CN105760857B - 一种高光谱遥感影像目标探测方法 - Google Patents
一种高光谱遥感影像目标探测方法 Download PDFInfo
- Publication number
- CN105760857B CN105760857B CN201610156117.8A CN201610156117A CN105760857B CN 105760857 B CN105760857 B CN 105760857B CN 201610156117 A CN201610156117 A CN 201610156117A CN 105760857 B CN105760857 B CN 105760857B
- Authority
- CN
- China
- Prior art keywords
- target
- dictionary
- sub
- group
- pixel
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/513—Sparse representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高光谱遥感影像目标探测方法,将多任务学习方法引入高光谱遥感影像目标探测中,多任务学习方法充分考虑高光谱遥感影像波段间的信息冗余性,提出联合稀疏表达和多任务学习的目标探测算法。多任务学习方法能够利用高光谱遥感影像波段间的冗余性提取多个子数据集,构建多探测任务,利用不同任务的数据相关性对基于稀疏表达模型的像素光谱进行更好的学习,从而提高探测效果。同时,多任务学习方法在保留足够多的判别信息的同时能够减弱冗余干扰效应。
Description
技术领域
本发明属于高光谱遥感影像处理技术领域,涉及一种高光谱遥感影像目标探测方法,尤其涉及一种联合稀疏表达和多任务学习的高光谱遥感影像目标探测方法。
背景技术
高光谱遥感影像将传统的二维成像遥感技术和光谱技术结合在一起,具有光谱分辨率高、图谱合一的特点。影像上的每个像元拥有数十乃至成百上千个波段的光谱信息,可以提供用于区分不同物质的诊断性光谱特征信息,因此,高光谱遥感图像具备区分不同物质之间细微光谱差异的能力。高光谱遥感影像的这一特点使其能够有效地利用地物精细光谱特征进行地物识别、定位,能够很好地解决目标探测任务中目标地物和背景地物分离的关键问题。
针对高光谱遥感影像目标探测,国内外学者提出了很多算法,经典的算法包括约束能量最小化探测方法CEM、正交子空间投影算法OSP、自适应余弦估计探测器ACE、匹配子空间探测器MSD、基于稀疏表达的探测器。其中,基于稀疏表达的探测器是近年来比较热门的一种方法,稀疏表达模型避免了传统探测方法对影像统计分布做出的先验假设,同时相较于基于少量端元的像素混合模型,稀疏表达模型利用过完备的字典进行像素混合光谱表达,可以改善对可变光谱现象的模拟。高光谱遥感图像在目标探测领域的研究带来了巨大的应用潜力,实际应用已经广泛地覆盖了从民用到军用的诸多领域。典型应用包括国土资源管理中对于地形地貌特征、植被覆盖、矿产分布以及土壤类型的勘察;搜寻和营救工作中对于自然背景下的人工目标检测;反毒品战争中对于特定的毒品作物的检测;国防和反恐中对于军事车辆等特定目标的检测等等。
然而,光谱分辨率高这一特点使得高光谱遥感数据包含更多的地物光谱细节、相邻单波段影像高度相似,这些冗余光谱数据在增加数据处理量的同时,往往会减弱目标与背景的光谱可分性,进而降低目标探测效果。数据降维是处理该冗余干扰效应的有效途径,现有的数据降维技术主要包括波段选择和特征变换两种方法。其中,波段选择方法需要根据特定的准则来完成波段搜索和优化问题,例如最大化类间可分性,由于缺少足够的目标训练样本,这种方法不适用于目标探测应用。经典的特征变换方法有主成分分析法,然而,由于目标像素只占影像的一小部分,主成分变换过程时往往会舍弃包含目标能量的成分,导致探测结果降低。因此,现有的目标探测方法还无法达到在避免冗余干扰效应的同时,保留足够多的判别信息以用于区分目标和背景。
发明内容
为了解决上述技术问题,本发明提供了一种有效的联合稀疏表达和多任务学习的高光谱遥感影像目标探测方法。
本发明所采用的技术方案是:一种高光谱遥感影像目标探测方法,其特征在于:将高光谱遥感影像X中相邻K个波段分割到不同组中,矩阵X大小为N×B,得到K组不同的数据集Xk,k=1,2,...,K,每组数据矩阵大小为N×Bk,对应K个不同的探测任务,N为影像像素数,B为影像波段数,先验目标训练样本对应的目标字典也被分离成K组子字典对K组子数据集Xk进行如下操作:
步骤1:获取K组子数据集Xk中相同空间位置的像素i的光谱数据;
步骤2:基于像素i,获取像素i对应的K组背景训练样本,构建K组背景子字典
步骤3:基于像素i的K组目标子字典和K组背景子字典构建K组联合字典
步骤4:对像素i构建K组稀疏表达模型;
其中,为随机噪声,和分别是背景子字典和目标子字典的对应系数,wk为和的联合系数;
该K组稀疏表达模型组合形成多任务稀疏表达模型:
其中W为wk列叠加结果,W的不同列对应不同的任务;||W||2,1表示先对矩阵行作二范求解,再做一范求解,||W||2,1不仅将不同的任务联系起来,同时鼓励不同列之间存在稀疏共性;ρ为正则化系数,用于平衡数据保真项和正则化;
步骤5:求解多任务稀疏表达模型中的稀疏系数;
步骤6:利用K组背景子字典和目标子字典及其对应的系数,对K组子数据集中的像素i的光谱分别进行恢复,重建残差累加结果最小对应的属性即为像素i的类别;
D(x)=rb-rt
其中,和为联合系数的子系数,对应背景子字典和目标子字典的估计系数,rb和rt为K组子数据集中像素i对应背景子字典和目标子字典的重建残差累加结果,D(x)为像素i对应的探测统计值;
步骤7:对影像中其他像素重复执行上述所有步骤,直至遍历结束;
步骤8:判断计算出的所有像素探测统计值是否小于阈值,如果是,该像素即为目标,反之为背景。
作为优选,步骤2中所述背景字典的构建,采用局部开回形窗口的方式,选择待探测像素周围的像素作为背景训练样本。
作为优选,步骤5中所述求解多任务稀疏表达模型中的稀疏系数,采用加速近端梯度法,包含更新矩阵序列和集结矩阵序列t为迭代次数,为中第k个任务对应的子矩阵的第i列,为中第k个任务对应的子矩阵的第i列;
当前集结矩阵更新矩阵为
其中,为更新矩阵序列的第i列;ηt=1/2t为迭代步长,[·]+=max(·,0);Nb和Nt为背景子字典和目标子字典的个数;
集结矩阵通过线性组合和
其中,αt为迭代系数。
与现有技术相比,本发明具有以下优点和有益效果:
1、基于相邻波段相似性,将相关性较大的相邻波段分配到不同的子数据集中,在此基础上抑制了冗余光谱信息对背景和目标可分性的干扰效应。
2、通过多任务学习,利用子数据集间的对应波段数据相关性,将子数据集联合起来,解决了最初的在保留足够多的判别信息的同时减弱冗余干扰效应问题
3、基于高光谱遥感数据中不同像素光谱的稀疏性,对子数据集进行稀疏表达,基于多任务学习,利用多个子数据集的互补性,对稀疏表达模型进行了更好的学习,从而提高探测精度。
4、适合高光谱遥感影像的数据特点,适用于高光谱遥感影像目标探测,探测精度较高。
附图说明
图1为本发明实施例的具体流程示意图。
图2为本发明实施例的采用ROC曲线和分离度评价四种传统的探测方法和本发明方法的目标探测效果图。其中,ACE:自适应余弦探测器,CEM:约束能量最小化探测器,STD:稀疏探测器,SRBBHD:基于二元假设的稀疏表达探测器,JSR-MTL:联合稀疏表达与多任务学习探测器。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明关键发明点为将多任务学习方法引入高光谱遥感影像目标探测中,多任务学习方法充分考虑高光谱遥感影像波段间的信息冗余性,提出联合稀疏表达和多任务学习的目标探测算法。
多任务学习技术能够同时学习多个相关的任务,可以利用其他任务的潜在相关信息对当前任务进行更好地学习。由于图像光谱分辨率高,相邻波段光谱特征相近,相邻单波段影像间相关性较大,相邻波段间的信息往往互补。因此,引入多任务学习技术,可以在保留足够多的判别信息的同时减弱冗余干扰效应,提高目标探测效果。
本具体实施方式采用MATLAB平台实现,MATLAB遥感影像读写函数为实施基础,调用高光谱遥感影像数据读入矩阵。MATLAB遥感影像读写函数为本技术领域的公知技术,在此不作赘述。
请见图1,本发明提供的一种高光谱遥感影像目标探测方法,将高光谱遥感影像X中相邻K个波段分割到不同组中,矩阵X大小为N×B,得到K组不同的数据集Xk,k=1,2,...,K,每组数据矩阵大小为N×Bk,对应K个不同的探测任务,N为影像像素数,B为影像波段数,先验目标训练样本对应的目标字典也被分离成K组子字典对K组子数据集Xk进行如下操作:
步骤1:获取K组子数据集Xk中相同空间位置的像素i的光谱数据;
步骤2:基于像素i,获取像素i对应的K组背景训练样本,构建K组背景子字典背景字典的构建,采用局部开回形窗口的方式,选择待探测像素周围的像素作为背景训练样本。
步骤3:基于像素i的K组目标子字典和K组背景子字典构建K组联合字典
步骤4:对像素i构建K组稀疏表达模型;
其中,为随机噪声,和分别是背景子字典和目标子字典的对应系数,wk为和的联合系数;
该K组稀疏表达模型组合形成多任务稀疏表达模型:
其中W为wk列叠加结果,W的不同列对应不同的任务;||W||2,1表示先对矩阵行作二范求解,再做一范求解,||W||2,1不仅将不同的任务联系起来,同时鼓励不同列之间存在稀疏共性;ρ为正则化系数,用于平衡数据保真项和正则化;
步骤5:求解多任务稀疏表达模型中的稀疏系数;采用加速近端梯度法,包含更新矩阵序列和集结矩阵序列t为迭代次数,为中第k个任务对应的子矩阵的第i列,为中第k个任务对应的子矩阵的第i列;
当前集结矩阵更新矩阵为
其中,为更新矩阵序列的第i列;ηt=1/2t为迭代步长,[·]+=max(·,0);Nb和Nt为背景子字典和目标子字典的个数;集结矩阵通过线性组合和
其中,αt为迭代系数。
步骤6:利用K组背景子字典和目标子字典及其对应的系数,对K组子数据集中的像素i的光谱分别进行恢复,重建残差累加结果最小对应的属性即为像素i的类别;
D(x)=rb-rt
其中,和为联合系数的子系数,对应背景子字典和目标子字典的估计系数,rb和rt为K组子数据集中像素i对应背景子字典和目标子字典的重建残差累加结果,D(x)为像素i对应的探测统计值;
步骤7:对影像中其他像素重复执行上述所有步骤,直至遍历结束;
步骤8:判断计算出的所有像素探测统计值是否小于阈值,如果是,该像素即为目标,反之为背景。
本实施例在具体实现时有以下注意事项:
(1)背景字典的构建方式。采用局部开回形窗口的方式,选择待探测像素周围的像素作为背景训练样本,这样的方式更符合问题的物理意义。
(2)多任务稀疏表达模型的优化求解。未知系数求解方法采用加速近端梯度法,这种方法效率高,主要包含更新矩阵序列和集结矩阵序列t为迭代次数,具体为:
当前集结矩阵更新矩阵为
其中,其中,为更新矩阵序列的第i列;ηt=1/2t为迭代步长,[·]+=max(·,0);Nb和Nt为背景子字典和目标子字典的个数;
集结矩阵通过线性组合和
其中,αt为迭代系数。
以下通过对比试验来验证本发明的有益效果。
本试验采用的数据为Hyperspectral Digital Image Collection Experiment(HYDICE)传感器获得的城市数据,光谱分辨率为10nm,去掉水吸收波段、低信噪比波段和坏波段,剩余162个波段,影像大小为150×150像素,感兴趣目标为车辆。采用经典的自适应余弦估计方法ACE、约束能量最小化方法CEM、稀疏表达探测器STD、基于二元假设的稀疏表达探测器SRBBHD和本发明方法JSR-MTL进行目标探测。
目标探测评价指标:采用定量评价方法,评价指标如下:
1)ROC曲线
用户操纵性特征曲线ROC已经被广泛地应用在了目标探测中的结果评价中,曲线越靠近左上角,探测效果越好。它利用了探测概率Pd和虚警概率Pf两个指标提供了一个无偏的无需阈值的探测结果定量评价标准。探测率Pd和虚警率Pf的定义是:
其中Nhit表示的是在给定的某一阈值下探测结果中被正确探测出的像元,Nt表示的影像中的总目标像元数,Nmiss表示探测结果中被误分为目标的背景像元数,Ntot表示的是影像中的像元总数。
2)目标和背景分离度
目标背景分离图是可以直观地反映探测结果中目标和背景像元分离情况的方式。由探测器的设计原则可以知道,一个更好的探测器应该具备抑制背景像元同时突出目标像元的能力。因此,根据目标的真实位置,利用探测结果中目标位置和背景位置上分别对应的像元,对它们的值进行统计分析,包括最大最小值,均值,主体值等等参数,可以判断哪种探测器能够将背景像元抑制在一个更小更稳定的区域,使得目标像元更容易被突出。
采用ROC曲线和分离度评价四种传统的探测方法和本发明方法的目标探测效果,评价效果见附图2,其中ACE表示自适应余弦探测器,CEM表示约束能量最小化探测器,STD表示稀疏探测器,SRBBHD表示基于二元假设的稀疏表达探测器,JSR-MTL表示联合稀疏表达与多任务学习探测器。
从图2可见,本发明方法能获得更高的ROC探测效果,同时目标和背景的分离效果也更佳,表明本发明方法具有更强的目标探测能力。
由此可得出结论,与传统目标探测方法相比,本发明方法拥有更高的目标探测精度。本发明充分考虑了高光谱遥感影像波段之间的冗余性,利用数据相关性,提高稀疏表达模型效果,提高目标探测精度。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种高光谱遥感影像目标探测方法,其特征在于:将高光谱遥感影像X中相邻K个波段分割到不同组中,矩阵X大小为N×B,得到K组不同的数据集Xk,k=1,2,...,K,每组数据矩阵大小为N×Bk,对应K个不同的探测任务,N为影像像素数,B为影像波段数,先验目标训练样本对应的目标字典也被分离成K组子字典对K组子数据集Xk进行如下操作:
步骤1:获取K组子数据集Xk中相同空间位置的像素i的光谱数据;
步骤2:基于像素i,获取像素i对应的K组背景训练样本,构建K组背景子字典
步骤3:基于像素i的K组目标子字典和K组背景子字典构建K组联合字典
步骤4:对像素i构建K组稀疏表达模型;
其中,为随机噪声,和分别是背景子字典和目标子字典的对应系数,wk为和的联合系数;
该K组稀疏表达模型组合形成多任务稀疏表达模型:
其中W为wk列叠加结果,W的不同列对应不同的任务;||W||2,1表示先对矩阵行作二范求解,再做一范求解,||W||2,1不仅将不同的任务联系起来,同时鼓励不同列之间存在稀疏共性;ρ为正则化系数,用于平衡数据保真项和正则化;
步骤5:求解多任务稀疏表达模型中的稀疏系数;
步骤6:利用K组背景子字典和目标子字典及其对应的系数,对K组子数据集中的像素i的光谱分别进行恢复,重建残差累加结果最小对应的属性即为像素i的类别;
D(x)=rb-rt
其中,和为的子系数,对应背景子字典和目标子字典的估计系数,rb和rt为K组子数据集中像素i对应背景子字典和目标子字典的重建残差累加结果,D(x)为像素i对应的探测统计值;
步骤7:对影像中其他像素重复执行上述所有步骤,直至遍历结束;
步骤8:判断计算出的所有像素探测统计值是否小于阈值,如果是,该像素即为目标,反之为背景。
2.根据权利要求1所述的高光谱遥感影像目标探测方法,其特征在于:步骤2中所述背景子字典的构建,采用局部开回形窗口的方式,选择待探测像素周围的像素作为背景训练样本。
3.根据权利要求1所述的高光谱遥感影像目标探测方法,其特征在于:步骤5中所述求解多任务稀疏表达模型中的稀疏系数,采用加速近端梯度法,包含更新矩阵序列和集结矩阵序列t为迭代次数,为中第k个任务对应的子矩阵的第i列,为中第k个任务对应的子矩阵的第i列;
当前集结矩阵更新矩阵为
其中,ηt=1/2t为迭代步长,[·]+=max(·,0);集结矩阵通过线性组合和
其中,αt为迭代系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610156117.8A CN105760857B (zh) | 2016-03-18 | 2016-03-18 | 一种高光谱遥感影像目标探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610156117.8A CN105760857B (zh) | 2016-03-18 | 2016-03-18 | 一种高光谱遥感影像目标探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105760857A CN105760857A (zh) | 2016-07-13 |
CN105760857B true CN105760857B (zh) | 2019-04-26 |
Family
ID=56332185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610156117.8A Active CN105760857B (zh) | 2016-03-18 | 2016-03-18 | 一种高光谱遥感影像目标探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760857B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977619B (zh) * | 2017-11-28 | 2021-02-23 | 北京航空航天大学 | 一种基于集成学习约束能量最小化的高光谱目标检测方法 |
CN108195771A (zh) * | 2017-12-18 | 2018-06-22 | 河海大学 | 一种海洋高光谱遥感影像目标识别方法 |
CN111027509B (zh) * | 2019-12-23 | 2022-02-11 | 武汉大学 | 一种基于双流卷积神经网络的高光谱图像目标检测方法 |
CN111899226B (zh) * | 2020-07-02 | 2022-06-21 | 中国地质大学(武汉) | 一种基于多任务稀疏学习的高光谱影像目标先验优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077535B (zh) * | 2012-12-31 | 2015-09-30 | 中国科学院自动化研究所 | 一种基于多任务联合稀疏表示的目标跟踪方法 |
CN104281855B (zh) * | 2014-09-30 | 2017-05-10 | 西安电子科技大学 | 基于多任务低秩的高光谱图像分类方法 |
CN104463230B (zh) * | 2014-12-31 | 2017-06-30 | 吉林大学 | 一种利用成对约束分块的高光谱遥感影像的波段选择方法 |
CN104899896B (zh) * | 2015-06-12 | 2018-03-02 | 西北工业大学 | 一种基于子空间特征的多任务学习目标跟踪方法 |
-
2016
- 2016-03-18 CN CN201610156117.8A patent/CN105760857B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105760857A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al Bashish et al. | A framework for detection and classification of plant leaf and stem diseases | |
Li et al. | Classification of tree species based on structural features derived from high density LiDAR data | |
Reichman et al. | Some good practices for applying convolutional neural networks to buried threat detection in Ground Penetrating Radar | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN106815601B (zh) | 基于递归神经网络的高光谱图像分类方法 | |
Zhu et al. | Retrieval of mangrove aboveground biomass at the individual species level with worldview-2 images | |
Witharana et al. | Optimizing multi-resolution segmentation scale using empirical methods: Exploring the sensitivity of the supervised discrepancy measure Euclidean distance 2 (ED2) | |
Mahmon et al. | A review on classification of satellite image using Artificial Neural Network (ANN) | |
CN105760857B (zh) | 一种高光谱遥感影像目标探测方法 | |
CN105760900B (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN103984966A (zh) | 基于稀疏表示的sar图像目标识别方法 | |
Ye et al. | Identification of banana fusarium wilt using supervised classification algorithms with UAV-based multi-spectral imagery | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
CN111160268A (zh) | 一种基于多任务学习的多角度sar目标识别方法 | |
Iounousse et al. | Using an unsupervised approach of Probabilistic Neural Network (PNN) for land use classification from multitemporal satellite images | |
Lippitt et al. | Mapping selective logging in mixed deciduous forest | |
CN106096506A (zh) | 基于子类类间判别双字典的sar目标识别方法 | |
Frizzelle et al. | Mapping continuous distributions of land cover: A comparison of maximum-likelihood estimation and artificial neural networks | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN107798345A (zh) | 基于块对角与低秩表示的高光谱伪装目标检测方法 | |
CN105913448A (zh) | 基于张量匹配子空间的高光谱图像目标检测方法 | |
Tonbul et al. | Pixel-and Object-Based ensemble learning for forest burn severity using USGS FIREMON and Mediterranean condition dNBRs in Aegean ecosystem (Turkey) | |
CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220726 Address after: Room 2752, hatch Eagle building, No. 99, Tuanjie Road, yanchuangyuan, Nanjing area, China (Jiangsu) pilot Free Trade Zone, Nanjing, Jiangsu 211500 Patentee after: Nanjing Luojia Intelligent Technology Research Institute Co.,Ltd. Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee before: WUHAN University |