CN105654098A - 一种高光谱遥感图像的分类方法及其系统 - Google Patents
一种高光谱遥感图像的分类方法及其系统 Download PDFInfo
- Publication number
- CN105654098A CN105654098A CN201610169168.4A CN201610169168A CN105654098A CN 105654098 A CN105654098 A CN 105654098A CN 201610169168 A CN201610169168 A CN 201610169168A CN 105654098 A CN105654098 A CN 105654098A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- dimensional gabor
- coding
- spectrum remote
- spectrum
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高光谱遥感图像的分类方法,包括:生成多个平行于光谱方向的三维Gabor滤波器;将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得三维Gabor相位特征,并对每一个像素的三维Gabor相位特征进行象限位编码;以及使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。本发明还提供一种高光谱遥感图像的分类系统。本发明提供的技术方案是基于三维Gabor相位特征编码,在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集,不仅提升了分类精度,而且降低了算法的时间和空间复杂度。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种高光谱遥感图像的分类方法及其系统。
背景技术
目前,高光谱数据的高光谱维度与有限的训练样本之间的巨大差异是高光谱遥感图像分类问题的重要挑战。由于噪声的干扰以及“同谱异物”现象(即不同地物的光谱特征具有较高的相似性)的普遍存在,传统的基于地物间光谱特征差异的分类方法难以获得令人满意的精度。同时,特征提取及波段选择技术被用于降低高光谱数据的光谱维度,减轻了由于“Hughes现象”(即给定固定数量的训练样本,其预测能力随着维度的增加而减小)引起的高光谱图像分类精度降低的问题。然而,维数降低的同时也造成了有效信息的丢失,不可避免的损失了分类精度。
发明内容
有鉴于此,本发明的目的在于提供一种高光谱遥感图像的分类方法及其系统,旨在解决现有技术中分类精度不高的问题。
本发明提出一种高光谱遥感图像的分类方法,所述分类方法包括:
生成多个平行于光谱方向的三维Gabor滤波器;
将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征;对每一个像素的三维Gabor相位特征进行象限位编码;以及
使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。
优选的,所述多个三维Gabor滤波器的数量为4个。
优选的,所述生成多个三维Gabor滤波器的步骤具体包括:
选择平行于光谱方向的Gabor滤波器作为候选滤波器;
设置所述候选滤波器的频率和方向,然后根据预设公式生成多个三维Gabor滤波器。
优选的,所述对每一个像素的三维Gabor相位特征进行象限位编码的步骤具体包括:
针对每一个像素,根据三维Gabor相位中实部所在象限的位置对实部进行0/1编码,如在第一/第四象限,则编码为1,否则编码为0;
针对每一个像素,根据三维Gabor相位中虚部所在象限的位置对虚部进行0/1编码,如在第一/第二象限,则编码为1,否则编码为0。
优选的,所述使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类的步骤具体包括:
计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度;
根据最近邻准则,如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小,则将该测试样本t划分为第p类,其中,所述测试样本t为高光谱遥感图像。
另一方面,本发明还提供一种高光谱遥感图像的分类系统,所述系统包括:
生成模块,用于生成多个平行于光谱方向的三维Gabor滤波器;
编码模块,用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征,并对每一个像素的三维Gabor相位特征进行象限位编码;以及
分类模块,用于使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。
优选的,所述多个三维Gabor滤波器的数量为4个。
优选的,所述生成模块包括:
选择子模块,用于选择平行于光谱方向的Gabor滤波器作为候选滤波器;
设置子模块,用于设置所述候选滤波器的频率和方向,然后根据预设公式生成多个三维Gabor滤波器。
优选的,所述编码模块具体针对每一个像素,根据三维Gabor相位中实部所在象限的位置进行0/1编码,如在第一/第四象限,则编码为1,否则编码为0;根据三维Gabor相位中虚部所在象限的位置进行0/1编码,如在第一/第二象限,则编码为1,否则编码为0。
优选的,所述分类模块包括:
计算子模块,用于计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度;
归类子模块,用于根据最近邻准则,如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小,则将该测试样本t划分为第p类,其中,所述测试样本t为高光谱遥感图像。
本发明提供的技术方案是基于三维Gabor相位特征编码,在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集,不仅提升了分类精度,而且降低了算法的时间和空间复杂度。
附图说明
图1为本发明一实施方式中高光谱遥感图像的分类方法流程图;
图2为本发明一实施方式中图1所示的步骤S11的详细流程图;
图3为本发明一实施方式中三维Gabor特征的频率域关系的示意图;
图4为本发明一实施方式中针对每一个像素的编码策略示意图;
图5为本发明一实施方式中图1所示的步骤S13的详细流程图;
图6为本发明一实施方式中图1所示的具体实例流程图;
图7为本发明一实施方式中高光谱遥感图像的分类系统10的内部结构示意图;
图8为本发明一实施方式中图7所示的生成模块11的结构示意图;
图9为本发明一实施方式中图7所示的分类模块13的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明具体实施方式提供了一种高光谱遥感图像的分类方法,所述方法主要包括如下步骤:
S11、生成多个平行于光谱方向的三维Gabor滤波器;
S12、将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征;然后对每一个像素的三维Gabor相位特征进行象限位编码;以及
S13、使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。
本发明提供的一种高光谱遥感图像的分类方法是基于三维Gabor相位特征编码,在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集,不仅提升了分类精度,而且降低了算法的时间和空间复杂度。
以下将对本发明所提供的一种高光谱遥感图像的分类方法进行详细说明。
请参阅图1,为本发明一实施方式中高光谱遥感图像的分类方法流程图。
在步骤S11中,生成多个平行于光谱方向的三维Gabor滤波器。
在本实施方式中,所述多个三维Gabor滤波器的数量为4个,当然,在其它实施方式中,所述多个三维Gabor滤波器的数量还可以根据实际需求进行调整,例如多个三维Gabor滤波器的数量可以设计为2个、3个、5个、6个、7个等等,在此不做限定。
在本实施方式中,生成多个三维Gabor滤波器的步骤S11具体包括S111—S112,如图2所示。
请参阅图2,为本发明一实施方式中图1所示的步骤S11的详细流程图。
在步骤S111中,选择平行于光谱方向的Gabor滤波器作为候选滤波器。
在本实施方式中,高光谱图像是由传感器在电磁波谱的可见光、近红外、中红外和热红外波段范围内,在不同波段成像获得的高光谱图像数据。因此,高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息,为地表物质的精细分类和识别提供了可能。
在步骤S112中,设置所述候选滤波器的频率和方向,然后根据预设公式生成多个三维Gabor滤波器。
在本实施方式中,以fj表示频率,表示方向,则设置所述候选滤波器的频率fj=[0.5,0.25,0.125,0.0625],设置方向θ=π/2,然后根据预设公式生成4个三维Gabor滤波器,用于后续的三维Gabor特征提取;其中, 是滤波器与ω轴的夹角,θ是滤波器与μ-ν平面的夹角;(x,y,b)分别表示像素的x坐标、y坐标、光谱坐标;σ是高斯包络的宽度;由于方向参数θ=π/2,根据图3可以看出,频率f所指的方向即为光谱方向。
在本实施方式中,由于Gabor滤波器的方向平行于光谱方向,同时仅选择了4个频率,最终得到4个三维Gabor滤波器,用{Ψi,i=1,...,4}表示。
请继续参阅图1,在步骤S12中,将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征,并对每一个像素的三维Gabor相位特征进行象限位编码。
在本实施方式中,将高光谱遥感图像与所生成的4个三维Gabor滤波器进行卷积运算操作,以R表示所述高光谱遥感图像,Gi表示第i个三维Gabor特征,则取卷积运算表示为:4个三维Gabor特征表示为:{Gi,i=1,...,4}。
在本实施方式中,对每一个像素的三维Gabor相位特征进行象限位编码,具体地,每一个像素的编码有实部编码和虚部编码组成,根据该像素的三维Gabor相位中实部所在象限的位置进行0/1编码,如在第一/第四象限,则编码为1,否则编码为0;根据该像素的三维Gabor相位中虚部所在象限的位置进行0/1编码,如在第一/第二象限,则编码为1,否则编码为0,即,对卷积操作后的结果进行如下操作的编码:
Re(Gi(x,y,b))和Im(Gi(x,y,b))分别是Gabor特征的实部和虚部。
图4为本发明一实施方式中针对每一个像素的编码策略示意图。
在步骤S13中,使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。
在本实施方式中,所述使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类的步骤S13具体包括S131—S132,如图5所示。
请参阅图5,为本发明一实施方式中图1所示的步骤S13的详细流程图。
在步骤S131中,计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度。
在本实施方式中,所述测试样本t为高光谱遥感图像。针对每一个测试样本t(假设其空间位置坐标为(xtt,ytt))和训练集合A,t与A中任意训练样本s(假设其空间位置坐标为(xtr,ytr))之间的相似性度量如下:
其中,⊕是异或运算,B是原始高光谱数据的光谱维度。显然,D0的取值在0和1之间。对于最优匹配,汉明距离为零。
在步骤S132中,根据最近邻准则,如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小,则将该测试样本t划分为第p类,其中,所述测试样本t为高光谱遥感图像。
请参阅图6,为本发明一实施方式中图1所示的具体实例流程图。
如图7所示,本发明具体实施方式还提供一种高光谱遥感图像的分类系统10,主要包括:
生成模块11,用于生成多个平行于光谱方向的三维Gabor滤波器;
编码模块12,用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征,并对每一个像素的三维Gabor相位特征进行象限位编码;以及
分类模块13,用于使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。
本发明提供的一种高光谱遥感图像的分类系统10,是基于三维Gabor相位特征编码,在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集,不仅提升了分类精度,而且降低了算法的时间和空间复杂度。
请参阅图7,所示为本发明一实施方式中高光谱遥感图像的分类系统10的结构示意图。在本实施方式中,高光谱遥感图像的分类系统10主要包括生成模块11、编码模块12以及分类模块13。
生成模块11,用于生成多个平行于光谱方向的三维Gabor滤波器。
在本实施方式中,所述多个三维Gabor滤波器的数量为4个,当然,在其它实施方式中,所述多个三维Gabor滤波器的数量还可以根据实际需求进行调整,例如多个三维Gabor滤波器的数量可以设计为2个、3个、5个、6个、7个等等,在此不做限定。
在本实施方式中,生成模块11具体包括选择子模块111以及设置子模块112,如图8所示。
请参阅图8,所示为本发明一实施方式中图7所示的生成模块11的结构示意图。
选择子模块111,用于选择平行于光谱方向的Gabor滤波器作为候选滤波器。
在本实施例中,候选滤波器的选择方法详见前述步骤S111中的相关记载,在此不做重复描述。
设置子模块112,用于设置所述候选滤波器的频率和方向,然后根据预设公式生成多个三维Gabor滤波器。
在本实施例中,频率和方向的设置方法详见前述步骤S112中的相关记载,在此不做重复描述。
请继续参阅图7,编码模块12,用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征,并对每一个像素的三维Gabor相位特征进行象限位编码。
在本实施例中,编码模块12具体的编码方法详见前述步骤S12中的相关记载,在此不做重复描述。
请参阅图9,所示为本发明一实施方式中图7所示的分类模块13的结构示意图。
计算子模块131,用于计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度。
在本实施例中,具体的计算方法详见前述步骤S131中的相关记载,在此不做重复描述。
归类子模块132,用于根据最近邻准则,如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小,则将该测试样本t划分为第p类,其中,所述测试样本t为高光谱遥感图像。
在本实施例中,具体的归类方法详见前述步骤S132中的相关记载,在此不做重复描述。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高光谱遥感图像的分类方法,其特征在于,所述分类方法包括:
生成多个平行于光谱方向的三维Gabor滤波器;
将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征;
对每一个像素的三维Gabor相位特征进行象限位编码;以及
使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。
2.如权利要求1所述的高光谱遥感图像的分类方法,其特征在于,所述多个三维Gabor滤波器的数量为4个。
3.如权利要求1所述的高光谱遥感图像的分类方法,其特征在于,所述生成多个三维Gabor滤波器的步骤具体包括:
选择平行于光谱方向的Gabor滤波器作为候选滤波器;
设置所述候选滤波器的频率和方向,然后根据预设公式生成多个三维Gabor滤波器。
4.如权利要求1所述的高光谱遥感图像的分类方法,其特征在于,所述对每一个像素的三维Gabor相位特征进行象限位编码的步骤具体包括:
针对每一个像素,根据三维Gabor相位中实部所在象限的位置对实部进行0/1编码,如在第一/第四象限,则编码为1,否则编码为0;
针对每一个像素,根据三维Gabor相位中虚部所在象限的位置对虚部进行0/1编码,如在第一/第二象限,则编码为1,否则编码为0。
5.如权利要求1所述的高光谱遥感图像的分类方法,其特征在于,所述使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类的步骤具体包括:
计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度;
根据最近邻准则,如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小,则将该测试样本t划分为第p类,其中,所述测试样本t为高光谱遥感图像。
6.一种高光谱遥感图像的分类系统,其特征在于,所述系统包括:
生成模块,用于生成多个平行于光谱方向的三维Gabor滤波器;
编码模块,用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算,以得到三维Gabor相位特征,并对每一个像素的三维Gabor相位特征进行象限位编码;以及
分类模块,用于使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。
7.如权利要求6所述的高光谱遥感图像的分类系统,其特征在于,所述多个三维Gabor滤波器的数量为4个。
8.如权利要求6所述的高光谱遥感图像的分类系统,其特征在于,所述生成模块包括:
选择子模块,用于选择平行于光谱方向的Gabor滤波器作为候选滤波器;
设置子模块,用于设置所述候选滤波器的频率和方向,然后根据预设公式生成多个三维Gabor滤波器。
9.如权利要求6所述的高光谱遥感图像的分类系统,其特征在于,所述编码模块具体针对每一个像素,根据三维Gabor相位中实部所在象限的位置对实部进行0/1编码,如在第一/第四象限,则编码为1,否则编码为0;根据三维Gabor相位中虚部所在象限的位置对虚部进行0/1编码,如在第一/第二象限,则编码为1,否则编码为0。
10.如权利要求6所述的高光谱遥感图像的分类系统,其特征在于,所述分类模块包括:
计算子模块,用于计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度;
归类子模块,用于根据最近邻准则,如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小,则将该测试样本t划分为第p类,其中,所述测试样本t为高光谱遥感图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169168.4A CN105654098B (zh) | 2016-03-23 | 2016-03-23 | 一种高光谱遥感图像的分类方法及其系统 |
PCT/CN2016/104656 WO2017161892A1 (zh) | 2016-03-23 | 2016-11-04 | 一种高光谱遥感图像的分类方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169168.4A CN105654098B (zh) | 2016-03-23 | 2016-03-23 | 一种高光谱遥感图像的分类方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654098A true CN105654098A (zh) | 2016-06-08 |
CN105654098B CN105654098B (zh) | 2019-12-27 |
Family
ID=56495442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610169168.4A Active CN105654098B (zh) | 2016-03-23 | 2016-03-23 | 一种高光谱遥感图像的分类方法及其系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105654098B (zh) |
WO (1) | WO2017161892A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
WO2017161892A1 (zh) * | 2016-03-23 | 2017-09-28 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
CN107527001A (zh) * | 2017-03-29 | 2017-12-29 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN109711269A (zh) * | 2018-12-03 | 2019-05-03 | 辽宁工程技术大学 | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 |
WO2022109945A1 (zh) * | 2020-11-26 | 2022-06-02 | 深圳大学 | 基于尺度自适应滤波的高光谱和LiDAR联合分类方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460712B (zh) * | 2018-10-12 | 2024-01-12 | 西北工业大学 | 一种基于最优近邻重构的高光谱波段选择方法 |
CN110222773B (zh) * | 2019-06-10 | 2023-03-24 | 西北工业大学 | 基于不对称分解卷积网络的高光谱图像小样本分类方法 |
CN110636307B (zh) * | 2019-08-26 | 2022-03-18 | 南京理工大学 | 基于Gabor滤波器的确定性图像编码方法 |
CN111428627B (zh) * | 2020-03-23 | 2023-03-24 | 西北大学 | 一种山地地貌遥感提取方法及系统 |
CN111401467B (zh) * | 2020-03-26 | 2023-12-19 | 苏州征图智能科技有限公司 | 遥感影像分类方法、图像处理设备和计算机可读存储装置 |
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 |
CN111783884B (zh) * | 2020-06-30 | 2024-04-09 | 山东女子学院 | 基于深度学习的无监督高光谱图像分类方法 |
CN113111863B (zh) * | 2021-05-13 | 2023-11-24 | 辽宁工程技术大学 | 基于微型批处理与级联融合的图卷积网络高光谱分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200201A (zh) * | 2014-08-28 | 2014-12-10 | 武汉虹识技术有限公司 | 一种应用于虹膜识别的编码方法及系统 |
CN104680173A (zh) * | 2015-01-26 | 2015-06-03 | 河海大学 | 一种遥感图像场景分类方法 |
CN105046205A (zh) * | 2015-06-24 | 2015-11-11 | 西安理工大学 | 一种基于局部和全局特征融合的掌纹识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654098B (zh) * | 2016-03-23 | 2019-12-27 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
-
2016
- 2016-03-23 CN CN201610169168.4A patent/CN105654098B/zh active Active
- 2016-11-04 WO PCT/CN2016/104656 patent/WO2017161892A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200201A (zh) * | 2014-08-28 | 2014-12-10 | 武汉虹识技术有限公司 | 一种应用于虹膜识别的编码方法及系统 |
CN104680173A (zh) * | 2015-01-26 | 2015-06-03 | 河海大学 | 一种遥感图像场景分类方法 |
CN105046205A (zh) * | 2015-06-24 | 2015-11-11 | 西安理工大学 | 一种基于局部和全局特征融合的掌纹识别方法 |
Non-Patent Citations (1)
Title |
---|
SHEN,LINLIN 等: "Coding 3D Gabor Features for Hyperspectral Palmprint Recognition", 《2014 INTERNATIONAL CONFERENCE ON MEDICAL BIOMETRICS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017161892A1 (zh) * | 2016-03-23 | 2017-09-28 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN106469316B (zh) * | 2016-09-07 | 2020-02-21 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107527001A (zh) * | 2017-03-29 | 2017-12-29 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107066959B (zh) * | 2017-03-29 | 2020-12-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107527001B (zh) * | 2017-03-29 | 2020-12-22 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN109711269A (zh) * | 2018-12-03 | 2019-05-03 | 辽宁工程技术大学 | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 |
WO2022109945A1 (zh) * | 2020-11-26 | 2022-06-02 | 深圳大学 | 基于尺度自适应滤波的高光谱和LiDAR联合分类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017161892A1 (zh) | 2017-09-28 |
CN105654098B (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654098A (zh) | 一种高光谱遥感图像的分类方法及其系统 | |
Wang et al. | GETNET: A general end-to-end 2-D CNN framework for hyperspectral image change detection | |
Wang et al. | Small sample classification of hyperspectral remote sensing images based on sequential joint deeping learning model | |
Akgül et al. | 3D model retrieval using probability density-based shape descriptors | |
Li et al. | Hybrid shape descriptor and meta similarity generation for non-rigid and partial 3D model retrieval | |
Buch et al. | Local shape feature fusion for improved matching, pose estimation and 3D object recognition | |
US8098938B1 (en) | Systems and methods for descriptor vector computation | |
Negre Carrasco et al. | Global image signature for visual loop-closure detection | |
Ali et al. | Modeling global geometric spatial information for rotation invariant classification of satellite images | |
CN101281537A (zh) | 图像处理设备和图像处理方法 | |
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 | |
Yu et al. | Affine invariant fusion feature extraction based on geometry descriptor and BIT for object recognition | |
Flöer et al. | 2d–1d wavelet reconstruction as a tool for source finding in spectroscopic imaging surveys | |
Wu et al. | Optimum pipeline for visual terrain classification using improved bag of visual words and fusion methods | |
Ren et al. | A dual symmetric Gauss-Seidel alternating direction method of multipliers for hyperspectral sparse unmixing | |
Yang et al. | VOID: 3D object recognition based on voxelization in invariant distance space | |
CN106327481A (zh) | 基于大数据的图像篡改检测方法及装置 | |
Hou et al. | Efficient computation of scale-space features for deformable shape correspondences | |
Pratikakis et al. | Predictive digitisation of cultural heritage objects | |
Mohamed et al. | Deep sparse dictionary-based representation for 3D non-rigid shape retrieval | |
CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
Chang et al. | Finding endmembers in hyperspectral imagery | |
Pei et al. | Fine-grained classification of automobile front face modeling based on Gestalt psychology | |
Bustos et al. | 3D shape matching for retrieval and recognition | |
Cui et al. | Linear mixture analysis for hyperspectral imagery in the presence of less prevalent materials |
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 |