CN107798345B - 基于块对角与低秩表示的高光谱伪装目标检测方法 - Google Patents

基于块对角与低秩表示的高光谱伪装目标检测方法 Download PDF

Info

Publication number
CN107798345B
CN107798345B CN201710981243.1A CN201710981243A CN107798345B CN 107798345 B CN107798345 B CN 107798345B CN 201710981243 A CN201710981243 A CN 201710981243A CN 107798345 B CN107798345 B CN 107798345B
Authority
CN
China
Prior art keywords
target
background
low
image
rank
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
CN201710981243.1A
Other languages
English (en)
Other versions
CN107798345A (zh
Inventor
张秀伟
李飞
张艳宁
张磊
陈妍佳
蒋冬梅
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201710981243.1A priority Critical patent/CN107798345B/zh
Publication of CN107798345A publication Critical patent/CN107798345A/zh
Application granted granted Critical
Publication of CN107798345B publication Critical patent/CN107798345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于块对角与低秩表示的高光谱伪装目标检测方法，用于解决现有高光谱伪装目标检测方法目标检测效率低的技术问题。技术方案是首先利用k‑means聚类算法将背景划分为不同的类别；其次根据聚类结果将原始数据进行排序；然后利用PCA字典学习算法得到每一类的字典，进而获得全局的背景字典；再依据低秩和稀疏表示理论建立块对角低秩检测模型；模型求解后将原始数据分为背景部分和包含伪装目标的稀疏部分；最后在稀疏部分中提取出伪装目标。由于在低秩和稀疏表示理论的框架下，利用聚类算法对背景进行精细化描述，使得对背景的描述更加准确，提高了伪装目标检测效率。

Description

基于块对角与低秩表示的高光谱伪装目标检测方法
技术领域
本发明涉及一种高光谱伪装目标检测方法，特别是涉及一种基于块对角与低秩表示的高光谱伪装目标检测方法。
背景技术
随着伪装技术在现代战争中的广泛应用，伪装目标检测及其技术发展成为研究热点。尽管现代伪装手段出现了反雷达、反红外、反可见光等伪装手段，但是由于高光谱图像能够有效反映不同物质在可见光、红外甚至更宽的光谱范围内的反射率特性，这些伪装手段不能在全波段为范围进行伪装，因此利用高光谱图像进行伪装目标检测受到了越来越多的关注，而且在实际应用中具有较强的实用性。
利用高光谱遥感图像对伪装目标检测时，最理想的方式是直接利用伪装目标的先验光谱信息在图像中寻找与该光谱相同或相近的像元最终确定目标位置。但是在实际应用中，伪装目标的光谱信息很难获得，而且光谱极易受大气、光照等影响，出现“同物异谱、同谱异物”的现象，即使得到先验信息也很难保证在检测过程中与真实目标相匹配。因此，采用无监督的高光谱目标检测方法成为一种有效的伪装目标检测途径。该方法不需要提供待测伪装目标先验光谱信息的前提下，仅利用图像像元之间的光谱差异性进行目标检测的高光谱目标检测技术，在实际应用中具有较强的实用性。
传统的高光谱无监督目标检测算法一般假设图像背景服从高斯分布。在这种假设下可以利用全局或局部的统计特性来检测伪装目标。然而，在实际应用中由于受到空间分辨率限制，图像背景具有较高的复杂性，仅通过假设背景服从高斯分布来进行伪装目标检测，不能取得很好的检测效果。
近年来，基于低秩和稀疏表示的高光谱无监督目标检测算法受到越来越多的关注。该类算法假设图像中的背景服从低秩特性，从而将原图像分解为低秩和稀疏两部分，其中目标被包含到稀疏部分，最后在稀疏部分提取目标，完成检测任务。在实际应用中具有很好的灵活性和可扩展性。文献“Xu Y,Wu Z,Li J,et al.Anomaly Detection inHyperspectral Images Based on Low-Rank and Sparse Representation[J].IEEETransactions on Geoscience&Remote Sensing,2016,54(4):1990-2000.”公开了一种基于低秩和稀疏表示的高光谱无监督目标检测方法。该方法假设图像像元可以被背景字典的原子线性表示，而表示系数矩阵具有低秩特性，从而建立低秩稀疏表示模型。通过模型求解，将原始图像分解为背景部分和稀疏部分。最后在稀疏部分中提取出感兴趣目标。文献所述方法在检测伪装目标时，存在表示背景时未考虑背景的细节，比如背景包含的种类信息、背景结构信息等，造成背景表示不准确的问题，导致伪装目标检测效率不高。
发明内容
为了克服现有高光谱伪装目标检测方法目标检测效率低的不足，本发明提供一种基于块对角与低秩表示的高光谱伪装目标检测方法。该方法首先利用k-means聚类算法将背景划分为不同的类别；其次根据聚类结果将原始数据进行排序；然后利用PCA字典学习算法得到每一类的字典，进而获得全局的背景字典；再依据低秩和稀疏表示理论建立块对角低秩检测模型；模型求解后将原始数据分为背景部分和包含伪装目标的稀疏部分；最后在稀疏部分中提取出伪装目标。由于在低秩和稀疏表示理论的框架下，利用聚类算法对背景进行精细化描述，使得对背景的描述更加准确，提高了伪装目标检测效率。
本发明解决其技术问题所采用的技术方案是：一种基于块对角与低秩表示的高光谱伪装目标检测方法，其特点是包括以下步骤：
步骤一、采用k-means++算法对输入的高光谱数据进行聚类。假设输入图像X被聚为m个类，
Figure BDA0001439497760000021
表示第m个聚类包含的像元集合，nb代表图像波段数量，nm代表第m个聚类有n个像元。
步骤二、通过步骤一对输入图像聚类后，图像中像元被标记为数字1,2,…,m中的一个，然后按照从小到大的数字顺序将图像从新排序，得到新的排序后数据
Figure BDA0001439497760000022
nb代表图像波段数量，N＝n1+…+nm表示图像像元总个数，
Figure BDA0001439497760000023
表示第i类的第j个像元。
步骤三、根据主成分分析学习算法，对步骤一得到的每一类像元矩阵Xm转置后求其协方差矩阵，定义为CovXm，大小为nb×nb。然后求协方差矩阵CovXm的特征值V和特征向量P，将特征值按照从大到小排列后，相应的特征向量也依次排列，得到的新的特征向量矩阵即为该类学习到的背景字典Dm。最终得到整体的背景字典D＝[D1,…,Dm]。
步骤四、在低秩表示理论指导下建立如下的基于块对角结构的低秩稀疏表示模型：
Xnew＝DZ+F (1)
其中，Xnew是步骤二得到的二维高光谱数据，DZ代表了图像的背景部分，D是根据每一类背景学习到的字典所组合的字典，Z是块对角稀疏，F是分解后剩余包含伪装目标部分。
步骤五、在完成上述字典构造、模型构造和模型求解后，得到了包含伪装目标的矩阵部分F。最后，像元是背景或目标将通过如下检测器判定：
Figure BDA0001439497760000031
式中，||[F]:,i||2表示F中第i列的l2范数，δ是分割阈值。如果d(xi)>δ，则判定xi为目标，否则为背景，完成伪装目标检测。
本发明的有益效果是：该方法首先利用k-means聚类算法将背景划分为不同的类别；其次根据聚类结果将原始数据进行排序；然后利用PCA字典学习算法得到每一类的字典，进而获得全局的背景字典；再依据低秩和稀疏表示理论建立块对角低秩检测模型；模型求解后将原始数据分为背景部分和包含伪装目标的稀疏部分；最后在稀疏部分中提取出伪装目标。由于在低秩和稀疏表示理论的框架下，利用聚类算法对背景进行精细化描述，使得对背景的描述更加准确，提高了伪装目标检测效率。
在包含人工遮障、迷彩伪装目标的高光谱图像数据集上的试验结果表明，本发明获得的检测结果相对于背景技术在恒虚警率的前提下检测率提高了9％～13％。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于块对角与低秩表示的高光谱伪装目标检测方法具体步骤如下：
假设输入的高光谱图像是一个三维数据立方体，包含nb个波段，每个波段是一幅nrow行和ncol列大小的图像。为了计算方便，将每个波段拉伸成为一个行向量，所有行向量组成一个二维矩阵X，
Figure BDA0001439497760000032
其中，X的每一列表示每一个像素对应的光谱，该方向为光谱维；X的每一行对应一个波段的所有像素值(即np＝nrow×ncol),该方向为空间维。
1、利用k-means算法对图像进行聚类。
针对输入高光谱图像X，设置聚类个数k的值(根据不同图像数值不同，k值范围为30～50)，然后进行以下具体步骤：
①随机选择一个像元作为第一个聚类中心；
②对于图像中的每一个像元x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)；
③选择一个新的像元作为新的聚类中心，选择原则是D(x)较大的点，被选取作为下一个聚类中心；
④重复步骤②和③直到k个聚类中心被选出来；
⑤遍历每个像元计算它与k个聚类中心的距离，该像元与哪个聚类中心最近就将它划分到该类，这样将所有图像像元聚集为k类；
⑥分别计算由⑤得到的k个聚类的质心，得到k个新的聚类中心；
⑦重复步骤⑤和⑥，直到质心不再变化，得到将原图像X聚为k个类的结果。
假设输入图像X被聚为m个类
Figure BDA0001439497760000041
表示第m个聚类包含的像元集合，nb代表图像波段数量，nm代表第m个聚类有n个像元。
2、根据聚类结果将原图像重新排序。
通过步骤一对输入图像聚类后，图像中像元被标记为数字1,2,…,m中的某一个数(每个数字代表一类)，然后按照从小到大的数字顺序将图像从新排序，得到排序数据
Figure BDA0001439497760000042
nb代表图像波段数量，N＝n1+…+nm表示图像像元总个数，
Figure BDA0001439497760000043
表示第i类的第j个像元。
3、构造全局背景字典。
根据主成分分析学习算法，对每一类像元矩阵Xm转置后求其协方差矩阵，定义为CovXm，大小为nb×nb。然后求协方差矩阵CovXm的特征值V和特征向量P，将特征值按照从大到小排列后，相应的特征向量也依次排列，得到的新的特征向量矩阵即为该类学习到的背景字典Dm。最终得到全局背景字典D＝[D1,…,Dm]。
4、建立基于块对角结构的低秩稀疏表示模型。
在低秩表示理论指导下建立如下的基于块对角结构的低秩稀疏表示模型：
Xnew＝DZ+F (3)
其中Xnew是重新排序后的二维高光谱数据，DZ代表了图像的背景部分，D是根据每一类背景学习到的全局背景字典，Z是块对角稀疏，F是分解后剩余包含伪装目标部分。由于背景满足低秩特性，伪装目标满足稀疏特性，因此式(2)转为如下形式：
Figure BDA0001439497760000051
式中，||·||*为核范数，即矩阵的奇异值之和；λ是平衡背景低秩和目标稀疏的非负参数，||·||2，1为l2,1范数。
5、模型求解。
给定输入高光谱数据和背景字典，求解式(4)中的Z和F是一个凸优化问题，本方法采用增广拉格朗日乘子(Augmented Lagrange Multiplier,ALM)算法。首先，把式(4)转化为如下等价问题：
Figure BDA0001439497760000052
式(5)通过非精确拉格朗日乘子(Inexact ALM)来求解，即
Figure BDA0001439497760000053
式中，Y1和Y2是拉格朗日乘子，μ>0是惩罚因子，tr(·)表示矩阵对角线上元素之和。具体步骤如下：
①初始化，Z0,J0,F0,Y1,Y2均初始化为对应长度的全0向量，μ＝10-6,μmax＝106,ρ＝1.1,ε＝10-8，计数变量t＝0；
②固定其他变量，更新J:
Figure BDA0001439497760000054
③固定其他变量，更新Z：
Z＝(I+DTD)-1(DT(X-F)+J+(DTY1-Y2)/μ) (8)
④固定其他变量，更新F:
Figure BDA0001439497760000055
⑤更新拉格朗日乘子：
Y1＝Y1+μ(X-DZ-F) (10)
Y2＝Y2+μ(Z-J) (11)
⑥更新惩罚参数μ：
μ＝min(ρμ,μmax) (12)
⑦检查收敛条件：
||X-DZ-F||∞<ε (13)
||Z-J||∞<ε (14)
这两个条件都满足时退出循环；否则t+1，循环执行②至⑦。
⑧输出Z,F。
6、提取伪装目标。
在完成上述字典构造、模型构造和模型求解后，得到了包含伪装目标的矩阵部分F。最后，像元是背景或目标将通过如下检测器判定：
Figure BDA0001439497760000061
式中，||[F]:,i||2表示F中第i列的l2范数，δ是分割阈值。如果d(xi)>δ，则判定xi为目标，否则为背景。δ的取值范围为0.1～0.3。最终得到只有0和1的二值结果图，完成伪装目标检测，结束。

Claims (1)

1.一种基于块对角与低秩表示的高光谱伪装目标检测方法，其特征在于包括以下步骤：
步骤一、采用k-means++算法对输入的高光谱数据进行聚类；设定输入图像X被聚为M个类，
Figure FDA0002643869570000011
表示第m个聚类包含的像元集合，m＝1,…,M，nb代表图像波段数量，nm代表第m个聚类有n个像元；
步骤二、通过步骤一对输入图像聚类后，图像中像元被标记为数字1,2,…,M中的一个，然后按照从小到大的数字顺序将图像从新排序，得到新的排序后数据
Figure FDA0002643869570000012
nb代表图像波段数量，N＝n1+…+nM表示图像像元总个数，
Figure FDA0002643869570000013
表示第i类的第j个像元；
步骤三、根据主成分分析学习算法，对步骤一得到的每一类像元矩阵Xm转置后求其协方差矩阵，定义为CovXm，大小为nb×nb；然后求协方差矩阵CovXm的特征值V和特征向量P，将特征值按照从大到小排列后，相应的特征向量也依次排列，得到的新的特征向量矩阵即为该类学习到的背景字典Dm；最终得到整体的背景字典D＝[D1,…,DM]；
步骤四、在低秩表示理论指导下建立如下的基于块对角结构的低秩稀疏表示模型：
Xnew＝DZ+F (1)
其中，Xnew是步骤二得到的二维高光谱数据，DZ代表了图像的背景部分，D是根据每一类背景学习到的字典所组合的字典，Z是块对角稀疏；F是图像被模型分解后，包含伪装目标的部分；
步骤五、在完成上述字典构造、模型构造和模型求解后，得到了包含伪装目标的矩阵部分F；最后，像元是背景或目标将通过如下检测器判定：
Figure FDA0002643869570000014
式中，||[F]:,p||2表示F中第p列的l2范数；如果d(xp)>δ，则判定xp为目标，否则为背景，完成伪装目标检测，δ是分割阈值。
CN201710981243.1A 2017-10-20 2017-10-20 基于块对角与低秩表示的高光谱伪装目标检测方法 Active CN107798345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710981243.1A CN107798345B (zh) 2017-10-20 2017-10-20 基于块对角与低秩表示的高光谱伪装目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710981243.1A CN107798345B (zh) 2017-10-20 2017-10-20 基于块对角与低秩表示的高光谱伪装目标检测方法

Publications (2)

Publication Number Publication Date
CN107798345A CN107798345A (zh) 2018-03-13
CN107798345B true CN107798345B (zh) 2020-11-20

Family

ID=61532574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710981243.1A Active CN107798345B (zh) 2017-10-20 2017-10-20 基于块对角与低秩表示的高光谱伪装目标检测方法

Country Status (1)

Country Link
CN (1) CN107798345B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765313B (zh) * 2018-05-02 2021-09-07 西北工业大学 基于类内低秩结构表示的高光谱图像去噪方法
CN109858317A (zh) * 2018-11-08 2019-06-07 北京市遥感信息研究所 一种基于低秩稀疏表达的高光谱图像可疑目标探测方法
CN110426745B (zh) * 2019-01-30 2021-01-05 西安电子科技大学 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法
CN110363186A (zh) * 2019-08-20 2019-10-22 四川九洲电器集团有限责任公司 一种异常检测方法、装置及计算机存储介质、电子设备
CN111368712A (zh) * 2020-03-02 2020-07-03 四川九洲电器集团有限责任公司 一种基于深度学习的高光谱图像伪装目标检测方法
CN112700437B (zh) * 2021-01-14 2022-04-29 武汉大学 基于分块和低秩先验的发射率域热红外高光谱异常探测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632134A (zh) * 2013-10-17 2014-03-12 浙江师范大学 基于Fisher低秩矩阵恢复的人脸识别方法
CN103996024A (zh) * 2014-05-13 2014-08-20 南京信息工程大学 基于字典重建的贝叶斯估计稀疏表示人脸识别方法
CN104318243A (zh) * 2014-10-14 2015-01-28 西安电子科技大学 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法
CN106204483A (zh) * 2016-07-08 2016-12-07 桂林电子科技大学 基于非局部自适应字典的乘性噪声去除方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160370625A1 (en) * 2009-03-10 2016-12-22 Drexel University Holographic polymer dispersed liquid crystals
US8761525B2 (en) * 2009-11-20 2014-06-24 Tripurari Singh Method and system for compressive color image sampling and reconstruction
CN103020955A (zh) * 2012-11-16 2013-04-03 哈尔滨工程大学 邻域空间窗口的高光谱图像稀疏表示目标检测方法
CN105427300B (zh) * 2015-12-21 2018-08-07 复旦大学 一种基于低秩表示和学习字典的高光谱图像异常探测方法
CN105825200B (zh) * 2016-03-31 2019-01-15 西北工业大学 基于字典学习和结构稀疏表示的高光谱异常目标检测方法
CN106709881B (zh) * 2016-12-14 2019-08-13 上海增容数据科技有限公司 一种基于非凸低秩矩阵分解的高光谱图像去噪方法
CN106919952A (zh) * 2017-02-23 2017-07-04 西北工业大学 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632134A (zh) * 2013-10-17 2014-03-12 浙江师范大学 基于Fisher低秩矩阵恢复的人脸识别方法
CN103996024A (zh) * 2014-05-13 2014-08-20 南京信息工程大学 基于字典重建的贝叶斯估计稀疏表示人脸识别方法
CN104318243A (zh) * 2014-10-14 2015-01-28 西安电子科技大学 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法
CN106204483A (zh) * 2016-07-08 2016-12-07 桂林电子科技大学 基于非局部自适应字典的乘性噪声去除方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Low-rank plus diagonal adaptation for deep neural networks;Yong Zhao.et.;《2016 IEEE International Conference on Acoustics,Speech and Signal Processing》;20161231;第5005-5009页 *

Also Published As

Publication number Publication date
CN107798345A (zh) 2018-03-13

Similar Documents

Publication Publication Date Title
CN107798345B (zh) 基于块对角与低秩表示的高光谱伪装目标检测方法
Amrani et al. Deep feature extraction and combination for synthetic aperture radar target classification
Al Bashish et al. A framework for detection and classification of plant leaf and stem diseases
Chen et al. Hyperspectral image classification using dictionary-based sparse representation
CN106096506B (zh) 基于子类类间判别双字典的sar目标识别方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
Cheng et al. Total variation and sparsity regularized decomposition model with union dictionary for hyperspectral anomaly detection
CN110751087B (zh) 一种基于eof的无人机信号识别系统和方法
CN109359525B (zh) 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
Ma et al. Hyperspectral anomaly detection based on low-rank representation with data-driven projection and dictionary construction
CN110490894B (zh) 基于改进的低秩稀疏分解的视频前背景分离方法
CN108446613A (zh) 一种基于距离中心化与投影向量学习的行人重识别方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
Ke et al. Block-wise motion detection using compressive imaging system
Liu et al. Region-based relaxed multiple kernel collaborative representation for hyperspectral image classification
Seydi et al. New framework for hyperspectral change detection based on multi-level spectral unmixing
Geng et al. A small target detection method for the hyperspectral image based on higher order singular value decomposition (HOSVD)
Bai et al. Hyperspectral image classification based on superpixel feature subdivision and adaptive graph structure
Tang et al. Target classification of ISAR images based on feature space optimisation of local non-negative matrix factorisation
Yang et al. Combined nonlocal spatial information and spatial group sparsity in NMF for hyperspectral unmixing
Olson et al. A novel detection paradigm and its comparison to statistical and kernel-based anomaly detection algorithms for hyperspectral imagery
Li et al. Using improved ICA method for hyperspectral data classification
CN108229426A (zh) 一种基于差分描述子的遥感图像变化向量变化检测法
CN111460943A (zh) 一种遥感影像地物分类方法及系统

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
GR01 Patent grant
GR01 Patent grant