CN106408010A - 一种基于光谱信息散度的矩阵模式波段选择方法 - Google Patents
一种基于光谱信息散度的矩阵模式波段选择方法 Download PDFInfo
- Publication number
- CN106408010A CN106408010A CN201610812892.4A CN201610812892A CN106408010A CN 106408010 A CN106408010 A CN 106408010A CN 201610812892 A CN201610812892 A CN 201610812892A CN 106408010 A CN106408010 A CN 106408010A
- Authority
- CN
- China
- Prior art keywords
- band
- divergence
- image
- calculating
- formula
- 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.)
- Pending
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001228 spectrum Methods 0.000 title claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 31
- 239000006185 dispersion Substances 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010187 selection method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明属于遥感图像处理技术领域,涉及一种基于光谱信息散度的矩阵模式波段选择方法,包括以下步骤:采集高光谱遥感影像并计算影像各个波段的离散系数和各个波段间的光谱信息散度;基于上述各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子;基于上述信息散度矩阵因子计算各个波段的单波段指标;基于上述单波段指标值从大到小选择最佳波段组合。本发明具有易于实现、计算复杂低等优点,可用于高光谱遥感影像波段选择,波段选择结果可应用于高光谱遥感影像分类与识别以及土地利用/覆盖分类等多种应用中。
Description
技术领域
本发明属于遥感图像处理技术领域,特别适用于高光谱遥感影像,涉及一种基于光谱信息散度的矩阵模式波段选择方法,波段选择结果可应用于高光谱遥感影像分类与识别以及土地利用/覆盖分类等多种应用中。
背景技术
二十世纪八十年代发展起来的高光谱遥感(Hyperspectral Remote Sensing)技术,将反映目标属性的光谱信息与反映目标几何特征和空间关系的图像信息有机结合在一起,是现代遥感技术的一个里程碑式的发展标志,是遥感对地观测体系的拉力之一。高光谱遥感技术的应用前景十分广泛,如在环境监测、植被精细分类、农作物的长势监测、地质岩矿识别、海洋水色定量监测等方面有广阔的应用前景。利用很多很窄的电磁波波段从感兴趣的物体获得相关的空间、辐射和光谱三重信息数据,使得原来在宽波段遥感中无法探测到的物质,在高光谱遥感中得到探测。但同时带来了数据维数高、数据量大、数据多义性、数据冗余度高等问题,影响数据的高效利用,且容易出现Hughes现象,影响地物的识别、分类等,严重制约了高光谱遥感应用的推广。因此,在尽量少的损失地物信息的前提下,对高光谱数据进行降维是十分必要的。
目前,高光谱数据降维主要分为两类,一类是特征提取,一类是波段选择。特征提取是利用全波段的高光谱数据通过某种变换或映射,将数据从高维空间投影到低维空间,降低数据的维数。常用的方法有如主成分分析(Principal Component Analysis,PCA)、独立成分分析(Independent Component Analysis,ICA)、投影寻踪(Projection Pursuit,PP)、流行学习、非负矩阵分解(Nonnegative Matrix Factorization,NMF)等。波段选择是使用某一准则从高光谱数据的全部波段中选择出最具代表性的波段,从而实现对高光谱数据的降维。传统的方法有最佳指数因子(OIF)、自适应波段选择法(Adaptive BandSelection,ABS)、最优波段指数法(Optimal Band Index,OBI)。近年来又有基于遗传算法和蚁群算法、基于人工蜂群算法、基于矩阵模式和光谱相关系数算法(BSMM)等新的方法用于波段选择。
上述的降维方法中,特征提取方法降维速度快,但存在破坏原始数据的物理信息从而不利于高光谱数据应用的缺点;波段选择方法很好的保留了原始数据的物理信息,利于真实光谱信息的利用,但也存在一些缺点,OIF计算量过大耗时长,ABS只考虑各波段与相邻波段的关系忽略了所选择波段组合间的联系,OIF、ABS、OBI用标准差衡量信息量也有一定的局限性,新的智能算法实现过于复杂且运算时间长,光谱相关系数只是考虑光谱曲线的整体形状,用光谱相关系数衡量光谱维的相关性有一定的不足。
发明内容
鉴于目前技术存在的过于复杂且运算时间长以及相关性不足的问题,本发明提供一种基于光谱信息散度的矩阵模式波段选择方法。
本发明采用如下技术方案:
一种基于光谱信息散度的矩阵模式波段选择方法,包括以下步骤:
采集高光谱遥感影像并计算影像各个波段的离散系数和各个波段间的光谱信息散度;
基于上述各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子;
基于上述信息散度矩阵因子计算各个波段的单波段指标;
基于上述单波段指标值从大到小选择最佳波段组合。
进一步,所述基于上述各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子的步骤包括:
基于上述各个波段间的光谱信息散度对各个波段的离散系数进行区间映射;
基于上述区间映射后的各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子。
进一步,所述基于上述单波段指标值选择最佳波段组合的步骤为:基于单波段指标值从大到小选择最佳波段组合。
进一步,所述计算离散系数的公式为:
式中,σi表示第i个波段像元值的标准差,ximean表示第i个波段像元值的均值。ci表示影像第i波段的离散系数,ci越大表示该波段数据的离散程度越大,数据所含的信息量越多,ci越小表示该波段数据的离散程度越小,数据所含的信息量越少;
其中,
式中,xik表示第i波段中第k个像元的像元值,n表示影像一个波段的像元总个数。
进一步,所述计算光谱信息散度的公式为:
波段i、j是高光谱影像的两个波段,对应波段上的像元分别看作像元光谱(x1,x2,x3,…,xn)和像元光谱(y1,y2,y3,…,yn),它们之间光谱信息散度的计算公式为:
sidi,j=D(i||j)+D(j||j) (12)
式中,xk、yk分别表示第i、j波段上第k个像元的像元值,sidi,j表示影像第i、j波段间的光谱信息散度,sidi,j值越大表明第i、j波段间的相似度越小,信息冗余度越低,sidi,j值越小表明第i、j波段间的相似度越大,信息冗余度越高。
进一步,所述进行区间映射的公式为:
ci'=(SIDmax-SIDmin)×(ci-cmin)/(cmax-cmin)+SIDmin (16)
式中,SIDmax是信息散度矩阵SID中的最大值,SIDmin是信息散度矩阵SID中的最小值,cmax是影像各个波段离散系数中的最大值,cmin是影像各个波段离散系数中的最小值。
进一步,所述计算信息散度矩阵因子的公式为:
smi,j=(c'i×c'j)×sidi,j (17)
smi,j越大,表示i,j波段所含的信息量越多且i,j波段间的相关性越小。
进一步,所述计算各个波段的单波段指标的公式为:
式中,K表示高光谱影像的波段个数。bi值越大,表示第i波段相比其他波段所含有信息量更多,且与其它波段间的相关性越小。
进一步,根据bi值由大到小从所有的波段中选取合适数量的最佳波段组合。
本发明的有益效果:本发明具有易于实现、计算复杂低等优点,可用于高光谱遥感影像波段选择,波段选择结果可应用于高光谱遥感影像分类与识别以及土地利用/覆盖分类等多种应用中。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于光谱信息散度的矩阵模式波段选择方法,包括以下步骤:
步骤S1:采集高光谱遥感影像并计算影像各个波段的离散系数和各个波段间的光谱信息散度,其中包括步骤S1a:采集高光谱遥感影像并计算影像各个波段的离散系数;步骤S1b:采集高光谱遥感影像并计算影像各个波段间的光谱信息散度,具体为:输入高光谱遥感影像,计算输入高光谱影像各个波段的离散系数,再计算影像各个波段间的光谱信息散度;其中离散系数计算公式如下:
式中,σi表示第i个波段像元值的标准差,ximean表示第i个波段像元值的均值。ci表示影像第i波段的离散系数,ci越大表示该波段数据的离散程度越大,数据所含的信息量越多,ci越小表示该波段数据的离散程度越小,数据所含的信息量越少。
式中,xik表示第i波段中第k个像元的像元值,n表示影像一个波段的像元总个数。
光谱信息散度计算公式如下:
波段i、j是高光谱影像的两个波段,对应波段上的像元分别看作像元光谱(x1,x2,x3,…,xn)和像元光谱(y1,y2,y3,…,yn),它们之间光谱信息散度的计算公式为:
sidi,j=D(i||j)+D(j||j) (21)
式中,xk、yk分别表示第i、j波段上第k个像元的像元值,sidi,j表示影像第i、j波段间的光谱信息散度,sidi,j值越大表明第i、j波段间的相似度越小,信息冗余度越低,sidi,j值越小表明第i、j波段间的相似度越大,信息冗余度越高。
步骤S2:基于上述各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子:其中包括步骤S2a:基于上述各个波段间的光谱信息散度对各个波段的离散系数进行区间映射;步骤S2b:基于上述区间映射后的各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子;进行区间映射公式如下:
ci'=(SIDmax-SIDmin)×(ci-cmin)/(cmax-cmin)+SIDmin (25)
式中,SIDmax是信息散度矩阵SID中的最大值,SIDmin是信息散度矩阵SID中的最小值,cmax是影像各个波段离散系数中的最大值,cmin是影像各个波段离散系数中的最小值。
信息散度矩阵因子计算公式如下:
smi,j=(c'i×c'j)×sidi,j (26)
smi,j越大,表示i,j波段所含的信息量越多且i,j波段间的相关性越小。
步骤S3:基于上述信息散度矩阵因子计算各个波段的单波段指标;单波段指标计算公式如下:
式中,K表示高光谱影像的波段个数。bi值越大,表示第i波段相比其他波段所含有信息量更多,且与其它波段间的相关性越小。
步骤S4:基于上述单波段指标值从大到小选择最佳波段组合,根据单波段指标值由大到小从所有的波段中选取合适数量的最佳波段组合。
本发明使用的高光谱遥感图像是由美国国家航空航天局(NASA)的机载成像光谱仪AVIRIS获取的佛罗里达州肯尼迪空间中心(KSC)1996年3月23日的影像,一共有224个波段,光谱范围400-2500,光谱分辨率10nm,空间分辨率18m,对于研究区的数据,去除了水汽吸收影响和低SNR的波段,共选择120个波段来进行分析。训练数据是根据陆地卫星专题制图仪(Landsat ThematicMapper)所提供的影像来进行选择的,根据对影像的判读,将该区域内土地覆盖分为13个大的类别。
为了更为准确的验证本发明方法的有效性,将本发明基于光谱信息散度的矩阵模式波段选择方法(SID-BSMM)同具有代表性的OBI、ABS、BSMM波段选择方法进行比较。采用不同波段数目、不同波段选择方法下最大似然分类(MLC)的分类结果的详细OA和Kappa系数如下表一:
本发明的波段选择方法在选择相同波段数目的情况下,SID-BSMM选出的波段组合比OBI、ABS、BSMM选出的波段组合的最大似然分类结果的OA和Kappa系数要高,选择合适的波段组合分类相比全波段分类提高了分类的精度。
随着高光谱遥感技术的不断发展,获取高光谱遥感影像的途径大大增加,而且会越来越容易,随之而来的应用也会越来越多,必将涉及到众多的领域。高光谱遥感影像降维技术是高光谱遥感影像预处理技术中重点和难点之一,因此研究高光谱遥感影像波段选择方法有着重要的现实意义,本发明为高光谱遥感影像波段选择方法的发展提供了一种新的思路。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于光谱信息散度的矩阵模式波段选择方法,其特征在于,包括以下步骤:
采集高光谱遥感影像并计算影像各个波段的离散系数和各个波段间的光谱信息散度;
基于上述各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子;
基于上述信息散度矩阵因子计算各个波段的单波段指标;
基于上述单波段指标值选择最佳波段组合。
2.根据权利要求1所述的基于光谱信息散度的矩阵模式波段选择方法,其特征在于:所述基于上述各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子的步骤包括:
基于各个波段间的光谱信息散度对各个波段的离散系数进行区间映射;
基于区间映射后的各个波段的离散系数和各个波段间的光谱信息散度计算信息散度矩阵因子。
3.根据权利要求1所述的基于光谱信息散度的矩阵模式波段选择方法,其特征在于:所述基于上述单波段指标值选择最佳波段组合的步骤为:
基于单波段指标值从大到小选择最佳波段组合。
4.根据权利要求1所述的基于光谱信息散度的矩阵模式波段选择方法,其特征在于,所述计算影像各个波段的离散系数的公式为:
式中,σi表示第i个波段像元值的标准差,ximean表示第i个波段像元值的均值,ci表示影像第i波段的离散系数;
其中,
式中,xik表示第i波段中第k个像元的像元值,n表示影像一个波段的像元总个数。
5.根据权利要求1所述的基于光谱信息散度的矩阵模式波段选择方法,其特征在于,所述计算影像各个波段间的光谱信息散度的公式为:
波段i、j是高光谱影像的两个波段,对应波段上的像元分别看作像元光谱(x1,x2,x3,…,xn)和像元光谱(y1,y2,y3,…,yn),它们之间光谱信息散度的计算公式为:
sidi,j=D(i||j)+D(j||j) (3)
式中,xk、yk分别表示第i、j波段上第k个像元的像元值,sidi,j表示影像第i、j波段间的光谱信息散度。
6.根据权利要求2所述的基于光谱信息散度的矩阵模式波段选择方法,其特征在于,所述进行区间映射的公式为:
ci'=(SIDmax-SIDmin)×(ci-cmin)/(cmax-cmin)+SIDmin (7)
式中,SIDmax是信息散度矩阵SID中的最大值,SIDmin是信息散度矩阵SID中的最小值,cmax是影像各个波段离散系数中的最大值,cmin是影像各个波段离散系数中的最小值。
7.根据权利要求2所述的基于光谱信息散度的矩阵模式波段选择方法,其特征在于,所述计算信息散度矩阵因子的公式为:
smi,j=(c'i×c'j)×sidi,j (8)
式中,sidi,j表示影像第i、j波段间的光谱信息散度。
8.根据权利要求1-7中任一项所述的基于光谱信息散度的矩阵模式波段选择方法,其特征在于,所述计算各个波段的单波段指标的公式为:
式中,K表示高光谱影像的波段个数。
9.根据权利要求8所述的基于光谱信息三度的矩阵模式波段选择方法,其特征在于,根据bi值由大到小从所有的波段中选取合适数量的最佳波段组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610812892.4A CN106408010A (zh) | 2016-09-09 | 2016-09-09 | 一种基于光谱信息散度的矩阵模式波段选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610812892.4A CN106408010A (zh) | 2016-09-09 | 2016-09-09 | 一种基于光谱信息散度的矩阵模式波段选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408010A true CN106408010A (zh) | 2017-02-15 |
Family
ID=57999497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610812892.4A Pending CN106408010A (zh) | 2016-09-09 | 2016-09-09 | 一种基于光谱信息散度的矩阵模式波段选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408010A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751142A (zh) * | 2019-09-25 | 2020-02-04 | 河海大学 | 一种改进型的高光谱遥感影像波段选择方法 |
CN112525346A (zh) * | 2020-12-03 | 2021-03-19 | 安徽理工大学 | 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521605A (zh) * | 2011-11-25 | 2012-06-27 | 河海大学 | 一种高光谱遥感图像波段选择方法 |
CN104021393A (zh) * | 2014-03-31 | 2014-09-03 | 河海大学 | 基于萤火虫优化的高光谱遥感影像波段选择方法 |
CN104268582A (zh) * | 2014-08-26 | 2015-01-07 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段选择方法及装置 |
CN105184314A (zh) * | 2015-08-25 | 2015-12-23 | 西安电子科技大学 | 基于像素聚类的wrapper式高光谱波段选择方法 |
-
2016
- 2016-09-09 CN CN201610812892.4A patent/CN106408010A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521605A (zh) * | 2011-11-25 | 2012-06-27 | 河海大学 | 一种高光谱遥感图像波段选择方法 |
CN104021393A (zh) * | 2014-03-31 | 2014-09-03 | 河海大学 | 基于萤火虫优化的高光谱遥感影像波段选择方法 |
CN104268582A (zh) * | 2014-08-26 | 2015-01-07 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段选择方法及装置 |
CN105184314A (zh) * | 2015-08-25 | 2015-12-23 | 西安电子科技大学 | 基于像素聚类的wrapper式高光谱波段选择方法 |
Non-Patent Citations (2)
Title |
---|
于绍慧 等: "基于矩阵模式的高光谱波段选择方法", 《光电工程》 * |
夏冰 等: "基于光谱信息散度的非监督波段选择", 《计算机应用与软件》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751142A (zh) * | 2019-09-25 | 2020-02-04 | 河海大学 | 一种改进型的高光谱遥感影像波段选择方法 |
CN110751142B (zh) * | 2019-09-25 | 2022-07-26 | 河海大学 | 一种改进型的高光谱遥感影像波段选择方法 |
CN112525346A (zh) * | 2020-12-03 | 2021-03-19 | 安徽理工大学 | 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质 |
CN112525346B (zh) * | 2020-12-03 | 2022-10-11 | 安徽理工大学 | 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022001159A1 (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
Hou et al. | Hyperspectral change detection based on multiple morphological profiles | |
Mather et al. | Classification methods for remotely sensed data | |
Li et al. | Complex contourlet-CNN for polarimetric SAR image classification | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN104978573A (zh) | 一种应用于高光谱图像处理的非负矩阵分解方法 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
Ren et al. | A locally optimized model for hyperspectral and multispectral images fusion | |
Wang et al. | Using GF-2 imagery and the conditional random field model for urban forest cover mapping | |
Hestir et al. | Classification trees for aquatic vegetation community prediction from imaging spectroscopy | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN107194936A (zh) | 基于超像素联合稀疏表示的高光谱图像目标检测方法 | |
CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
CN105160351A (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
Liu et al. | Class-guided coupled dictionary learning for multispectral-hyperspectral remote sensing image collaborative classification | |
CN111191700B (zh) | 基于自适应协同图判别分析的高光谱图像降维方法及装置 | |
CN105760857B (zh) | 一种高光谱遥感影像目标探测方法 | |
Xie et al. | Improvement and application of UNet network for avoiding the effect of urban dense high-rise buildings and other feature shadows on water body extraction | |
US20240242477A1 (en) | Remote sensing classification method based on relative entropy | |
Cui et al. | Feature fusion network model based on dual attention mechanism for hyperspectral image classification | |
CN106408010A (zh) | 一种基于光谱信息散度的矩阵模式波段选择方法 | |
CN117392533A (zh) | 一种高光谱遥感影像岩性样本集构建方法 | |
Ma et al. | Multi-spectral image change detection based on single-band iterative weighting and fuzzy C-means clustering | |
Wang | [Retracted] Landscape Classification Method Using Improved U‐Net Model in Remote Sensing Image Ecological Environment Monitoring System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |