CN107480593B - Beltrami流和递归滤波的高光谱图像分类方法 - Google Patents

Beltrami流和递归滤波的高光谱图像分类方法 Download PDF

Info

Publication number
CN107480593B
CN107480593B CN201710578518.7A CN201710578518A CN107480593B CN 107480593 B CN107480593 B CN 107480593B CN 201710578518 A CN201710578518 A CN 201710578518A CN 107480593 B CN107480593 B CN 107480593B
Authority
CN
China
Prior art keywords
filtering
hyperspectral
beltrami
result
data set
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
CN201710578518.7A
Other languages
English (en)
Other versions
CN107480593A (zh
Inventor
廖建尚
曹成涛
黎新华
林晓辉
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 CN201710578518.7A priority Critical patent/CN107480593B/zh
Publication of CN107480593A publication Critical patent/CN107480593A/zh
Application granted granted Critical
Publication of CN107480593B publication Critical patent/CN107480593B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及Beltrami流和递归滤波的高光谱图像分类方法，采用两种滤波器将高光谱图像光谱信息提取为空间信息并进行分类，有效利用了边缘结构信息和空间相关性信息；其中，Beltrami流滤波提取高光谱图像的边缘结构信息，有效辅助SVM进行像元分类，同时，域转换递归滤波获得高光谱图像的空间相关信息，弥补Beltrami流滤波中的不总，结合后得到最好的分类性能，有效提高了高光谱图像的分类精度。

Description

Beltrami流和递归滤波的高光谱图像分类方法
技术领域
本发明涉及高光谱遥感图像处理的技术领域，特别涉及Beltrami流和递归滤波的高光谱图像分类方法。
背景技术
目前，对高光谱图像分类的方法有形态滤波特征提取、马尔科夫随机场特征提取、图像分割特征提取；其中，通过成像光谱仪可以获得达到几百个波段光谱信息的高光谱遥感图像，具有波段多，光谱分辨率高，分类结果中椒盐噪声严重影响分类结果的应用；高光谱图像空间分辨率低，空间纹理信息还有待进一步挖掘；同时，地物分布往往具有统一性，在提取空间纹理信息时容易去除像元间的空间相关性。
发明内容
本发明为解决现有技术存在的高光谱图像空间分辨率低、高光谱图像分类情况差等缺陷，提供Beltrami流和递归滤波的高光谱图像分类方法。
为解决上述技术问题，本发明采用的技术方案是：
Beltrami流和递归滤波的高光谱图像分类方法，包括以下步骤：
Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：包括以下步骤：
S1.输入高光谱图像；
S2.将高光谱图像归一化，形成高光谱数据集R；
S3.对高光谱数据集R进行PCA降维：对于有l个波段的高光谱数据集R进行PCA降维，选择前面n维的数据组成新的数据集H：
H＝PCA(R)；
S4.基于步骤S3，用Beltrami流滤波对PCA降维后的数据集H根据公式(1)进行滤波，获取空间信息Rmp：
Figure GDA0002455862310000011
其中，
Figure GDA0002455862310000012
为图像Ri的第k次迭代，ht为时间步长，
Figure GDA0002455862310000013
和
Figure GDA0002455862310000014
分别为高光谱波段图像Ri在x与y方向的梯度，
Figure GDA0002455862310000015
S5.基于步骤S2，用域转换递归滤波对高光谱数据集R根据公式(2)进行域转换标准卷积滤波，获取空间信息Dts：
Figure GDA0002455862310000021
其中，d＝f(yn)-f(yn-1)，ad是反馈系数，d为两个相邻像元yn和yn-1在转换域Ωw中的距离；
S6.基于步骤S4和步骤S5，对获取的空间信息Dmp和空间信息Dts按照以下公式进行结合，获取结合后的空间信息W：
W＝Rmp+Dts； (3)
S7.基于步骤S6，将结合后的空间信息W进行分类，并输出分类结果。
在上述方案中，当需要对高光谱图像进行分类时，首先，输入高光谱图像，将高光谱图像归一化，形成高光谱数据集R；对高光谱数据集R进行PCA降维；采用Beltrami流滤波对PCA降维后的数据集H进行滤波获取空间信息Rmp；采用域转换递归滤波对高光谱数据集R进行域转换标准卷积滤波，获取空间信息Dts；对获取的空间信息Rmp和空间信息Dts进行结合，获取结合后的空间信息W；最后将结合后的空间信息W进行分类，并输出分类结果；在本技术方案中，采用两种滤波器将高光谱图像光谱信息提取为空间信息并进行分类，有效利用了边缘结构信息和空间相关性信息；其中，Beltrami流滤波提取高光谱图像的边缘结构信息，有效辅助SVM进行像元分类，同时，域转换递归滤波获得高光谱图像的空间相关信息，弥补Beltrami流滤波中的不总，结合后得到最好的分类性能，有效提高了高光谱图像的分类精度。
优选的，步骤S4的具体步骤如下：
S41.根据步骤S3进行PCA降维后的数据集H；输入第i个成分I，获取度量矩阵，获取度量张量；
S42.采用Beltrami流滤波进行迭代计算；
S43.对步骤S42的迭代计算结果进行判断，若滤波结束，则进行步骤S44，否则，重复操作S41～S42；
S44.输出空间信息Rmp。
优选的，步骤S5的具体步骤如下：
S51.根据步骤S2的数据集R，输入一波段图像；
S52.根据图像估计图像水平和垂直方向的偏微分，进一步计算近邻距离，计算出水平和垂直的偏微分，并进一步的递归滤波；
S53.基于步骤S52，对递归滤波的结果进行迭代运算，
S54.判断一波段图像滤波是否结束，若是则进行S55，否则重复步骤S52；
S55.判断全波段滤波是否结束，若是则进行步骤S56，否则进行步骤S51；
S56.输出空间信息Dts。
优选的，所述的步骤S7的具体步骤如下：
S71.随机从空间信息数据集W以一定比例随机抽取训练集Ws，其余部分作为训练集Wt；
S72.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；
S73.用径向基函数支持的SVM对Ws进行训练，获取训练模型；
S74.获取模型后，用径向基函数支持的SVM对测试集Wt进行分类。
优选的，步骤S42的具体步骤如下：
S421.预设迭代次数n；
S422.采用Beltrami流滤波，计算Rx和Ry；
S423.根据S421的计算结果分别计算Rxx、Ryy和Rxy；
S424.基于步骤S422和步骤S423，计算第k次迭代值Rk；
R425.判断是否达到预设的迭代次数，若是则进行步骤S43，否则重复步骤S422。
优选的，步骤S53的具体步骤如下：
S531.预设迭代次数m；
S532.对递归滤波的结果进行运算，计算标准偏差和反馈系数a；
S533.基于步骤S532，将运算结果进行水平滤波，将水平滤波的结果进行垂直滤波，将垂直滤波的结果进行卷积滤波；
S534.判断是否达到预设的迭代次数，若是则进行步骤S54，否则重复步骤S532。
优选的，所述的水平滤波经过以下步骤进行处理：
a.计算反馈系数a；
b.将运算结果从左到右进行滤波；
c.将步骤b中结果从右到左进行滤波；
d.将滤波后的结果输出到下一级进行垂直滤波。
优选的，所述的垂直滤波经过以下步骤进行处理：
(1)计算反馈系数a；
(2)将滤波结果从左到右进行滤波；
(3)将步骤(2)中结果从右到左进行滤波；
(4)将滤波后的结果输出到下一级进行卷积滤波。
与现有技术相比，本发明的有益效果是：根据本技术方案，采用两种滤波器将高光谱图像光谱信息提取为空间信息并进行分类，有效利用了边缘结构信息和空间相关性信息；其中，Beltrami流滤波提取高光谱图像的边缘结构信息，有效辅助SVM进行像元分类，同时，域转换递归滤波获得高光谱图像的空间相关信息，弥补Beltrami流滤波中的不总，结合后得到最好的分类性能，有效提高了高光谱图像的分类精度。
附图说明
图1为本发明Beltrami流和递归滤波的高光谱图像分类方法的示意图。
图2为本发明采用印第安农林数据集图像的实验示意图，其中，(a)地物分布(b)训练样本7％抽样(c)SVM，OA＝81.46％(d)SVM-PCA，OA＝80.39％(e)SGB-SVM，OA＝82.59％(f)SBL-SVM，OA＝89.55％(g)SGD-SVM，OA＝91.88％(h)EPF-B-c，OA＝92.74％(i)EPF-G-c，OA＝92.36％(j)IFRF，OA＝94.90％(k)SMP-SVM，OA＝90.05％(l)BFRF-SVM，OA＝96.01％。
图3为本发明采用帕维亚大学数据集图像的实验示意图，其中，(a)地物分布(b)训练样3％抽样(c)SVM，OA＝85.89％(d)SVM-PCA，OA＝85.58％(e)SGB-SVM，OA＝86.83％(f)SBL-SVM，OA＝90.75％(g)SGD-SVM，OA＝95.50％(h)EPF-B-c，OA＝93.18％(i)EPF-G-c，OA＝93.36％(j)IFRF，OA＝94.16％(k)SMP-SVM，OA＝94.33％(l)BFRF-SVM，OA＝97.46％。
图4为不同训练样本比例分类后OA、AA和Kappa折线图，其中，(a)印第安林折线图、(b)帕维亚大学折线图。
具体实施方式
下面将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除、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
Beltrami流和递归滤波的高光谱图像分类方法，如图1所示：
包括以下步骤：
Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：包括以下步骤：
S1.输入高光谱图像；
S2.将高光谱图像归一化，形成高光谱数据集R；
S3.对高光谱数据集R进行PCA降维：对于有l个波段的高光谱数据集R进行PCA降维，选择前面n维的数据组成新的数据集H：
H＝PCA(R)；
S4.基于步骤S3，用Beltrami流滤波对PCA降维后的数据集H根据公式(1)进行滤波，获取空间信息Rmp：
Figure GDA0002455862310000051
其中，
Figure GDA0002455862310000052
为图像Ri的第k次迭代，ht为时间步长，
Figure GDA0002455862310000053
和
Figure GDA0002455862310000054
分别为高光谱波段图像Ri在x与y方向的梯度，
Figure GDA0002455862310000055
Figure GDA0002455862310000056
S5.基于步骤S2，用域转换递归滤波对高光谱数据集R根据公式(2)进行域转换标准卷积滤波，获取空间信息Dts：
Figure GDA0002455862310000057
其中，d＝f(yn)-f(yn-1)，ad是反馈系数，d为两个相邻像元yn和yn-1在转换域Ωw中的距离；
S6.基于步骤S4和步骤S5，对获取的空间信息Rmp和空间信息Dts按照以下公式进行结合，获取结合后的空间信息W：
W＝Rmp+Dts； (3)
S7.基于步骤S6，将结合后的空间信息W进行分类，并输出分类结果。
在上述方案中，当需要对高光谱图像进行分类时，首先，输入高光谱图像，将高光谱图像归一化，形成高光谱数据集R；对高光谱数据集R进行PCA降维；采用Beltrami流滤波对PCA降维后的数据集H进行滤波获取空间信息Rmp；采用域转换递归滤波对高光谱数据集R进行域转换标准卷积滤波，获取空间信息Dts；对获取的空间信息Rmp和空间信息Dts进行结合，获取结合后的空间信息W；最后将结合后的空间信息W进行分类，并输出分类结果；在本技术方案中，采用两种滤波器将高光谱图像光谱信息提取为空间信息并进行分类，有效利用了边缘结构信息和空间相关性信息；其中，Beltrami流滤波提取高光谱图像的边缘结构信息，有效辅助SVM进行像元分类，同时，域转换递归滤波获得高光谱图像的空间相关信息，弥补Beltrami流滤波中的不总，结合后得到最好的分类性能，有效提高了高光谱图像的分类精度。
其中，在本实施例中，步骤S4的具体步骤如下：
S41.根据步骤S3进行PCA降维后的数据集H；输入第i个成分I，获取度量矩阵，获取度量张量；
S42.采用Beltrami流滤波进行迭代计算；
S43.对步骤S42的迭代计算结果进行判断，若滤波结束，则进行步骤S44，否则，重复操作S41～S42；
S44.输出空间信息Rmp。
其中，在本实施例中，步骤S5的具体步骤如下：
S51.根据步骤S2的数据集R，输入一波段图像；
S52.根据图像估计图像水平和垂直方向的偏微分，进一步计算近邻距离，计算出水平和垂直的偏微分，并进一步的递归滤波；
S53.基于步骤S52，对递归滤波的结果进行迭代运算，
S54.判断一波段图像滤波是否结束，若是则进行S55，否则重复步骤S52；
S55.判断全波段滤波是否结束，若是则进行步骤S56，否则进行步骤S51；
S56.输出空间信息Dts。
其中，在本实施例中，所述的步骤S7的具体步骤如下：
S71.随机从空间信息数据集W以一定比例随机抽取训练集Ws，其余部分作为训练集Wt；
S72.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；
S73.用径向基函数支持的SVM对Ws进行训练，获取训练模型；
S74.获取模型后，用径向基函数支持的SVM对测试集Wt进行分类。
其中，在本实施例中，步骤S42的具体步骤如下：
S421.预设迭代次数n；
S422.采用Beltrami流滤波，计算Rx和Ry；
S423.根据S421的计算结果分别计算Rxx、Ryy和Rxy；
S424.基于步骤S422和步骤S423，计算第k次迭代值Rk；
R425.判断是否达到预设的迭代次数，若是则进行步骤S43，否则重复步骤S422。
其中，在本实施例中，步骤S53的具体步骤如下：
S531.预设迭代次数m；
S532.对递归滤波的结果进行运算，计算标准偏差和反馈系数a；
S533.基于步骤S532，将运算结果进行水平滤波，将水平滤波的结果进行垂直滤波，将垂直滤波的结果进行卷积滤波；
S534.判断是否达到预设的迭代次数，若是则进行步骤S54，否则重复步骤S532。
其中，在本实施例中，所述的水平滤波经过以下步骤进行处理：
a.计算反馈系数a；
b.将运算结果从左到右进行滤波；
c.将步骤b中结果从右到左进行滤波；
d.将滤波后的结果输出到下一级进行垂直滤波。
其中，在本实施例中，所述的垂直滤波经过以下步骤进行处理：
(1)计算反馈系数a；
(2)将滤波结果从左到右进行滤波；
(3)将步骤(2)中结果从右到左进行滤波；
(4)将滤波后的结果输出到下一级进行卷积滤波。
实施例2：印第安农林数据集图像验证实施例
本发明用整体分类精度(Overall accuracy,OA)、平均分类精度(Averageaccuracy,AA)以及Kappa统计系数(Kappa statistic,Kappa)来进行分析；如图2所示：
图2(a)所示，选取全部16个类别，每类随机选取7％样本组成有标签训练集，其余93％作为测试集，地物数量较少的三类地物20％作为训练集。其中，表1为各种分类方法对印第安农林数据集的分类精度统计，分类效果图如图2图(l)所示。
表1
Figure GDA0002455862310000081
印第安农林数据集的训练样本仅为7％，印第安农林数据集的OA为96.01％，可知BFRF-SVM对分布复杂的高光谱数据有较好的效果。
实施例3：帕维亚大学数据集图像验证实施例
本发明用整体分类精度(Overall accuracy,OA)、平均分类精度(Averageaccuracy,AA)以及Kappa统计系数(Kappa statistic,Kappa)来进行分析；如图3所示：
图3(a)所示，选取全部9个类别，每类随机选取3％样本组成训练集，其余97％作为测试集。其中，表2为各种分类方法对帕维亚大学数据集的分类精度统计，分类效果图如图3(l)所示。
表2
Figure GDA0002455862310000082
帕维亚大学数据集分类训练样本仅为3％，帕维亚大学数据集的OA为97.46％；可知BFRF-SVM对分布复杂的高光谱数据有较好的效果。
其中，在实施例2和实施例3中可得，印第安农林数据集的OA为96.01％，帕维亚大学数据集的OA为97.46％，实验所得的分类精度比SVM整体分类精度高出12-15个百分点，比PCA-SVM整体分类精度高出12-16个百分点，比SGB-SVM、SBL-SVM、SGD-SVM高出2-12个百分点，比EPF算法高出4-5个百分点，比IFRF算法高出1-3个百分点，比SMP-SVM算法高出2-6个百分点，充分验证了BFRF-SVM算法的有效性；算法对数据集的分类效果提升明显，有效去除了椒盐现象。
实施例4：选择不同的训练样本测试算法的分类精度实施例
为了验证监督数据对算法的影响，选择不同的训练样本测试算法的分类精度，如图4所示：
印第安林总体分类精度在训练样本4％的训练样本比例OA就超过了91％，10％的训练样本OA超过了97％；帕维亚大学总体分类精度OA在训练样本为0.5％时就超过了90％，在4.5％的训练样本OA超过了98％，验证了BFRF-SVM算法在低训练样本的情况下也能得到较优的分类精度，且有一定的稳定性。
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 (8)

1.Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：包括以下步骤：
S1.输入高光谱图像；
S2.将高光谱图像归一化，形成高光谱数据集R；
S3.对高光谱数据集R进行PCA降维：对于有l个波段的高光谱数据集R进行PCA降维，选择前面n维的数据组成新的数据集H：
H＝PCA(R)；
S4.基于步骤S3，用Beltrami流滤波对PCA降维后的数据集H根据公式(1)进行滤波，获取空间信息Rmp：
Figure FDA0002455862300000011
其中，
Figure FDA0002455862300000012
为图像Ri的第k次迭代，ht为时间步长，
Figure FDA0002455862300000013
和
Figure FDA0002455862300000014
分别为高光谱波段图像Ri在x与y方向的梯度，
Figure FDA0002455862300000015
Figure FDA0002455862300000016
S5.基于步骤S2，用域转换递归滤波对高光谱数据集R根据公式(2)进行域转换标准卷积滤波，获取空间信息Dts：
Figure FDA0002455862300000017
其中，d＝f(yn)-f(yn-1)，ad是反馈系数，d为两个相邻像元yn和yn-1在转换域Ωw中的距离；
S6.基于步骤S4和步骤S5，对获取的空间信息Rmp和空间信息Dts按照以下公式进行结合，获取结合后的空间信息W：
W＝Rmp+Dts； (3)
S7.基于步骤S6，将结合后的空间信息W进行分类，并输出分类结果。
2.根据权利要求1所述的Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：
步骤S4的具体步骤如下：
S41.根据步骤S3进行PCA降维后的数据集H；输入第i个成分I，获取度量矩阵，获取度量张量；
S42.采用Beltrami流滤波进行迭代计算；
S43.对步骤S42的迭代计算结果进行判断，若滤波结束，则进行步骤S44，否则，重复操作S41～S42；
S44.输出空间信息Rmp。
3.根据权利要求1所述的Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：
步骤S5的具体步骤如下：
S51.根据步骤S2的数据集R，输入一波段图像；
S52.根据图像估计图像水平和垂直方向的偏微分，进一步计算近邻距离，计算出水平和垂直的偏微分，并进一步的递归滤波；
S53.基于步骤S52，对递归滤波的结果进行迭代运算，
S54.判断一波段图像滤波是否结束，若是则进行S55，否则重复步骤S52；
S55.判断全波段滤波是否结束，若是则进行步骤S56，否则进行步骤S51；
S56.输出空间信息Dts。
4.根据权利要求1所述的Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：
所述的步骤S7的具体步骤如下：
S71.随机从空间信息数据集W以一定比例随机抽取训练集Ws，其余部分作为训练集Wt；
S72.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；
S73.用径向基函数支持的SVM对Ws进行训练，获取训练模型；
S74.获取模型后，用径向基函数支持的SVM对测试集Wt进行分类。
5.根据权利要求2所述的Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：
步骤S42的具体步骤如下：
S421.预设迭代次数n；
S422.采用Beltrami流滤波，计算Rx和Ry；
S423.根据S421的计算结果分别计算Rxx、Ryy和Rxy；
S424.基于步骤S422和步骤S423，计算第k次迭代值Rk；
R425.判断是否达到预设的迭代次数，若是则进行步骤S43，否则重复步骤S422。
6.根据权利要求3所述的Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：
步骤S53的具体步骤如下：
S531.预设迭代次数m；
S532.对递归滤波的结果进行运算，计算标准偏差和反馈系数a；
S533.基于步骤S532，将运算结果进行水平滤波，将水平滤波的结果进行垂直滤波，将垂直滤波的结果进行卷积滤波；
S534.判断是否达到预设的迭代次数，若是则进行步骤S54，否则重复步骤S532。
7.根据权利要求6所述的Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：
所述的水平滤波经过以下步骤进行处理：
a.计算反馈系数a；
b.将运算结果从左到右进行滤波；
c.将步骤b中结果从右到左进行滤波；
d.将滤波后的结果输出到下一级进行垂直滤波。
8.根据权利要求6所述的Beltrami流和递归滤波的高光谱图像分类方法，其特征在于：
所述的垂直滤波经过以下步骤进行处理：
(1)计算反馈系数a；
(2)将滤波结果从左到右进行滤波；
(3)将步骤(2)中结果从右到左进行滤波；
(4)将滤波后的结果输出到下一级进行卷积滤波。
CN201710578518.7A 2017-07-12 2017-07-12 Beltrami流和递归滤波的高光谱图像分类方法 Active CN107480593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710578518.7A CN107480593B (zh) 2017-07-12 2017-07-12 Beltrami流和递归滤波的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710578518.7A CN107480593B (zh) 2017-07-12 2017-07-12 Beltrami流和递归滤波的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN107480593A CN107480593A (zh) 2017-12-15
CN107480593B true CN107480593B (zh) 2020-07-03

Family

ID=60595822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710578518.7A Active CN107480593B (zh) 2017-07-12 2017-07-12 Beltrami流和递归滤波的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN107480593B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458057A (zh) * 2019-07-29 2019-11-15 天津大学 一种基于边缘保持的卷积神经网络高光谱图像分类方法
CN115063693B (zh) * 2022-07-08 2023-05-30 哈尔滨师范大学 一种基于混合表示的高光谱图像分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741264A (zh) * 2016-01-20 2016-07-06 江南大学 一种基于半局部纹理特征的二阶段图像分割方法
CN105894496A (zh) * 2016-03-18 2016-08-24 常州大学 一种基于半局部纹理特征的二阶段图像分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741264A (zh) * 2016-01-20 2016-07-06 江南大学 一种基于半局部纹理特征的二阶段图像分割方法
CN105894496A (zh) * 2016-03-18 2016-08-24 常州大学 一种基于半局部纹理特征的二阶段图像分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Beltrami流及其在图像去噪中的应用;王泽龙 等;《国防科学大学学报》;20121031;第34卷(第5期);第137-141页 *
Denoising Algorithm for Jacquard Image Using Beltrami Manifold Technique;Zhilin Feng et al;《Third International Symposium on Intelligent Information Technology Application》;20091231;第265-267页 *
Domain Transform for Edge-Aware Image and Video Processing;Eduardo S. L. Gasta et al;《ACM SIGGRAPH 2011》;20111231;第1-11页 *
两类空间信息融合的高光谱图像分类方法;廖建尚 等;《http://kns.cnki.net/kcms/detail/31.1690.tn.20170509.0843.022.html》;20170509;第1-15页 *
空间信息自适应融合的高光谱图像分类方法;廖建尚 等;《光子学报》;20170430;第46卷(第4期);第041001-1至041001-13页 *

Also Published As

Publication number Publication date
CN107480593A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
Quesada-Barriuso et al. Spectral–spatial classification of hyperspectral images using wavelets and extended morphological profiles
CN107480649B (zh) 一种基于全卷积神经网络的指纹汗孔提取方法
Zhang et al. Removal of impulse noise in color images based on convolutional neural network
CN109191387B (zh) 一种基于巴特沃斯滤波器的红外图像去噪方法
Song et al. Hyperspectral image classification based on KNN sparse representation
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN111612741B (zh) 一种基于失真识别的精确无参考图像质量评价方法
CN106845516B (zh) 一种基于多样本联合表示的足迹图像识别方法
CN110427997B (zh) 面向复杂遥感影像背景的改进cva变化检测方法
Ahmed et al. Comparative analysis of a deep convolutional neural network for source camera identification
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
CN105891230B (zh) 基于光谱图像分析的水果外表检测方法
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN107480593B (zh) Beltrami流和递归滤波的高光谱图像分类方法
Satya et al. Stripe noise removal from remote sensing images
CN108960276B (zh) 提升光谱图像监督分类性能的样本扩充与一致性判别方法
Ma et al. Multiscale 2-D singular spectrum analysis and principal component analysis for spatial–spectral noise-robust feature extraction and classification of hyperspectral images
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
CN112633202A (zh) 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法
CN115272861A (zh) 一种基于光谱相关性的子空间稀疏表征高光谱目标检测方法
CN107808170A (zh) 高光谱遥感图像加性乘性混合噪声参数估计方法
Li et al. Adaptive material matching for hyperspectral imagery destriping
Xu et al. A multiple image-based noise level estimation algorithm
CN113421198A (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
Zhang et al. Structure-guided unidirectional variation de-striping in the infrared bands of MODIS and hyperspectral images

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