则化流形学习算法的高光谱遥感图像分类方法 Download PDFInfo
- Publication number
- CN105069482B CN105069482B CN201510515751.1A CN201510515751A CN105069482B CN 105069482 B CN105069482 B CN 105069482B CN 201510515751 A CN201510515751 A CN 201510515751A CN 105069482 B CN105069482 B CN 105069482B
- Authority
- CN
- China
- Prior art keywords
- block
- data
- sub
- dimensionality reduction
- data point
- 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.)
- Expired - Fee Related
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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Abstract
本发明提供了一种基于空间正则化流形学习算法的高光谱遥感图像降维和分类方法,包括以下步骤:将高光谱遥感图像划分为多个子块;再在其中随机选择部分数据点作为连接数据;将连接数据和各子块数据合并后得到增强子块数据;对每个增强子块分别计算LLE算法和空间正则约束对应的图拉普拉斯矩阵,并得到复合的拉普拉斯矩阵,对该矩阵进行特征值分解,得到降维结果;对各个降维结果进行对齐,得到整个图像的降维结果;最后对降维数据进行分类。本发明在流形学习算法框架下有效结合数据空间信息,并采用图像分块和对齐的策略,以最大程度发挥空间正则约束的作用。所提出算法对多种高光谱遥感数据分类都表现出较好的适用性,能够明显提高高光谱遥感图像的分类精度。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种空间正则化的流形学习降维算法,并结合图像分块和降维结果对齐技术,最大程度发挥空间正则约束的作用,用于高光谱遥感图像降维和分类。
背景技术
高光谱遥感是具有高的光谱分辨率的遥感科学和技术,它具有“图谱合一”的特性,将代表地物性质的光谱和确定地物空间的图像结合在一起,能够获取地球表面丰富的光谱和空间信息,在地物精细分类方面具有重要应用。
高光谱数据量大,存在数据冗余和维数灾难问题,降维是解决这个问题的有效方法。降维不仅能够减少运算量,而且能够找出高维数据中隐藏的低维结构,提高数据分类的精度。流形学习作为一类非线性降维算法,能够有效挖掘数据的非线性结构。由于高光谱遥感数据存在固有的非线性特性,线性降维可能丢失数据某些重要的非线性信息,因此,基于流形学习的非线性降维具有重要的研究意义,已经成功应用于高光谱遥感图像分类。
大量研究表明,高光谱遥感图像空间信息的利用能够有效降低分类结果中的椒盐现象,提高分类精度。对于结合空间信息的流形学习算法,目前研究主要集中在结合空间特征的相似性度量方法上。例如目前有研究者将数据点的空间坐标信息作为其空间特征,如果两个数据点在空间上接近,那么其相似性程度增加;也有研究者利用以数据点为中心的空间邻域的平均光谱作为其空间特征,并由热核函数来计算数据点之间空间特征的相似性;还有研究者提出了空间相关距离,将两个数据点的相似性转换为两个数据点集的相似性,其中数据点集是以数据点为中心的空间邻域数据构成的点集。在半监督分类领域,有研究者提出空间正则约束,约束空间位置上接近的数据点具有相似的分类结果。由于半监督分类算法计算复杂度高,只能在图像中选择一部分数据参与计算,如果所选择的数据在空间上比较分散,那么一个数据点的空间邻域内存在较少其他数据点,空间正则约束的作用就会受限。
发明内容
本发明将空间正则约束应用于流形学习算法中,提出空间正则化的流形学习算法,以约束空间位置上接近的数据点具有相似的降维结果。
实现本发明上述目的所采用的技术方案为:
一种基于空间正则化流形学习算法的高光谱遥感图像降维和分类方法,该算法结合图像分块和降维结果对齐技术,最大程度发挥空间正则约束的作用,从而进行高光谱遥感图像降维和分类,具体包括以下步骤:
(1)、将高光谱遥感图像X分成n个不重叠的子块Xi,i=1,...,n;
其中X表示高光谱遥感数据,包含N个数据点,每个数据点的维数是D;Xi表示第i个子块内数据点的集合,每个子块的大小是m×m,也就是每个子块内包含m2个数据点;
(2)、在高光谱遥感图像X中随机选择一部分数据点作为连接数据Xt,其中Xt包含p个数据点;
(3)、将连接数据Xt合并到每个子块Xi中,生成n个增强子块Ai=[Xt,Xi],i=1,...,n,每个增强子块Ai包含(m2+p)个数据点;
(4)、计算每个增强子块Ai的降维结果Zi=[Mi,Yi],i=1,...,n,其中Mi表示连接数据Xt在第i个子块中的降维结果,Yi表示第i个子块数据Xi的降维结果,降维数据的维数为d,(d<D);降维结果Zi的计算方法为:
对于每一个增强子块数据Ai,分别计算局部线性嵌入(Locally LinearEmbedding,LLE)这种流形学习算法对应的图拉普拉斯矩阵L,和空间正则约束对应的图拉普拉斯矩阵Ls,两者加权相加得到复合的拉普拉斯矩阵uL+(1-u)Ls,其中参数u表示权重,对该复合拉普拉斯矩阵进行特征值分解,其最小的2~(d+1)个特征值对应的特征向量就是该增强子块的降维结果Zi;
(5)、将各个子块Xi的降维结果(Yi,i=1,...,n)进行对齐,得到整个图像的降维结果Y,方法如下:
首先任意选择一个目标子块,例如第q个子块,计算变换矩阵Piq,i=1,...,n,表示从第i个子块到第q个子块的对齐,其中上标符号T表示对矩阵的转置操作,上标符号“-1”表示对矩阵进行求逆操作,然后计算第i个子块对齐到第q个子块的结果:Yiq=PiqYi,i=1,...,n,从而得到整个图像X的降维数据Y=[Y1q,Y2q,....,Ynq];
(6)、对降维数据Y采用最近邻分类算法(1NN)进行分类,方法如下:
对图像中每一个待分类的数据点yi,i=1,...N,基于欧式距离度量方法,在训练数据集中选择和yi欧氏距离最小的数据点yj,并以数据点yj的类别作为数据点yi的类别。
步骤(4)中,LLE算法对应的图拉普拉斯矩阵L的计算公式为:
L=(I-S)T(I-S)
其中I表示单位矩阵,大小是(m2+p)×(m2+p),S表示重构系数矩阵,大小是(m2+p)×(m2+p),S中第a行第b列的元素为Sab,表示xa被xb线性重构的系数;S矩阵的计算方法是:对增强子块Ai中的每个数据点xa,a=1,...,(m2+p),在该增强子块中寻找与xa光谱特征最接近的k个近邻点,近邻点基于光谱角制图度量方法搜索;令N(xa)表示xa的光谱邻域,包括xa的k个光谱近邻点;如果数据点xb∈N(xa),那么xa被xb线性重构的系数Sab通过求解以下目标函数得到:
如果数据点那么Sab=0。
步骤(4)中,空间正则约束对应的图拉普拉斯矩阵Ls的计算公式为:
Ls=I-Ds -1/2WsDs -1/2
其中Ds是对角的程度矩阵,Ds矩阵中第a行第a列的元素Ds,aa通过以下公式计算:Ds,aa=ΣbWs,ab,Ws表示数据空间关系邻接矩阵,大小是(m2+p)×(m2+p),对于数据点xa,a=1,...,(m2+p),其空间邻域定义为以xa为中心的w×w的空间窗口内的数据,w表示空间方形窗口的边长,也就是空间邻域包含w2个数据点,如果数据点xb在该窗口内,那么xa和xb为空间近邻,这两个数据点之间的值Ws,ab通过以下公式计算:
其中σ表示热核函数参数,如果数据点xb不在以xa为中心的w×w的空间窗口内,即xa和xb不是空间近邻,那么Ws,ab的值为零。
本发明将空间正则约束应用于流形学习算法中,提出空间正则化的流形学习算法,以约束空间位置上接近的数据点具有相似的降维结果。但是,直接利用该约束,存在的问题是:如果所选择数据的空间分布比较分散,那么该约束无法充分发挥作用。为解决这个问题,提高空间正则约束的作用,本申请将图像分成多个不重叠的小的子块,然后在每个子块中进行空间正则化LLE算法。在子块中,由于每个数据点的空间邻域数据也在这个子块中,因此,数据之间好的空间关系可以得到保证,空间正则约束的作用能够得到充分发挥。
与现有技术相比,本发明具有以下优点:
(1)、本发明将空间正则约束引入流形学习算法中,使得降维数据能够同时保持光谱邻域和空间邻域的局部特性,提高降维数据的类别可分性。
(2)、本方法将高光谱遥感图像分成多个不重叠的子块,在每个子块中进行空间正则化流形学习降维算法,以充分发挥空间正则约束的作用,并使得该算法可以适用于大尺度高光谱遥感图像。
附图说明
图1为本发明提供的高光谱遥感图像分类方法的流程图;
图2为本发明实施例中对Indiana Pine高光谱遥感数据,对不同结合空间信息的LLE算法的比较(总体分类精度)。
图3为本发明实施例中对Houston高光谱遥感数据,对不同结合空间信息的LLE算法的比较(总体分类精度)。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但是本发明的保护范围并不局限于以下实施例。
本发明所提供的基于空间正则化流形学习算法的高光谱遥感图像分类方法的流程如图1所示,该方法结合图像分块和降维结果对齐技术,最大程度发挥空间正则约束的作用,进行高光谱遥感图像降维和分类,算法具体包括以下步骤:
(1)、将高光谱遥感图像X分成n个不重叠的子块Xi,i=1,...,n,其中X表示高光谱遥感数据,包含N个数据点,每个数据点的维数是D;Xi表示第i个子块内数据点的集合,每个子块的大小是m×m,也就是子块内包含m2个数据点。
(2)、在高光谱遥感图像X中随机选择一小部分数据点作为连接数据Xt,其中Xt包含p个数据点。
(3)、将连接数据Xt合并到每个子块中,生成n个增强子块Ai=[Xt,Xi],i=1,...,n,每个增强子块包含(m2+p)个数据点。
(4)、基于空间正则化LLE算法对每个增强子块数据Ai降维,得到降维结果Zi=[Mi,Yi],i=1,...,n,其中Mi表示连接数据Xt在第i个子块中的降维结果,Yi表示第i个子块数据Xi的降维结果,降维数据的维数为d(d<D)。对于子块数据Ai,空间正则化LLE算法降维的具体计算步骤为:
首先计算LLE算法对应的图拉普拉斯矩阵L,计算公式为:
L=(I-S)T(I-S)
其中上标符号T表示对矩阵的转置操作,I表示单位矩阵,大小是(m2+p)×(m2+p),S表示重构系数矩阵,大小是(m2+p)×(m2+p),S中第a行第b列的元素为Sab,表示xa被xb线性重构的系数;S矩阵的计算方法是:对增强子块Ai中的每个数据点xa,a=1,...,(m2+p),在该增强子块中寻找与xa光谱特征最接近的k个近邻点,近邻点基于光谱角制图度量方法搜索;令N(xa)表示xa的光谱邻域,包括xa的k个光谱近邻点;如果数据点xb∈N(xa),那么xa被xb线性重构的系数Sab通过求解以下目标函数得到:
如果数据点那么Sab=0。
然后计算空间正则约束对应的图拉普拉斯矩阵Ls,其计算公式为:
Ls=I-Ds -1/2WsDs -1/2
其中Ds是对角的程度矩阵,Ds矩阵中第a行第a列的元素Ds,aa通过以下公式计算:Ds,aa=ΣbWs,ab,Ws表示数据空间关系邻接矩阵,大小是(m2+p)×(m2+p),对于数据点xa,a=1,...,(m2+p),其空间邻域定义为以xa为中心的w×w的空间窗口内的数据,w表示空间方形窗口的边长,也就是空间邻域包含w2个数据点,如果数据点xb在该窗口内,那么xa和xb为空间近邻,这两个数据点之间的值Ws,ab通过以下公式计算:
其中σ表示热核函数参数,如果数据点xb不在xa为中心的w×w的空间窗口内,即xa和xb不是空间近邻,那么Ws,ab的值为零。
最后将L和Ls加权相加得到复合的拉普拉斯矩阵:uL+(1-u)Ls,其中参数u表示权重,并对该复合拉普拉斯矩阵进行特征值分解,其最小的2~(d+1)个特征值对应的特征向量就是该增强子块Ai的降维结果Zi。
(5)、对各个子块的降维结果(Yi,i=1,...,n)进行对齐,得到整个图像的降维结果:
首先任意选择一个目标子块,例如第q个子块,计算变换矩阵Piq,i=1,...,n,表示从第i个子块到第q个子块的对齐,其中上标符号“-1”表示对矩阵进行求逆操作,然后计算第i个子块对齐到第q个子块的结果:Yiq=PiqYi,i=1,...,n,从而得到整个图像X的降维数据Y=[Y1q,Y2q,....,Ynq];
(6)、对于降维数据Y,采用最近邻算法(1NN)进行分类:对图像中每一个待分类的数据点yi,i=1,...N,基于欧式距离度量方法,在训练数据集中选择和yi欧式距离最小的数据点yj,并以数据点yj的类别作为数据点yi的类别。
至此,对于高光谱遥感图像的每个数据点,都进行了分类。
为证明以上方法的有效性,采用实际高光谱遥感数据为例进行说明。
Indiana Pine数据为1992年于美国印地安那州一个农场拍摄的高光谱遥感影像,其空间分辨率是20×20m2,波谱范围为400nm~2500nm,光谱分辨率为10nm,图像大小为145×145,去除噪声波段和水汽吸收波段,剩余200波段。农田区域的作物类别主要包括玉米,大豆,小麦等,根据耕种情况和土壤湿度的不同,可以细分为多种类别。该地区具有16种地物类型,我们选择其中具有较多标记数据的9类地物进行分类实验,分别为:
第2类:玉米-未收割;
第3类:玉米-少量收割;
第5类:草/牧场;
第6类:草/树;
第8类:干草;
第10类:大豆-未收割;
第11类:大豆-少量收割;
第12类:大豆-收割完毕;
第14类:树林。
Houston数据为2013年国际数据融合大赛中公布的数据,该数据是2012年于美国Houston大学以及周边区域拍摄的高光谱遥感影像,其空间分辨率是2.5×2.5m2,波谱范围为380nm~1050nm,图像大小为349×1905,波段数量为144。该地区包括15种地物类型,分别为:
第1类:长势好的草坪;
第2类:长势不好的草坪;
第3类:人工草坪;
第4类:树木;
第5类:土壤;
第6类:水体;
第7类:居民楼;
第8类:商业楼;
第9类:道路;
第10类:高速公路;
第11类:铁路;
第12类:停车场1;
第13类:停车场2(车辆);
第14类:网球场;
第15类:跑道。
实验比较六种基于LLE降维的分类方法,包括:(1)只利用光谱信息进行LLE降维和1NN算法分类(LLE_1NN),(2)采用基于空间相关距离(Spatially Coherent Distance,SCD)进行近邻点选择的LLE算法,并1NN算法分类(SCD_LLE_1NN),(3)采用局部空间平均光谱(Local Spatial Averaging Spectra,LSAS)作为空间特征的LLE算法,并1NN算法分类(LSAS_LLE_1NN),在该方法中,热核函数用于计算数据空间特征和光谱特征的相似性,(4)采用空间坐标(Spatial Coordinate,SC)作为空间特征的LLE算法,并1NN算法分类(SC_LLE_1NN),在该方法中,热核函数用于计算数据空间特征和光谱特征的相似性,(5)不进行图像分块的空间正则化(Spatial Regularized,SR)LLE算法,并1NN算法分类(SR_LLE_1NN),(6)本发明提出的对图像进行分块进行空间正则化LLE算法,并进行降维结果对齐(Tile Alignment,TA)和1NN算法分类(SR_LLE_TA_1NN)。六种方法中,第一种是只利用光谱信息的LLE算法,其他五种是结合光谱信息和空间信息的LLE算法。
对两个高光谱遥感图像进行分块,每个子块的大小为30×30,随机选择10%的数据点作为连接数据。在降维后的1NN分类阶段,为进行定量的算法评价,把标记数据分为训练数据和测试数据:对于Indian Pine标记数据,随机选择10%作为训练数据,剩余的数据作为测试数据;对于Houston标记数据,使用大赛期间公布的训练数据和测试数据。参数选择方面:对于LLE算法中的光谱近邻个数选择为30,空间窗口的大小选择为5×5,LSAS和SC算法中的热核函数参数选择为0.1,SR_LLE_TA算法中,计算空间近邻相似性的热核函数参数选择为0.5,用于平衡LLE拉普拉斯矩阵和空间正则约束对应的拉普拉斯矩阵的权重参数选择为0.5。
对Indian Pine数据和Houston数据的分类结果如图2和图3所示,其中x轴表示降维维数,y轴表示总体分类精度。从结果可以看出,结合空间信息的五种方法优于只利用光谱信息的LLE_1NN算法,表明了利用空间信息的有效性;本发明提出的方法明显优于其他五种算法,表明所提出方法能够使得降维数据具有更好的类别可分性;另外,所提出SR_LLE_TA_1NN方法优于SR_LLE_1NN,表明不对图像分块情况下采用空间正则约束,由于所选择数据在空间位置上是分散的,所以不能充分发挥其作用,而将空间正则化LLE算法作用于各子块数据中,能够最大程度的发挥空间正则约束的作用。
为进一步评价和比较算法,表1给出Houston数据的每一类地物的分类精度,可以看到,本发明提出的SR_LLE_TA_1NN算法对于大多数地物类别能够取得最好的分类效果,特别是对于难分的类别,例如对于第12类(停车场1)和第13类(停车场2,车辆),相比较其他算法,SR_LLE_TA_1NN算法能够取得25%~40%精度的提高。表1中还给出总体分类精度,平均分类精度,以及Kappa系数三个算法评价指标,都表明本发明提出算法具有最好的分类性能。
表1比较不同结合空问信息的LLE算法(每类分类精度,Houston数据)
本发明采用空间正则约束、图像分块、和对齐技术,将空间信息引入到流形学习降维算法。方法中具体采用了一种经典的局部流形学习算法(LLE),但是并不限于LLE,该空间信息结合方法同样适用于其他流形学习算法。另外,实验中只是给出了两种高光谱遥感数据,该算法同样可以适用于其他高光谱遥感图像。
Claims (3)
1.一种基于空间正则化流形学习算法的高光谱遥感图像降维和分类方法,其特征在于:该高光谱遥感图像降维和分类方法结合图像分块和降维结果对齐技术,最大程度发挥空间正则约束的作用,从而进行高光谱遥感图像降维和分类,具体包括以下步骤:
(1)、将高光谱遥感图像X分成n个不重叠的子块Xi,i=1,...,n;
其中X表示高光谱遥感数据,包含N个数据点,每个数据点的维数是D;Xi表示第i个子块内数据点的集合,每个子块的大小是m×m,也就是每个子块内包含m2个数据点;
(2)、在高光谱遥感图像X中随机选择一部分数据点作为连接数据Xt,其中Xt包含p个数据点;
(3)、将连接数据Xt合并到每个子块Xi中,生成n个增强子块Ai=[Xt,Xi],i=1,...,n,每个增强子块Ai包含(m2+p)个数据点;
(4)、计算每个增强子块Ai的降维结果Zi=[Mi,Yi],i=1,...,n,其中Mi表示连接数据Xt在第i个子块中的降维结果,Yi表示第i个子块数据Xi的降维结果,降维数据的维数为d,(d<D);降维结果Zi的计算方法为:
对于每一个增强子块数据Ai,分别计算LLE算法对应的图拉普拉斯矩阵L,和空间正则约束对应的图拉普拉斯矩阵Ls,两者加权相加得到复合的拉普拉斯矩阵uL+(1-u)Ls,其中参数u表示权重,对该复合拉普拉斯矩阵进行特征值分解,其最小的2~(d+1)个特征值对应的特征向量就是该增强子块的降维结果Zi;
(5)、将各个子块Xi的降维结果(Yi,i=1,...,n)进行对齐,得到整个图像的降维结果Y,方法如下:
首先任意选择一个目标子块,例如第q个子块,计算变换矩阵Piq,i=1,...,n,Piq=MqMi T(MiMi T)-1,表示从第i个子块到第q个子块的对齐,其中上标符号T表示对矩阵的转置操作,上标符号“-1”表示对矩阵进行求逆操作,然后计算第i个子块对齐到第q个子块的结果:Yiq=PiqYi,i=1,...,n,从而得到整个图像X的降维数据Y=[Y1q,Y2q,....,Ynq];
(6)、对降维数据Y采用最近邻分类算法进行分类,方法如下:
对图像中每一个待分类的数据点yi,i=1,...N,基于欧式距离度量方法,在训练数据集中选择和yi欧氏距离最小的数据点yj,并以数据点yj的类别作为数据点yi的类别。
2.根据权利要求1所述的基于空间正则化流形学习算法的高光谱遥感图像降维和分类方法,其特征在于:步骤(4)中,LLE算法对应的图拉普拉斯矩阵L的计算公式为:
L=(I-S)T(I-S)
其中I表示单位矩阵,大小是(m2+p)×(m2+p),S表示重构系数矩阵,大小是(m2+p)×(m2+p),S中第a行第b列的元素为Sab,表示xa被xb线性重构的系数;S矩阵的计算方法是:对增强子块Ai中的每个数据点xa,a=1,...,(m2+p),在该增强子块中寻找与xa光谱特征最接近的k个近邻点,近邻点基于光谱角制图度量方法搜索;令N(xa)表示xa的光谱邻域,包括xa的k个光谱近邻点;如果数据点xb∈N(xa),那么xa被xb线性重构的系数Sab通过求解以下目标函数得到:
如果数据点那么Sab=0。
3.根据权利要求1或2所述的基于空间正则化流形学习算法的高光谱遥感图像降维和分类方法,其特征在于:步骤(4)中,空间正则约束对应的图拉普拉斯矩阵Ls的计算公式为:
Ls=I-Ds -1/2WsDs -1/2
其中Ds是对角的程度矩阵,Ds矩阵中第a行第a列的元素Ds,aa通过以下公式计算:Ds,aa=∑bWs,ab,Ws表示数据空间关系邻接矩阵,大小是(m2+p)×(m2+p),对于数据点xa,a=1,...,(m2+p),其空间邻域定义为以xa为中心的w×w的空间窗口内的数据,w表示空间方形窗口的边长,也就是空间邻域包含w2个数据点,如果数据点xb在该窗口内,那么xa和xb为空间近邻,这两个数据点之间的值Ws,ab通过以下公式计算:
其中σ表示热核函数参数,如果数据点xb不在以xa为中心的w×w的空间窗口内,即xa和xb不是空间近邻,那么Ws,ab的值为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510515751.1A CN105069482B (zh) | 2015-08-21 | 2015-08-21 | 基于空间正则化流形学习算法的高光谱遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510515751.1A CN105069482B (zh) | 2015-08-21 | 2015-08-21 | 基于空间正则化流形学习算法的高光谱遥感图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069482A CN105069482A (zh) | 2015-11-18 |
CN105069482B true CN105069482B (zh) | 2018-06-15 |
Family
ID=54498843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510515751.1A Expired - Fee Related CN105069482B (zh) | 2015-08-21 | 2015-08-21 | 基于空间正则化流形学习算法的高光谱遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069482B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485277B (zh) * | 2016-10-11 | 2019-06-11 | 哈尔滨工业大学 | 一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法 |
KR20180051196A (ko) * | 2016-11-08 | 2018-05-16 | 삼성전자주식회사 | 분광기, 생체정보 측정 장치 및 방법 |
CN107203779A (zh) * | 2017-05-11 | 2017-09-26 | 中国科学院西安光学精密机械研究所 | 基于空谱信息保持的高光谱降维方法 |
CN108614992B (zh) * | 2018-03-19 | 2021-07-20 | 中国地质大学(武汉) | 一种高光谱遥感图像的分类方法、设备及存储设备 |
CN108830320B (zh) * | 2018-06-15 | 2021-11-30 | 南京农业大学 | 基于鉴别和鲁棒多特征提取的高光谱图像分类方法 |
CN109325514A (zh) * | 2018-08-02 | 2019-02-12 | 成都信息工程大学 | 基于改进cnn的简单学习框架的图像分类方法 |
CN109102019A (zh) * | 2018-08-09 | 2018-12-28 | 成都信息工程大学 | 基于HP-Net卷积神经网络的图像分类方法 |
CN109800780B (zh) * | 2018-12-05 | 2021-04-27 | 天津大学 | 基于非监督流形对齐的域自适应遥感图像分类算法 |
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 |
CN111951182B (zh) * | 2020-07-14 | 2024-03-29 | 浙江工业大学 | 基于流形加权非局部曲率正则化的高光谱图像修复方法 |
CN111738370B (zh) * | 2020-08-25 | 2020-11-17 | 湖南大学 | 本质流形结构的图像特征融合与聚类协同表达方法及系统 |
CN112329654B (zh) * | 2020-11-10 | 2021-05-28 | 中国地震局地震预测研究所 | 基于多流形学习算法的高光谱影像数据分类方法及系统 |
CN113920345B (zh) * | 2021-09-09 | 2024-04-02 | 中国地质大学(武汉) | 一种基于聚类多重流形测度学习的高光谱影像降维方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050482A (zh) * | 2014-06-24 | 2014-09-17 | 哈尔滨工业大学 | 一种基于局部线性回归的流形学习泛化算法 |
CN104408466A (zh) * | 2014-11-17 | 2015-03-11 | 中国地质大学(武汉) | 基于局部流形学习构图的高光谱遥感图像半监督分类方法 |
CN104751191A (zh) * | 2015-04-23 | 2015-07-01 | 重庆大学 | 一种稀疏自适应半监督多流形学习的高光谱影像分类方法 |
EP2368215B1 (en) * | 2008-11-17 | 2016-12-21 | Raytheon Company | Hyperspectral image dimension reduction system and method |
-
2015
- 2015-08-21 CN CN201510515751.1A patent/CN105069482B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2368215B1 (en) * | 2008-11-17 | 2016-12-21 | Raytheon Company | Hyperspectral image dimension reduction system and method |
CN104050482A (zh) * | 2014-06-24 | 2014-09-17 | 哈尔滨工业大学 | 一种基于局部线性回归的流形学习泛化算法 |
CN104408466A (zh) * | 2014-11-17 | 2015-03-11 | 中国地质大学(武汉) | 基于局部流形学习构图的高光谱遥感图像半监督分类方法 |
CN104751191A (zh) * | 2015-04-23 | 2015-07-01 | 重庆大学 | 一种稀疏自适应半监督多流形学习的高光谱影像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105069482A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069482B (zh) | 基于空间正则化流形学习算法的高光谱遥感图像分类方法 | |
CN104408466B (zh) | 基于局部流形学习构图的高光谱遥感图像半监督分类方法 | |
Peerbhay et al. | Mapping Solanum mauritianum plant invasions using WorldView-2 imagery and unsupervised random forests | |
Reis et al. | Identification of hazelnut fields using spectral and Gabor textural features | |
McMorrow | Linear regression modelling for the estimation of oil palm age from Landsat TM | |
Rousseau et al. | Multiscale imaging of plants: current approaches and challenges | |
Liu et al. | Canopy occupation volume as an indicator of canopy photosynthetic capacity | |
Liu et al. | Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height | |
CN104915674A (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
Drees et al. | Temporal prediction and evaluation of Brassica growth in the field using conditional generative adversarial networks | |
Ashiagbor et al. | Pixel-based and object-oriented approaches in segregating cocoa from forest in the Juabeso-Bia landscape of Ghana | |
Rud et al. | Spatial–spectral processing strategies for detection of salinity effects in cauliflower, aubergine and kohlrabi | |
Kaur et al. | Research patterns and trends in classification of biotic and abiotic stress in plant leaf | |
CN106709451B (zh) | 滩涂生态恢复方法及装置 | |
Somayajula et al. | Land use/land cover change analysis using NDVI, PCA | |
Yang et al. | Modeling canopy photosynthesis and light interception partitioning among shoots in bi-axis and single-axis apple trees (Malus domestica Borkh.) | |
Xiao et al. | Regional prediction of Fusarium head blight occurrence in wheat with remote sensing based Susceptible-Exposed-Infectious-Removed model | |
Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
CN108038440A (zh) | 一种基于重叠池化的高光谱遥感影像分类方法 | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
Williams et al. | Low-level Adelges tsugae infestation detection in New England through partition modeling of Landsat data | |
Gong et al. | Vineyard identification in an oak woodland landscape with airborne digital camera imagery | |
Do et al. | Community changes in carabid beetles (Coleoptera: Carabidae) through ecological succession in abandoned paddy fields | |
Mullapudi et al. | Spatial and seasonal change detection in vegetation cover using time-series landsat satellite images and machine learning methods | |
Shi et al. | A fast Fourier convolutional deep neural network for accurate and explainable discrimination of wheat yellow rust and nitrogen deficiency from Sentinel-2 time series data |
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 | ||
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: 20180615 Termination date: 20210821 |