CN105976310B - 一种基于分块的vca端元提取方法 - Google Patents
一种基于分块的vca端元提取方法 Download PDFInfo
- Publication number
- CN105976310B CN105976310B CN201610289893.5A CN201610289893A CN105976310B CN 105976310 B CN105976310 B CN 105976310B CN 201610289893 A CN201610289893 A CN 201610289893A CN 105976310 B CN105976310 B CN 105976310B
- Authority
- CN
- China
- Prior art keywords
- end member
- vca
- piecemeal
- extraction
- matrix
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 239000000126 substance Substances 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 description 12
- 238000000513 principal component analysis Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 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 6
- 238000002474 experimental method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 201000005488 Capillary Leak Syndrome Diseases 0.000 description 2
- 208000031932 Systemic capillary leak syndrome Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G06T3/067—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- 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
Abstract
本发明公开了一种基于分块的VCA端元提取方法,包括:利用非监督分类方法对高光谱图像进行粗略分块,将具有相似物质的像元分为相同块内;对分块后的各块内区域分别使用VCA进行端元提取,提取端元之后使用最小二乘法反演丰度,每块内根据丰度值的大小确定一个主要端元;将所有块内的主要端元提取出并组成全局图像的端元矩阵。本发明在分块后的相对简单的环境块内环境使用VCA端元提取方法,然后利用块内丰度反演结果反馈控制块内的主要端元,从而避免了遗漏主要端元。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于分块的VCA端元提取方法。
背景技术
高光谱图像是同时反映物体反射光谱信息和空间信息的三维数据图像,具有覆盖波段广,快速无损,光谱信息含量充分等特点。高光谱成像系统利用图像分光仪和传感器,在紫外线,可见光,近红外,红外波段(波长在300nm-2500nm之间)获取成像对象的一系列相对连续波段下的高光谱图像。由于传感器的空间分辨率限制以及自然界地物的复杂多样性,一些像元中常常不止含有一种物质,这样的像元被称为混合像元。由于混合像元的存在,使得传统的分类方法不适于地物的精确细分和鉴别。为了提高遥感分类的准确性,必须解决混合像元的问题,因此混合像元解混在地物分类和识别之前成为关键的一步。
在进行混合像元解混之前,首先需要建立高光谱图像的线性混合模型(LMM)。在LMM中,高光谱图像中的像元是由组成图像的基本物质(端元)在不同波段下的光谱特性以一定的比例(丰度)线性组合而成。混合像元解混是高光谱图像线性混合模型的逆过程,是使用一定手段提取图像中的端元以及计算端元对应丰度的过程。
顶点成分分析(VCA)是一种最基本基于几何的高光谱图像端元提取方法。基于几何的端元提取方法从高光谱数据集空间分布特征出发,认为在几何空间中,端元常存在于由高光谱图像数据集组成的单形体、多面体或者凸锥的顶点部分。VCA通过反复寻找数据空间中的正交向量并计算像元在正交向量上的投影距离逐一提取端元。
由于实际地物的复杂性以及噪声等影响,在利用VCA进行端元提取的过程中,常常会出现遗漏主要端元,提取端元不准确,容易受噪声影响等现象。
发明内容
为解决现有技术存在的不足,本发明公开了一种基于分块的VCA端元提取方法,本发明将高光谱图像复杂的环境用一定的分类方法,分为多个相对简单的图像部分,然后在简单的图像上进行VCA端元提取,这一定降低了全局图像的噪声对算法的影响,避免了遗漏主要端元,提高了端元提取的准确性。
为实现上述目的,本发明的具体方案如下:
一种基于分块的VCA端元提取方法,包括:
利用非监督分类方法对高光谱图像进行粗略分块,将具有相似物质的像元分为相同块内;
对分块后的各块内区域分别使用VCA进行端元提取,提取端元之后使用最小二乘法反演丰度,每块内根据丰度值的大小确定一个主要端元;
将所有块内的主要端元提取出并组成全局图像的端元矩阵。
进一步的,在利用非监督分类方法对高光谱图像进行粗略分块之前还需要使用PCA对高光谱图像数据进行降维处理。
进一步的,在PCA降维中,首先对输入的高维图像数据X=(x1,x2,...,xm)T进行向量中心化,计算向量中心化之后的数据的协方差矩阵,并计算协方差矩阵的特征值矩阵Λ和特征向量矩阵A;
然后使用特征向量矩阵A对高维图像数据X进行主成分变换为Z=ATX;
最后选取Z中的部分主成分作为原高维数据的低维特征,从而实现数据降维。
进一步的,对降维后的高光谱图像数据利用迭代自组织数据分析方法ISODATA进行非监督分类,分类类数l和已知的图像中的端元个数r相等,即l=r,分块结果为Γi,其中i=1,2,...,r。
进一步的,ISODATA在非监督分类过程中,加入了对类别进行自动的合并和分裂。其中合并机制是指,当总类数过多或者某两类类中心距离小于某一阈值时,将该两类进行合并为新的一类,类内样本数目小于某一阈值时将该类取消;
分裂机制是指,当总类数过少或者某类内样本数目超过某一阈值,类内标准差大于分裂阈值,则将其分为两类,从而得到类数比较合理的聚类结果。
进一步的,对于所有的分块区域Γi,设置端元个数r′,其中r′<r,分别进行VCA端元提取。
进一步的,VCA端元提取算法过程是首先找到一个初始单位向量,然后将所有像元点投影到这一向量上,投影距离最大的像元点记为端元点,加入端元矩阵集合,依据新的端元集合,再找到一个和所有已经找到的端元都正交的向量,并进行下一轮循环,计算像元投影距离,找寻新的端元,直到找到所有端元为止。
进一步的,对于所有的分块区域Γi,提取块内端元之后,分别利用最小二乘法对分块区域进行丰度反演。根据分块区域内丰度大小反馈,确定每个分块区域中的主要端元,提取出所有块中的主要端元,构成全局图像的端元矩阵。
进一步的,在线性模型中,高光谱图像的像元X是端元矩阵E和丰度矩阵A的线性组合,即满足公式X=E×A,丰度矩阵元素aij满足和为一和非负性的约束条件;
最小二乘法根据求解过程中是否考虑非负约束和和为1的约束,可分为无约束最小二乘法UCLS,和为1约束最小二乘法SCLS,非负约束最小二乘法NCLS,全约束最小二乘法FCLS。
进一步的,在无约束最小二乘法UCLS中,不考虑丰度的和为1与非负性约束,求得r个端元{ej}(j=1,2,...r,后),利用最小二乘法求解线性混合模型可得像元i的丰度估计为aUCLS(xi)=(ETE)-1ETxi。
本发明的有益效果:
1.本发明在使用VCA提取端元之前,首先利用非监督分类将高光谱图像中相似像元聚合,排除不相关像元的影响,降低端元提取环境的复杂度。
2.本发明在分块后的相对简单的环境块内环境使用VCA端元提取方法,然后利用块内丰度反演结果反馈控制块内的主要端元,从而避免了遗漏主要端元。
附图说明
图1为本发明的流程图;
图2a Washington DC mall图像;
图2b Washington DC mall图像使用ISODATA分块之后的图像;
图3a-图3e为使用基于分块的VCA提取端元、原始VCA提取端元与理论端元的比较图(Washington DC mall数据);
图4a HYDICE Urban图像;
图4b HYDICE Urban图像使用ISODATA分块之后的图像;
图5a-图5f为使用基于分块的VCA提取端元、原始VCA提取端元与理论端元的比较图(HYDICE Urban数据)。
具体实施方式:
下面结合附图对本发明进行详细说明:
一种基于分块的VCA端元提取方法,包括如下步骤:
步骤(1)输入高光谱图像数据X∈Rm×n,其中m为高光谱图像的波段数,n为高光谱图像的像元总数,端元个数r,使用PCA对高光谱图像数据进行降维处理。
步骤(2)对降维后的高光谱图像数据利用ISODATA进行非监督分类,分类类数为l,其中l=r。
步骤(3)利用分类结果对高光谱图像进行分块为Γi,其中i=1,2,...,r。
步骤(4)对于所有的分块区域Γi,设置端元个数r′,其中r′<r,分别进行VCA端元提取。
步骤(5)对于所有的分块区域Γi,分别利用最小二乘法对分块区域进行丰度反演。
步骤(6)根据分块区域内丰度大小反馈,确定每个分块区域中的主要端元,提取出所有块中的主要端元,构成全局图像的端元矩阵。
所述步骤(1)的PCA降维处理:
在进行ISODATA非监督分类之前,需要对信号进行降维,本发明使用主成分分析(PCA)降维。PCA是一种线性变换,变换之后各主成分之间互不相关,并且按照包含的信息量从大到小排列。将高维数据经过PCA变化之后,前几个主成分涵盖了原数据的主要信息,因此可以用低维特征刻画原高维数据,从而实现数据降维。在PCA降维中,首先对输入的高维图像数据X=(x1,x2,...,xm)T进行向量中心化,计算向量中心化之后的数据的协方差矩阵,并计算协方差矩阵的特征值矩阵Λ和特征向量矩阵A。然后使用主成分变换矩阵A进行主成分变换Z=ATY。最后选取Z中的部分主成分作为原高维数据的低维特征,从而实现数据降维。
所述步骤(2)中的ISODATA非监督分类:
迭代自组织数据分析方法(ISODATA)算法,是一种无需先验知识,直接从样本中提取特征进行聚类的非监督分类方法。ISODATA算法改进了K均值聚类,把所有样本都调整完毕之后,再重新计算各类样本的均值,并且加入了对类别进行自动合并和分裂,具有一定的自组织性。ISODATA算法中的合并机制是指,当总类数过多或者某两类类中心距离小于某一阈值时,将该两类进行合并为新的一类,类内样本数目小于某一阈值时将该类取消。分裂机制是指,当总类数过少或者某类内样本数目超过某一阈值,类内标准差大于分裂阈值,则将其分为两类,从而得到类数比较合理的聚类结果。
所述步骤(4)中的VCA端元提取:
VCA端元提取算法是基于线性光谱模型的,通过反复寻找数据空间中的正交向量并计算像元在正交向量上的投影距离逐一提取端元。VCA的基础理论是,单形体若干个顶点可以张成一个子空间,而单形体的顶点是在某个与这个子空间正交的向量上的投影长度最大值点。
VCA端元提取算法首先找到一个初始单位向量,然后将所有像元点投影到这一向量上,投影距离最大的像元点记为端元点,加入端元矩阵集合。依据新的端元集合,再找到一个和所有已经找到的端元都正交的向量,并进行下一轮循环,计算像元投影距离,找寻新的端元,直到找到所有端元为止。
所述步骤(5)中的最小二乘法:
在线性模型中,高光谱图像的像元X是端元矩阵E和丰度矩阵A的线性组合,即满足公式X=E×A。丰度矩阵满足和为一和非负性约束条件。当已经求出端元矩阵之后,混合像元求解丰度的问题就变成了一个简单的线性问题,因此可以用最小二乘法求解。最小二乘法根据求解过程中是否考虑非负约束和和为1的约束,可分为无约束最小二乘法(UCLS),和为1约束最小二乘法(SCLS),非负约束最小二乘法(NCLS),全约束最小二乘法(FCLS)。在UCLS中,不考虑丰度的和为1与非负性约束,求得r个端元{ej}(j=1,2,...,r)后,利用最小二乘法求解线性混合模型可得像元i的丰度估计为aUCLS(xi)=(ETE)- 1ETxi。
具体实施例:
具体实施部分使用地物空间分布相对简单的Washington DC mall数据和空间分布相对复杂HYDICE Urban数据分别进行测试。在试验过程中,将基于分块的VCA端元提取方法与原始VCA端元提取方法进行试验比较,并将人工提取的纯净端元作为理论端元。
实验数据Washington DC mall是拍摄于美国华盛顿地区的高光谱数据。该数据共有210个波段,去除掉部分受噪声影响的波段,剩下191个波段。整个图像大小为1280×307,本试验选取该数据中地物空间分布相对简单的,大小为200×150的一部分图像。该部分图像的伪彩色图如图2a所示。该部分图像中含有五种物质,分别是水域、马路、草地、屋顶和树木。
实验数据HYDICE Urban高光谱数据包含210个光谱波段,维数为307×307。图像数据中包含六种物质:路,泥土,树,草,屋顶,金属。在实验中,去掉水吸收影响的波段,该数据剩下178个波段。该部分图像的伪彩色图如图4a所示。
试验结果如图3a-图3e(Washington DC mall数据)和图5a-图5f(HYDICE Urban数据)所示。由端元光谱图的比较结果可以看出,基于分块的VCA端元提取方法提取的端元曲线与端元的理论光谱曲线十分接近。
为了进一步得到不同端元提取方法提取端元准确性在数字量上的对比,使用由不同端元提取方法得到的端元光谱与理论端元光谱的光谱角(Spectral Angle Distance,SAD)的大小来衡量提取端元的准确性。光谱角的公式定义如其中,Atheo为一个端元的理论值,Aunmix为利用不同的端元提取方法提取的端元光谱信息值,光谱角越小表示两个光谱向量越接近。光谱角比较结果如表1所示和表2所示。可以明确看出,对于地物空间分布相对简单的Washington DC mall数据和空间分布相对复杂HYDICEUrban数据,基于分块的VCA提取端元的精确度都有很大的提高。
表1为使用基于分块的VCA提取端元、原始VCA提取端元与理论端元的光谱角的比较表(Washington DC mall数据);表2为使用基于分块的VCA提取端元、原始VCA提取端元与理论端元的光谱角的比较表(HYDICE Urban数据)。
表1基于分块VCA,VCA提取的端元与理论端元SAD比较表
SAD | 水域 | 马路 | 草坪 | 屋顶 | 树木 | 平均值 |
原始VCA | 0.58180 | 0.17582 | 0.21371 | 0.08858 | 0.74156 | 0.360294 |
分块VCA | 0.30364 | 0.11693 | 0.20546 | 0.08059 | 0.18585 | 0.178497 |
表2基于分块VCA,VCA提取的端元与理论端元SAD比较表
SAD | 泥土 | 路 | 树 | 草 | 屋顶 | 合金 | 平均值 |
原始VCA | 0.14804 | 1.12343 | 0.32690 | 0.10448 | 0.17928 | 0.17943 | 0.34359 |
分块VCA | 0.06507 | 0.22934 | 0.17016 | 0.28003 | 0.22107 | 0.36128 | 0.22116 |
本发明将复杂环境的高光谱图像用一定的分类方法,分为多个相对简单的图像部分,然后分块进行提取端元,从而在一定程度上排除不相关像元的影响,降低端元提取环境的复杂度,减少了全局图像的噪声对算法的影响,避免了遗漏主要端元。具体事例表明,该发明大大提高了提取端元的准确度。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于分块的VCA端元提取方法,其特征是,包括:
利用非监督分类方法对高光谱图像进行粗略分块,将具有相似物质的像元分为相同块内;
对分块后的各块内区域分别使用VCA进行端元提取,提取端元之后使用最小二乘法反演丰度,每块内根据丰度值的大小确定一个主要端元;
将所有块内的主要端元提取出并组成全局图像的端元矩阵;
在利用非监督分类方法对高光谱图像进行粗略分块之前还需要使用PCA对高光谱图像数据进行降维处理;
在PCA降维中,首先对输入的高维图像数据X=(x1,x2,...,xm)T进行向量中心化,计算向量中心化之后的数据的协方差矩阵,并计算协方差矩阵的特征值矩阵Λ和特征向量矩阵A;
然后使用特征向量矩阵A对高维图像数据X进行主成分变换为Z=ATX;
最后选取Z中的部分主成分作为原高维数据的低维特征,从而实现数据降维。
2.如权利要求1所述的一种基于分块的VCA端元提取方法,其特征是,对降维后的高光谱图像数据利用迭代自组织数据分析方法ISODATA进行非监督分类,分类类数l和已知的图像中的端元个数r相等,即l=r,分块结果为Γi,其中i=1,2,...,r。
3.如权利要求2所述的一种基于分块的VCA端元提取方法,其特征是,ISODATA在非监督分类过程中,加入了对类别进行自动的合并和分裂;
其中,合并机制是指,当某两类类中心距离小于某一阈值时,将该两类进行合并为新的一类,类内样本数目小于某一阈值时将该类取消;
分裂机制是指,当某类内样本数目超过某一阈值,类内标准差大于分裂阈值,则将其分为两类,从而得到类数比较合理的聚类结果。
4.如权利要求2所述的一种基于分块的VCA端元提取方法,其特征是,对于所有的分块区域Γi,设置端元个数r′,其中r′<r,分别进行VCA端元提取;
VCA端元提取算法过程是首先找到一个初始单位向量,然后将所有像元点投影到这一向量上,投影距离最大的像元点记为端元点,加入端元矩阵集合,依据新的端元集合,再找到一个和所有已经找到的端元都正交的向量,并进行下一轮循环,计算像元投影距离,找寻新的端元,直到找到所有端元为止。
5.如权利要求1所述的一种基于分块的VCA端元提取方法,其特征是,在线性模型中,高光谱图像的像元X是端元矩阵E和丰度矩阵A的线性组合,即满足公式X=E×A,丰度矩阵元素aij满足和为一 和非负性aij≥0,的约束条件;
在无约束最小二乘法UCLS中,不考虑丰度的和为1与非负性约束,求得r个端元{ej}后,j=1,2,...,r,利用最小二乘法求解线性混合模型可得像元i的丰度估计为aUCLS(xi)=(ETE)-1ETxi。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289893.5A CN105976310B (zh) | 2016-05-04 | 2016-05-04 | 一种基于分块的vca端元提取方法 |
PCT/CN2017/074294 WO2017190542A1 (zh) | 2016-05-04 | 2017-02-21 | 一种基于分块的vca端元提取方法 |
US16/099,140 US10984291B2 (en) | 2016-05-04 | 2017-02-21 | End-member extraction method based on segmented vertex component analysis (VCA) |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289893.5A CN105976310B (zh) | 2016-05-04 | 2016-05-04 | 一种基于分块的vca端元提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105976310A CN105976310A (zh) | 2016-09-28 |
CN105976310B true CN105976310B (zh) | 2018-01-12 |
Family
ID=56993703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610289893.5A Active CN105976310B (zh) | 2016-05-04 | 2016-05-04 | 一种基于分块的vca端元提取方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10984291B2 (zh) |
CN (1) | CN105976310B (zh) |
WO (1) | WO2017190542A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976310B (zh) * | 2016-05-04 | 2018-01-12 | 山东大学 | 一种基于分块的vca端元提取方法 |
US20200364835A1 (en) * | 2018-01-31 | 2020-11-19 | Nec Corporation | Image processing device, image processing method and storage medium |
CN110992273B (zh) * | 2019-11-04 | 2023-04-18 | 中国科学院西安光学精密机械研究所 | 一种自相似性约束的高光谱影像解混方法 |
CN111008975B (zh) * | 2019-12-02 | 2022-09-09 | 北京航空航天大学 | 一种空间人造目标线性模型的混合像元解混方法及系统 |
CN111007018B (zh) * | 2019-12-18 | 2022-06-24 | 湖北久之洋红外系统股份有限公司 | 一种用于光谱气体检测的背景估计方法及系统 |
CN111508065B (zh) * | 2020-04-15 | 2023-06-16 | 铜陵学院 | 基于空谱联合压缩感知的高光谱重建方法、设备及系统 |
CN111612724B (zh) * | 2020-05-29 | 2023-02-07 | 南阳理工学院 | 一种快速高光谱图像线性解混方法 |
CN112380967B (zh) * | 2020-11-12 | 2022-05-24 | 北京航空航天大学 | 一种联合图像信息的空间人造目标光谱解混方法及系统 |
CN112504975B (zh) * | 2020-12-14 | 2022-12-30 | 杭州电子科技大学 | 一种基于约束非负矩阵分解的高光谱解混方法 |
CN113177188B (zh) * | 2021-04-19 | 2021-12-07 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱新特征的反演叶片叶绿素含量的方法 |
CN113777104B (zh) * | 2021-08-24 | 2023-08-29 | 北京工商大学 | 一种单粒玉米种子高光谱检测成熟度的方法 |
CN113743325B (zh) * | 2021-09-07 | 2024-01-12 | 中国人民解放军火箭军工程大学 | 监督与非监督的高光谱混合像元分解方法 |
CN113807273B (zh) * | 2021-09-18 | 2023-12-19 | 哈尔滨工程大学 | 基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法 |
CN113902759B (zh) * | 2021-10-13 | 2022-04-22 | 自然资源部国土卫星遥感应用中心 | 一种空谱信息联合的星载高光谱影像分割与聚类方法 |
CN114002165B (zh) * | 2021-10-29 | 2022-08-30 | 中国科学院新疆生态与地理研究所 | 一种基于铜元素光谱指数反演的铜元素丰度预测方法 |
CN115829886B (zh) * | 2022-12-21 | 2023-08-11 | 哈尔滨师范大学 | 基于端元自适应不相干和空间约束的盲高光谱解混方法 |
CN116091832B (zh) * | 2023-02-16 | 2023-10-20 | 哈尔滨工业大学 | 基于自编码器网络的肿瘤细胞切片高光谱图像分类方法 |
CN116297497B (zh) * | 2023-05-23 | 2023-08-15 | 武汉大学 | 一种基于高光谱遥感的手机面板质量检测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321791B2 (en) * | 2003-09-23 | 2008-01-22 | Cambridge Research And Instrumentation, Inc. | Spectral imaging of deep tissue |
US8417748B2 (en) | 2007-09-28 | 2013-04-09 | University Of Maryland At Baltimore County | Maximum simplex volume criterion-based endmember extraction algorithms |
EP2476008B1 (en) * | 2009-09-10 | 2015-04-29 | Rudjer Boskovic Institute | Underdetermined blind extraction of components from mixtures in 1d and 2d nmr spectroscopy and mass spectrometry by means of combined sparse component analysis and detection of single component points |
CN102592134B (zh) * | 2011-11-28 | 2013-07-10 | 北京航空航天大学 | 一种高光谱与红外数据多级决策融合分类方法 |
US9449244B2 (en) * | 2013-12-11 | 2016-09-20 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defense | Methods for in-scene atmospheric compensation by endmember matching |
CN104008574B (zh) | 2014-06-16 | 2017-05-10 | 浙江大学 | 一种基于无限高斯混合模型的高光谱图像解混方法 |
CN104463247B (zh) * | 2014-12-09 | 2016-08-31 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN104751181B (zh) * | 2015-04-02 | 2018-01-12 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
CN105046648B (zh) * | 2015-06-25 | 2019-01-22 | 北京师范大学 | 一种构建高时空遥感数据的方法 |
WO2017055895A1 (en) * | 2015-09-30 | 2017-04-06 | Arcelormittal | Method of online characterization of a layer of oxides on a steel substrate |
CN105976310B (zh) | 2016-05-04 | 2018-01-12 | 山东大学 | 一种基于分块的vca端元提取方法 |
-
2016
- 2016-05-04 CN CN201610289893.5A patent/CN105976310B/zh active Active
-
2017
- 2017-02-21 WO PCT/CN2017/074294 patent/WO2017190542A1/zh active Application Filing
- 2017-02-21 US US16/099,140 patent/US10984291B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN105976310A (zh) | 2016-09-28 |
WO2017190542A1 (zh) | 2017-11-09 |
US20190392261A1 (en) | 2019-12-26 |
US10984291B2 (en) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976310B (zh) | 一种基于分块的vca端元提取方法 | |
Huang et al. | Spatial and spectral image fusion using sparse matrix factorization | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
CN110287869A (zh) | 基于深度学习的高分辨率遥感影像农作物分类方法 | |
Dev et al. | Systematic study of color spaces and components for the segmentation of sky/cloud images | |
JP6497579B2 (ja) | 画像合成システム、画像合成方法、画像合成プログラム | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN107798345B (zh) | 基于块对角与低秩表示的高光谱伪装目标检测方法 | |
CN110619263A (zh) | 低秩联合协同表示的高光谱遥感影像异常探测方法 | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN107145831B (zh) | 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 | |
CN108427934A (zh) | 一种高光谱影像混合像元分解方法 | |
Abbadi et al. | Skin texture recognition using neural networks | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN108229426B (zh) | 一种基于差分描述子的遥感图像变化向量变化检测法 | |
CN110070485A (zh) | 一种高光谱图像降维方法 | |
Xie et al. | Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images | |
CN108647719A (zh) | 用于大数据量光谱遥感图像分类的非监督聚类方法 | |
CN110717485B (zh) | 一种基于局部保留投影的高光谱图像稀疏表示分类方法 | |
CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及系统 | |
CN110889358A (zh) | 一种基于相关系数和联合稀疏表示的高光谱图像分类方法及装置 | |
Sun et al. | Trilateral filter on multispectral imagery for classification and segmentation |
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 |