CN107122799A - 基于扩展形态学和导向滤波的高光谱图像分类方法 - Google Patents
基于扩展形态学和导向滤波的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN107122799A CN107122799A CN201710277856.7A CN201710277856A CN107122799A CN 107122799 A CN107122799 A CN 107122799A CN 201710277856 A CN201710277856 A CN 201710277856A CN 107122799 A CN107122799 A CN 107122799A
- Authority
- CN
- China
- Prior art keywords
- principal component
- morphology
- mrow
- high spectrum
- spectrum image
- 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
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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 Processing (AREA)
Abstract
本发明公开了一种基于扩展形态学和导向滤波的高光谱图像分类方法,用于解决现有技术存在的边缘区域以及小类别区域错分而导致的分类精度差的技术问题,实现步骤为:采用主成分分析方法对输入的待分类高光谱图像进行降维,得到前c个主成分;采用扩展形态学方法,提取高光谱图像前c个主成分中每个主成分的特征;对提取的特征进行导向滤波,构造特征集;从特征集中抽取训练集与测试集;输入训练集和对应的类别标签对支持向量机进行训练,利用训练好的支持向量机对测试集进行分类;输出分类后的高光谱图像并计算分类精度。本发明改善了边缘区域和小类别区域错分的现象,有效地提高了图像的分类精度,可用于农业、环境监视等诸多领域。
Description
技术领域
本发明属于遥感图像处理技术领域,涉及一种高光谱图像分类方法,具体涉及一种基于扩展形态学和导向滤波的高光谱图像分类方法,可用于农业、环境监视等诸多领域。
背景技术
高光谱遥感图像是由高光谱传感器捕获的卫星图像,对于每个像素都有几十个乃至几百个光谱波段。因此,它可以提供丰富的信息而且具有很高的光谱分辨率,可广泛应用于军事、农业、环境监视等诸多领域。对高光谱图像进行处理分析在国际遥感领域极其重要,其中高光谱图像分类是高光谱信息处理的一个重要研究方向。然而,高光谱图像提供大量信息的同时也会出现信息冗余的现象,大量高度相关的信息给目前的分类方法带来了挑战。
现有的高光谱图像分类方法可分为基于光谱域信息的分类和基于光谱空间域信息的分类。
基于光谱域信息的分类方法是指通过每种地物光谱曲线的特征来进行分类,其中最小距离匹配是较为基础的基于光谱域信息分类的方法,该方法首先根据先验知识从高光谱数据中选取光谱信息建立训练样本集,然后计算各类别样本光谱的均值作为该类别的标准光谱,最后通过计算待分类像元光谱与各类别标准光谱的相似程度来实现分类。该方法简单易实现,但易受噪声的影响从而容易出现误分类。之后出现的光谱角匹配法在衡量光谱相似性时,把像元看作一个N维空间的矢量,根据计算得到的夹角大小去判断待分类像元的所属类别,该方法对噪声具有鲁棒性,但是不能有效的解决“同物异谱”等现象,对提高分类精度具有一定的局限性。
基于光谱域信息的分类方法只着重于光谱域信息,忽视了空间域信息,会丢失许多细节特征,从而在同质区域存在许多斑点,使得分类精度受到一定的限制。随着遥感研究的深入,基于光谱空间域信息的分类方法应运而生,该类方法是指在提取光谱特征基础上加入空间域信息(包括空间邻域信息、边缘信息、纹理信息等)来进行分类。其主要方法有Benediktsson等人提出的基于扩展形态学的高光谱分类方法,该方法首先使用主成分分析对高光谱图像进行光谱信息提取,然后在提取的主成分上进行扩展形态学变换,最后对融合的空谱特征进行分类。该方法可以很好地从高光谱图像中提取特征,避免了分类后同质区域的斑点现象,但是由于腐蚀操作和膨胀操作都是不可逆的,所以在边缘地区的分类精度不是很高;Kang等人提出一种基于边缘保持滤波的高光谱图像分类方法,该方法通过引入边缘保持滤波器,有效的解决了边缘区域错分的问题,却依然存在小类别区域错分的情况,从而在一定程度上影响了分类精度。因此,关于高光谱图像的空谱域信息还需要进一步探索和利用。
发明内容
本发明的目的是克服上述现有技术的不足,提出了一种基于扩展形态学和导向滤波的高光谱分类方法,通过主成分分析和扩展形态学方法来提取高光谱图像的空谱特征,丰富了特征信息,然后利用导向滤波来保护边缘区域,用于解决现有技术存在的边缘区域以及小类别区域错分而导致的分类精度差的技术问题。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)输入一幅包含d个波段数的待分类高光谱图像X及该图像X的类别标签;
(2)采用主成分分析方法,对高光谱图像X进行降维,得到高光谱图像X前c个主成分PC;
(3)采用扩展形态学方法,提取高光谱图像X前c个主成分PC中每个主成分的特征,得到到c×λ个形态学开特征图Пγ和c×λ个形态学闭特征图Πφ,其中,λ为整数;
(4)对形态学开特征图Пγ和形态学闭特征图Пφ分别进行导向滤波,并将滤波后的特征进行组合,得到高光谱图像X的特征集GEMP。
(5)根据高光谱图像X的类别标签,从特征集GEMP的每一类样本中随机抽取一定比例的样本作为训练集,剩余样本作为测试集;
(6)利用抽取出的训练集及该训练集中各样本对应的类别标签,对支持向量机进行训练,并利用训练好的支持向量机对测试集进行分类,得到分类后的高光谱图像X”;
(7)输出分类后的高光谱图像X”,并计算分类精度。
本发明与现有的技术相比,具有以下优点:
本发明通过主成分分析和扩展形态学方法来提取高光谱图像的空谱特征,然后利用导向滤波来保护边缘区域,得到基于导向滤波的扩展形态学特征集,与现有技术中仅利用扩展形态学或边缘保持滤波器提取特征相比,丰富和完善了特征信息,改善了边缘区域和小类别区域错分的现象,有利于提高图像分类精度。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真使用的一幅帕维亚大学高光谱图像;
图3是本发明采用基于扩展形态学方法对图2进行分类的仿真结果图;
图4是本发明采用基于边缘保持滤波方法对图2进行分类的仿真结果图;
图5是采用本发明对图2分类的仿真结果图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细说明。
参照图1,一种基于扩展形态学和导向滤波的高光谱分类方法,包括如下步骤:
步骤1,输入一幅包含d个波段数的待分类高光谱图像X及该图像X的类别标签;
本实施例输入一幅包含103个波段的帕维尔大学高光谱图像及该图像的类别标签;
步骤2,由于高光谱图像的高维特性会带来计算复杂,信息冗余等问题,本发明采用主成分分析方法,对高光谱图像X进行降维,得到高光谱图像X前c个主成分PC,即高光谱图像X的光谱特征;
(2a)图像向量化:把高光谱图像X每个波段的图像按照先列后行或先行后列的顺序排列成一个列向量,得到高光谱图像X的向量组X',X'=[x1,x2,...xp,...,xd],其中,xp表示高光谱图像X第p个波段的图像;
本实施例中把帕维尔大学高光谱图像每个波段的图像按照先列后行的的顺序排列成一个列向量;
(2b)计算高光谱图像X的向量组X'=[x1,x2,...xp,...,xd]的中心化向量组Y:
Y=X'-E(X')
其中,E(X')表示高光谱图像X的向量组X'的均值向量;
(2c)计算中心化向量组Y的协方差矩阵Cov:
Cov=YYT
其中,YT表示中心化向量组Y的转置;
(2d)对中心化向量组Y的协方差矩阵Cov进行特征分解,得到d个特征值ω和对应的d个特征向量u;
(2e)特征值越大,包含的特征信息越多,所以按照d个特征值ω由大到小的顺序,对d个特征值ω对应的d个特征向量u进行排列,并对前c个特征向量进行组合,得到变换矩阵U=[u1,u2,...,uc];
(2f)计算高光谱图像X的前c个主成分PC,PC={PC1,PC2,...,PCs,...,PCc},其中,PCs表示任一主成分,计算公式为:
PC=X'U
步骤3,在得到的光谱特征基础上,采用扩展形态学方法,提取高光谱图像X前c个主成分PC中每个主成分的形态学特征,得到c×λ个形态学开特征图Πγ和c×λ个形态学闭特征图Πφ,即高光谱图像X的形态学开特征和形态学闭特征,其中,λ为整数;
(3a)对高光谱图像X前c个主成分PC中的每一个主成分进行λ次开运算,得到c×λ个形态学开特征图Πγ,即高光谱图像X的形态学开特征,其中,任一主成分PCs的第m个形态学开特征图可以表示为:
其中,1≤m≤λ,表示开重构算子,且e表示结构元素的大小,εe表示腐蚀操作,表示基于膨胀的重构操作;开特征图的获取过程就是对任一主成分PCs使用结构元素e进行一次开运算。在对高光谱图像X前c个主成分PC中任一主成分进行λ次开运算时,使用了λ个不同大小的结构元素,每次开运算所选择的结构元素呈递增趋势,本实施例所用的5个结构算子取值分别为3,7,11,15,19。
(3b)对高光谱图像X前c个主成分PC中的每一个主成分进行λ次闭运算,得到c×λ个形态学闭特征图∏φ,即高光谱图像X的形态学闭特征,其中,任一主成分PCs的第m个形态学闭特征图可以表示为:
其中,表示闭重构算子,且δe表示膨胀操作,表示基于腐蚀的重构操作。闭特征图的获取过程就是对任一主成分PCs使用结构元素e进行一次开运算。在对高光谱图像X前c个主成分PC中任一主成分进行λ次闭运算时,使用了λ个不同大小的结构元素,每次闭运算所选择的结构元素同样呈递增趋势,本发明所用的5个结构算子取值分别为3,7,11,15,19。
步骤4,对形态学开特征图Πγ和形态学闭特征图Πφ分别进行导向滤波,并将滤波后的特征进行组合,得到高光谱图像X的特征集GEMP。
(4a)对高光谱图像X前c个主成分PC中的每一个主成分的λ个形态学开特征图Πγ分别进行导向滤波,得到λ个形态学开特征图Πγ的滤波输出值其中,对高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学开特征图进行导向滤波,得到形态学开特征图的滤波输出值实现过程为:
将高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学开特征图作为导向滤波器的输入图像,形态学开特征图对应的主成分PCs作为导向滤波器的导向图像,对输入图像进行导向滤波,得到滤波输出值其中,对输入图像中i处像素进行导向滤波,得到输入图像中i处像素的滤波输出值
其中,表示形态学开特征图像中j处像素的特征值,Wij表示滤波权值,且wk表示第k个核函数窗口,k为正整数,|w|表示窗口wk内像素的个数,和分别表示引导图像PCs在窗口wk内的均值和方差,ε为平滑因子;
(4b)对高光谱图像X前c个主成分PC中的每一个主成分的λ个形态学闭特征图∏φ分别进行导向滤波,得到λ个形态学闭特征图∏φ的滤波输出值其中,对高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学闭特征图进行导向滤波,得到形态学闭特征图的滤波输出值实现过程为:
将高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学闭特征图作为导向滤波器的输入图像,形态学闭特征图对应的主成分PCs作为导向滤波器的导向图像,对输入图像进行导向滤波,得到滤波输出值其中,对输入图像中a处像素进行导向滤波,得到输入图像中a处像素的滤波输出值
其中,表示形态学闭特征图像中b处像素的特征值,Wab表示滤波权值,且
(4c)将高光谱图像X前c个主成分PC中每个主成分的λ个形态学开特征图∏γ的滤波输出值和每个主成分的λ个形态学闭特征图∏φ的滤波输出值进行组合,得到每个主成分基于导向滤波的扩展形态学特征GMP(PCs);
(4d)高光谱图像X前c个主成分PC扩展形态学特征集GEMP是由每个主成分基于导向滤波的扩展形态学特征GMP(PCs)组合而成,可以表示为:
GEMP={GMP(PC1),GMP(PC2),...,GMP(PCs),...,GMP(PCc)}
步骤5,根据高光谱图像X的类别标签,从特征集GEMP的每一类样本中随机抽取一定比例的样本作为训练集,剩余样本作为测试集;
根据高光谱图像X的类别标签中每一类样本的位置,从特征集GEMP中对应位置抽取一定比例的样本作为训练集,每一类中剩余样本作为测试集。抽取的训练样本比例可自由设定,选取训练样本的比例相同,分类精度越高说明分类效果越好。本实施例中对于帕维尔大学高光谱图像抽取了百分之六的样本作为训练集;
步骤6,利用抽取出的训练集及该训练集中各样本对应的类别标签,对支持向量机进行训练,并利用训练好的支持向量机对测试集进行分类,得到分类后的高光谱图像X″;
步骤7,输出分类后的高光谱图像X”,并计算分类精度。
(7a)利用不同的颜色,对经过支持向量机分类得到的样本类别上色,得到上色后的高光谱图像,然后将其输出。本实施例中的帕维尔大学高光谱图像,采用9种颜色对9个不同类别的像素进行上色,得到上色后的帕维尔大学高光谱图像,然后将其输出;
(7b)计算分类精度中的三个指标:总精度(OA),平均精度(AA),卡方系数(Kappa)。
总精度(OA)表示正确分类的样本占所有样本的比例,值越大,说明分类效果越好;平均精度(AA)表示每一类分类精度的平均值,值越大,说明分类效果越好;卡方系数(Kappa)表示混淆矩阵中不同的权值,值越大,说明分类效果越好。
以下结合仿真实验,对本发明的技术效果进行说明。
1.仿真条件和内容。
(1)仿真条件
硬件平台为:Inter Core i5-3210M CPU@2.50GHz、8GB RAM;
软件平台为:MATLAB R2015a;
本实施例的输入图像为帕维尔大学高光谱图像,图像共包含103个波段和9类地物,图像格式为TIF。
(2)仿真内容
采用本发明和现有技术基于扩展形态学分类方法及基于边缘保持滤波分类方法,对图2所示的帕维尔大学高光谱图像分别进行分类仿真,其结果如图5,图3,图4所示。
2.仿真结果分析。
参照图3可以看出,对于同质区域能够正确的分类,但是存在小类别区域和边缘区域错分的现象。
参照图4可以看出,改善了边缘错分的现象,但是仍然存在小类别区域错分的现象。
参照图5可以看出,在边缘区域和小类别区域都能达到理想的分类效果,有利于提高图像分类精度。
为了验证本发明的技术效果,本发明和两种对比方法在仿真实验中得到的各类分类精度、总精度、平均精度以及卡方系数,如表1所示:
其中,EMP表示基于扩展形态学的方法,EPF表示基于边缘保持滤波的方法,可以看出总精度、平均精度以及卡方系数明显地提高。
表1
Claims (3)
1.一种基于扩展形态学和导向滤波的高光谱分类方法,包括如下步骤:
(1)输入一幅包含d个波段数的待分类高光谱图像X及该图像X的类别标签;
(2)采用主成分分析方法,对高光谱图像X进行降维,得到高光谱图像X前c个主成分PC;
(3)采用扩展形态学方法,提取高光谱图像X前c个主成分PC中每个主成分的特征,得到到c×λ个形态学开特征图Πγ和c×λ个形态学闭特征图Πφ,其中,λ为整数;
(4)对形态学开特征图Пγ和形态学闭特征图Пφ分别进行导向滤波,并将滤波后的特征进行组合,得到高光谱图像X的特征集GEMP。
(5)根据高光谱图像X的类别标签,从特征集GEMP的每一类样本中随机抽取一定比例的样本作为训练集,剩余样本作为测试集;
(6)利用抽取出的训练集及该训练集中各样本对应的类别标签,对支持向量机进行训练,并利用训练好的支持向量机对测试集进行分类,得到分类后的高光谱图像X”;
(7)输出分类后的高光谱图像X”,并计算分类精度。
2.根据权利要求1所述的基于扩展形态学和导向滤波的高光谱分类方法,其特征在于,步骤(3)所述的提取高光谱图像X前c个主成分中每个主成分的特征,实现步骤为:
(3a)对高光谱图像X前c个主成分PC中的每一个主成分进行λ次开运算,得到c×λ个形态学开特征图Пγ,其中,任一主成分PCs的第m个形态学开特征图可以表示为:
<mrow>
<msubsup>
<mo>&Pi;</mo>
<mi>&gamma;</mi>
<mrow>
<mi>s</mi>
<mi>m</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&gamma;</mi>
<mi>R</mi>
<mi>e</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>PC</mi>
<mi>s</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中,1≤m≤λ,表示开重构算子,且e表示结构元素的大小,εe表示腐蚀操作,表示基于膨胀的重构操作;
(3b)对高光谱图像X前c个主成分PC中的每一个主成分进行λ次闭运算,得到c×λ个形态学闭特征图Пφ,其中,任一主成分PCs的第m个形态学闭特征图可以表示为:
<mrow>
<msubsup>
<mo>&Pi;</mo>
<mi>&phi;</mi>
<mrow>
<mi>s</mi>
<mi>m</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&phi;</mi>
<mi>R</mi>
<mi>e</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>PC</mi>
<mi>s</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中,表示闭重构算子,且δe表示膨胀操作,表示基于腐蚀的重构操作。
3.根据权利要求1所述的基于扩展形态学和导向滤波的高光谱分类方法,其特征在于,步骤(4)所述的高光谱图像X的特征集GEMP,其获取步骤为:
(4a)对高光谱图像X前c个主成分PC中的每一个主成分的λ个形态学开特征图Πγ分别进行导向滤波,得到λ个形态学开特征图Πγ的滤波输出值其中,对高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学开特征图进行导向滤波,得到形态学开特征图的滤波输出值实现过程为:
将高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学开特征图作为导向滤波器的输入图像,形态学开特征图对应的主成分PCs作为导向滤波器的导向图像,对输入图像进行导向滤波,得到滤波输出值其中,对输入图像中i处像素进行导向滤波,得到输入图像中i处像素的滤波输出值
<mrow>
<msubsup>
<mi>Q</mi>
<mi>&gamma;</mi>
<mrow>
<mi>s</mi>
<mi>m</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>PC</mi>
<mi>s</mi>
</msup>
<mo>)</mo>
</mrow>
<msubsup>
<mo>&Pi;</mo>
<mi>&gamma;</mi>
<mrow>
<mi>s</mi>
<mi>m</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
</mrow>
其中,表示形态学开特征图像中j处像素的特征值,Wij表示滤波权值,且wk表示第k个核函数窗口,k为正整数,|w|表示窗口wk内像素的个数,和分别表示引导图像PCs在窗口wk内的均值和方差,ε为平滑因子;
(4b)对高光谱图像X前c个主成分PC中的每一个主成分的λ个形态学闭特征图Πφ分别进行导向滤波,得到λ个形态学闭特征图Пφ的滤波输出值其中,对高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学闭特征图进行导向滤波,得到形态学闭特征图的滤波输出值实现过程为:
将高光谱图像X前c个主成分PC中的任一主成分PCs的第m个形态学闭特征图作为导向滤波器的输入图像,形态学闭特征图对应的主成分PCs作为导向滤波器的导向图像,对输入图像进行导向滤波,得到滤波输出值其中,对输入图像中a处像素进行导向滤波,得到输入图像中a处像素的滤波输出值
<mrow>
<msubsup>
<mi>Q</mi>
<mi>&phi;</mi>
<mrow>
<mi>s</mi>
<mi>m</mi>
<mo>,</mo>
<mi>a</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>b</mi>
</munder>
<msub>
<mi>W</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>PC</mi>
<mi>s</mi>
</msup>
<mo>)</mo>
</mrow>
<msubsup>
<mo>&Pi;</mo>
<mi>&phi;</mi>
<mrow>
<mi>s</mi>
<mi>m</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msubsup>
</mrow>
其中,表示形态学闭特征图像中b处像素的特征值,Wab表示滤波权值,且
(4c)将高光谱图像X前c个主成分PC中每个主成分的λ个形态学开特征图Πγ的滤波输出值和每个主成分的λ个形态学闭特征图Пφ的滤波输出值进行组合,得到每个主成分基于导向滤波的扩展形态学特征GMP(PCs);
(4d)高光谱图像X前c个主成分PC基于导向滤波的扩展形态学特征集GEMP可以表示为:
GEMP={GMP(PC1),GMP(PC2),...,GMP(PCs),...,GMP(PCc)}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277856.7A CN107122799A (zh) | 2017-04-25 | 2017-04-25 | 基于扩展形态学和导向滤波的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277856.7A CN107122799A (zh) | 2017-04-25 | 2017-04-25 | 基于扩展形态学和导向滤波的高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107122799A true CN107122799A (zh) | 2017-09-01 |
Family
ID=59725790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710277856.7A Pending CN107122799A (zh) | 2017-04-25 | 2017-04-25 | 基于扩展形态学和导向滤波的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122799A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657271A (zh) * | 2017-09-02 | 2018-02-02 | 西安电子科技大学 | 基于长短时记忆网络的高光谱图像分类方法 |
CN107871132A (zh) * | 2017-10-31 | 2018-04-03 | 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 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN111126452A (zh) * | 2019-12-03 | 2020-05-08 | 中国科学院国家空间科学中心 | 一种基于主成分分析的地物光谱曲线扩展方法及系统 |
CN111881875A (zh) * | 2020-08-05 | 2020-11-03 | 广东工业大学 | 一种高光谱图像分类方法、存储介质和计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913421A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于自适应形状暗通道的遥感图像云检测方法 |
CN105931225A (zh) * | 2016-04-14 | 2016-09-07 | 大连理工大学 | 一种基于实时图像检测技术分析晶体生长形状和尺寸分布的方法 |
-
2017
- 2017-04-25 CN CN201710277856.7A patent/CN107122799A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913421A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于自适应形状暗通道的遥感图像云检测方法 |
CN105931225A (zh) * | 2016-04-14 | 2016-09-07 | 大连理工大学 | 一种基于实时图像检测技术分析晶体生长形状和尺寸分布的方法 |
Non-Patent Citations (2)
Title |
---|
WENZHI LIAO 等: "SPECTRAL-SPATIAL CLASSIFICATION FOR HYPERSPECTRAL IMAGE BY BILATERAL FILTERING AND MORPHOLOGICAL FEATURES", 《IEEE XPLORE DIGITAL LIBRARY》 * |
王巧玉: "基于深度学习的高光谱遥感图像分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657271A (zh) * | 2017-09-02 | 2018-02-02 | 西安电子科技大学 | 基于长短时记忆网络的高光谱图像分类方法 |
CN107657271B (zh) * | 2017-09-02 | 2019-11-15 | 西安电子科技大学 | 基于长短时记忆网络的高光谱图像分类方法 |
CN107871132A (zh) * | 2017-10-31 | 2018-04-03 | 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 |
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 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN110298396B (zh) * | 2019-06-25 | 2022-02-08 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN111126452A (zh) * | 2019-12-03 | 2020-05-08 | 中国科学院国家空间科学中心 | 一种基于主成分分析的地物光谱曲线扩展方法及系统 |
CN111126452B (zh) * | 2019-12-03 | 2023-05-23 | 中国科学院国家空间科学中心 | 一种基于主成分分析的地物光谱曲线扩展方法及系统 |
CN111881875A (zh) * | 2020-08-05 | 2020-11-03 | 广东工业大学 | 一种高光谱图像分类方法、存储介质和计算机设备 |
CN111881875B (zh) * | 2020-08-05 | 2023-06-06 | 广东工业大学 | 一种高光谱图像分类方法、存储介质和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122799A (zh) | 基于扩展形态学和导向滤波的高光谱图像分类方法 | |
Fang et al. | Hyperspectral image classification via multiple-feature-based adaptive sparse representation | |
Plaza et al. | Spatial/spectral endmember extraction by multidimensional morphological operations | |
Yuan et al. | Remote sensing image segmentation by combining spectral and texture features | |
Bandos et al. | Classification of hyperspectral images with regularized linear discriminant analysis | |
Xia et al. | Spectral–spatial classification of hyperspectral images using ICA and edge-preserving filter via an ensemble strategy | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
Yang et al. | Kernel ICA: An alternative formulation and its application to face recognition | |
CN103886342B (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN102208034B (zh) | 基于半监督维数约减的高光谱图像分类方法 | |
Lv et al. | Enhanced-random-feature-subspace-based ensemble CNN for the imbalanced hyperspectral image classification | |
CN108764173A (zh) | 基于多类生成对抗网络的高光谱图像分类方法 | |
CN104778482B (zh) | 基于张量半监督标度切维数约减的高光谱图像分类方法 | |
CN108830243A (zh) | 基于胶囊网络的高光谱图像分类方法 | |
CN105069478B (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
CN107992891A (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN104281855A (zh) | 基于多任务低秩的高光谱图像分类方法 | |
CN107358260A (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
Hang et al. | Robust matrix discriminative analysis for feature extraction from hyperspectral images | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN104239902A (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
Li et al. | Quaternion-based multiscale analysis for feature extraction of hyperspectral images | |
CN107292258A (zh) | 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170901 |
|
WD01 | Invention patent application deemed withdrawn after publication |