CN107066959B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN107066959B
CN107066959B CN201710198244.9A CN201710198244A CN107066959B CN 107066959 B CN107066959 B CN 107066959B CN 201710198244 A CN201710198244 A CN 201710198244A CN 107066959 B CN107066959 B CN 107066959B
Authority
CN
China
Prior art keywords
spatial correlation
hyperspectral image
hyperspectral
correlation information
linear spatial
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
Application number
CN201710198244.9A
Other languages
English (en)
Other versions
CN107066959A (zh
Inventor
廖建尚
王立国
曹成涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Communications Polytechnic
Original Assignee
Guangdong Communications Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Communications Polytechnic filed Critical Guangdong Communications Polytechnic
Priority to CN201710198244.9A priority Critical patent/CN107066959B/zh
Publication of CN107066959A publication Critical patent/CN107066959A/zh
Application granted granted Critical
Publication of CN107066959B publication Critical patent/CN107066959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明设计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，该方法包括：接收高光谱图像数据集；根据所述高光谱图像数据集得到空间纹理信息；根据高光谱图像数据集得到线性空间相关性信息；将所述高光谱图像数据集、空间纹理信息和线性空间相关性信息线性融合，得到新数据集；随机从所述新数据集以预设比例挑选出训练集，新数据集的其余部分作为测试集；利用径向基函数支持的向量机对所述训练集进行训练，获取训练模型；利用径向基函数支持的向量机对所述测试集进行分类，获取所述高光谱图像的分类结果。本发明通过提取高光谱图像的空间纹理信息和线性空间相关性信息对高光谱图像进行分类，能有效辅助光谱信息提高分类精度，弥补空间纹理信息中丢失的空间相关性。

Description

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
技术领域
本发明涉及遥感高光谱图像处理领域，更具体地，涉及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。
背景技术
通过滤波器提取高光谱图像空间信息，提高光谱图像的分类性能是目前一个研究热点。目前空间信息提取方法有：1)形态滤波特征提取；2)马尔科夫随机场特征提取；3)图像分割特征提取；4)用纹理提取滤波器提取空间信息。
利用滤波方法提取高光谱空间纹理信息开始逐渐增多，Shi和Shen等人利用多维Gabor滤波器来多角度提取图像的纹理信息，分类精度得到了提升；Wang等人采用了Gabor滤波获取较好的空间特征，利用主动学习方法对有标签训练样本的空间邻域信息进行化简，提出一种空谱结合的S2ISC半监督分类算法；Wang等人采用了Gabor滤波获取空间特征，提出一种空谱标签传播的SS-LPSVM半监督分类算法；Li等人用Gabor滤波器提取空间信息和最近邻信息方法(SNR)，提出了Gabor-SNR算法对高光谱图像进行分类；Rajadell等人用Gabor滤波器对选取的部分波段提取空间特征，改善分类性能；Wang等人结合导向双边滤波和形态属性特征获取高光谱图像空间文本特征并能有效改善分类精度；Xia等人用改进的Bilateral边缘滤波算法提取空间特征，结合独立成分分析(ICA)提出了E-ICA-RGF算法对高光谱图像进行分类，分类性能提高了不少。不少学者提出了滤波和最大概率结合的识别方法，Kang等人提出了基于边缘保持滤波的初始概率优化方法(EPF)，首先通过监督分类器SVM，利用初始的分类结果用边缘滤波对分类进行优化,最后并用最大概率方法获取高光谱分类结果；Soomro等人用弹性网络回归(Elastic NetRegression)获取初始分类结果，并通过双边滤波器获取空间信息，最后并用最大概率方法获取高光谱分类结果，都获得了不错的研究成果。高光谱图像空间纹理信息提取用于分类的研究取得了一定成效，但是也存在一些不足：
1)空间纹理信息挖掘不够充分；
2)忽略了空间相关性信息对高光谱图像分类的辅助作用。
3)传统的纹理提取方法容易去除空间相关性。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供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。
本发明旨在至少在一定程度上解决上述技术问题。
为了达到上述技术效果，本发明的技术方案如下：
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，包括：接收高光谱图像数据集；根据所述高光谱图像数据集得到空间纹理信息；根据所述高光谱图像数据集得到线性空间相关性信息；将所述高光谱图像数据集、空间纹理信息和线性空间相关性信息线性融合，得到新数据集；随机从所述新数据集以预设比例挑选出训练集，所述新数据集的其余部分作为测试集；利用径向基函数支持的向量机对所述训练集进行训练，获取训练模型；利用径向基函数支持的向量机对所述测试集进行分类，获取所述高光谱图像的分类结果。
优选地，所述根据所述高光谱图像数据集得到空间纹理信息的步骤包括：通过特征降维对高光谱数据集进行处理，得到信息量重新分布的高光谱图像数据集，并利用引导滤波对信息量重新分布的高光谱图像数据集前面20个成分进行滤波，得到空间纹理信息。
优选地，所述根据所述高光谱图像数据集得到线性空间相关性信息的步骤包括：根据所述高光谱图像数据集定义第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵，其中第一高光谱线性空间相关性信息矩阵为水平方向的线性空间相关性信息矩阵，第二高光谱线性空间相关性信息矩阵为竖直方向的线性空间相关性信息矩阵；将第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵相加，得到线性空间相关性信息。
优选地，所述根据所述高光谱图像数据集定义第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵的步骤包括：
所述高光谱图像的空间分辨率为M×N，则第一高光谱线性空间相关性信息矩阵Dl为：
Figure BDA0001257932710000021
第二高光谱线性空间相关性信息矩阵Dv为：
Figure BDA0001257932710000031
其中，(x,y)为像元在高光谱图像的位置，M/2为高光谱图像水平方向的中心位置，N/2为竖直方向的中心位置，Dl(x,y)为每个像元距离水平方向中心位置的距离大小的归一化，Dv(x,y)为每个像元在横坐标中距离水平方向中心位置的距离大小的归一化。
优选地，所述随机从所述新数据集以预设比例挑选出训练集，所述新数据集的其余部分作为测试集的步骤之后还包括：利用径向基函数支持的向量机方法交叉验证，寻找最优的参数组合。
优选地，所述预设比例为10％的比例。
优选地，所述将所述高光谱图像数据集、空间纹理信息和线性空间相关性信息线性融合，得到新数据集的步骤包括：将所述高光谱图像数据集、空间纹理信息和线性空间相关性信息三者相加，得到新数据集。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过提取高光谱图像的空间纹理信息和线性空间相关性信息对高光谱图像进行分类，能有效辅助光谱信息提高分类精度，弥补空间纹理信息中丢失的空间相关性。
附图说明
图1为一实施例的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的示意性流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
图1为一实施例的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的示意性流程图。如图1所示，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，包括：
S1，接收高光谱图像数据集D；
S2，根据所述高光谱图像数据集得到空间纹理信息Ds；
在本实施例，根据所述高光谱图像数据集得到空间纹理信息Ds的步骤包括：通过PCA降维对高光谱数据集D进行处理，得到信息量重新分布的高光谱图像数据集DPCA；利用引导滤波对DPCA前面20个成分进行滤波，得到空间纹理信息Ds。
S3，根据所述高光谱图像数据集得到线性空间相关性信息DG；
在本实施例，所述根据所述高光谱图像数据集得到线性空间相关性信息的步骤包括：
根据所述高光谱图像数据集定义第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵，其中第一高光谱线性空间相关性信息矩阵为水平方向的线性空间相关性信息矩阵，第二高光谱线性空间相关性信息矩阵为竖直方向的线性空间相关性信息矩阵；将第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵相加，得到线性空间相关性信息，即：
所述高光谱图像的空间分辨率为M×N，则第一高光谱线性空间相关性信息矩阵Dl为：
Figure BDA0001257932710000041
第二高光谱线性空间相关性信息矩阵Dv为：
Figure BDA0001257932710000042
高光谱图像的线性空间相关性信息DG为：
DG＝Dl+DV
其中，(x,y)为像元在高光谱图像的位置，M/2为高光谱图像水平方向的中心位置，N/2为竖直方向的中心位置，Dl(x,y)为每个像元距离水平方向中心位置的距离大小的归一化，Dv(x,y)为每个像元在横坐标中距离水平方向中心位置的距离大小的归一化。
S4，将所述高光谱图像数据集D、空间纹理信息Ds和线性空间相关性信息DG线性融合，得到新数据集R；
在本实施例，所述将所述高光谱图像数据集D、空间纹理信息Ds和线性空间相关性信息DG线性融合，得到新数据集的步骤包括：将所述高光谱图像数据集D、空间纹理信息Ds和线性空间相关性信息DG三者相加，得到新数据集，即：
R＝D+DS+DG。
S5，随机从所述新数据集R以预设比例挑选出训练集Rs，所述新数据集的其余部分作为测试集Rt；
在本实施例，所述预设比例为10％的比例，即随机从高光谱数据集R以10％比例挑选训练集Rs，其余部分作为测试集Rt。
S6，利用径向基函数支持的向量机(SVM)对所述训练集Rs进行训练，获取训练模型；
在S6步骤之前还包括：用径向基函数支持的SVM方法交叉验证，寻找最优的参数组合。
S7，利用径向基函数支持的向量机对所述测试集Rt进行分类，获取所述高光谱图像的分类结果。
本方案通过提取高光谱图像的空间纹理信息和线性空间相关性信息对高光谱图像进行分类，能有效辅助光谱信息提高分类精度，弥补空间纹理信息中丢失的空间相关性。
实施例2
采用印第安农林高光谱数据集进行测试。其中，印第安农林来自光谱仪(AirborneVisible Infrared Imaging Spectrometer)，是1992年在印第安纳州西北部印第安农林收集到的高光谱遥感图像，具有20米的空间分辨率，其包含144×144个像元，220个波段，由于噪声和水吸收等因素除去其中的20个波段，剩余200个波段，包含16种植被，选取全部16个类别中，每类随机选取10％样本组成有标签训练集，其余90％作为测试集,具体地物类别和样本个数参见表1；
表1 印第安农林数据集图像分类数据统计
Figure BDA0001257932710000061
采用整体分类精度(Overall accuracy,OA)、平均分类精度(Average accuracy,AA)以及Kappa统计系数(Kappa statistic,Kappa)来衡量分类算法的精度，为了避免随机偏差的产生，每个实验重复10次且记录平均结果，验证平台采用Matlab R2012b，E5800，6GBRAM的实验平台。为了验证SGDS-SVM算法在高光谱分类的优越性，使用了3种方法进行比较。方法1：利用SVM，并融合径向基核函数形成RSVM；方法2：EPF算法对高光谱图像进行分类，有EPF-B-c和EPF-G-c；方法3：SGDS-SVM。
本实施例的高光谱图像的分类效果：
(1)印第安农林数据集的OA为96.95％，比RSVM整体分类精度高出12-13个百分点，比EPF算法高出2-8个百分点，另外Kappa系数和AA也有大幅度的提高，充分验证了SGDS-SVM算法的有效性，发明方法明显优于其他两种方法。
(2)为了验证监督数据对发明方法的影响，选择不同的训练样本测试算法的分类精度。印第安林数据集总体分类精度OA在训练样本为3％时就能达到90％；说明SGDS-SVM算法在少量监督样本的情况下也可以获得较好的分类精度。
实施例3
采用萨利纳斯山谷高光谱数据集进行测试，其中萨利纳斯山谷：来自光谱仪(Airborne Visible Infrared Imaging Spectrometer)，是1992年在美国加利福利亚州萨利纳斯山谷收集到的图像，具有3.7米的空间分辨率，其包含512×217个像元，224个波段，由于噪声和水吸收等因素除去其中的20个波段，剩余204个波段，包含16种植被，选取全部16个类别中，每类随机选取1％样本组成有标签训练集，其余99％作为测试集,具体地物类别和样本个数参见表2；
表2 萨利纳斯山谷数据集图像分类数据统计
Figure BDA0001257932710000071
本实施例采用整体分类精度(Overall accuracy,OA)、平均分类精度(Averageaccuracy,AA)以及Kappa统计系数(Kappa statistic,Kappa)来衡量分类算法的精度，为了避免随机偏差的产生，每个实验重复10次且记录平均结果，验证平台采用Matlab R2012b，E5800，6GBRAM的实验平台。为了验证结合导向滤波和线性空间相关性信息的高光谱图像分类算法(SGDS-SVM算法)在高光谱分类的优越性，使用了3种方法进行比较。方法1：利用SVM，并融合径向基核函数形成RSVM；方法2：EPF算法对高光谱图像进行分类，有EPF-B-c和EPF-G-c；方法3：SGDS-SVM。
本实施例的高光谱图像的分类效果：
(1)萨利纳斯山谷数据集的OA为98.69％，比RSVM整体分类精度高出12-13个百分点，比EPF算法高出2-8个百分点，另外Kappa系数和AA也有大幅度的提高，充分验证了SGDS-SVM算法的有效性，发明方法明显优于其他两种方法。
(2)为了验证监督数据对发明方法的影响，选择不同的训练样本测试算法的分类精度，萨利纳斯山谷数据集总体分类精度OA在训练样本为2％时就超过了99％，说明SGDS-SVM算法在少量监督样本的情况下也可以获得较好的分类精度。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一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，其特征在于，包括：
接收高光谱图像数据集；
根据所述高光谱图像数据集得到空间纹理信息；
根据所述高光谱图像数据集得到线性空间相关性信息；
将所述高光谱图像数据集、空间纹理信息和线性空间相关性信息线性融合，得到新数据集；
随机从所述新数据集以预设比例挑选出训练集，所述新数据集的其余部分作为测试集；
利用径向基函数支持的向量机对所述训练集进行训练，获取训练模型；
利用径向基函数支持的向量机对所述测试集进行分类，获取所述高光谱图像的分类结果；所述根据所述高光谱图像数据集得到空间纹理信息的步骤包括：
通过特征降维对高光谱数据集进行处理，得到信息量重新分布的高光谱图像数据集，并利用引导滤波对信息量重新分布的高光谱图像数据集前面20个成分进行滤波，得到空间纹理信息；
所述根据所述高光谱图像数据集得到线性空间相关性信息的步骤包括：
根据所述高光谱图像数据集定义第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵，其中第一高光谱线性空间相关性信息矩阵为水平方向的线性空间相关性信息矩阵，第二高光谱线性空间相关性信息矩阵为竖直方向的线性空间相关性信息矩阵；
将第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵相加，得到线性空间相关性信息；
所述根据所述高光谱图像数据集定义第一高光谱线性空间相关性信息矩阵和第二高光谱线性空间相关性信息矩阵的步骤包括：
所述高光谱图像的空间分辨率为M×N，则第一高光谱线性空间相关性信息矩阵Dl为：
Figure FDA0002720363340000011
第二高光谱线性空间相关性信息矩阵Dv为：
Figure FDA0002720363340000021
其中，(x,y)为像元在高光谱图像的位置，M/2为高光谱图像水平方向的中心位置，N/2为竖直方向的中心位置，Dl(x,y)为每个像元距离水平方向中心位置的距离大小的归一化，Dv(x,y)为每个像元在纵坐标中距离竖直方向中心位置的距离大小的归一化。
2.根据权利要求1所述的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，其特征在于，所述随机从所述新数据集以预设比例挑选出训练集，所述新数据集的其余部分作为测试集的步骤之后还包括：
利用径向基函数支持的向量机方法交叉验证，寻找最优的参数组合。
3.根据权利要求2所述的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，其特征在于，所述预设比例为10％的比例。
4.根据权利要求3所述的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，其特征在于，所述将所述高光谱图像数据集、空间纹理信息和线性空间相关性信息线性融合，得到新数据集的步骤包括：
将所述高光谱图像数据集、空间纹理信息和线性空间相关性信息三者相加，得到新数据集。
CN201710198244.9A 2017-03-29 2017-03-29 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 Active CN107066959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710198244.9A CN107066959B (zh) 2017-03-29 2017-03-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710198244.9A CN107066959B (zh) 2017-03-29 2017-03-29 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

Publications (2)

Publication Number Publication Date
CN107066959A CN107066959A (zh) 2017-08-18
CN107066959B true CN107066959B (zh) 2020-12-18

Family

ID=59620743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710198244.9A Active CN107066959B (zh) 2017-03-29 2017-03-29 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

Country Status (1)

Country Link
CN (1) CN107066959B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107832693A (zh) * 2017-10-31 2018-03-23 广东交通职业技术学院 一种基于空间自相关信息的高光谱图像植被分类方法
CN107862330A (zh) * 2017-10-31 2018-03-30 广东交通职业技术学院 一种结合导向滤波和最大概率的高光谱图像分类方法
CN107871132B (zh) * 2017-10-31 2022-03-15 广东交通职业技术学院 一种空间特征自适应寻优的高光谱图像分类方法
CN108090447A (zh) * 2017-12-19 2018-05-29 青岛理工大学 双分支深层结构下的高光谱图像分类方法及装置
CN109598284A (zh) * 2018-10-23 2019-04-09 广东交通职业技术学院 一种基于大间隔分布和空间特征的高光谱图像分类方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101883274A (zh) * 2009-05-08 2010-11-10 中国科学院沈阳自动化研究所 一种空谱联合预测的高光谱图像无损压缩方法
CN103903007A (zh) * 2014-03-10 2014-07-02 哈尔滨工程大学 一种基于空-谱信息的高光谱半监督分类方法
CN104036289A (zh) * 2014-06-05 2014-09-10 哈尔滨工程大学 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法
CN105654098A (zh) * 2016-03-23 2016-06-08 深圳大学 一种高光谱遥感图像的分类方法及其系统
CN106056157A (zh) * 2016-06-01 2016-10-26 西北大学 基于空‑谱信息的高光谱图像半监督分类方法
CN106339674A (zh) * 2016-08-17 2017-01-18 中国地质大学（武汉） 基于边缘保持与图割模型的高光谱影像分类方法
CN106408034A (zh) * 2016-10-17 2017-02-15 大连海事大学 一种基于空间特征迭代的高光谱图像分类方法
CN106503739A (zh) * 2016-10-31 2017-03-15 中国地质大学（武汉） 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9495594B2 (en) * 2013-07-18 2016-11-15 The United States Of America As Represented By The Secretary Of The Army Image anomaly detection in a target area using polarimetric sensor data
US9495618B1 (en) * 2015-08-06 2016-11-15 Digitalglobe, Inc. Object detection with textural to spectral domain adaptation
US10025983B2 (en) * 2015-09-21 2018-07-17 The Climate Corporation Ponding water detection on satellite imagery

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101883274A (zh) * 2009-05-08 2010-11-10 中国科学院沈阳自动化研究所 一种空谱联合预测的高光谱图像无损压缩方法
CN103903007A (zh) * 2014-03-10 2014-07-02 哈尔滨工程大学 一种基于空-谱信息的高光谱半监督分类方法
CN104036289A (zh) * 2014-06-05 2014-09-10 哈尔滨工程大学 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法
CN105654098A (zh) * 2016-03-23 2016-06-08 深圳大学 一种高光谱遥感图像的分类方法及其系统
CN106056157A (zh) * 2016-06-01 2016-10-26 西北大学 基于空‑谱信息的高光谱图像半监督分类方法
CN106339674A (zh) * 2016-08-17 2017-01-18 中国地质大学（武汉） 基于边缘保持与图割模型的高光谱影像分类方法
CN106408034A (zh) * 2016-10-17 2017-02-15 大连海事大学 一种基于空间特征迭代的高光谱图像分类方法
CN106503739A (zh) * 2016-10-31 2017-03-15 中国地质大学（武汉） 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Spectral–spatial multi-feature-based deep learning for hyperspectral remote sensing image classification;Lizhe Wang 等;《Soft Computing》;20160705;第21卷(第1期);第4节，图3 *
基于近邻协同的高光谱图像谱-空联合分类;倪鼎 等;《自动化学报》;20150228;第41卷(第2期);273-284 *
结合空-谱信息的高光谱图像分类方法;王立国 等;《黑龙江大学自然科学学报》;20101231;第27卷(第6期);788-791 *

Also Published As

Publication number Publication date
CN107066959A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107066959B (zh) 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
CN110399909B (zh) 一种基于标签约束弹性网图模型的高光谱图像分类方法
CN107527001B (zh) 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
CN108399355B (zh) 一种空间信息自适应融合的高光谱图像分类方法
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN109492593B (zh) 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN107871132B (zh) 一种空间特征自适应寻优的高光谱图像分类方法
CN106203522B (zh) 基于三维非局部均值滤波的高光谱图像分类方法
CN103699874B (zh) 基于surf流和lle稀疏表示的人群异常行为识别方法
CN108182449A (zh) 一种高光谱图像分类方法
CN110147725A (zh) 一种基于正交指数局保投影的高光谱图像特征提取方法
CN103473545A (zh) 一种基于多特征的文本图像相似度度量方法
CN103186776A (zh) 基于多特征和深度信息的人体检测方法
Jana et al. Intra-class recognition of fruits using color and texture features with neural classifiers
CN107145831A (zh) 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法
CN109598284A (zh) 一种基于大间隔分布和空间特征的高光谱图像分类方法
CN105718924A (zh) 基于多特征综合及机器学习的高分卫星影像云检测方法
Pan et al. Improving scene text detection by scale-adaptive segmentation and weighted CRF verification
CN111680577A (zh) 人脸检测方法和装置
Kunishige et al. Scenery character detection with environmental context
CN105023239B (zh) 基于超像素和最大边界分布的高光谱数据降维方法
Dewi et al. Feature extraction for identification of sugarcane rust disease
CN110070485A (zh) 一种高光谱图像降维方法
CN104239895B (zh) 基于特征降维的sar目标鉴别方法

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