CN106408034A - 一种基于空间特征迭代的高光谱图像分类方法 - Google Patents
一种基于空间特征迭代的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN106408034A CN106408034A CN201610905667.5A CN201610905667A CN106408034A CN 106408034 A CN106408034 A CN 106408034A CN 201610905667 A CN201610905667 A CN 201610905667A CN 106408034 A CN106408034 A CN 106408034A
- Authority
- CN
- China
- Prior art keywords
- classification
- matrix
- target
- image
- iteration
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间特征迭代的高光谱图像分类方法,根据高光谱样本数据计算出地物类别的光谱签名di;并设置类别目标集合、背景端元集合及颜色约束矩阵;利用高光谱图像的背景端元U、约束矩阵C及图像自相关逆矩阵R‑1定义一个能同时进行多类别分类的分类器Tk,并提取所有类别目标的初始分类结果,同时提取每种类别目标分类结果的空间特征{Tk(iG)},接着把空间特征{Tk(iG)}反馈叠加到待分类的高光谱图像中进行空间特征与谱间特征的融合;再通过迭代的方式进行多类别的同时分类,直到达到设定的迭代停止条件;最后把分类结果采用不同颜色进行标注。本方法有效利用光谱统计特征与迭代空间特征相融合的方式进行高光谱图像类别特征判断,逐步提高高光谱图像分类的准确度。
Description
技术领域
本发明涉及基于空间反馈特征的高光谱图像分类方法,尤其涉及一种基于空间特征迭代的高光谱图像分类方法。
背景技术
高光谱图像具有高光谱分辨率的特点,可以探测到多光谱图像无法探测到的地物类别,在环境监测、军事领域、林业等领域应用越来越广泛。高光谱图像分类的目标是对高光谱图像中的每个像元进行分类标注,高光谱图像的高光谱分辨率和高空间分辨率,使得在地物类别分类方面有巨大的优势,但是地物光谱信息的精确性也使得干扰、背景部分在高光谱分类中有一定的影响;同时由于高光谱数据具有高维数据量大及小样本训练的特点,也给高光谱图像分类带来挑战。近年来,基于支持向量机的高光谱图像分类方法得到了一定程度的进展,针对高光谱图像中包含的空间信息,建立了集成SVMs与马尔可夫随机场的分类方法。但是这类方法一方面对支持向量比较敏感,对部分地物类别的分类效果会很差;另一方面利用核函数将数据转换到高维空间进行分类,当数据样本变大时也造成内存消耗大、计算量大等问题。目前,基于谱间-空间特征的高光谱图像分类方法成为当前的研究热点,这类方法通过引入空间信息特征辅助光谱特征提高高光谱图像分类的精度,然而该种方法对于空间特征的使用方法,是首先通过形态学、滤波等方法提取图像的边缘、形状纹理等空间特征,再利用支持向量机等进行一对一,或者一对多的分类;一方面缺乏对图像空间特征的有效利用,另一方面也缺少对于谱间信息与空间信息的融合。
发明内容
根据现有技术存在的问题,本发明公开了一种基于空间特征迭代的高光谱图像分类方法,其特征在于:采用如下步骤:
S1:已知高光谱图像像元的信号源信息,根据高光谱样本分类的标签,计算出每种地物类别的光谱签名di,并根据分类的类别数目p生成待分类目标端元的光谱签名矩阵D1=[d1,d2,...dp];
S2:把地物目标D的正交子空间投影最大的像元定义为背景端元,计算出高光谱图像的背景端元光谱签名U={u};
S3:根据类别数目p和背景端元q的数目,q=1,设置约束矩阵C,利用约束向量矩阵C来同时约束地物目标D和高光谱图像的背景端元U,从而将地物目标与背景部分进行区分;
S3:设置迭代次数k的初值为1,利用地物目标D、高光谱图像的背景端元U、约束矩阵C及图像自相关逆矩阵R-1定义一个能同时进行多类别分类的分类器Tk,并提取所有类别目标的初始分类结果{Tk(i)};
S4:提取每种类别目标分类结果的空间特征{Tk(iG)},并把空间特征{Tk(iG)}反馈叠加到待分类的高光谱图像中,将空间特征与光谱特征进行融合;
S5:利用自适应阈值将分类器结果进行地物目标和背景部分的分类,并设定迭代停止条件;
S6:如果迭代条件满足,k=k+1,更新地物目标Dk、背景部分Uk,并跳到步骤S3继续进行分类,直到达到迭代停止条件,分类结束。
S1中:设已知高光谱图像像元的信号源包括地物目标D、背景部分U和干扰信号I,已知高光谱数据中的每种地物样本为Hm(i),m为地物类号1≤m≤p,1≤i≤Nm,Nm为m类地物的学习样本数目;
根据高光谱样本分类的标签,按照以下公式进行待分类地物目标dm的计算:
根据分类的类别数目p,生成待分类目标端元的光谱签名矩阵D1=[d1,d2,...dp],其中di(1≤m≤p)为第i个类别的光谱签名,1/λ为提取的学习样本比例。
S2中:地物目标D的正交子空间投影最大的像元定义为背景端元,按照以下公式检测出高光谱图像的背景端元光谱签名U={u};
其中为D的正交补矩阵,其计算公式如下:
I为单位阵 (3)
S3中:根据p和q的数目,设置约束矩阵C:
C(p+q)×p=[C1p×p,C2p×q]T (4)
其中C1p×p=[c1,c2,..cp]是以1为对角线的对角阵,C2p×q为p×q大小的0矩阵,其列向量ci用于约束第i个地物目标,1≤i≤q,利用约束向量矩阵C来同时约束D和U,能同时将地物目标与背景部分进行区分,具体的约束矩阵C的转置矩阵如下;
根据和及约束矩阵C(p+q)×p,定义同时对p个目标进行分类的多类别分类器Tk,
Tk=wTr (6)
其中
其中R为高光谱图像的样本光谱自相关矩阵,其定义如下:
其中r=[r1r2...rn],利用逆矩阵R-1把高光谱图像的样本光谱进行压抑,对于每种地物的分类结果Tk(i)(1≤i≤p)的计算如下:
Tk(i)=wTr (9)
其中
w=R-1[DmUm]([DmUm]TR-1[DmUm])Ci (10)
Ci为约束矩阵C的第i列向量,利用分类器提取当前高光谱图像的分类结果Tk(i)。
S4中:提取分类结果Tk(i)对应的空间特征Tk(i)(1≤i≤p)
其中σ是高斯滤波的标准偏差,r是高斯滤波的过滤半径;将得到的空间特征图像Tk(i)(1≤i≤p)反馈叠加到当前的高光谱数据上,使波段数目变为L=L+p,其中L为当前高光谱图像的波段数目。
S5中:设定迭代停止条件如下:
其中|S|是集合S的大小,Sk和Sk-1表示第k次迭代的阈值分类结果;
判断停止条件(12)是否成立,如果成立,按照以下公式更新地物目标Dk、背景部分Uk;
返回至S3中继续利用多类别分类器对当前高光谱图像进行分类;
当判断停止条件(12)不成立时,分类结束,将最终分类结果Tk(iG)(1≤i≤p)采用不同的颜色进行标注显示。
本发明提供的一种基于空间特征迭代的高光谱图像分类方法,通过样本数据计算出地物类别及背景的光谱签名,利用约束矩阵对地物目标进行约束,并采用最小化背景干扰的方式进行地物目标的检测,通过这种检测的手段达到分类的目的,接着利用阈值设定,对检测结果进行分类,方法中通过融合光谱特征与迭代空间特征,逐步提高分类精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1.为本发明中高光谱图像分类方法的技术流程图;
图2.为实施例中待分类的高光谱源图像;
图3.为实施例中的待分类目标的光谱签名曲线
图4.为实施例图2中的背景端元检测结果
图5.为实施例中图4的背景端元的光谱签名曲线
图6.为实施例中每种地物目标的第一次分类结果;
图7.为实施例中每种地物目标第一次提取到的的空间特征结果图;
图8.为实施例中迭代之后的每种地物类别的分类结果图;
图9.为实施例中Groundtruth提供的每种地物目标的分类结果图;
图10.为实施例中迭代之后的每种地物目标的显示颜色图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
如图1所示的一种基于空间特征迭代的高光谱图像分类方法,具体采用如下步骤:
已知高光谱图像数据r=(r1,r2,...rn)T,其中n是高光谱图像的像元数目,ri(1≤i≤n)表示高光谱图像的第i个像元,ri=(ri1,ri2,...riL),其中L表示高光谱图像的波段数目。
本发明的具体实现步骤如下:
A.假设已知高光谱图像像元的信号源包括地物目标D、背景部分U和干扰信号I,已知高光谱数据中的每种地物样本为Hm(i),m为地物类号1≤m≤p,1≤i≤Nm,Nm为m类地物的学习样本数目。
根据高光谱样本分类的标签,按照以下公式进行待分类地物目标dk的计算:
根据分类的类别数目p,生成待分类目标端元的光谱签名矩阵D1=[d1,d2,...dp],其中di(1≤m≤p)为第i个类别的光谱签名,1/λ为提取的学习样本比例;
B.地物目标D的正交子空间投影最大的像元即可以看做背景端元。按照以下公式检测出高光谱图像的背景端元U={u};
其中为D的正交补矩阵,其计算公式如下:
I为单位阵 (3)
C.根据p和q=1的数目,设置约束矩阵C:
C(p+q)×p=[C1p×p,C2p×q]T (4)
其中C1p×p=[c1,c2,..cp]是以1为对角线的对角阵,C2p×q为p×q大小的0矩阵,其列向量ci用于约束第i个1≤i≤q地物目标。利用约束向量矩阵C来同时约束D和U,能同时将地物目标与背景部分进行区分,具体的约束矩阵C如下;
D.根据和及约束矩阵C(p+q)×p,定义提取p个目标的分类器Tk,
Tk=wTr (6)
其中
其中R为高光谱图像的样本光谱自相关矩阵,其定义如下:
其中r=[r1r2...rn]。
利用逆矩阵R-1把高光谱图像的样本光谱进行压抑,因为每一类地物目标的数目远少于整体样本数目,所以的作用实际上等于消除了每一类非地物目标的统计信号。
具体对于每种地物的分类结果Tk(i)(1≤i≤p)的计算如下:
Tk(i)=wTr (9)
其中
w=R-1[DmUm]([DmUm]TR-1[DmUm])Ci (10)
Ci为约束矩阵C的第i列向量。
E.利用分类器提取当前高光谱图像的分类结果Tk(i);
F.提取步骤F中分类结果对应的空间特征Tk(i)(1≤i≤p):
其中σ是高斯滤波的标准偏差,r是高斯滤波的过滤半径。
高光谱图像分类之后的结果往往存在很大的噪声,掩盖了其真实的空间特征,经过高斯滤波之后,分类结果中的噪声部分被过滤掉,代表高光谱地物目标的空间特征被保留了下来。
G.利用自适应阈值方法将高光谱图像地物目标和背景部分进行分类。背景和目标之间的类间方差越大,说明两者的差别越大,按照最大类间方差法设置阈值,按照分类结果图的灰度特性,将图像分成背景和目标部分,分别代表高光谱数据的背景和地物目标。
I.将得到的空间特征Tk(i)(1≤i≤p)反馈叠加到当前的高光谱数据上,使波段数目变为L=L+p,其中L为当前高光谱图像的波段数目。添加了Tk(iG)之后,高光谱图像中除了光谱特征之外,还叠加了代表类别位置、形状的空间特征,有助于提高下一次的分类精度。
J.设定迭代停止条件如下:
其中|S|是集合S的大小,Sk和Sk-1表示第k次迭代的阈值分类结果。
判断停止条件(12)是否成立,如果成立,按照以下公式更新地物目标Dk、背景部分Uk;
k=k+1
接着执行步骤E;
K.将最终分类结果Tk(i)(1≤i≤p)采用不同的颜色进行标注显示。
实施例本发明实施的基于空间反馈迭代特征的高光谱图像分类方法的具体步骤如下:
A.样本数据来源:样本高光谱图像数据取自Purdue大学提供的美国印第安纳州Indian Pine实验区的高光谱数据,含有220个波段,如图2所示。图像数据大小含有145×145个像素,共有16类地物作为分类的目标。
B.样本数据的学习:对上述Indian Pine实验区的16类地物均采用其5%的样本按照公式(1)进行样本学习,具体16类地物学习的像元数目如表1所示。
表1
将计算得到的16个类别的光谱签名组成分类矩阵D1=[d1,d2,...d16],其中di(1≤i≤16)为第i个地物的光谱签名,具体的16类地物的光谱曲线图如图3所示。
C.按照公式(2)和(3)所述的正交子空间投影算法进行计算,检测出Indian Pine实验区1个背景端元u:图2的背景端元检测结果如图4所示,接下来生成背景端元的光谱签名矩阵U1=[u],具体的背景端元的光谱曲线图如图5所示。
D.根据分类地物和背景端元的数目,按照公式(4)和(5),设置约束矩阵C:C17×16,其列向量ci用于约束第i个地物类别;利用约束向量矩阵C来同时约束D和U,能同时将Purdue数据中的地物目标与背景部分进行分类;
E.设置k=1,根据Dk和Uk及约束矩阵C,按照公式(6)、(7)和(8)定义的多类别分类器Tk(i)(1≤i≤p)计算地物目标的分类结果。按照公式(9)和(10)计算出Purdue数据的第一次分类结果T1(i),i从1到16的目标类别分类显示结果如图6所示。
F.设置σ=0.5,r=5,按照公式(11)计算Indian pine实验区的高光谱图像的分类结果图的空间信息Tk(i)(1≤i≤p)。第一次提取到的空间特征为T1(iG),i从1到16的空间特征显示结果如图7所示。从图中可以看出,Purdue数据的空间特征被提取出来,代表了16类地物的空间位置和形状。
H.将提取的高光谱空间特征Tk(i)(1≤i≤p)反馈叠加到Indian pine实验区数据上,使波段数目变为l=l+16,其中l为当前图像的波段数目。
叠加了空间特征的Purdue数据融合了光谱信号统计特征和空间特征两者的优势,可以在利用统计信号处理的方法时,通过空间特征的位置和形状,提高数据的分类能力。
J.按照最大类间方差法计算各地物类别阈值level值,具体如表2所示,按照分类结果图的灰度值Ig,计算Ig*level,从而将图像分成背景和目标部分两部分,分别代表Indian Pine实验区的背景和地物目标。
I.设置ε=0.99,按照公式(12)判断停止条件,如果成立,按照公式(13)更新16类地物目标矩阵Dk和背景矩阵Uk;接着执行步骤E;当k的值为12时,ε的值为0.9910,不满足公式(10),迭代停止。
K.按照最大类间方差法计算16类地物的阈值,具体如表2所示,将Indian pine实验区图像分成背景和16类目标部分。
表2
类号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
阈值level | 0.3862 | 0.4431 | 0.4275 | 0.4275 | 0.200 | 0.4235 | 0.3667 | 0.4451 |
类号 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |
阈值level | 0.3275 | 0.4471 | 0.4667 | 0.4196 | 0.4314 | 0.4471 | 0.4294 | 0.4098 |
实验结果分析:
一方面将分类结果的16个地物分类结果进行标注,具体的结果按照不同的地物类别显示如图8所示,Purdue数据提供的Groundtruth图像按照类别1到16的地物分类结果显示如图9所示。
通过以上基于反馈空间迭代的分类方法所提取Indian Pine实验区分类结果与Groundtruth图像标注的结果比较如图10所示。其中左图为采用本次发明的分类结果图,而右图为Indian Pine实验区数据提供的Groundtruth图像,两者均采用相同的彩色图进行显示。从比较结果图可以定性的看出来本次发明提供的分类方法有较好的分类效果。
为了进一步定量的评价本次发明所提出的分类方法,采用常用的分类比较评价指标:总精度(Overall Accuracy,OA)进行评价,计算公式如下。计算得到的Indian pine实验区的总分类精度值为94.96%。
其中p为地物类别数,Si为分类结果中第i类地物的样本数目,Ni为Ground truth结果途中第i类地物的样本数目。
同时计算出了每种地物目标类别的分类精度,计算公式如下,具体的数值如表3所示。
从该表可以看出,本次发明提供的基于反馈空间特征迭代的高光谱图像分类方法对目标类别均具有较高的分类精度。
表3
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于空间特征迭代的高光谱图像分类方法,其特征在于:采用如下步骤:
S1:已知高光谱图像像元的信号源信息,根据高光谱样本分类的标签,计算出每种地物类别的光谱签名di,并根据分类的类别数目p生成待分类目标端元的光谱签名矩阵D1=[d1,d2,...dp];
S2:把地物目标D的正交子空间投影最大的像元定义为背景端元,计算出高光谱图像的背景端元光谱签名U={u};
S3:根据类别数目p和背景端元q的数目,q=1,设置约束矩阵C,利用约束向量矩阵C来同时约束地物目标D和高光谱图像的背景端元U,从而将地物目标与背景部分进行区分;
S3:设置迭代次数k的初值为1,利用地物目标D、高光谱图像的背景端元U、约束矩阵C及图像自相关逆矩阵R-1定义一个能同时进行多类别分类的分类器Tk,并提取所有类别目标的初始分类结果{Tk(i)};
S4:提取每种类别目标分类结果的空间特征{Tk(iG)},并把空间特征{Tk(iG)}反馈叠加到待分类的高光谱图像中,将空间特征与光谱特征进行融合;
S5:利用自适应阈值将分类器结果进行地物目标和背景部分的分类,并设定迭代停止条件;
S6:如果迭代条件满足,k=k+1,更新地物目标Dk、背景部分Uk,并跳到步骤S3继续进行分类,直到达到迭代停止条件,分类结束。
2.根据权利要求1所述的一种基于空间特征迭代的高光谱图像分类方法,其特征还在于:S1中:设已知高光谱图像像元的信号源包括地物目标D、背景部分U和干扰信号I,已知高光谱数据中的每种地物样本为Hm(i),m为地物类号1≤m≤p,1≤i≤Nm,Nm为m类地物的学习样本数目;
根据高光谱样本分类的标签,按照以下公式进行待分类地物目标dm的计算:
根据分类的类别数目p,生成待分类目标端元的光谱签名矩阵D1=[d1,d2,...dp],其中di(1≤m≤p)为第i个类别的光谱签名,1/λ为提取的学习样本比例。
3.根据权利要求1所述的一种基于空间特征迭代的高光谱图像分类方法,其特征还在于:S2中:
地物目标D的正交子空间投影最大的像元定义为背景端元,按照以下公式检测出高光谱图像的背景端元光谱签名U={u};
其中为D的正交补矩阵,其计算公式如下:
I为单位阵 (3)
S3中:根据p和q的数目,设置约束矩阵C:
C(p+q)×p=[C1p×p,C2p×q]T (4)
其中C1p×p=[c1,c2,..cp]是以1为对角线的对角阵,C2p×q为p×q大小的0矩阵,其列向量ci用于约束第i个地物目标,1≤i≤q,利用约束向量矩阵C来同时约束D和U,能同时将地物目标与背景部分进行区分,具体的约束矩阵C的转置矩阵如下;
根据和及约束矩阵C(p+q)×p,定义同时对p个目标进行分类的多类别分类器Tk,
Tk=wTr (6)
其中
其中R为高光谱图像的样本光谱自相关矩阵,其定义如下:
其中r=[r1r2...rn],利用逆矩阵R-1把高光谱图像的样本光谱进行压抑,对于每种地物的分类结果Tk(i)(1≤i≤p)的计算如下:
Tk(i)=wTr (9)
其中
w=R-1[DmUm]([DmUm]TR-1[DmUm])Ci (10)
Ci为约束矩阵C的第i列向量,利用分类器提取当前高光谱图像的分类结果Tk(i)。
4.根据权利要求1或3所述的一种基于空间特征迭代的高光谱图像分类方法,其特征还在于:S4中:提取分类结果Tk(i)对应的空间特征Tk(i)(1≤i≤p)
其中σ是高斯滤波的标准偏差,r是高斯滤波的过滤半径;将得到的空间特征图像Tk(i)(1≤i≤p)反馈叠加到当前的高光谱数据上,使波段数目变为L=L+p,其中L为当前高光谱图像的波段数目。
5.根据权利要求1所述的一种基于空间特征迭代的高光谱图像分类方法,其特征还在于:S5中:设定迭代停止条件如下:
其中|S|是集合S的大小,Sk和Sk-1表示第k次迭代的阈值分类结果;
判断停止条件(12)是否成立,如果成立,按照以下公式更新地物目标Dk、背景部分Uk;
k=k+1
返回至S3中继续利用多类别分类器对当前高光谱图像进行分类;
当判断停止条件(12)不成立时,分类结束,将最终分类结果Tk(iG)(1≤i≤p)采用不同的颜色进行标注显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610905667.5A CN106408034B (zh) | 2016-10-17 | 2016-10-17 | 一种基于空间特征迭代的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610905667.5A CN106408034B (zh) | 2016-10-17 | 2016-10-17 | 一种基于空间特征迭代的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408034A true CN106408034A (zh) | 2017-02-15 |
CN106408034B CN106408034B (zh) | 2019-11-26 |
Family
ID=58013214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610905667.5A Active CN106408034B (zh) | 2016-10-17 | 2016-10-17 | 一种基于空间特征迭代的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408034B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107527001A (zh) * | 2017-03-29 | 2017-12-29 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107967694A (zh) * | 2017-12-22 | 2018-04-27 | 大连海事大学 | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 |
CN109035199A (zh) * | 2018-06-21 | 2018-12-18 | 中国科学院西安光学精密机械研究所 | 基于空间特征的高光谱数据端元提取方法、计算机可读存储介质、电子设备 |
CN110033039A (zh) * | 2019-04-10 | 2019-07-19 | 大连海事大学 | 一种基于目标约束检测的高光谱实时分类方法 |
CN110046674A (zh) * | 2019-04-24 | 2019-07-23 | 哈尔滨工业大学 | 基于反馈结构的高光谱遥感图像分类方法 |
CN110738171A (zh) * | 2019-10-15 | 2020-01-31 | 大连海事大学 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
CN113959961A (zh) * | 2021-12-22 | 2022-01-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236106A (zh) * | 2008-01-11 | 2008-08-06 | 北京航空航天大学 | 一种光谱和空间信息结合的高光谱数据分类方法 |
US20120076406A1 (en) * | 2009-07-20 | 2012-03-29 | Kevin Fisher | System and method for progressive band selection for hyperspectral images |
CN103258330A (zh) * | 2013-05-24 | 2013-08-21 | 大连海事大学 | 一种高光谱图像端元丰度的估计方法 |
CN102622608B (zh) * | 2012-02-23 | 2014-01-15 | 北京航空航天大学 | 基于非线性时间序列分析的高光谱图像分类方法 |
CN104268556A (zh) * | 2014-09-12 | 2015-01-07 | 西安电子科技大学 | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 |
CN104680185A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于边界点重分类的高光谱图像分类方法 |
CN104933410A (zh) * | 2015-06-15 | 2015-09-23 | 山东大学 | 一种高光谱图像光谱域与空间域联合分类方法 |
-
2016
- 2016-10-17 CN CN201610905667.5A patent/CN106408034B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236106A (zh) * | 2008-01-11 | 2008-08-06 | 北京航空航天大学 | 一种光谱和空间信息结合的高光谱数据分类方法 |
US20120076406A1 (en) * | 2009-07-20 | 2012-03-29 | Kevin Fisher | System and method for progressive band selection for hyperspectral images |
CN102622608B (zh) * | 2012-02-23 | 2014-01-15 | 北京航空航天大学 | 基于非线性时间序列分析的高光谱图像分类方法 |
CN103258330A (zh) * | 2013-05-24 | 2013-08-21 | 大连海事大学 | 一种高光谱图像端元丰度的估计方法 |
CN104268556A (zh) * | 2014-09-12 | 2015-01-07 | 西安电子科技大学 | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 |
CN104680185A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于边界点重分类的高光谱图像分类方法 |
CN104933410A (zh) * | 2015-06-15 | 2015-09-23 | 山东大学 | 一种高光谱图像光谱域与空间域联合分类方法 |
Non-Patent Citations (2)
Title |
---|
BHARATH B.等: "Dynamic Linear Classifier System for Hyperspectral Image Classification for Land Cover Mapping", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
孙旭光: "基于高光谱图像目标探测与分类技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066959B (zh) * | 2017-03-29 | 2020-12-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107527001A (zh) * | 2017-03-29 | 2017-12-29 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107527001B (zh) * | 2017-03-29 | 2020-12-22 | 广东交通职业技术学院 | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
CN107967694A (zh) * | 2017-12-22 | 2018-04-27 | 大连海事大学 | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 |
CN109035199B (zh) * | 2018-06-21 | 2021-06-18 | 中国科学院西安光学精密机械研究所 | 高光谱数据端元提取方法、存储介质和电子设备 |
CN109035199A (zh) * | 2018-06-21 | 2018-12-18 | 中国科学院西安光学精密机械研究所 | 基于空间特征的高光谱数据端元提取方法、计算机可读存储介质、电子设备 |
CN110033039A (zh) * | 2019-04-10 | 2019-07-19 | 大连海事大学 | 一种基于目标约束检测的高光谱实时分类方法 |
CN110033039B (zh) * | 2019-04-10 | 2022-10-11 | 大连海事大学 | 一种基于目标约束检测的高光谱实时分类方法 |
CN110046674A (zh) * | 2019-04-24 | 2019-07-23 | 哈尔滨工业大学 | 基于反馈结构的高光谱遥感图像分类方法 |
CN110738171A (zh) * | 2019-10-15 | 2020-01-31 | 大连海事大学 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
CN110738171B (zh) * | 2019-10-15 | 2023-05-05 | 大连海事大学 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
CN113959961A (zh) * | 2021-12-22 | 2022-01-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及系统 |
CN113959961B (zh) * | 2021-12-22 | 2022-03-08 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106408034B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408034A (zh) | 一种基于空间特征迭代的高光谱图像分类方法 | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
Sun et al. | A novel contrast enhancement forensics based on convolutional neural networks | |
CN107563428A (zh) | 基于生成对抗网络的极化sar图像分类方法 | |
CN106503727B (zh) | 一种高光谱图像分类的方法及装置 | |
US6674915B1 (en) | Descriptors adjustment when using steerable pyramid to extract features for content based search | |
CN104268879B (zh) | 基于遥感多光谱图像的建筑物实物量损毁评估方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
US20070053573A1 (en) | Color unmixing and region of interest detection in tissue samples | |
CN106682675B (zh) | 一种面向高光谱图像的空谱联合特征提取方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN112990313B (zh) | 高光谱图像异常检测方法、装置、计算机设备及存储介质 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
Ahmad et al. | Analysis of maximum likelihood classification technique on Landsat 5 TM satellite data of tropical land covers | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
CN107844751A (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN113052216B (zh) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 | |
Damodaran et al. | Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system | |
CN112819753B (zh) | 一种建筑物变化检测方法、装置、智能终端及存储介质 | |
Duarte-Carvajalino et al. | Multiscale representation and segmentation of hyperspectral imagery using geometric partial differential equations and algebraic multigrid methods | |
CN110569971A (zh) | 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法 | |
CN110738171B (zh) | 基于类特征迭代随机采样的高光谱图像谱空分类方法 | |
CN105069471A (zh) | 基于模糊标签的高光谱数据子空间投影和分类方法 |
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 |