CN105989592A - 基于双聚类及邻域分析的高光谱图像波段选择方法 - Google Patents
基于双聚类及邻域分析的高光谱图像波段选择方法 Download PDFInfo
- Publication number
- CN105989592A CN105989592A CN201510072842.2A CN201510072842A CN105989592A CN 105989592 A CN105989592 A CN 105989592A CN 201510072842 A CN201510072842 A CN 201510072842A CN 105989592 A CN105989592 A CN 105989592A
- Authority
- CN
- China
- Prior art keywords
- cluster
- wave band
- feature
- double
- clustering
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000010187 selection method Methods 0.000 title claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 abstract 1
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于双聚类及邻域分析的高光谱图像波段选择方法，包括以下步骤：双光谱角特征和高光谱图像原始波段的提取；对特征进行聚类；对所获取的特征分别进行聚类，然后构建两个聚类结果之间的联系；根据获得的波段聚类结果，从每一个聚类中选取一个代表，同时考虑每个代表之间的特异性，以及每一个代表在相应聚类中的表达性，决定聚类代表，即最终所选出的波段；用得到的波段进行高光谱图像分类。本发明提出了双特征的思想，克服了传统聚类算法中仅仅使用波段灰度值作为唯一光谱特征的局限，从而提高波段选择的精度。
Description
技术领域
本发明属于图像处理技术领域，主要针对高光谱图像中的波段选择，实际应用中可以利用选择出的重要波段进行高光谱图像的分类、分割、异常检测等以获取更好的效果。
背景技术
高光谱图像中的波段选择是一种有效的特征提取技术。通常情况下，我们需要将高维的高光谱图像压缩到低维，从而提高高光谱图像的处理效率。然而，波段与波段之间较高的相似性，以及不同高光谱像元所对应最具特异性波段的多样性，使得代表性波段难以选择。此外，仅仅应用高光谱图像原始的光谱特征，对波段进行区分，往往又不够高效实用。因此，引入合适的高光谱特征，以准确地判断出所有波段中最具信息量的波段并进行提取，是目前亟需解决的问题。
目前，高光谱图像特征提取的主流算法主要分为两类，第一类是基于降维的方法，第二类是基于波段选择的方法。基于降维的方法，是将原始波段投影到新的特征空间。但是，这样的投影过程会削弱波段与波段间的联系，从而使得高光谱图像的原始信息无法在特征压缩中得以充分保留并利用。相反，基于波段选择的方法直接从原始高光谱图像中选出最有代表性的波段，充分保留了高光谱图像的原始信息，相比之下有明显优势。
传统的基于波段选择的高光谱波段选择算法，其主要分为两类：一是基于约束的波段选择方法，这种方法是通过降低波段之间的关联性，增强波段间的区分性，从而实现波段的选取。C.I.Chang等人在文献“C.I.Chang and S.Wang.Constrained Band Selection for Hyperspectral Imagery.IEEE Transactions onGeoscience and Remote Sensing,44(6):1575-1585,2006”中对该类算法进行了详尽的分析。然而，这种方法没有充分利用波段之间的联系来创造可分性的条件；另一种方法是基于聚类的波段选择方法，这类方法充分利用波段之间的关联性，通过聚类的办法，将性质相似的波段聚到一类，差异较大的波段聚到不同类中。A.M.Uso等人在文献“A.M.Uso,F.Pla,J.M.Sotoca,and P.Garcia-Sevilla.Clustering-based Hyperspectral Band Selection using Information Measures.IEEETransactions on Geoscience and Remote Sensing,45(12-2):pp.4158–4171,2007”中提出的利用信息度量进行波段选择算法可以看做该类算法的一个典型。但是该类算法的结果的过分依赖于聚类过程，在聚类结果不佳的情况下，该算法有明显缺陷。
发明内容
本发明的目的在于针对上述现有方法的不足，提出一种基于双聚类及邻域分析的高光谱图像波段选择方法，其可以提升对波段相关性的利用，进而提高所选取波段的质量。
本发明的技术解决方案是：
一种基于双聚类及邻域分析的高光谱图像波段选择方法，其特别之处在于：包括以下步骤：
1)双光谱角特征和高光谱图像原始波段的提取；
在原始图像中，通过分析每一个像素的邻域信息，构建双光谱角特征作为副特征；
在原始图像中，提取高光谱图像的原始波段作为主特征；
2)对特征进行聚类；
对步骤1所获取的主特征和副特征分别进行聚类，然后构建两个聚类结果之间的联系；如果两个聚类结果之间具有最大关联函数，则将利用主特征所获得的聚类结果作为输出进入步骤3，否则更新聚类中心后重复步骤2；
3)集群波段选择；
根据步骤2获得的波段聚类结果，从每一个聚类中选取一个代表，同时考虑每个代表之间的特异性，以及每一个代表在相应聚类中的表达性，决定聚类代表，即最终所选出的波段；
4)高光谱图像分类；
用步骤3中得到的波段进行高光谱图像分类。
所述步骤1中的双光谱角特征包括该像素与相邻像素间的夹角A，以及该像素在相邻波段间的夹角E。
所述步骤1中的双光谱角特征包括以该像素为中心构建出的8个夹角A的均值，以及以该像素为中心构建出的8个夹角E的均值。
所述步骤2具体包括：
步骤2.1，在主特征和副特征的构成的共计2×m个聚类中，对聚类结果进行更新，根据更新得到新的聚类集合A，B的结果，计算出各自新的聚类{a1,a2,……,am,b1,b2,……,bm}中心；所述更新的原则是通过原始各聚类中元素的重新调配，使得两个聚类集合结果的相似度R在一定程度上增大，同时又不过分偏离原有的初始聚类结果；
步骤2.2，用新的聚类中心进行再次聚类，得到新的聚类集合A，B；
步骤2.3，观察这两个聚类集合A，B是否能在不做调整的情况下有较大R，若有，将主特征得到聚类集合输出，副特征得到的聚类集合舍弃；若无，返回步骤2.1。
所述步骤2中，对主特征和副特征分别进行聚类的具体步骤是：将两种特征首先分别用传统的k均值算法聚成m类，构建两个聚类的关联矩阵R＝[r1,r2,……,rm]，所述关联矩阵代表两个聚类结果的相似度；m为需要选出的波段数。
所述步骤3中决定聚类代表的步骤为：寻找一方面尽可能靠近聚类中心，另一方面特异性又足够大的数据点，作为聚类代表。
所述原始图像为印第安树图像。
本发明的优点是：
1、本发明提出了双特征的思想，克服了传统聚类算法中仅仅使用波段灰度值作为唯一光谱特征的局限。在本发明中，通过对高光谱图像中像素的邻域信息进行分析，构造双光谱角特征，结合原始灰度值特征，从而提高波段选择的精度；
2、本发明提出了基于邻域的双聚类算法，使用了两个聚类过程，不同于传统的聚类算法，其主要技术集中在这两个聚类结果的相互促进过程，从而提升了最终的聚类精度；
3、本发明提出了集群波段选择算法，传统的算法在进行波段聚类后，以靠近聚类中心的波段作为最终选取的波段。这种选取方法仅仅考虑了波段的表达性，并未考虑所选波段的特异性。基于此不足，本发明将选取的所有波段作为一个整体来运作，同时考虑波段的表达性及特异性，从集群的角度综合分析。
附图说明
图1为本发明基于双聚类及邻域分析的高光谱图像波段选择流程图。
图2为选择波段代表过程中，表达性和特异性的对比。
具体实施方式
如图1所示，以印第安树数据集为例，本发明实现的步骤如下：
步骤1，首先输入一幅印第安树图像后，从该原始图像上同时提取PHA特征(副特征)和原始波段特征(主特征)。PHA特征是本发明通过对高光谱像素进行邻域分析所构建的相邻像素之间的一种新型的双光谱角，该特征包含两种光谱角，其一是相邻像素间的一种夹角A，其二是相邻波段间的一种夹角E。
具体而言，以一个像素的一个波段的特征值作为一个单位，双光谱角为该单位的邻域信息。如下为对两个光谱角的说明：一方面，由每个波段在两个像素上的数值组成一个二维向量，取相邻两个波段k和k-1，相应的两个向量构建出夹角A；另一方面，由每个像素在两个波段上的数值组成一个二维向量，取相邻像素i和i+1，相应两个向量构建出夹角E。不难发现，对于一个单位，可以以其为中心构建出8个如此的夹角A和8个夹角E，分别取两者均值作为PHA特征。因此，一个维度的主特征对应着两个维度的副特征(PHA特征)。
在印第安树数据集中，主特征维度为206维，由于每一个主特征对应两个光谱角，因此副特征维度为412维。
步骤2，在提取特征后，根据具体应用设定所要提取的波段数目。假设需要选出m个波段，则将两种特征首先分别用传统的k均值算法聚成m类，这时可以构建两个聚类的关联矩阵R＝[r1,r2,……,rm]，代表两个聚类结果的相似度。
具体而言，假设两个聚类集合分别为A＝{a1,a2,……,am}和B＝{b1,b2,……,bm}，如果一个波段，在两个聚类集合中同时属于ap和bp(p为1到m之间任一数值)，那么rp增加一个单位；反之，则相似度不变。因为初次的聚类结果R中的每一个元素值往往都较小，为了得到使相似度R中的元素尽量大，同时又与原始聚类结果偏离度尽量小的输出，本发明有如下分步骤。
步骤2.1，在两个聚类集合，共计2×m个聚类中，对聚类结果进行更新。该更新的原则是通过原始各聚类中元素的重新调配，使得两个聚类集合结果的相似度R在一定程度上增大，同时又不过分偏离原有的初始聚类结果。对于新的的聚类集合A，B的结果，计算出各聚类{a1,a2,……,am,b1,b2,……,bm}中心。
步骤2.2，用新的聚类中心进行再次聚类，得到新的聚类集合A，B。
步骤2.3，观察这两个聚类集合A，B是否能在不做调整的情况下有较大R，若有，将主特征得到聚类集合输出，副特征得到的聚类集合舍弃；若无，返回步骤2.1。
通过如上三个分步骤的循环，两个聚类集合相互影响、相互促进，当得到较大的R时，输出最终的主特征聚类结果。
步骤3，在输出的聚类集合中，从每个聚类中找出一个同时最具有表达性和特异性的代表，这些代表的集合即为所选择的波段。
进一步而言，如图2所示，三角形框出的点是聚类中心，圆形框出的点是最具特异性的点，这是两种极端情况。在本发明中，通过寻找一方面尽可能靠近聚类中心，另一方面特异性又足够大的数据点，来确定最后的选定波段。
步骤4，用所选波段进行高光谱图像分类，验证方法有效性。本发明选取了常用的支持向量机分类器(Support Vector Machine，简称SVM)，k近邻分类器(kNearest Neighbor，简称kNN)，卡特分类器(Classification And Regression Tree，简称CART)，以及朴素贝叶斯分类器(Naive Bayes)，来辅助该验证过程。
如下为仿真结果，以表格形式具体列出。
表1.Indian Pines数据上各算法实验结果对比
表1是本发明在印第安树高光谱数据上完成波段选择后，进行分类实验得到的精度结果。表1具体列出了分别选择5，10，15，20个波段时，各方法的精度对比。
为了进一步说明本发明的优越性，选择了四种基于约束的波段选择算法：CEM-BCM/BDM，CEM-BCC/BDC,LCMV-BCM/BDM及LCMV-BCC/BDC(“C.I.Chang and S.Wang.Constrained Band Selection for Hyperspectral Imagery.IEEETransactions on Geoscience and Remote Sensing,44(6):1575-1585,2006”)和两种基于聚类的传统算法：CBBS-MI,CBBS-KLD(“A.M.Uso,F.Pla,J.M.Sotoca,and P.Garcia-Sevilla.Clustering-based Hyperspectral Band Selection UsingInformation Measures.IEEE Transactionson Geoscience and Remote Sensing,45(12-2):pp.4158–4171,2007”)，以及本发明中的DCCA及其衍生算法OCBBS,DCWCA算法进行了对比。DCWCA在传统基于聚类的波段算法中的加入了本发明提出的步骤2和3，通过与DCCA对比以论证本发明步骤1的有效性；OCBBS传统基于聚类的波段算法中的加入了本发明提出的步骤3，通过与DCWCA和DCCA对比以论证本算法步骤2和3的有效性。从表1展示的结果，不难看出，DCCA在一般情况下相比于传统算法一直有最好的分类精度，可见其算法的有效性；DCWCA和OBBS往往仅次于DCCA，可见DCCA算法其每一步骤的重要性。通过对比发现，本发明提出的DCCA算法普适于各类数据集，且对比与统算法有明显优势。
Claims (7)
1.一种基于双聚类及邻域分析的高光谱图像波段选择方法，其特征在于：包括以下步骤：
1)双光谱角特征和高光谱图像原始波段的提取；
在原始图像中，通过分析每一个像素的邻域信息，构建双光谱角特征作为副特征；
在原始图像中，提取高光谱图像的原始波段作为主特征；
2)对特征进行聚类；
对步骤1所获取的主特征和副特征分别进行聚类，然后构建两个聚类结果之间的联系；如果两个聚类结果之间具有最大关联函数，则将利用主特征所获得的聚类结果作为输出进入步骤3，否则更新聚类中心后重复步骤2；
3)集群波段选择；
根据步骤2获得的波段聚类结果，从每一个聚类中选取一个代表，同时考虑每个代表之间的特异性，以及每一个代表在相应聚类中的表达性，决定聚类代表，即最终所选出的波段；
4)高光谱图像分类；
用步骤3中得到的波段进行高光谱图像分类。
2.根据权利要求1所述的基于双聚类及邻域分析的高光谱图像波段选择方法，其特征在于：
所述步骤1中的双光谱角特征包括该像素与相邻像素间的夹角A，以及该像素在相邻波段间的夹角E。
3.根据权利要求2所述的基于双聚类及邻域分析的高光谱图像波段选择方法，其特征在于：
所述步骤1中的双光谱角特征包括以该像素为中心构建出的8个夹角A的均值，以及以该像素为中心构建出的8个夹角E的均值。
4.根据权利要求1所述的基于双聚类及邻域分析的高光谱图像波段选择方法，其特征在于：
所述步骤2具体包括：
步骤2.1，在主特征和副特征的构成的共计2×m个聚类中，对聚类结果进行更新，根据更新得到新的聚类集合A，B的结果，计算出各自新的聚类
{a1,a2,……,am,b1,b2,……,bm}中心；所述更新的原则是通过原始各聚类中元素的重新调配，使得两个聚类集合结果的相似度R在一定程度上增大，同时又不过分偏离原有的初始聚类结果；
步骤2.2，用新的聚类中心进行再次聚类，得到新的聚类集合A，B；
步骤2.3，观察这两个聚类集合A，B是否能在不做调整的情况下有较大R，若有，将主特征得到聚类集合输出，副特征得到的聚类集合舍弃；若无，返回步骤2.1。
5.根据权利要求4所述的基于双聚类及邻域分析的高光谱图像波段选择方法，其特征在于：
所述步骤2中，对主特征和副特征分别进行聚类的具体步骤是：将两种特征首先分别用传统的k均值算法聚成m类，构建两个聚类的关联矩阵
R＝[r1,r2,……,rm]，所述关联矩阵代表两个聚类结果的相似度；m为需要选出的波段数。
6.根据权利要求1所述的基于双聚类及邻域分析的高光谱图像波段选择方法，其特征在于：
所述步骤3中决定聚类代表的步骤为：寻找一方面尽可能靠近聚类中心，另一方面特异性又足够大的数据点，作为聚类代表。
7.根据权利要求1所述的基于双聚类及邻域分析的高光谱图像波段选择方法，其特征在于：
所述原始图像为印第安树图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510072842.2A CN105989592B (zh) | 2015-02-11 | 2015-02-11 | 基于双聚类及邻域分析的高光谱图像波段选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510072842.2A CN105989592B (zh) | 2015-02-11 | 2015-02-11 | 基于双聚类及邻域分析的高光谱图像波段选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105989592A true CN105989592A (zh) | 2016-10-05 |
| CN105989592B CN105989592B (zh) | 2020-07-31 |
Family
ID=57041974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510072842.2A Active CN105989592B (zh) | 2015-02-11 | 2015-02-11 | 基于双聚类及邻域分析的高光谱图像波段选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105989592B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446582A (zh) * | 2018-01-25 | 2018-08-24 | 西安电子科技大学 | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 |
| CN111597951A (zh) * | 2020-05-12 | 2020-08-28 | 中国电子科技集团公司第五十四研究所 | 一种面向目标检测的高光谱图像特征选择方法 |
| CN113505846A (zh) * | 2021-07-26 | 2021-10-15 | 云南电网有限责任公司电力科学研究院 | 基于互信息的高光谱波段选择方法 |
| CN114580488A (zh) * | 2020-12-02 | 2022-06-03 | 北京航天计量测试技术研究所 | 一种基于双光谱角的波段聚类选择方法 |
| WO2022227914A1 (zh) * | 2021-04-25 | 2022-11-03 | 浙江师范大学 | 一种基于潜在特征融合的高光谱影像波段选择方法及系统 |
| CN116297530A (zh) * | 2023-05-19 | 2023-06-23 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070031042A1 (en) * | 2005-08-02 | 2007-02-08 | Edmundo Simental | Efficient imagery exploitation employing wavelet-based feature indices |
| CN101144860A (zh) * | 2007-10-16 | 2008-03-19 | 哈尔滨工业大学 | 基于选择性核主成份分析的高光谱图像异常点的检测方法 |
| CN102708373A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合空间信息及光谱信息的遥感图像的分类方法及装置 |
| CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
| CN103295030A (zh) * | 2013-06-21 | 2013-09-11 | 中国科学院对地观测与数字地球科学中心 | 一种基于高光谱遥感图像的分类方法及装置 |
-
2015
- 2015-02-11 CN CN201510072842.2A patent/CN105989592B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070031042A1 (en) * | 2005-08-02 | 2007-02-08 | Edmundo Simental | Efficient imagery exploitation employing wavelet-based feature indices |
| CN101144860A (zh) * | 2007-10-16 | 2008-03-19 | 哈尔滨工业大学 | 基于选择性核主成份分析的高光谱图像异常点的检测方法 |
| CN102708373A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合空间信息及光谱信息的遥感图像的分类方法及装置 |
| CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
| CN103295030A (zh) * | 2013-06-21 | 2013-09-11 | 中国科学院对地观测与数字地球科学中心 | 一种基于高光谱遥感图像的分类方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李士进等: "基于多分类器组合的高光谱图像波段选择方法", 《智能系统学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446582A (zh) * | 2018-01-25 | 2018-08-24 | 西安电子科技大学 | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 |
| CN111597951A (zh) * | 2020-05-12 | 2020-08-28 | 中国电子科技集团公司第五十四研究所 | 一种面向目标检测的高光谱图像特征选择方法 |
| CN114580488A (zh) * | 2020-12-02 | 2022-06-03 | 北京航天计量测试技术研究所 | 一种基于双光谱角的波段聚类选择方法 |
| WO2022227914A1 (zh) * | 2021-04-25 | 2022-11-03 | 浙江师范大学 | 一种基于潜在特征融合的高光谱影像波段选择方法及系统 |
| CN113505846A (zh) * | 2021-07-26 | 2021-10-15 | 云南电网有限责任公司电力科学研究院 | 基于互信息的高光谱波段选择方法 |
| CN116297530A (zh) * | 2023-05-19 | 2023-06-23 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
| CN116297530B (zh) * | 2023-05-19 | 2023-07-25 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105989592B (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105989592A (zh) | 基于双聚类及邻域分析的高光谱图像波段选择方法 | |
| Pan et al. | Feature based local binary pattern for rotation invariant texture classification | |
| Nanni et al. | Survey on LBP based texture descriptors for image classification | |
| Ashok et al. | Comparison of Feature selection methods for diagnosis of cervical cancer using SVM classifier | |
| CN109948693A (zh) | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 | |
| Bai et al. | NHL Pathological Image Classification Based on Hierarchical Local Information and GoogLeNet‐Based Representations | |
| Safdar et al. | Intelligent microscopic approach for identification and recognition of citrus deformities | |
| JP7294695B2 (ja) | 学習済モデルによるプログラム、情報記録媒体、分類装置、ならびに、分類方法 | |
| Zhang et al. | Mining histopathological images via hashing-based scalable image retrieval | |
| WO2022166363A1 (zh) | 一种基于近邻子空间划分高光谱影像波段选择方法及系统 | |
| CN109359685A (zh) | 基于特征选择的多模态数据分类方法 | |
| Nanni et al. | A comparison of methods for extracting information from the co-occurrence matrix for subcellular classification | |
| JP6235414B2 (ja) | 特徴量演算装置、特徴量演算方法、及び特徴量演算プログラム | |
| CN111476319A (zh) | 商品推荐方法、装置、存储介质和计算设备 | |
| WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
| CN105678342B (zh) | 基于联合偏度的玉米种子高光谱图像波段选择方法 | |
| Mohammadpoor et al. | An intelligent technique for grape fanleaf virus detection | |
| Mahraban Nejad et al. | Transferred semantic scores for scalable retrieval of histopathological breast cancer images | |
| Melendez et al. | Unsupervised texture-based image segmentation through pattern discovery | |
| -Rehman et al. | An automatic mass screening system for cervical cancer detection based on convolutional neural network | |
| CN105869161B (zh) | 基于图像质量评价的高光谱图像波段选择方法 | |
| Vivona et al. | Automated approach for indirect immunofluorescence images classification based on unsupervised clustering method | |
| Abbas et al. | Multi-cell type and multi-level graph aggregation network for cancer grading in pathology images | |
| Jenicka et al. | A textural approach for land cover classification of remotely sensed image | |
| Li et al. | Flat-aware cross-stage distilled framework for imbalanced medical image classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |