CN106485238A - 一种高光谱遥感图像特征提取和分类方法及其系统 - Google Patents
一种高光谱遥感图像特征提取和分类方法及其系统 Download PDFInfo
- Publication number
- CN106485238A CN106485238A CN201610935700.9A CN201610935700A CN106485238A CN 106485238 A CN106485238 A CN 106485238A CN 201610935700 A CN201610935700 A CN 201610935700A CN 106485238 A CN106485238 A CN 106485238A
- Authority
- CN
- China
- Prior art keywords
- pixel
- binary
- feature
- value
- dimensional
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种高光谱遥感图像特征提取和分类方法,其中,所述方法主要包括:采样步骤、二值化步骤、编码步骤、统计步骤、串联步骤以及分类步骤。本发明还提供一种高光谱遥感图像特征提取和分类系统。本发明提供的技术方案将二维LBP扩展到三维LBP,充分利用了高光谱遥感图像中空间‑光谱上下文关系,通过引入了松弛阈值判别操作,对噪声有很好的鲁棒性,本发明提出的旋转不变三维LBP模型考虑了高光谱遥感图像的本质特征,具备针对性强、操作简单以及计算效率高的优点。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种高光谱遥感图像特征提取和分类方法及其系统。
背景技术
由遥感传感器在电磁波谱的可见光、近红外、中红外和热红外波段范围内对地面上的物质成像得到的高光谱遥感图像不仅可提供地物的空间几何信息,同时也包含丰富的反映地物特有物理性状的光谱信息。因此,从高光谱遥感图像中提取地物对象的光谱、纹理、形状等特征和知识,进行地物识别的高光谱分类技术应运而生。
最早的高光谱分类技术直接使用光谱特征进行分类。然而,受光照、气候变化、云层厚度以及混合像元等因素的影响,高光谱遥感图像中存在大量同物异谱和异物同谱的现象,导致误分类现象严重;同时,高光谱遥感图像包含了丰富的地物空间结构信息,因此,综合考虑高光谱数据的空间和光谱信息可以有效提升地物的分类精度,获得空间连续性较好的分类图。光谱-空间特征相结合的高光谱遥感图像分类研究已成为当前热点,其核心问题在于如何提取纹理、形状、对象、语义等空间结构信息,以及如何实现光谱信息与空间特征的有机结合。根据光谱特征和空间特征结合方式的不同,可以将光谱-空间分类大致分为组合式处理和融合式处理两种策略。
组合式处理策略将提取到的空间特征与光谱特征一起输入分类器得到分类结果(简称为空间信息预处理),或利用图像分割的方法对原始分类结果进行对象的正则化处理,以得到空间同质度较高的分类图(简称为空间信息后处理)。前者主要包括形态学分析、基于边缘保持和稀疏表示的空间滤波等空间特征提取方法,后者主要包括多元逻辑回归、超图生成等方法。通过空间信息的引入,组合式光谱-空间特征分类方法的分类效果较好,且计算复杂度较低。但高光谱遥感影像本身是三维结构,组合式空间信息处理方法获得的空间特征与光谱特征是分离的,忽略了光谱和空间结构的上下文关系;同时空间信息后处理方式受分类结果的影响大,即若某一类地物的大部分被错分,利用后处理方法会加剧这种错误。
融合式处理策略通过一组预先定义的多尺度核或三维结构滤波器与原始高光谱数据直接进行数学运算获得空谱一体的特征描述。由于该类方法将三维高光谱遥感影像作为整体进行处理,能够充分挖掘光谱域和空间域的上下文关系,近年来获得了越来越多的关注。但是,由于地物的光谱和空间分布结构通常是未知的,需要定义足够多的尺度或三维结构滤波器才能得到充足的空谱一体化表示特征,导致产生的特征维度极高,特征冗余度大使得分类过程非常耗时,降低了算法的实用性。
目前,现有技术中忽略了空间-光谱的上下文关系,在刻画和提取数据光谱和空间信息的内在结构和统计关系上是不充分和不精确的,而且包含有大量的冗余信息。
发明内容
有鉴于此,本发明的目的在于提供一种高光谱遥感图像特征提取和分类方法及其系统,旨在解决现有技术中忽略了空间-光谱的上下文关系,对噪声敏感且模型特征冗余,以及计算方法复杂度较高的问题。
本发明提出一种高光谱遥感图像特征提取和分类方法,主要包括:
采样步骤、将每个像素的正八面体领域的六个顶点作为三维局部二值模式的采样点,并利用这六个采样点的灰度分布T描述像素的局部空谱结构,其中,T≈t(g0,g1,g2,g3,g4,g5),表示这六个采样点的灰度分布,g0、g1、g2、g3、g4、g5分别表示这六个采样点的像素值;
二值化步骤、将正八面体的六个顶点像素的灰度值与中心点的像素值一一进行比较,如果二者差值的绝对值小于预设的判别阈值,则将对应的顶点像素标记为1,否则标记为0,以形成中心像素的局部空谱结构的二值模式T1,其中,T1≈t(s(g0-gc,s(g1-gc),…,s(g5-gc)),gc表示中心点的像素值;
编码步骤、对于具有相同空间拓扑结构的二值模式,使用这些二值模式中1的数量进行唯一标记,以得到这些二值模式对应的三维局部二值编码,即:其中,二值模式的空间拓扑结构通过来进行衡量,Γ值相同的二值模式表明它们的空间拓扑结构相同,这里,gi、gj分别表示二值模式中第i、j个采样点,gi与gj相邻且i≠j,i,j∈{0,1,2,3,4,5};
统计步骤、在得到每个像素的三维局部二值模式编码后,在像元中每个像素的nxn矩形邻域内统计0、1、2、3、4、5、6、7这8个三维局部二值模式编码的共生频率,来得到像素的直方图特征;
串联步骤、将像元中每个像素的直方图特征依次进行串联,得到像元对应的三维局部二值模式特征;
分类步骤、将得到的三维局部二值模式特征送入分类器进行分类。
另一方面,本发明还提供一种高光谱遥感图像特征提取和分类系统,所述系统包括:
采样模块,用于将每个像素的正八面体领域的六个顶点作为三维局部二值模式的采样点,并利用这六个采样点的灰度分布T描述像素的局部空谱结构,其中,T≈t(g0,g1,g2,g3,g4,g5),表示这六个采样点的灰度分布,g0、g1、g2、g3、g4、g5分别表示这六个采样点的像素值;
二值化模块,用于将正八面体的六个顶点像素的灰度值与中心点的像素值一一进行比较,如果二者差值的绝对值小于预设的判别阈值,则将对应的顶点像素标记为1,否则标记为0,以形成中心像素的局部空谱结构的二值模式T1,其中,T1≈t(s(g0-gc,s(g1-gc),…,s(g5-gc)),gc表示中心点的像素值;
编码模块,用于对于具有相同空间拓扑结构的二值模式,使用这些二值模式中1的数量进行唯一标记,以得到这些二值模式对应的三维局部二值编码,即:其中,二值模式的空间拓扑结构通过来进行衡量,Γ值相同的二值模式表明它们的空间拓扑结构相同,这里,gi、gj分别表示二值模式中第i、j个采样点,gi与gj相邻且i≠j,i,j∈{0,1,2,3,4,5};
统计模块,用于在得到每个像素的三维局部二值模式编码后,在像元中每个像素的nxn矩形邻域内统计0、1、2、3、4、5、6、7这8个三维局部二值模式编码的共生频率,来得到像素的直方图特征;
串联模块,用于将像元中每个像素的直方图特征依次进行串联,得到像元对应的三维局部二值模式特征;
分类模块,用于将得到的三维局部二值模式特征送入分类器进行分类。
本发明提供的技术方案,将二维局部二值模式(Local Binary Patterns,LBP)扩展到三维LBP,充分利用了高光谱遥感图中空间-光谱的上下文关系,通过引入了松弛阈值判别操作,对噪声有很好的鲁棒性,本发明提出的旋转不变三维LBP模型考虑高光谱遥感图像的本质特征,具备针对性强、操作简单以及计算效率高的优点。
附图说明
图1为本发明一实施方式中高光谱遥感图像特征提取和分类方法流程图;
图2为本发明一实施方式中在三维LBP中使用正八面体近似球面的采样模型示意图;
图3为本发明一实施方式中局部空谱结构被二值化的过程示意图;
图4为本发明一实施方式中七种不同空间拓扑结构的二值模式示意图;
图5为本发明一实施方式中高光谱遥感图像特征提取和分类系统10的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下将对本发明所提供的一种高光谱遥感图像特征提取和分类方法进行详细说明。
请参阅图1,为本发明一实施方式中高光谱遥感图像特征提取和分类方法流程图。
在本实施方式中,该方法中的采样步骤、二值化步骤、编码步骤、统计步骤、串联步骤以及分类步骤分别对应图1中的步骤S1-S6。
在步骤S1中,将每个像素的正八面体领域的六个顶点作为三维局部二值模式的采样点,并利用这六个采样点的灰度分布T描述像素的局部空谱结构,其中,T≈t(g0,g1,g2,g3,g4,g5),表示这六个采样点的灰度分布,g0、g1、g2、g3、g4、g5分别表示这六个采样点的像素值。
在本实施方式中,利用三维局部二值模式(Local Binary Patterns,LBP)模型在中心像素的半径为R的球面邻域上进行采样,使用正八面体近似球面,即采样点是正八面体的6个顶点,如果半径R为1,则这6个采样点分别是中心像素左、右、上、下、前、后的6个像素。6个采样点的灰度分布表征中心像素的局部空谱结构。图2展示了三维LBP中使用正八面体近似球面的采样模型。
在步骤S2中,将正八面体的六个顶点像素的灰度值与中心点的像素值一一进行比较,如果二者差值的绝对值小于预设的判别阈值,则将对应的顶点像素标记为1,否则标记为0,以形成中心像素的局部空谱结构的二值模式T1,其中,T1≈t(s(g0-gc,s(g1-gc),…,s(g5-gc)),gc表示中心点的像素值。
在本实施方式中,该二值化为局部空谱结构的二值化,为了计算6个采样点的灰度分布T,对于每个像素,将其外接圆半径为R的正八面体邻域的顶点像素的灰度值与中心点的像素值进行比较,该中心点为所述正八面体的中心点,若顶点像素的灰度值与中心像素值差值的绝对值小于预设的判别阈值δ,则该顶点像素被标记为1,否则标记0。标记后的正八面体邻域的顶点称为中心像素的局部空谱结构的二值模式T1,该二值模式T1可以表示为
T1≈t(s(g0-gc,s(g1-gc),…,s(g5-gc));
其中,gc表示中心点的像素值,δ表示预设的判别阈值,
在本实施方式中,将中心像素的局部空谱结构使用中心像素的灰度值二值化。若采样点灰度值与中心像素灰度值的差值绝对值大于判别阈值,则该采样点被标记为1,否则标记为0。中心像素的局部空谱结构二值化后称为其二值模式。图3展示了局部空谱结构被二值化的过程。其中,图3的左边展示灰度值为145的中心点像素的局部空谱结构,图3的右边展示了其二值化后对应的二值模式。
在步骤S3中,对于具有相同空间拓扑结构的二值模式,使用这些二值模式中1的数量进行唯一标记,以得到这些二值模式对应的三维局部二值编码,即:其中,二值模式的空间拓扑结构通过来进行衡量,Γ值相同的二值模式表明它们的空间拓扑结构相同,这里,gi、gj分别表示二值模式中第i、j个采样点,gi与gj相邻且i≠j,i,j∈{0,1,2,3,4,5}。
在本实施方式中,由于不同的二值模式可能对应着相同的局部空谱结构,为了识别这种现象,根据二值模式的空间拓扑结构可将64种二值模式规约为8种。假设Γ表示二值模式的空间拓扑结构,不同的Γ值对应着不同局部空谱结构的二值模式,那么二值模式的空间拓补结构使用如下表达式计算:
其中,具有不同空间拓扑结构的二值模式中1的个数不同,对于具有相同空间拓扑结构的二值模式,使用这些二值模式中1的数量进行唯一标记,即得到中心像素的邻域的二值模式的三维局部二值模式(即3DLBP)编码。这个过程的数学表达如下:
在本实施方式中,该编码为三维局部二值模式编码,为了区分各像素周围的局部空谱结构,对其二值模式使用不同的编码进行标记。由于不同的二值模式可能对应着相同的局部空谱结构,为了区分这种现象,根据二值模式的空间拓补结构对二值模式进行编码。二值模式的空间拓补结构指的是1在二值模式对应的三维空间上的分布。6个采样点产生64种不同的二值模式,这64种二值模式根据其空间拓扑结构被规约为8种,这8种模式分别对应着不同的局部空谱结构,依次使用0、1、2、3、4、5、6、7进行标记。图4中展示了0、1、2、3、4、5、6七种不同空间拓扑结构的二值模式示意图,分别包含了1、6、12、8、12、6、1种二值模式,图中实心点代表1,空心点代表0。在这7中模式中,1在正八面体邻域中是紧挨在一起,且不成线,区别在于1的数量不同。
在步骤S4中,在得到每个像素的三维局部二值模式编码后,在像元中每个像素的nxn矩形邻域内统计0、1、2、3、4、5、6、7这8个三维局部二值模式编码的共生频率,来得到像素的直方图特征。
在本实施方式中,直方图特征表示了在像素的nxn矩形邻域内8种不同三维局部二值编码的分布。
在步骤S5中,将像元中每个像素的直方图特征依次进行串联,得到像元对应的三维LBP特征;
在步骤S6中,将得到的三维LBP特征送入分类器进行分类。
在本实施方式中,采用常见的分类器如KNN(k-Nearest Neighbor)、SVM(SupportVector Machine)、SRC(Sparse Representation Classification)均可实现高光谱遥感图像的分类。
本发明提供的一种高光谱遥感图像特征提取和分类方法,将二维LBP扩展到三维LBP,充分利用了高光谱遥感图中空间-光谱的上下文关系,通过引入了松弛阈值判别操作,对噪声有很好的鲁棒性,本发明提出的旋转不变三维LBP模型考虑高光谱遥感图像的本质特征,具备针对性强、操作简单以及计算效率高的优点。
以下将对本发明所提供的一种高光谱遥感图像特征提取和分类系统进行详细说明。
请参阅图5,所示为本发明一实施方式中高光谱遥感图像特征提取和分类系统10的结构示意图。
在本实施方式中,高光谱遥感图像特征提取和分类系统10,主要包括采样模块11、二值化模块12、编码模块13、统计模块14、串联模块15以及分类模块16。
采样模块11,用于将每个像素的正八面体领域的六个顶点作为三维局部二值模式的采样点,并利用这六个采样点的灰度分布T描述像素的局部空谱结构,其中,T≈t(g0,g1,g2,g3,g4,g5),表示这六个采样点的灰度分布,g0、g1、g2、g3、g4、g5分别表示这六个采样点的像素值。
在本实施方式中,采样模块11中的采样方法如步骤S1中的相关记载所述,在此不重新描述。
二值化模块12,用于将正八面体的六个顶点像素的灰度值与中心点的像素值一一进行比较,如果二者差值的绝对值小于预设的判别阈值,则将对应的顶点像素标记为1,否则标记为0,以形成中心像素的局部空谱结构的二值模式T1,其中,T1≈t(s(g0-gc,s(g1-gc),…,s(g5-gc)),gc表示中心点的像素值。
在本实施方式中,二值化模块12中的二值化方法如步骤S2中的相关记载所述,在此不重新描述。
编码模块13,用于对于具有相同空间拓扑结构的二值模式,使用这些二值模式中1的数量进行唯一标记,以得到这些二值模式对应的三维局部二值编码,即:其中,二值模式的空间拓扑结构通过来进行衡量,Γ值相同的二值模式表明它们的空间拓扑结构相同,这里,gi、gj分别表示二值模式中第i、j个采样点,gi与gj相邻且i≠j,i,j∈{0,1,2,3,4,5}。
在本实施方式中,编码模块13中的编码方法如步骤S3中的相关记载所述,在此不重新描述。
统计模块14,用于在得到每个像素的三维局部二值模式编码后,在像元中每个像素的nxn矩形邻域内统计0、1、2、3、4、5、6、7这8个三维局部二值模式编码的共生频率,来得到像素的直方图特征。
串联模块15,用于将像元中每个像素的直方图特征依次进行串联,得到像元对应的三维局部二值模式特征。
分类模块16,用于将得到的三维局部二值模式特征送入分类器进行分类。
本发明提供的一种高光谱遥感图像特征提取和分类系统10,将二维LBP扩展到三维LBP,充分利用了高光谱遥感图中空间-光谱的上下文关系,通过引入了松弛阈值判别操作,对噪声有很好的鲁棒性,本发明提出的旋转不变三维LBP模型考虑高光谱遥感图像的本质特征,具备针对性强、操作简单以及计算效率高的优点。
本发明提取的三维LBP特征比二维LBP特征的判别力更强,以2个不同分辨率、不同大小的数据集的分类结果进行说明和验证。第一个数据集是由ROSIS-03传感器在意大利帕维亚中心拍摄获得(Pavia Centre,URL:http://www.ehu.eus/ccwintco/index.php?title=Hyperspectral_Remote_Sensing_Scenes),该数据集总共102个波段,每个波段大小为为610x340,空间分辨率1.3米/像素,42776个标记样本,共9类地物。第二个数据集是由美国国家科学基金会资助中心使用机载激光映射于2012年6月23日在休斯敦校园及周边地区拍摄获得(Houston University,URL:http://www.grss-ieee.org/community/technical-committees/data-fusion/2013-ieee-grs s-data-fusion-contest/)。该数据集有144个波段,每个波段图像尺寸为349x1905,空间分辨率为2.5m/像素,15029个标记样本,共15类地物。使用稀疏表示的分类结果表明,三维LBP特征的分类结果远远高于二维LBP,特别是在小样本分类问题上,3个样本时,在Pavia Centre数据集上,二维LBP特征的分类结果为72.75%,而三维LBP特征的分类结果高达92.87%;在Houston University数据集上,二维LBP特征的分类结果为45.98%,而三维LBP特征的分类结果高达68.61%。上述结果表明,三维LBP特征的分类准确率远远高于二维LBP,且在小样本分类问题上效果特别明显。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种高光谱遥感图像特征提取和分类方法,其特征在于,所述方法包括:
采样步骤、将每个像素的正八面体领域的六个顶点作为三维局部二值模式的采样点,并利用这六个采样点的灰度分布T描述像素的局部空谱结构,其中,T≈t(g0,g1,g2,g3,g4,g5),表示这六个采样点的灰度分布,g0、g1、g2、g3、g4、g5分别表示这六个采样点的像素值;
二值化步骤、将正八面体的六个顶点像素的灰度值与中心点的像素值一一进行比较,如果二者差值的绝对值小于预设的判别阈值,则将对应的顶点像素标记为1,否则标记为0,以形成中心像素的局部空谱结构的二值模式T1,其中,T1≈t(s(g0-gc,s(g1-gc),…,s(g5-gc)),gc表示中心点的像素值;
编码步骤、对于具有相同空间拓扑结构的二值模式,使用这些二值模式中1的数量进行唯一标记,以得到这些二值模式对应的三维局部二值编码,即:其中,二值模式的空间拓扑结构通过来进行衡量,Γ值相同的二值模式表明它们的空间拓扑结构相同,这里,gi、gj分别表示二值模式中第i、j个采样点,gi与gj相邻且i≠j,i,j∈{0,1,2,3,4,5};
统计步骤、在得到每个像素的三维局部二值模式编码后,在像元中每个像素的nxn矩形邻域内统计0、1、2、3、4、5、6、7这8个三维局部二值模式编码的共生频率,来得到像素的直方图特征;
串联步骤、将像元中每个像素的直方图特征依次进行串联,得到像元对应的三维局部二值模式特征;
分类步骤、将得到的三维局部二值模式特征送入分类器进行分类。
2.一种高光谱遥感图像特征提取和分类系统,其特征在于,所述系统包括:
采样模块,用于将每个像素的正八面体领域的六个顶点作为三维局部二值模式的采样点,并利用这六个采样点的灰度分布T描述像素的局部空谱结构,其中,T≈t(g0,g1,g2,g3,g4,g5),表示这六个采样点的灰度分布,g0、g1、g2、g3、g4、g5分别表示这六个采样点的像素值;
二值化模块,用于将正八面体的六个顶点像素的灰度值与中心点的像素值一一进行比较,如果二者差值的绝对值小于预设的判别阈值,则将对应的顶点像素标记为1,否则标记为0,以形成中心像素的局部空谱结构的二值模式T1,其中,T1≈t(s(g0-gc,s(g1-gc),…,s(g5-gc)),gc表示中心点的像素值;
编码模块,用于对于具有相同空间拓扑结构的二值模式,使用这些二值模式中1的数量进行唯一标记,以得到这些二值模式对应的三维局部二值编码,即:其中,二值模式的空间拓扑结构通过来进行衡量,Γ值相同的二值模式表明它们的空间拓扑结构相同,这里,gi、gj分别表示二值模式中第i、j个采样点,gi与gj相邻且i≠j,i,j∈{0,1,2,3,4,5};
统计模块,用于在得到每个像素的三维局部二值模式编码后,在像元中每个像素的nxn矩形邻域内统计0、1、2、3、4、5、6、7这8个三维局部二值模式编码的共生频率,来得到像素的直方图特征;
串联模块,用于将像元中每个像素的直方图特征依次进行串联,得到像元对应的三维局部二值模式特征;
分类模块,用于将得到的三维局部二值模式特征送入分类器进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610935700.9A CN106485238B (zh) | 2016-11-01 | 2016-11-01 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610935700.9A CN106485238B (zh) | 2016-11-01 | 2016-11-01 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485238A true CN106485238A (zh) | 2017-03-08 |
CN106485238B CN106485238B (zh) | 2019-10-15 |
Family
ID=58271447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610935700.9A Active CN106485238B (zh) | 2016-11-01 | 2016-11-01 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485238B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238837A (zh) * | 2017-05-23 | 2017-10-10 | 浙江海洋大学 | 一种船舶吃水检测方法 |
CN107679538A (zh) * | 2017-09-05 | 2018-02-09 | 深圳大学 | 高光谱图像局部特征描述子的形成方法及形成系统 |
CN107808170A (zh) * | 2017-11-20 | 2018-03-16 | 中国人民解放军国防科技大学 | 高光谱遥感图像加性乘性混合噪声参数估计方法 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
WO2019047025A1 (zh) * | 2017-09-05 | 2019-03-14 | 深圳大学 | 高光谱图像局部特征描述子的形成方法及形成系统 |
CN112287978A (zh) * | 2020-10-07 | 2021-01-29 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855634A (zh) * | 2011-06-28 | 2013-01-02 | 中兴通讯股份有限公司 | 一种图像检测方法及装置 |
CN103026384A (zh) * | 2011-01-20 | 2013-04-03 | 松下电器产业株式会社 | 特征提取装置、特征提取方法、特征提取程序以及图像处理装置 |
CN105608433A (zh) * | 2015-12-23 | 2016-05-25 | 北京化工大学 | 一种基于核协同表达的高光谱图像分类方法 |
-
2016
- 2016-11-01 CN CN201610935700.9A patent/CN106485238B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103026384A (zh) * | 2011-01-20 | 2013-04-03 | 松下电器产业株式会社 | 特征提取装置、特征提取方法、特征提取程序以及图像处理装置 |
CN102855634A (zh) * | 2011-06-28 | 2013-01-02 | 中兴通讯股份有限公司 | 一种图像检测方法及装置 |
CN105608433A (zh) * | 2015-12-23 | 2016-05-25 | 北京化工大学 | 一种基于核协同表达的高光谱图像分类方法 |
Non-Patent Citations (3)
Title |
---|
CHRISTOPHE MONTAGNE 等: "3D Local Binary Pattern for PET image classification by SVM Application to early Alzheimer disease diagnosis", 《PROC.6TH INT. CONF. BIO-INSPIRED SYST. SIGNAL PROCESS. (BIOSIGNALS)》 * |
SEN JIA 等: "THREE-DIMENSIONAL LOCAL BINARY PATTERNS FOR HYPERSPECTRAL IMAGERY CLASSIFICATION", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 * |
张小龙: "基于级联支持向量机融合多特征的人脸检测", 《万方数据》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN107238837A (zh) * | 2017-05-23 | 2017-10-10 | 浙江海洋大学 | 一种船舶吃水检测方法 |
CN107679538A (zh) * | 2017-09-05 | 2018-02-09 | 深圳大学 | 高光谱图像局部特征描述子的形成方法及形成系统 |
WO2019047025A1 (zh) * | 2017-09-05 | 2019-03-14 | 深圳大学 | 高光谱图像局部特征描述子的形成方法及形成系统 |
CN107679538B (zh) * | 2017-09-05 | 2020-12-04 | 深圳大学 | 高光谱图像局部特征描述子的形成方法及形成系统 |
CN107808170A (zh) * | 2017-11-20 | 2018-03-16 | 中国人民解放军国防科技大学 | 高光谱遥感图像加性乘性混合噪声参数估计方法 |
CN107808170B (zh) * | 2017-11-20 | 2019-10-29 | 中国人民解放军国防科技大学 | 高光谱遥感图像加性乘性混合噪声参数估计方法 |
CN112287978A (zh) * | 2020-10-07 | 2021-01-29 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
CN112287978B (zh) * | 2020-10-07 | 2022-04-15 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
US11783579B2 (en) | 2020-10-07 | 2023-10-10 | Wuhan University | Hyperspectral remote sensing image classification method based on self-attention context network |
Also Published As
Publication number | Publication date |
---|---|
CN106485238B (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018081929A1 (zh) | 一种高光谱遥感图像特征提取和分类方法及其系统 | |
Akçay et al. | Automatic detection of geospatial objects using multiple hierarchical segmentations | |
CN106485238B (zh) | 一种高光谱遥感图像特征提取和分类方法及其系统 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
Hou et al. | Change detection based on deep features and low rank | |
Han et al. | Efficient, simultaneous detection of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding | |
Lu et al. | A survey of image classification methods and techniques for improving classification performance | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
CN109784392B (zh) | 一种基于综合置信的高光谱图像半监督分类方法 | |
Sirmacek et al. | Urban area detection using local feature points and spatial voting | |
CN111080629A (zh) | 一种图像拼接篡改的检测方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
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 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
CN103049763A (zh) | 一种基于上下文约束的目标识别方法 | |
Fu et al. | A novel spectral-spatial singular spectrum analysis technique for near real-time in situ feature extraction in hyperspectral imaging | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
Unsalan et al. | Classifying land development in high-resolution satellite imagery using hybrid structural-multispectral features | |
CN114299383A (zh) | 基于密度图与注意力机制融合的遥感图像目标检测方法 | |
Hasanlou et al. | A sub-pixel multiple change detection approach for hyperspectral imagery | |
Kar et al. | Classification of multispectral satellite images | |
CN112784777A (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
Yuan | Remote sensing image classification methods based on CNN: Challenge and trends |
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 |