CN106934760A - 一种面向类别的高光谱数据彩色可视化方法 - Google Patents
一种面向类别的高光谱数据彩色可视化方法 Download PDFInfo
- Publication number
- CN106934760A CN106934760A CN201611121978.9A CN201611121978A CN106934760A CN 106934760 A CN106934760 A CN 106934760A CN 201611121978 A CN201611121978 A CN 201611121978A CN 106934760 A CN106934760 A CN 106934760A
- Authority
- CN
- China
- Prior art keywords
- classification
- data
- color
- picture dot
- class
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 238000012800 visualization Methods 0.000 claims abstract description 12
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 11
- 230000014759 maintenance of location Effects 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 50
- 230000004075 alteration Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000717 retained effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming 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
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
Abstract
一种面向类别的高光谱数据彩色可视化方法,步骤一、根据有无监督信息对数据进行类别调整,步骤二、在选定的颜色空间内确定代表监督信息中每个类别独有的颜色的色相,以使得在结果图像中各类别间具有较好的视觉可分性,步骤三、根据每个类别选定的代表色相,结合降维后类内的数据关系确定图像中每个象元的饱和度及明度,同时,可以选择使用在剥离系数的控制下确定每一个象元的色相;步骤四、将上述带有监督信息的数据合成三维并在特定的彩色空间可视化。本发明更加充分地利用先验信息,进而获得更加令人满意的可视化效果。使输出图像中既显示数据类别又显示数据本身的差异。图像在保留监督信息的同时,在每类地物内部具有较好的距离保持特性。
Description
技术领域
本发明属于遥感信息处理技术领域,特别是一种高光谱数据彩色可视化方法。
背景技术
彩色显示技术是对HSI地物信息空间分布的直观呈现,对于科学决策和信息利用意义重大。但是,有别于普通二维图像的三信道显示方法,高维的数据立方体结构使得高光谱图像无法直接在常用显示设备中进行显示。因此,通常将三维高光谱数据优化到三信道彩色显示系统(如RGB、HSV等色彩空间)显示,能够拥有更好的可视化效果并表达更为丰富的信息。但这种变换到低维的显示模型无可避免的损失了一部分光谱信息,目前,常用的HSI的彩色可视化方法有以下三种:
其一,遵循不同准则直接选取三个光谱波段,使其分别作为RGB空间的信道进行假彩色合成。但是这种仅提取部分波段进行显示的方法无可避免地会造成大量的有用信息的丢失。
其二,直接对原始数据进行处理,压缩信息使其变换到三信道并在彩色空间进行显示,该方法可以通过以下几种方式实现:1)基于简单变换;2)JACOBSON和GUPTA所提出的基于固定线性光谱加权封装方法;3)基于矩阵变换的降维方法;4)融合方法;5)遵循某种信息保持准则的优化方法。但是,这些方法产生的图像往往存在偏暗、无法判断各主成分的特征排序、各成分之间并非相互独立、实际数据非线性、计算量过大等问题。此外,这些基于HSI原始数据立方体的可视化方法,无法根据观察需要以满足不同的显示侧重,同时也无法充分利用先验信息。
其三,建立在像素分析结果之上,对分析结果进行显示。这类方法较之上面的两类方法从信息挖掘角度来讲明显具有更为重要的意义,因为比起使用单一数据变换,使用像素分析结果的可视化通常能够产生更好的数据分析效果。QIAN DU等对基于数据变换及分类的高光谱图像可视化方法进行了详尽的对比论述。Mignotte提出了考虑类相似性约束的自动彩色分配方法,但是该方法仅适用于类别较少的图像(类别数),而且这种端元颜色标签选择方法并不适用于混合像素的颜色表达。此外,这种在可视化中放弃亮度等信息的方法,不仅削减了彩色图像所能够表述的信息,而且削弱了空间分布信息在可视化图像中的体现。
如上所述,现有的高光谱图像可视化方法皆可被看作是面向数据的方法,这些方法由于缺少显示的针对性,或者在合成信道时损失了图像中的有价值信息,或者所展示的类别信息并非完全满足观察者的需求。尤其对于有监督的高光谱数据,数据中已知的先验知识无法被充分利用。因此,相对于以上所述具有通用性的面对数据的可视化方法,面向观察需求(或面向对象)的高光谱可视化方法在某些方面更加具有实用性。例如,对于某块农耕区域,往往可知其间所种农作物类别及大致分布,通过卫星图像也较易确定各类别空间分布信息。因而对于该区域,观察者更感兴趣的往往是病虫害信息,抑或同类农作物间的长势区别或是混入的异类地物,即与同类别相比的异常区域。但是面向数据的可视化方法仅是对该区域的整体数据进行处理及无差别显示,不仅无法充分利用监督数据,更可能无法对某些异常地物进行有效的显示。如若分别对各类别地物进行处理,又会影响图像信息的整体表述,且所需的显示图像难免多且繁琐。
发明内容
本发明的目的在于使输出图像中既显示数据类别又显示数据本身的差异。该图像在保留监督信息的同时,在每类地物内部具有较好的距离保持特性的面向类别的高光谱数据彩色可视化方法。
本发明通过如下步骤来实现:
步骤一、根据有无监督信息对数据进行类别调整,其中对于非监督信息,可利用粗聚类等方法对数据分类。然后利用流形学习的非线性优点,根据监督信息对不同类别或不同区域分别进行降维。
步骤二、在选定的颜色空间内确定代表监督信息中每个类别独有的颜色的色相,以使得在结果图像中各类别间具有较好的视觉可分性,本发明中使用HSV彩色空间后,当不使用调和系数时,原数据直接降维到二维I2作为各象元的饱和度及明度,各元素的色相即为类别色相。当选择使用调和系数时,原数据经降维后成为一个三维数据,记为I3,其中前两维数据I2将会作为各象元的饱和度及明度。提出方法还可以选择是否使用第三维数据(一维)I1作为相应象元的色相波动值,在剥离系数r的协调下决定各象元的色相值。
步骤三、根据每个类别选定的代表色相,结合降维后类内的数据关系确定图像中每个象元的饱和度及明度,同时,可以选择使用在剥离系数的控制下确定每一个象元的色相。
步骤四、将上述带有监督信息的数据合成三维并在特定的彩色空间可视化。
本发明与现有技术相比,具有如下优点:
更加充分地利用先验信息,进而获得更加令人满意的可视化效果。使输出图像中既显示数据类别又显示数据本身的差异。图像在保留监督信息的同时,在每类地物内部具有较好的距离保持特性。
附图说明
图1为本发明的流程示意简图;
图2为本发明的HSV彩色空间示意图;
图3为本发明的印第安纳州农林地物(Indiana)数据;
其中,(a)100波段,(b)PCA,(c)类别颜色标签;
图4为本发明的帕维亚大学图像(Pavia)数据;
(a)80波段,(b)PCA (c)类别颜色标签;
图5为本发明的印第安纳州农林地物(Indiana)数据可视化结果;
图6为本发明的帕维亚大学图像(Pavia)数据可视化结果。
具体实施方式
下面结合附图对本发明做出更详细的描述。
本发明为一种面向类别的高光谱数据彩色可视化方法,采用流形算法来对高光谱数据进行显示,下面给出本发明的详细实施过程,见附图1。
步骤一,根据图像是否有监督数据分别对图像进行类别调整。
若所需可视化的图像无监督,则需要在进行降维步骤之前进行快速分类或粗聚类,随后将分类结果作为用于可视化的类别信息并进行显示。对于分类时所取的类别数目及分类精度则需要根据具体情况而确定,类别划分过细或精度设定过高会导致耗时的增加,影响随后应用流形算法的降维效果,以及造成生成图像颜色表达的混乱;选定过少的类别数目时,当应用流形算法对类内数据进行降维时,很可能会面对内存不足的问题,同时也会增加降维时的时间损耗。
若所需可视化的图像有监督,那么无论是精确的类别空间分布信息还是模糊的地域空间信息,都可作为已知的类别监督数据。同样,适当地选择类间合并及类内再次聚类也是一种增强可视化效果的方法。类间合并能够减少显示时需要重点区分的类别,避免类别色相选取过多时导致的图像内代表类别的颜色过多以及色差过小,进而增加类间可分性增强视觉效果。类内再聚类则会避免降维时的数据尺度过大的问题及减少降维时的用时损耗。
在确定类别信息后,为保持类内数据在原始高光谱数据中的距离特性及其非线性,本发明中利用流形方法对数据中各类别分别进行降维处理。
当选择使用调和系数时,由N维的原高光谱数据降维到二维(饱和度及明度)+一维(色调);当不选用调和系数时,数据由N维直接降维到二维(饱和度及明度)。理想的情况是具有更多类别信息的一维用做确定色调,而其他两维用以确定饱和度和亮度来区分相同类别内部的变化。但是,对于不同的降维方法,很难说明降维后每维之间所含信息之间的关系。此外,在彩色空间中,色差可以近似地等于彩色空间中的几何距离。因此三维数据顺序的交换在理想假设下对色差影响不大。所以在本发明中,人为设定前两维作为饱和度及明度信息,第三维用以确定色调。而本发明可选用T-SNE(T-Distributed StochasticNeighbor Embedding)、LE、ISOMAP、LLE、MDS、DK(Diffusion Kernel)和LTSA等流形算法作为降维方法。
步骤二,各象元颜色的具体确定方法如下:
(1)选取类别标签颜色色相。
本发明在HSV彩色空间下进行显示,HSV彩色空间示意图如图2所示。
当图像中类别数目较少或需要较快运行时间或者对可视化精度要求不高时,各类别的颜色标签可以选择由编译软件中已较为成熟的编码方法进行确定,如MATLAB软件中的颜色映射函数(colormap)等方法自动选取类别的色相。
当类别数目较高或显示要求较为严格时,选用角度选取绕圆锥中心轴的色相值的方法,选取原则如下:
hj=360°j/n+α, (1)
其中n为类别数目,hj为第j个类别的标签色相值且hj∈[0,360°],α为色相的初始相位。α的值可由先验知识决定,使其能尽量符合所需的预设定颜色。如当需要的3个类别的预设定颜色为红、绿、蓝时,只需设定α=0,n=3,此时通过公式(1)即可得到相应的色相值。当得到各色相值后,如对某些类别有预设定颜色要求,则优先赋予相应色相,其余则可以按顺序分配。
(2)确定各象元色相。
为更为充分地利用彩色空间,并使显示的图像具有更为优异的视觉可分性,本发明中在确定像素象元色相时引入剥离系数r,以调和同类地物间的差异性。r值代表了每个像素色相值在类别色相值的周围浮动的极限的大小。r值越大,同类别中各像元色相差异越大,色差越大,同时输出图像的距离保持特性越好。r值越小,输出图像的类间差异越大。理论上,r的取值范围可在[0,0.5],即当r=0时,各像元色调即为类别色调值,当r=0.5时,每个类别中像元的色相的波动区间恰好为绕圆锥中心轴的色相值的一半,此时各类别像元的取值范围刚好是
HSV彩色空间的整个色相范围。当r>0.5时,图像中表示的不同类别的象元色相范围将会产生交叉,因此除有特殊需求外,应尽量避免在该范围内取值。因此,为获得更清晰的显示结果,象元色相值描述如下:
Hi,j=rjΔhI1,i+hj (2)
其中Hi,j为第j类中第i个象元的色相值,hj为第j个类别的标签色相值且hj∈[0,360°],rj为第j类的协调系数,I1,i为第j类高光谱数据降维后第3维中第i个象元的数值,且I1,i需归一化,Δh为类别标签色相差。通常情况下所有类别的rj选取相同数值。
当使用调和系数时,类内数据经流形算法降维后得到一个三波段的图像矩阵,其中第三维数据(一维)I1作为相应象元的色相波动值,在剥离系数r的协调下决定各象元的色相值。而当不使用r时,像元色相值即为其所属类别的色相值。
步骤三,所述的整体数据在彩色空间中的显示方法如下:
经上述方法得到各象元色相之后,各象元的饱和度及明度仍需要被确定。各类别数据分别经流形算法降维后,前两波段即分别作为各象元的饱和度及明度。在HSV彩色空间中,饱和度S和明度V的取值范围皆为[0,1],如图2所示。为减少彩色空间边界的溢出情况,类别降维后的2维数据分别作为相应象元的饱和度及明度并归一化到S∈[0,0.9]及V∈[0.1,1]。
步骤四、结合以上获得的色相信息,在彩色空间中的三个彩色信道进行显示。
为了说明本发明的有效性,特进行如下实验论证。本发明共对两组有监督的高光谱遥感数据进行实验,分别为印第安纳州农林地物(Indiana)和帕维亚大学图像(Pavia)。将两组数据分别用于对本发明面向类别的高光谱彩色可视化方法的可行性验证,七种分别利用T-SNE、LE、ISOMAP、LLE、MDS、DK、LTSA这七种流形算法进行实验。随后将实验结果与传统面向数据的可视化方法,PCA,固定线性光谱加权封装方法(法简称为CMF方法)和基于最优拟合的波段选取(简称BS方法)进行比较。同时,本文实验将在MATLAB平台下进行测试,使用7种流形算法对提出方法进行测试,并对各算法的应用性能进行比较。
所有实验均选择在HSV色彩空间中进行描述,无预设定颜色。类别的色相值利用等角度选取绕圆锥中心轴的方法,色相的初始相位α=0,剥离系数r=0,各数据色相值的选取结果及PCA彩色显示结果分别如图3和图4中的图b与图c所示。利用各流形学习方法的面向类别的可视化结果及面向数据的CMF和BS可视化结果分别见图5~图6。
如图所示,相比于PCA、CMF以及BS等传统面向数据的彩色可视化方法,面向类别的可视化方法在视觉的类间可分性方面普遍更优。面向数据的方法对光谱相近的类别显示的颜色也更为相近,这直接影响观察者对不同类别间的区分,而面向类别的可视化方法对每组数据的显示结果都充分利用了已知的类别信息,因此在对不同类别间的视觉区分中更具优势。
Claims (3)
1.一种面向类别的高光谱数据彩色可视化方法,其特征在于:本发明通过如下步骤来实现:
步骤一、根据有无监督信息对数据进行类别调整,其中对于非监督信息,可利用粗聚类等方法对数据分类,然后利用流形学习的非线性优点,根据监督信息对不同类别或不同区域分别进行降维;
步骤二、在选定的颜色空间内确定代表监督信息中每个类别独有的颜色的色相,以使得在结果图像中各类别间具有较好的视觉可分性,本发明中使用HSV彩色空间后,当不使用调和系数时,原数据直接降维到二维I2作为各象元的饱和度及明度,各元素的色相即为类别色相,当选择使用调和系数时,原数据经降维后成为一个三维数据,记为I3,其中前两维数据I2将会作为各象元的饱和度及明度,提出方法还可以选择是否使用第三维数据(一维)I1作为相应象元的色相波动值,在剥离系数r的协调下决定各象元的色相值;
步骤三、根据每个类别选定的代表色相,结合降维后类内的数据关系确定图像中每个象元的饱和度及明度,同时,可以选择使用在剥离系数的控制下确定每一个象元的色相;
步骤四、将上述带有监督信息的数据合成三维并在特定的彩色空间可视化。
2.根据权利要求1所述的一种面向类别的高光谱数据彩色可视化方法,其特征在于:步骤二,各象元颜色的具体确定方法如下:(1)选取类别标签颜色色相,本发明在HSV彩色空间下进行显示,当图像中类别数目较少或需要较快运行时间或者对可视化精度要求不高时,各类别的颜色标签可以选择由编译软件中已较为成熟的编码方法进行确定,如MATLAB软件中的颜色映射函数(colormap)等方法自动选取类别的色相,当类别数目较高或显示要求较为严格时,选用角度选取绕圆锥中心轴的色相值的方法,选取原则如下:
hj=360°j/n+α, (1)
其中n为类别数目,hj为第j个类别的标签色相值且hj∈[0,360°],α为色相的初始相位,α的值可由先验知识决定,使其能尽量符合所需的预设定颜色,如当需要的3个类别的预设定颜色为红、绿、蓝时,只需设定α=0,n=3,此时通过公式(1)即可得到相应的色相值,当得到各色相值后,如对某些类别有预设定颜色要求,则优先赋予相应色相,其余则可以按顺序分配,(2)确定各象元色相,为更为充分地利用彩色空间,并使显示的图像具有更为优异的视觉可分性,本发明中在确定像素象元色相时引入剥离系数r,以调和同类地物间的差异性,r值代表了每个像素色相值在类别色相值的周围浮动的极限的大小,r值越大,同类别中各像元色相差异越大,色差越大,同时输出图像的距离保持特性越好,r值越小,输出图像的类间差异越大,理论上,r的取值范围可在[0,0.5],即当r=0时,各像元色调即为类别色调值,当r=0.5时,每个类别中像元的色相的波动区间恰好为绕圆锥中心轴的色相值的一半,此时各类别像元的取值范围刚好是HSV彩色空间的整个色相范围,当r>0.5时,图像中表示的不同类别的象元色相范围将会产生交叉,象元色相值描述如下:
Hi,j=rjΔhI1,i+hj (2)
其中Hi,j为第j类中第i个象元的色相值,hj为第j个类别的标签色相值且hj∈[0,360°],rj为第j类的协调系数,I1,i为第j类高光谱数据降维后第3维中第i个象元的数值,且I1,i需归一化,Δh为类别标签色相差,通常情况下所有类别的rj选取相同数值,当使用调和系数时,类内数据经流形算法降维后得到一个三波段的图像矩阵,其中第三维数据(一维)I1作为相应象元的色相波动值,在剥离系数r的协调下决定各象元的色相值,而当不使用r时,像元色相值即为其所属类别的色相值。
3.根据权利要求1所述的一种面向类别的高光谱数据彩色可视化方法,其特征在于:步骤三,所述的整体数据在彩色空间中的显示方法如下:得到各象元色相之后,各象元的饱和度及明度仍需要被确定,各类别数据分别经流形算法降维后,前两波段即分别作为各象元的饱和度及明度,在HSV彩色空间中,饱和度S和明度V的取值范围皆为[0,1],为减少彩色空间边界的溢出情况,类别降维后的2维数据分别作为相应象元的饱和度及明度并归一化到S∈[0,0.9]及V∈[0.1,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611121978.9A CN106934760B (zh) | 2016-12-08 | 2016-12-08 | 一种面向类别的高光谱数据彩色可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611121978.9A CN106934760B (zh) | 2016-12-08 | 2016-12-08 | 一种面向类别的高光谱数据彩色可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934760A true CN106934760A (zh) | 2017-07-07 |
CN106934760B CN106934760B (zh) | 2020-06-16 |
Family
ID=59444036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611121978.9A Expired - Fee Related CN106934760B (zh) | 2016-12-08 | 2016-12-08 | 一种面向类别的高光谱数据彩色可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934760B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916336A (zh) * | 2019-02-03 | 2019-06-21 | 武汉斌果科技有限公司 | 基于光谱调制与多光谱成像的高动态范围三维测量方法 |
CN112015417A (zh) * | 2020-09-01 | 2020-12-01 | 中国银行股份有限公司 | 一种应用程序主题颜色的确定方法及装置 |
CN113354959A (zh) * | 2021-06-18 | 2021-09-07 | 复旦大学 | 用于制备具有目标色彩的着色剂的方法和着色剂 |
US11532109B2 (en) | 2020-01-24 | 2022-12-20 | Halliburton Energy Services, Inc. | Property based image modulation for formation visualization |
CN117409000A (zh) * | 2023-12-14 | 2024-01-16 | 华能澜沧江水电股份有限公司 | 一种坡面的雷达图像处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188714A1 (en) * | 2009-08-04 | 2011-08-04 | Chemimage Corporation | System and Method for Hyperspectral Imaging of Treated Fingerprints |
CN102779353A (zh) * | 2012-05-31 | 2012-11-14 | 哈尔滨工程大学 | 一种具有距离保持特性的高光谱彩色可视化方法 |
CN102945546A (zh) * | 2012-10-19 | 2013-02-27 | 哈尔滨工程大学 | 一种高光谱图像稀疏表示的可视化方法 |
CN104331880A (zh) * | 2014-10-20 | 2015-02-04 | 西安电子科技大学 | 基于几何空谱结构信息的高光谱混合像元分解方法 |
CN105160623A (zh) * | 2015-08-17 | 2015-12-16 | 河南科技学院 | 基于组块低秩张量模型的无监督高光谱数据降维方法 |
CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
-
2016
- 2016-12-08 CN CN201611121978.9A patent/CN106934760B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188714A1 (en) * | 2009-08-04 | 2011-08-04 | Chemimage Corporation | System and Method for Hyperspectral Imaging of Treated Fingerprints |
CN102779353A (zh) * | 2012-05-31 | 2012-11-14 | 哈尔滨工程大学 | 一种具有距离保持特性的高光谱彩色可视化方法 |
CN102945546A (zh) * | 2012-10-19 | 2013-02-27 | 哈尔滨工程大学 | 一种高光谱图像稀疏表示的可视化方法 |
CN104331880A (zh) * | 2014-10-20 | 2015-02-04 | 西安电子科技大学 | 基于几何空谱结构信息的高光谱混合像元分解方法 |
CN105160623A (zh) * | 2015-08-17 | 2015-12-16 | 河南科技学院 | 基于组块低秩张量模型的无监督高光谱数据降维方法 |
CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
Non-Patent Citations (1)
Title |
---|
刘丹凤 等: "高光谱数据三级彩色显示方法", 《红外与激光工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916336A (zh) * | 2019-02-03 | 2019-06-21 | 武汉斌果科技有限公司 | 基于光谱调制与多光谱成像的高动态范围三维测量方法 |
CN109916336B (zh) * | 2019-02-03 | 2019-12-10 | 武汉斌果科技有限公司 | 基于光谱调制与多光谱成像的高动态范围三维测量方法 |
US11532109B2 (en) | 2020-01-24 | 2022-12-20 | Halliburton Energy Services, Inc. | Property based image modulation for formation visualization |
CN112015417A (zh) * | 2020-09-01 | 2020-12-01 | 中国银行股份有限公司 | 一种应用程序主题颜色的确定方法及装置 |
CN112015417B (zh) * | 2020-09-01 | 2023-08-08 | 中国银行股份有限公司 | 一种应用程序主题颜色的确定方法及装置 |
CN113354959A (zh) * | 2021-06-18 | 2021-09-07 | 复旦大学 | 用于制备具有目标色彩的着色剂的方法和着色剂 |
CN117409000A (zh) * | 2023-12-14 | 2024-01-16 | 华能澜沧江水电股份有限公司 | 一种坡面的雷达图像处理方法 |
CN117409000B (zh) * | 2023-12-14 | 2024-04-05 | 华能澜沧江水电股份有限公司 | 一种坡面的雷达图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106934760B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934760A (zh) | 一种面向类别的高光谱数据彩色可视化方法 | |
US10445557B2 (en) | Learning pixel visual context from object characteristics to generate rich semantic images | |
US20010051004A1 (en) | Method for determining a correlation between images using multi-element image descriptors | |
Gijsenij et al. | Color constancy using natural image statistics and scene semantics | |
Van De Weijer et al. | Learning color names for real-world applications | |
CN106296695B (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
Rosenthal et al. | Color statistics of objects, and color tuning of object cortex in macaque monkey | |
Luo et al. | A physical model-based approach to detecting sky in photographic images | |
Tsagaris et al. | Multispectral image fusion for improved RGB representation based on perceptual attributes | |
Le Moan et al. | Saliency for spectral image analysis | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
Guo et al. | The foundation of a color-chip evaluation system of jadeite-jade green with color difference control of medical device | |
Veras et al. | Discriminability tests for visualization effectiveness and scalability | |
CN110458208A (zh) | 基于信息测度的高光谱图像分类方法 | |
CN113298086A (zh) | 基于U-Net网络的赤潮多光谱检测方法 | |
CN114067222B (zh) | 一种城市水体遥感分类方法及装置 | |
US8189915B2 (en) | Method for segmentation in an n-dimensional feature space and method for classifying objects in an n-dimensional data space which are segmented on the basis of geometric characteristics | |
CN103049754B (zh) | 社交网络的图片推荐方法和装置 | |
CN114187515A (zh) | 图像分割方法和图像分割装置 | |
Sreenivas et al. | Processing of satellite image using digital image processing | |
Vršnak et al. | Framework for illumination estimation and segmentation in multi-illuminant scenes | |
Tang et al. | Natural textures for weather data visualization | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN113902013A (zh) | 一种基于三维卷积神经网络与超像素分割的高光谱分类方法 | |
White et al. | Package ‘pavo’ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200616 Termination date: 20201208 |
|
CF01 | Termination of patent right due to non-payment of annual fee |