CN106097252B - 基于图Graph模型的高光谱图像超像素分割方法 - Google Patents
基于图Graph模型的高光谱图像超像素分割方法 Download PDFInfo
- Publication number
- CN106097252B CN106097252B CN201610464694.3A CN201610464694A CN106097252B CN 106097252 B CN106097252 B CN 106097252B CN 201610464694 A CN201610464694 A CN 201610464694A CN 106097252 B CN106097252 B CN 106097252B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- vertex
- spectrum image
- high 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000011218 segmentation Effects 0.000 title claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000540 analysis of variance Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000004611 spectroscopical analysis Methods 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4069—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution by subpixel displacements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
基于图Graph模型的高光谱图像超像素分割方法，本发明涉及高光谱图像超像素分割方法。本发明是要解决现有超像素图像分割研究大多是针对自然图像或单波段遥感图像存在较大的误差的问题，而提出的基于图Graph模型的高光谱图像超像素分割方法。该方法是通过一、得到降维后的高光谱图像以及高光谱图像的降维结果Y；二、根据高光谱图像的降维结果Y建立图模型，得到赋权图G′；三、设定超像素的初始位置，根据超像素的初始位置利用超像素生成算法生成k个超像素；四、统计每个顶点vi的24邻域中超像素标签的众数，将顶点vi的标签更新为该众数，得到超像素分割的结果等步骤实现的。本发明应用于高光谱图像超像素分割领域。
Description
技术领域
本发明涉及高光谱图像超像素分割方法，特别涉及基于图Graph模型的高光谱图像超像素分割方法。
背景技术
高光谱成像主要特点在于能够同时获取空间和光谱信息，探测得到图谱合一的遥感图像。当前高光谱遥感技术已经在国民经济和国防领域发挥了重要的作用。高分辨率遥感对地观测系统是我国2020年科学技术发展规划中的重大专项之一，其中高光谱相机被定位为重要的遥感探测载荷，预期在未来十年内发展和应用潜力巨大。伴随着高分观测系统的不断发展，包括高光谱成像在内的对地观测方式所获取的遥感影像数据空间分辨率不断提高，针对高空间分辨率类型的遥感数据，传统的逐像素处理方式已经不再适用。相对地，面向对象(Object)的方式展现出了研究的必要性和处理上的优势，即将具有相同属性的地物类别根据空间近邻关系，首先进行图像的过分割或聚类，形成超像素。超像素是由一些连续像素组成的均匀图像区域，它的优点在于能够减少噪声和干扰的影响，同时能够减少图像的复杂度。
现有超像素图像分割研究大多是针对自然图像或单波段遥感图像，比如在计算机视觉领域已经提出了很多针对自然图像的经典超像素算法，没有针对高光谱遥感图像的超像素分割方法。目前很多研究直接将自然图像的超像素算法运用于高光谱图像的超像素分割，由于这些算法通常是针对RGB颜色空间提出来的而没有考虑高光谱图像的光谱特性，直接运用存在较大的误差。高光谱图像的特点是空谱合一以及具有高维的光谱特征，如何结合这些特点提出针对高光谱图像的高效超像素分割算法仍是一个有待解决的课题。
发明内容
本发明的目的是为了解决现有超像素图像分割研究大多是针对自然图像或单波段遥感图像存在较大的误差的问题，而提出的基于图Graph模型的高光谱图像超像素分割方法。
上述的发明目的是通过以下技术方案实现的：
步骤一、利用PCA降维方法对高光谱图像进行降维，得到降维后的高光谱图像以及高光谱图像的降维结果Y；
步骤二、根据高光谱图像的降维结果Y建立图模型，得到赋权图G′；
步骤三、设定超像素的初始位置，根据超像素的初始位置利用超像素生成算法生成k个超像素；
步骤三一、设步骤二得到的赋权图G′的顶点数为n，输入超像素的预定数目为k，将k个超像素记为(C1,C2,…,Cr,…,Ck)；其中，Cr表示第r个超像素中顶点的集合；
步骤三二、将每个顶点vi的超像素标签记为p(i)；p(i)是0到k之间的一个整数；当p(i)＝0时表示顶点vi不属于任何超像素；当p(i)≠0时表示顶点vi属于超像素Cp(i)；
步骤三三、将每个顶点vi的超像素标签p(i)设定为0；在赋权图G′中任意构造超像素Cr，利用均匀网格采样法对超像素Cr进行初始化；其中，均匀网格采样法中的网格间距为S个顶点；其中，r＝1,2,3,…,k；
步骤三四、遍历超像素(C1,C2,…,Cr,…,Ck)，设顶点vi在Cr中，顶点vj不在Cr中；在顶点vi与vj组成的所有边中选择权值we(vi,vj)最小的边e′(vi,vj)；将最小的边e′(vi,vj)的顶点vj的标签p(j)更新为r，将顶点vj分配给超像素Cr得到更新后的超像素Cr；p(j)是1到k之间的一个整数；
步骤三五、将更新后的超像素Cr重复步骤三四，直到顶点集V中所有顶点的标签都不为0为止；
步骤四、统计每个顶点vi的24邻域中超像素标签的众数，将顶点vi的标签更新为该众数，得到超像素分割的结果。
发明效果
本发明提出一种基于图的高光谱图像分割方法，充分考虑高光谱图像的空间与光谱特性，解决高光谱图像的超像素分割问题。本发明公开了一种基于图(Graph)模型的高光谱图像超像素分割方法。其实现过程为：(1)对高光谱图像进行降维；(2)在降维的基础上建立图模型，得到一个赋权图；(3)设定超像素的初始位置，通过给定的超像素生成算法生成超像素；(4)超像素标签的再分配，统计每个像素25近邻中超像素标签的众数，将每个像素的标签更新为该众数，得到超像素分割的结果；本发明能够实现高光谱图像超像素的自动分割，得到较高精度的分割结果如图2(a)～图3。
附图说明
图1为具体实施方式一提出的基于图Graph模型的高光谱图像超像素分割方法流程图；其中，a为流程图的一部分，b为流程图的另一部分；
图2(a)为具体实施方式一提出的欧式距离示意图；
图2(b)为具体实施方式一提出的光谱角距离示意图；
图2(c)为具体实施方式一提出的光谱信息差异示意图；
图3为具体实施方式一提出的分割精度随超像素数目增大变化的曲线示意图；其中，边界重现率和可实现分割精度是越高越好，过分割误差是越小越好。
具体实施方式
具体实施方式一：结合图1本实施方式的基于图Graph模型的高光谱图像超像素分割方法，具体是按照以下步骤制备的：
步骤一、利用PCA降维方法对高光谱图像进行降维，得到降维后的高光谱图像以及高光谱图像的降维结果Y；
步骤二、根据高光谱图像的降维结果Y建立图模型，得到赋权图G′；
步骤三、设定超像素的初始位置，根据超像素的初始位置利用超像素生成算法生成k个超像素；
步骤三一、设步骤二得到的赋权图G′的顶点数为n，输入超像素的预定数目为k，将k个超像素记为(C1,C2,…,Cr,…,Ck)；其中，Cr表示第r个超像素中顶点的集合；
步骤三二、将每个顶点vi的超像素标签记为p(i)；p(i)是0到k之间的一个整数；当p(i)＝0时表示顶点vi不属于任何超像素；当p(i)≠0时表示顶点vi属于超像素Cp(i)；
步骤三三、将每个顶点vi的超像素标签p(i)设定为0；在赋权图G′中任意构造超像素Cr，利用均匀网格采样法对超像素Cr进行初始化；其中，均匀网格采样法中的网格间距为S个顶点；其中，r＝1,2,3,…,k；
步骤三四、遍历超像素(C1,C2,…,Cr,…,Ck)，设顶点vi在Cr中，顶点vj不在Cr中；在顶点vi与vj组成的所有边中选择权值we(vi,vj)最小的边e′(vi,vj)；将最小的边e′(vi,vj)的顶点vj的标签p(j)更新为r，将顶点vj分配给超像素Cr得到更新后的超像素Cr；p(j)是1到k之间的一个整数；
步骤三五、将更新后的超像素Cr重复步骤三四，直到顶点集V中所有顶点的标签都不为0为止；
步骤四、统计每个顶点vi的24邻域中超像素标签的众数，将顶点vi的标签更新为该众数，得到超像素分割的结果。
步骤四中统计每个顶点vi的24邻域中超像素标签的众数具体为：
设在步骤三中生成了k个超像素，那么顶点vi的标签为p(i)
p(i)为1到k之间的一个整数，表示顶点vi属于超像素Cr；那么统计顶点vi为中心的5×5网格内的所有像素超像素标签的众数a，将顶点vi的标签更新为a；
本实施方式效果：
本实施方式提出一种基于图的高光谱图像分割方法，充分考虑高光谱图像的空间与光谱特性，解决高光谱图像的超像素分割问题。本实施方式公开了一种基于图(Graph)模型的高光谱图像超像素分割方法。其实现过程为：(1)对高光谱图像进行降维；(2)在降维的基础上建立图模型，得到一个赋权图；(3)设定超像素的初始位置，通过给定的超像素生成算法生成超像素；(4)超像素标签的再分配，统计每个像素25近邻中超像素标签的众数，将每个像素的标签更新为该众数，得到超像素分割的结果；本实施方式能够实现高光谱图像超像素的自动分割，得到较高精度的分割结果如图2(a)～图3。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一中所述PCA降维方法对高光谱图像进行降维具体为：
设高光谱图像有n个像素，记为i＝1,2,3,…,n，每个像素有d个波段的光谱值；那么高光谱数据用矩阵Z来表示：
其中，矩阵Z中第i个像素的d个波段即d维特征用d维向量表示为zi＝(zi1,zi2,…,zid)；
对矩阵Z进行PCA主成分分析得到高光谱图像的降维结果，保留该降维结果的主成分个数D；其中，主成分个数D满足累积方差贡献率大于99％；
高光谱图像的降维结果为：
其中，ρnD为降维结果中的第n个像素的第D维特征值。其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤二中根据高光谱图像的降维结果Y建立图模型，得到赋权图G′具体过程为：
步骤二一、将高光谱图像的降维结果Y映射为图G，具体地说，将降维后的高光谱图像中的每个像素i映射为图G的顶点vi，根据顶点vi得到顶点集V；V＝{vi|i＝1,2，…，n}；
步骤二二、将图G中每个顶点vi与vi的24邻域中顶点vj用边e(i,j)∈E进行连接，得到图G的边集E；j＝1,2，…，n；
步骤二三、根据顶点集V和边集E建立图G(V，E)；
步骤二四、采用邻接表的形式存储图G(V，E)；
步骤二五、在邻接表中，图G的顶点vi建立单链表，在每个单链表中依序存储与顶点vi相连结的顶点；其中，邻接表是图的一种链式存储结构；
步骤二六、定义边权值；设降维后的高光谱图像中的每个像素i都联系着D个特征(ρi1,ρi2,…,ρiD)，那么图G(V，E)的边集E中的每条边e(i,j)的权值we(vi,vj)；we(vi,vj)为欧式距离度量的权值we1(vi,vj)、光谱角距离度量的权值we2(vi,vj)或光谱信息差异度量的权值we3(vi,vj)；
步骤二七、根据欧式距离度量的权值we1(vi,vj)、光谱角距离度量的权值we2(vi,vj)和光谱信息差异度量的权值we3(vi,vj)将图G(V，E)中边e(i,j)进行赋权得到赋权图G′。其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤二六中欧式距离度量的权值we1(vi,vj)的计算过程：
ρit为高光谱图像的降维结果Y中第i个像素的第t维特征值；ρjt为高光谱图像的降维结果Y中第j个像素的第t维特征值。其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤二六中光谱角距离度量的权值we2(vi,vj)的计算过程：
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤二六中光谱信息差异度量的权值we3(vi,vj)计算过程：
顶点vi概率向量记为p＝(p1,p2,…,pt…,pD)，其中同样顶点vj的概率向量记为q＝(q1,q2,…,qt…,qD)；定义vi相对于vj的相对熵为
那么顶点vi与顶点vj之间的光谱信息差异SID(vi,vj)定义为：
we3(vi,vj)＝SID(vi,vj)＝D(vi|vj)+D(vj|vi)
其中，D(vj|vi)为vj相对于vi的相对熵。其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：步骤三三中利用均匀网格采样法对超像素Cr进行初始化具体为：
将网格采样法中的网格中第r个网格节点所在的顶点vi的标签p(i)更新为r，即将顶点vi分配给超像素Cr；从而完成了对超像素Cr进行初始化。其它步骤及参数与具体实施方式一至六之一相同。
Claims (6)
1.基于图Graph模型的高光谱图像超像素分割方法，其特征在于，该方法具体是按照以下步骤进行的：
步骤一、利用PCA降维方法对高光谱图像进行降维，得到降维后的高光谱图像以及高光谱图像的降维结果Y；
步骤二、根据高光谱图像的降维结果Y建立图模型，得到赋权图G′；
步骤三、设定超像素的初始位置，根据超像素的初始位置利用超像素生成算法生成k个超像素；
步骤三一、设步骤二得到的赋权图G′的顶点数为n，输入超像素的预定数目为k，将k个超像素记为(C1,C2,…,Cr,…,Ck)；其中，Cr表示第r个超像素中顶点的集合；
步骤三二、将每个顶点vi的超像素标签记为p(i)；p(i)是0到k之间的一个整数；当p(i)＝0时表示顶点vi不属于任何超像素；当p(i)≠0时表示顶点vi属于超像素Cp(i)；
步骤三三、将每个顶点vi的超像素标签p(i)设定为0；在赋权图G′中任意构造超像素Cr，利用均匀网格采样法对超像素Cr进行初始化；其中，均匀网格采样法中的网格间距为S个顶点；其中，
步骤三四、遍历超像素(C1,C2,…,Cr,…,Ck)，设顶点vi在Cr中，顶点vj不在Cr中；在顶点vi与vj组成的所有边中选择权值we(vi,vj)最小的边e′(vi,vj)；将最小的边e′(vi,vj)的顶点vj的标签p(j)更新为r，将顶点vj分配给超像素Cr得到更新后的超像素Cr；p(j)是1到k之间的一个整数；
步骤三五、将更新后的超像素Cr重复步骤三四，直到顶点集V中所有顶点的标签都不为0为止；
步骤四、统计每个顶点vi的24邻域中超像素标签的众数，将顶点vi的标签更新为该众数，得到超像素分割的结果；
步骤二中根据高光谱图像的降维结果Y建立图模型，得到赋权图G′具体过程为：
步骤二一、将高光谱图像的降维结果Y映射为图G，具体地说，将降维后的高光谱图像中的每个像素i映射为图G的顶点vi，根据顶点vi得到顶点集V；V＝{vi|i＝1,2，…，n}；
步骤二二、将图G中每个顶点vi与vi的24邻域中顶点vj用边e(i,j)∈E进行连接，得到图G的边集E；j＝1,2，…，n；
步骤二三、根据顶点集V和边集E建立图G(V，E)；
步骤二四、采用邻接表的形式存储图G(V，E)；
步骤二五、在邻接表中，图G的顶点vi建立单链表，在每个单链表中依序存储与顶点vi相连结的顶点；
步骤二六、定义边权值；设降维后的高光谱图像中的每个像素i都联系着D个特征(ρi1,ρi2,…,ρiD)，那么图G(V，E)的边集E中的每条边e(i,j)的权值we(vi,vj)；we(vi,vj)为欧式距离度量的权值we1(vi,vj)、光谱角距离度量的权值we2(vi,vj)或光谱信息差异度量的权值we3(vi,vj)；
步骤二七、根据欧式距离度量的权值we1(vi,vj)、光谱角距离度量的权值we2(vi,vj)和光谱信息差异度量的权值we3(vi,vj)将图G(V，E)中边e(i,j)进行赋权得到赋权图G′。
2.根据权利要求1所述基于图Graph模型的高光谱图像超像素分割方法，其特征在于：步骤一中所述PCA降维方法对高光谱图像进行降维具体为：
设高光谱图像有n个像素，记为i＝1,2,3,…,n，每个像素有d个波段的光谱值；那么高光谱数据用矩阵Z来表示：
其中，矩阵Z中第i个像素的d个波段即d维特征用d维向量表示为zi＝(zi1,zi2,…,zid)；
对矩阵Z进行PCA主成分分析得到高光谱图像的降维结果，保留该降维结果的主成分个数D；其中，主成分个数D满足累积方差贡献率大于99％；
高光谱图像的降维结果为：
其中，ρnD为降维结果中的第n个像素的第D维特征值。
3.根据权利要求1所述基于图Graph模型的高光谱图像超像素分割方法，其特征在于：步骤二六中欧式距离度量的权值we1(vi,vj)的计算过程：
ρit为高光谱图像的降维结果Y中第i个像素的第t维特征值；ρjt为高光谱图像的降维结果Y中第j个像素的第t维特征值。
4.根据权利要求1所述基于图Graph模型的高光谱图像超像素分割方法，其特征在于：步骤二六中光谱角距离度量的权值we2(vi,vj)的计算过程：
5.根据权利要求1所述基于图Graph模型的高光谱图像超像素分割方法，其特征在于：步骤二六中光谱信息差异度量的权值we3(vi,vj)计算过程：
顶点vi概率向量记为p＝(p1,p2,…,pt…,pD)，其中同样顶点vj的概率向量记为q＝(q1,q2,…,qt…,qD)；定义vi相对于vj的相对熵为
那么顶点vi与顶点vj之间的光谱信息差异SID(vi,vj)定义为：
we3(vi,vj)＝SID(vi,vj)＝D(vi|vj)+D(vj|vi)
其中，D(vj|vi)为vj相对于vi的相对熵。
6.根据权利要求1所述基于图Graph模型的高光谱图像超像素分割方法，其特征在于：步骤三三中利用均匀网格采样法对超像素Cr进行初始化具体为：
将网格采样法中的网格中第r个网格节点所在的顶点vi的标签p(i)更新为r，即将顶点vi分配给超像素Cr；从而完成了对超像素Cr进行初始化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610464694.3A CN106097252B (zh) | 2016-06-23 | 2016-06-23 | 基于图Graph模型的高光谱图像超像素分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610464694.3A CN106097252B (zh) | 2016-06-23 | 2016-06-23 | 基于图Graph模型的高光谱图像超像素分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106097252A CN106097252A (zh) | 2016-11-09 |
| CN106097252B true CN106097252B (zh) | 2019-03-12 |
Family
ID=57253555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610464694.3A Active CN106097252B (zh) | 2016-06-23 | 2016-06-23 | 基于图Graph模型的高光谱图像超像素分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106097252B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447065B (zh) * | 2018-03-12 | 2021-07-30 | 哈尔滨工业大学 | 一种高光谱超像元分割方法 |
| CN110503140B (zh) * | 2019-08-09 | 2022-04-01 | 哈尔滨工业大学 | 基于深度迁移学习与邻域降噪的分类方法 |
| CN110796038B (zh) * | 2019-10-15 | 2023-04-18 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
| CN111160300B (zh) * | 2019-12-31 | 2022-06-28 | 北京理工大学重庆创新中心 | 一种结合全局先验的深度学习高光谱图像显著性检测算法 |
| CN112150484B (zh) * | 2020-09-28 | 2024-04-19 | 华侨大学 | 超像素的狄利克雷混合模型图像分割方法、装置及设备 |
| CN112800138B (zh) * | 2021-02-04 | 2021-10-15 | 广东云曌医疗科技有限公司 | 大数据分类方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101140325A (zh) * | 2007-10-16 | 2008-03-12 | 哈尔滨工业大学 | 高光谱图像的空间-光谱信息协同提高分辨率的方法 |
| CN103632167A (zh) * | 2013-11-29 | 2014-03-12 | 金陵科技学院 | 类地重力场环境下单目视觉空间识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2523329A (en) * | 2014-02-20 | 2015-08-26 | Nokia Technologies Oy | Method, apparatus and computer program product for image segmentation |
-
2016
- 2016-06-23 CN CN201610464694.3A patent/CN106097252B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101140325A (zh) * | 2007-10-16 | 2008-03-12 | 哈尔滨工业大学 | 高光谱图像的空间-光谱信息协同提高分辨率的方法 |
| CN103632167A (zh) * | 2013-11-29 | 2014-03-12 | 金陵科技学院 | 类地重力场环境下单目视觉空间识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| HYPERSPECTRAL IMAGE CLASSIFICATION WITH MULTIPLE KERNEL BOOSTING ALGORITHM;Yuting Wang 等;《2014 IEEE International Conference》;20150129;第5047-5051页 |
| 基于超像素的多主体图像交互分割;伯彭波 等;《中国图象图形学报》;20150630;第20卷(第6期);第0764-0771页 |
| 改进的经验模态分解算法及其在高光谱图像分类中的应用;贺智;《中国博士学位论文全文数据库信息科技辑》;20160315(第03期);I140-109 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106097252A (zh) | 2016-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106097252B (zh) | 基于图Graph模型的高光谱图像超像素分割方法 | |
| CN107392925B (zh) | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 | |
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| Zhu et al. | A modified neighborhood similar pixel interpolator approach for removing thick clouds in Landsat images | |
| Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
| CN111932457B (zh) | 遥感影像高时空融合处理算法及装置 | |
| CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
| Lu et al. | Land use/cover classification in the Brazilian Amazon using satellite images | |
| CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
| CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
| Jung et al. | A framework for land cover classification using discrete return LiDAR data: Adopting pseudo-waveform and hierarchical segmentation | |
| CN104392456B (zh) | 基于深度自编码器和区域图的sar图像分割方法 | |
| CN106548160A (zh) | 一种人脸微笑检测方法 | |
| CN115713694B (zh) | 一种土地测绘信息管理方法 | |
| Ma et al. | Improving segmentation accuracy for ears of winter wheat at flowering stage by semantic segmentation | |
| Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
| Xie et al. | Bag-of-words feature representation for blind image quality assessment with local quantized pattern | |
| CN111652240A (zh) | 一种基于cnn的图像局部特征检测与描述方法 | |
| CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
| CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
| CN102136151B (zh) | 一种光栅图像的矢量化方法 | |
| Zhu et al. | HCNNet: A hybrid convolutional neural network for spatiotemporal image fusion | |
| CN109300115B (zh) | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 | |
| WO2015120519A1 (en) | Processing hyperspectral or multispectral image data | |
| Lizarazo et al. | Fuzzy image segmentation for urban land-cover classification |
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 |
Effective date of registration: 20210111 Address after: Building 9, accelerator, 14955 Zhongyuan Avenue, Songbei District, Harbin City, Heilongjiang Province Patentee after: INDUSTRIAL TECHNOLOGY Research Institute OF HEILONGJIANG PROVINCE Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin Patentee before: HARBIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221125 Address after: 150027 Room 412, Unit 1, No. 14955, Zhongyuan Avenue, Building 9, Innovation and Entrepreneurship Plaza, Science and Technology Innovation City, Harbin Hi tech Industrial Development Zone, Heilongjiang Province Patentee after: Heilongjiang Industrial Technology Research Institute Asset Management Co.,Ltd. Address before: Building 9, accelerator, 14955 Zhongyuan Avenue, Songbei District, Harbin City, Heilongjiang Province Patentee before: INDUSTRIAL TECHNOLOGY Research Institute OF HEILONGJIANG PROVINCE |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230103 Address after: Room 111-096, Floor 1, Building 2, Science and Innovation Headquarters, Shenzhen (Harbin) Industrial Park, No. 288, Zhigu Street, Songbei District, Harbin, 150000, Heilongjiang Patentee after: Tiananma Technology (Heilongjiang) Co.,Ltd. Address before: 150027 Room 412, Unit 1, No. 14955, Zhongyuan Avenue, Building 9, Innovation and Entrepreneurship Plaza, Science and Technology Innovation City, Harbin Hi tech Industrial Development Zone, Heilongjiang Province Patentee before: Heilongjiang Industrial Technology Research Institute Asset Management Co.,Ltd. |
|
| TR01 | Transfer of patent right |