CN105469392A - 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 - Google Patents

基于区域光谱梯度特征对比的高光谱图像显著性检测方法 Download PDF

Info

Publication number
CN105469392A
CN105469392A CN201510795831.7A CN201510795831A CN105469392A CN 105469392 A CN105469392 A CN 105469392A CN 201510795831 A CN201510795831 A CN 201510795831A CN 105469392 A CN105469392 A CN 105469392A
Authority
CN
China
Prior art keywords
vector
center
gradient
distance
spectral
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
Application number
CN201510795831.7A
Other languages
English (en)
Other versions
CN105469392B (zh
Inventor
张艳宁
魏巍
严杭琦
张磊
李勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201510795831.7A priority Critical patent/CN105469392B/zh
Publication of CN105469392A publication Critical patent/CN105469392A/zh
Application granted granted Critical
Publication of CN105469392B publication Critical patent/CN105469392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10036Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于区域光谱梯度特征对比的高光谱图像显著性检测方法,用于解决现有高光谱图像显著性检测方法准确率低的技术问题。技术方案是首先提取光谱梯度特征,并在所得数据上对图像数据进行过分割,获得一组超像素;再使用聚类方法将在光谱梯度特征上相似的超像素标记成同一类别,从而形成具有不同光谱梯度特征的区域。对每一区域,利用区域对比方法,计算其与相邻区域的光谱梯度特征对比值作为其显著性响应值。在哈佛大学和曼彻斯特大学提供的数据集上的实验结果表明,在查全率为70%时,本发明方法查准率为82%,并且在查全率从0到100%变化的过程中,本方法查准率以超过80%的概率高于背景技术方法。

Description

基于区域光谱梯度特征对比的高光谱图像显著性检测方法
技术领域
本发明涉及一种高光谱图像显著性检测方法,特别涉及一种基于区域光谱梯度特征对比的高光谱图像显著性检测方法。
背景技术
高光谱图像以精细的光谱分辨率采集了场景中的物体在不同波长上的反射值,波长范围为可见光波段的高光谱图像可采集能为人的视觉系统感知但普通真彩图像(RGB三色图像)却无法表达的信息。因此,利用高光谱图像来解决传统机器视觉领域内的研究问题已成为一大热点。一些真彩图像显著性检测算法已被成功推广到波长范围为可见光的高光谱图像,并取得了一定的效果。然而,这些方法通常将高光谱图像转换成真彩图像,再利用真彩图像上的显著性检测算法进行检测,并未充分利用高光谱图像中丰富的光谱信息。近年来,有研究表明利用高光谱数据中的光谱信息能够有效地检测场景中的显著性区域,而无需将高光谱数据转换成真彩图像。
JieLiang等人在文献“Salientobjectdetectioninhyperspectalimagery,IEEEInternationalConferenceonImageProcessing(ICIP),2013,pp.2393–2397”中利用光谱向量的欧式距离和余弦相似度来进行显著性检测。具体是通过在输入数据上构建尺度空间,并通过欧氏距离和余弦相似度分别计算像元及其邻域之间的差异。然而,该方法以单个像元为显著性检测单元,并直接利用光谱向量进行相关计算;因此,其检测结果容易受到光照等因素的影响,对图像中亮度高的区域过于敏感,检测准确率低。
发明内容
为了克服现有高光谱图像显著性检测方法准确率低的不足,本发明提供一种基于区域光谱梯度特征对比的高光谱图像显著性检测方法。该方法首先提取光谱梯度特征,并在所得数据上对图像数据进行过分割,获得一组超像素;再使用聚类方法将在光谱梯度特征上相似的超像素标记成同一类别,从而形成具有不同光谱梯度特征的区域。对每一区域,利用区域对比方法,计算其与相邻区域的光谱梯度特征对比值作为其显著性响应值。在哈佛(Harvard)大学和曼彻斯特(Manchester)大学提供的数据集上的实验结果表明,在查全率为70%时,本发明方法查准率为82%,并且在查全率从0到100%变化的过程中,本方法查准率以超过80%的概率高于背景技术方法。
本发明解决其技术问题所采用的技术方案是:一种基于区域光谱梯度特征对比的高光谱图像显著性检测方法,其特点是包括以下步骤:
步骤一、对于输入的高光谱图像数据Xn,在光谱维上求梯度得到光谱梯度图像Gn={g1,g2,…,gn},其中第i个光谱梯度向量gi表示为
g i = [ x 2 i - x 1 i Δ λ , x 3 i - x 2 i Δ λ , ... , x n i - x ( n - 1 ) i Δ λ ] T
式中,△λ为相邻波段的波长间隔。
步骤二、对光谱梯度图像Gn中的每一个梯度向量,在其末尾标记空间维坐标信息,生成梯度扩展向量所有扩展向量g′i构成数据G′n。使用简单线性迭代聚类对G′n进行过分割获得一组超像素,分割过程如下:
(a)在空间维上以S为步长形成m1×m2的网格,每个网格作为一个初始超像素,取每个网格中心像素的扩展向量为该超像素的初始中心向量Ck=g′k,k∈{1,2,…,m1×m2},赋予网格内的所有扩展向量与Ck同样的类别标记;
(b)对于每个中心Ck,计算其与落在以Ck为中心大小为2S×2S的区域所对应的扩展向量g′j间的距离D(j,k),计算式如下
D ( j , k ) = Σ l = 1 p - 1 ( g j ′ ( l ) - C k ( l ) ) 2 + α Σ l = p p + 1 ( g j ′ ( l ) - C k ( l ) ) 2 - - - ( 1 )
其中g′j(l)和Ck(l)表示对应向量中的第l个分量,α为调节光谱梯度距离和空间距离的系数;
(c)若D(j,k)小于g′j与其当前归属的中心Cr之间的距离D(j,r),则将g′j的类别标记为属于中心Ck;否则,保持g′j的类别标记不变;
(d)通过步骤(b)、步骤(c)得到每个扩展向量g′i归属的新类别标记,根据新的类别标记计算当前每个中心Ck对应的新的超像素中心C′k
(e)计算每组Ck和C′k之间的差异,并由此求出迭代误差
(f)若err小于给定阈值,则结束计算;否则,更新当前每个中心Ck为C′k,并返回步骤(b)。
得到一个由超像素中心向量所组成的集合C={Ck|k=1,2,…,m1×m2},及每个梯度向量的超像素类别标记L1
步骤三、对获得的这组超像素使用均值漂移算法进行聚类,将在光谱梯度上较相似的超像素标记为同一类,从而形成若干区域。聚类时,第j个超像素中心与第k个超像素中心之间的光谱梯度距离定义为它们之间的空间距离定义为Cj(l)和Ck(l)表示对应向量中的第l个分量。
令k=1,具体聚类过程如下:
(g)从超像素中心向量集合C中取出第k个中心向量Ck
(h)从C中选择C′={Cj|ds(j,k)<Ts∧dc(j,k)<Tc},j=1,2,…,m1×m2。其中Ts和Tc分别为给定的梯度向量距离阈值和空间距离阈值;
(i)计算C′中各中心向量的均值C′k,并计算其与Ck的差异err=|Ck-C′k|;
(j)令Ck=C′k,若err大于给定阈值,则返回步骤(h);否则,转步骤(k);
(k)设当前聚类中心集合为Θ,遍历Θ并选择第一个满足光谱梯度距离小于Ts/2且空间距离小于Tc/2的中心θ;
(l)若步骤(k)中没有满足条件的中心,则Θ=ΘU{Ck},并将Ck标记为新的一类;否则,θ=(θ+Ck)/2,将Ck标记为θ所对应的类别。
(m)若C中所有成员已被遍历,则结束计算;否则,k=k+1,转步骤(g)。
将C中的超像素聚成若干类,再结合每个梯度向量的超像素类别标记L1确定每个梯度向量最终的类别标记L2;由此,Gn在空间维上被分割成若干区域。
步骤四、根据L2计算每一类别中心所对应的扩展向量ζj,j∈{1,2,…,N},其中N为总的类数,每一个ζj对应着一个空间区域Rj。对于区域Rj,其基于区域光谱特征对比的显著性响应值为:
S ( R j ) = &Sigma; R k &NotEqual; R j e d c ( R k , R j ) - &sigma; 2 &omega; ( R j ) d s ( R k , R j ) - - - ( 2 )
其中,为区域Rj和Rk间的空间距离,为光谱梯度距离,ζj(l)和ζk(l)表示对应向量中的第l个分量,ω(Rj)为Rj中的像元数,σ为用于调节空间距离权重的系数。
本发明的有益效果是:该方法首先提取光谱梯度特征,并在所得数据上对图像数据进行过分割,获得一组超像素;再使用聚类方法将在光谱梯度特征上相似的超像素标记成同一类别,从而形成具有不同光谱梯度特征的区域。对每一区域,利用区域对比方法,计算其与相邻区域的光谱梯度特征对比值作为其显著性响应值。在哈佛(Harvard)大学和曼彻斯特(Manchester)大学提供的数据集上的实验结果表明,在查全率为70%时,本发明方法查准率为82%,并且在查全率从0到100%变化的过程中,本方法查准率以超过80%的概率高于背景技术方法。
以下结合具体实施方式详细说明本发明。
具体实施方式
本发明基于区域光谱梯度特征对比的高光谱图像显著性检测方法具体步骤如下:
高光谱图像是由空间维和光谱维构成的一个三维立方体结构,空间维反映了成像场景中不同位置像元在某一光谱波段上的反射值;而光谱维反映像元在不同波段上的反射值。因而高光谱图像可视为p幅2D图像(波段图像),其中p为波段数,若将每一个波段图像拉成一个行向量,则一幅高光谱图像可以表示成一p×n的二维矩阵Xn={x1,x2,...,xn},其中n为图像中像元总数。Xn的每一行对应某一波段上的所有像素,其每一列则是某一像素对应的光谱向量。
1、提取光谱梯度特征。
对于输入的高光谱图像数据Xn,在光谱维上求梯度得到光谱梯度图像Gn={g1,g2,…,gn},其中第i个光谱梯度向量gi可以表示为 g i = &lsqb; x 2 i - x 1 i &Delta; &lambda; , x 3 i - x 2 i &Delta; &lambda; , ... , x n i - x ( n - 1 ) i &Delta; &lambda; &rsqb; T , 其中△λ为相邻波段的波长间隔。
2、过分割获得超像素。
对光谱梯度图像Gn中的每一个梯度向量,在其末尾标记空间维坐标信息,生成梯度扩展向量所有扩展向量g′i构成数据G′n。使用简单线性迭代聚类(SimpleLinearIterativeClustering,SLIC)对G′n进行过分割获得一组超像素,具体分割过程如下:
(a)在空间维上以S为步长形成m1×m2的网格,每个网格作为一个初始超像素,取每个网格中心像素的扩展向量为该超像素的初始中心向量Ck=g′k,k∈{1,2,…,m1×m2},赋予网格内的所有扩展向量与Ck同样的类别标记;
(b)对于每个中心Ck,计算其与落在以Ck为中心大小为2S×2S的区域所对应的扩展向量g′j间的距离D(j,k),计算式如下
D ( j , k ) = &Sigma; l = 1 p - 1 ( g j &prime; ( l ) - C k ( l ) ) 2 + &alpha; &Sigma; l = p p + 1 ( g j &prime; ( l ) - C k ( l ) ) 2 - - - ( 1 )
其中g′j(l)和Ck(l)表示对应向量中的第l个分量,α为调节光谱梯度距离和空间距离的系数;
(c)若D(j,k)小于g′j与其当前归属的中心Cr之间的距离D(j,r),则将g′j的类别标记为属于中心Ck;否则,保持g′j的类别标记不变;
(d)通过步骤(b)、(c)可得到每个扩展向量g′i归属的新类别标记,根据新的类别标记计算当前每个中心Ck对应的新的超像素中心C′k
(e)计算每组Ck和C′k之间的差异,并由此求出迭代误差
(f)若err小于给定阈值,则结束算法;否则,更新当前每个中心Ck为C′k,并返回步骤(b)。
通过上述超像素分割算法,最终得到一个由超像素中心向量所组成的集合C={Ck|k=1,2,…,m1×m2},及每个梯度向量的超像素类别标记L1
3、对超像素进行聚类。
对获得的这组超像素使用均值漂移(Mean-shift)算法进行聚类,将在光谱梯度上较相似的超像素标记为同一类,从而形成若干区域。聚类时,第j个超像素中心与第k个超像素中心之间的光谱梯度距离定义为它们之间的空间距离定义为Cj(l)和Ck(l)表示对应向量中的第l个分量。
令k=1,具体聚类过程如下:
(g)从超像素中心向量集合C中取出第k个中心向量Ck
(h)从C中选择C′={Cj|ds(j,k)<Ts∧dc(j,k)<Tc},j=1,2,…,m1×m2。其中Ts和Tc分别为给定的梯度向量距离阈值和空间距离阈值;
(i)计算C′中各中心向量的均值C′k,并计算其与Ck的差异err=|Ck-C′k|;
(j)令Ck=C′k,若err大于给定阈值,则返回步骤(h);否则,转步骤(k);
(k)设当前聚类中心集合为Θ,遍历Θ并选择第一个满足光谱梯度距离小于Ts/2且空间距离小于Tc/2的中心θ;
(l)若步骤(k)中没有满足条件的中心,则Θ=ΘU{Ck},并将Ck标记为新的一类;否则,θ=(θ+Ck)/2,将Ck标记为θ所对应的类别。
(m)若C中所有成员已被遍历,则结束算法;否则,k=k+1,转步骤(g)。
通过上述聚类算法,可以将C中的超像素聚成若干类,再结合每个梯度向量的超像素类别标记L1可确定每个梯度向量最终的类别标记L2;由此,Gn在空间维上被分割成若干区域。
4、计算区域对比值。
根据L2,可计算每一类别中心所对应的扩展向量ζj,j∈{1,2,…,N},其中N为总的类数,每一个ζj对应着一个空间区域Rj。对于区域Rj,其基于区域光谱特征对比的显著性响应值为:
S ( z ) = &Sigma; R k &NotEqual; R j e d c ( R k , R j ) - &sigma; 2 &omega; ( R j ) d s ( R k , R j ) - - - ( 2 )
其中,为区域Rj和Rk间的空间距离,为光谱梯度距离,ζj(l)和ζk(l)表示对应向量中的第l个分量,ω(Rj)为Rj中的像元数,σ为用于调节空间距离权重的系数。

Claims (1)

1.一种基于区域光谱梯度特征对比的高光谱图像显著性检测方法,其特征在于包括以下步骤:
步骤一、对于输入的高光谱图像数据Xn,在光谱维上求梯度得到光谱梯度图像Gn={g1,g2,…,gn},其中第i个光谱梯度向量gi表示为
g i = &lsqb; x 2 i - x 1 i &Delta; &lambda; , x 3 i - x 2 i &Delta; &lambda; , ... , x n i - x ( n - 1 ) i &Delta; &lambda; &rsqb; T
式中,Δλ为相邻波段的波长间隔;
步骤二、对光谱梯度图像Gn中的每一个梯度向量,在其末尾标记空间维坐标信息,生成梯度扩展向量所有扩展向量g′i构成数据G′n;使用简单线性迭代聚类对G′n进行过分割获得一组超像素,分割过程如下:
(a)在空间维上以S为步长形成m1×m2的网格,每个网格作为一个初始超像素,取每个网格中心像素的扩展向量为该超像素的初始中心向量Ck=g′k,k∈{1,2,…,m1×m2},赋予网格内的所有扩展向量与Ck同样的类别标记;
(b)对于每个中心Ck,计算其与落在以Ck为中心大小为2S×2S的区域所对应的扩展向量g′j间的距离D(j,k),计算式如下
D ( j , k ) = &Sigma; l = 1 p - 1 ( g j &prime; ( l ) - C k ( l ) ) 2 + &alpha; &Sigma; l = p p + 1 ( g j &prime; ( l ) - C k ( l ) ) 2 - - - ( 1 )
其中g′j(l)和Ck(l)表示对应向量中的第l个分量,α为调节光谱梯度距离和空间距离的系数;
(c)若D(j,k)小于g′j与其当前归属的中心Cr之间的距离D(j,r),则将g′j的类别标记为属于中心Ck;否则,保持g′j的类别标记不变;
(d)通过步骤(b)、步骤(c)得到每个扩展向量g′i归属的新类别标记,根据新的类别标记计算当前每个中心Ck对应的新的超像素中心C′k
(e)计算每组Ck和C′k之间的差异,并由此求出迭代误差
(f)若err小于给定阈值,则结束计算;否则,更新当前每个中心Ck为C′k,并返回步骤(b);
得到一个由超像素中心向量所组成的集合C={Ck|k=1,2,…,m1×m2},及每个梯度向量的超像素类别标记L1
步骤三、对获得的这组超像素使用均值漂移算法进行聚类,将在光谱梯度上较相似的超像素标记为同一类,从而形成若干区域;聚类时,第j个超像素中心与第k个超像素中心之间的光谱梯度距离定义为它们之间的空间距离定义为Cj(l)和Ck(l)表示对应向量中的第l个分量;
令k=1,具体聚类过程如下:
(g)从超像素中心向量集合C中取出第k个中心向量Ck
(h)从C中选择C′={Cj|ds(j,k)<Ts∧dc(j,k)<Tc},j=1,2,…,m1×m2;其中Ts和Tc分别为给定的梯度向量距离阈值和空间距离阈值;
(i)计算C′中各中心向量的均值C′k,并计算其与Ck的差异err=|Ck-C′k|;
(j)令Ck=C′k,若err大于给定阈值,则返回步骤(h);否则,转步骤(k);
(k)设当前聚类中心集合为Θ,遍历Θ并选择第一个满足光谱梯度距离小于Ts/2且空间距离小于Tc/2的中心θ;
(l)若步骤(k)中没有满足条件的中心,则Θ=ΘU{Ck},并将Ck标记为新的一类;否则,θ=(θ+Ck)/2,将Ck标记为θ所对应的类别;
(m)若C中所有成员已被遍历,则结束计算;否则,k=k+1,转步骤(g);
将C中的超像素聚成若干类,再结合每个梯度向量的超像素类别标记L1确定每个梯度向量最终的类别标记L2;由此,Gn在空间维上被分割成若干区域;
步骤四、根据L2计算每一类别中心所对应的扩展向量ζj,j∈{1,2,…,N},其中N为总的类数,每一个ζj对应着一个空间区域Rj;对于区域Rj,其基于区域光谱特征对比的显著性响应值为:
S ( R j ) = &Sigma; R k &NotEqual; R j e d c ( R k , R j ) - &sigma; 2 &omega; ( R j ) d s ( R k , R j ) - - - ( 2 )
其中,为区域Rj和Rk间的空间距离,为光谱梯度距离,ζj(l)和ζk(l)表示对应向量中的第l个分量,ω(Rj)为Rj中的像元数,σ为用于调节空间距离权重的系数。
CN201510795831.7A 2015-11-18 2015-11-18 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 Active CN105469392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510795831.7A CN105469392B (zh) 2015-11-18 2015-11-18 基于区域光谱梯度特征对比的高光谱图像显著性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510795831.7A CN105469392B (zh) 2015-11-18 2015-11-18 基于区域光谱梯度特征对比的高光谱图像显著性检测方法

Publications (2)

Publication Number Publication Date
CN105469392A true CN105469392A (zh) 2016-04-06
CN105469392B CN105469392B (zh) 2019-02-01

Family

ID=55607051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510795831.7A Active CN105469392B (zh) 2015-11-18 2015-11-18 基于区域光谱梯度特征对比的高光谱图像显著性检测方法

Country Status (1)

Country Link
CN (1) CN105469392B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778695A (zh) * 2015-04-10 2015-07-15 哈尔滨工程大学 一种基于梯度显著性的水天线检测方法
CN107274416A (zh) * 2017-06-13 2017-10-20 西北工业大学 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法
CN108764309A (zh) * 2018-05-16 2018-11-06 五邑大学 一种递进式动态高光谱图像分类方法
CN110232317A (zh) * 2019-05-05 2019-09-13 五邑大学 基于超像素分割及两阶段分类策略的超光谱图像分类方法
CN112001291A (zh) * 2020-08-18 2020-11-27 三亚中科遥感研究所 洪积扇砾石分布区主河道快速提取的方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208752B1 (en) * 1998-03-12 2001-03-27 The United States Of America As Represented By The Secretary Of The Navy System for eliminating or reducing exemplar effects in multispectral or hyperspectral sensors
WO2002025573A1 (en) * 2000-09-19 2002-03-28 Bae Systems Mission Solutions Inc. Method and apparatus for determining spectral similarity
CN101976338A (zh) * 2010-10-29 2011-02-16 杭州电子科技大学 一种基于梯度方向直方图的判决式视觉显著性检测方法
CN102867313A (zh) * 2012-08-29 2013-01-09 杭州电子科技大学 一种融合区域颜色和HoG特征的视觉显著性检测方法
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN104361585A (zh) * 2014-10-30 2015-02-18 中国科学院自动化研究所 一种遥感图像变化检测性能在轨评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208752B1 (en) * 1998-03-12 2001-03-27 The United States Of America As Represented By The Secretary Of The Navy System for eliminating or reducing exemplar effects in multispectral or hyperspectral sensors
WO2002025573A1 (en) * 2000-09-19 2002-03-28 Bae Systems Mission Solutions Inc. Method and apparatus for determining spectral similarity
CN101976338A (zh) * 2010-10-29 2011-02-16 杭州电子科技大学 一种基于梯度方向直方图的判决式视觉显著性检测方法
CN102867313A (zh) * 2012-08-29 2013-01-09 杭州电子科技大学 一种融合区域颜色和HoG特征的视觉显著性检测方法
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN104361585A (zh) * 2014-10-30 2015-02-18 中国科学院自动化研究所 一种遥感图像变化检测性能在轨评价方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DORIN COMANICIU 等: "Mean Shift:A Robust Approach Toward Feature Space Analysis", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
ELLI ANGELOPOULOU等: "Spectral Gradient: A Material Descriptor Invariant to Geometry and Incident Illumination", 《INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
JIE LIANG 等: "SALIENT OBJECT DETECTION IN HYPERSPECTRAL IMAGERY", 《ICIP 2013》 *
KERENFU 等: "Superpixel based color contrast and color distribution driven salient object detection", 《SIGNAL PROCESSING: IMAGE COMMUNICATION》 *
MING-MING CHENG 等: "Global Contrast based Salient Region Detection", 《ECCV 2012》 *
RADHAKRISHNA ACHANTA 等: "SLIC Superpixels Compared to State-of-the-Art Superpixel Methods", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
李勇: "基于区域对比度的视觉显著性检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊 )》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778695A (zh) * 2015-04-10 2015-07-15 哈尔滨工程大学 一种基于梯度显著性的水天线检测方法
CN104778695B (zh) * 2015-04-10 2017-11-21 哈尔滨工程大学 一种基于梯度显著性的水天线检测方法
CN107274416A (zh) * 2017-06-13 2017-10-20 西北工业大学 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法
CN107274416B (zh) * 2017-06-13 2019-11-01 西北工业大学 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法
CN108764309A (zh) * 2018-05-16 2018-11-06 五邑大学 一种递进式动态高光谱图像分类方法
CN108764309B (zh) * 2018-05-16 2021-09-28 五邑大学 一种递进式动态高光谱图像分类方法
CN110232317A (zh) * 2019-05-05 2019-09-13 五邑大学 基于超像素分割及两阶段分类策略的超光谱图像分类方法
CN110232317B (zh) * 2019-05-05 2023-01-03 五邑大学 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质
CN112001291A (zh) * 2020-08-18 2020-11-27 三亚中科遥感研究所 洪积扇砾石分布区主河道快速提取的方法与系统
CN112001291B (zh) * 2020-08-18 2024-04-09 三亚中科遥感研究所 洪积扇砾石分布区主河道快速提取的方法与系统

Also Published As

Publication number Publication date
CN105469392B (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
Han et al. SSF-CNN: Spatial and spectral fusion with CNN for hyperspectral image super-resolution
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
CN106056155B (zh) 基于边界信息融合的超像素分割方法
CN105469392B (zh) 基于区域光谱梯度特征对比的高光谱图像显著性检测方法
CN102651135B (zh) 一种基于优化方向采样的自然图像抠图方法
CN109903331A (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
CN103679702A (zh) 一种基于图像边缘矢量的匹配方法
CN103310453A (zh) 一种基于子图像角点特征的快速图像配准方法
CN110570402B (zh) 基于边界感知神经网络的双目显著物体检测方法
CN104050675B (zh) 基于三角形描述的特征点匹配方法
CN106097252B (zh) 基于图Graph模型的高光谱图像超像素分割方法
CN105787948A (zh) 一种基于多变形分辨率的快速图像分割方法
CN104835146A (zh) 基于深度信息和图切割的立体图像中显著对象分割方法
CN108960276B (zh) 提升光谱图像监督分类性能的样本扩充与一致性判别方法
CN104616297A (zh) 一种用于图像篡改取证的改进型sift算法
CN110490924B (zh) 一种基于多尺度Harris的光场图像特征点检测方法
CN105513094A (zh) 基于三维Delaunay三角剖分的立体视觉跟踪方法及系统
CN106530336A (zh) 基于色彩信息和图割理论的立体匹配算法
CN104036468A (zh) 基于预放大非负邻域嵌入的单帧图像超分辨重建方法
CN104239883B (zh) 纹理特征提取方法及装置
CN105761292A (zh) 一种基于颜色转移和修正的图像着色方法
CN107392211B (zh) 基于视觉稀疏认知的显著目标检测方法
CN105719323A (zh) 一种基于优化图谱理论的高光谱降维方法
CN116469095A (zh) 雷视传感融合的天时场景自适应三维目标检测方法
CN104240197A (zh) 一种保持对比度、颜色一致性和灰度像素特征的消色算法

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