CN107832793A - 一种高光谱图像的分类方法及系统 - Google Patents
一种高光谱图像的分类方法及系统 Download PDFInfo
- Publication number
- CN107832793A CN107832793A CN201711090175.6A CN201711090175A CN107832793A CN 107832793 A CN107832793 A CN 107832793A CN 201711090175 A CN201711090175 A CN 201711090175A CN 107832793 A CN107832793 A CN 107832793A
- Authority
- CN
- China
- Prior art keywords
- msub
- sorted
- word
- test set
- local feature
- 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
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于图像分类,提供了高光谱图像的分类方法,包括:将高光谱图像分为训练集和测试集,并提取局部特征点,通过K‑means算法对训练集的局部特征点进行计算形成词典,采用KNN算法在词典中为测试集的待分类局部特征点形成最近邻单词,并为测试集图像的待分类特征点查找最近邻特征点,在最近邻单词中查找出光谱维距离最短的近邻单词,引入近邻特征点、近邻单词和光谱维距离三重约束,通过求解约束最小乘拟合问题,得到编码系数,通过最大池化算法池化编码系数,并将得到的编码系数作为高光谱图像的特征描述符对测试集进行分类。本发明解决了高光谱图像特征点和词典单词建立映射关系时存在的不确定性的问题,提高了相似图像的识别力。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种高光谱图像的分类方法及系统。
背景技术
高光谱图像相比于灰度图、RGB彩色图,包含了空间和光谱的信息,数据量大,在检测伪装和隐蔽的军事目标,以及在民用搜救探测目标等方面都有重要的应用。随着高光谱技术的发展,目前的高光谱图像呈现出高空间分辨率的特点,地物目标在高光谱图像上具有丰富的纹理和结构信息,其包含的光谱信息也非常复杂和丰富。
高光谱图像作为遥感领域的一项重大突破,利用很多很窄的电磁波波段从感兴趣的物体获得有用信息,在保留较高空间分辨率同时,其光谱分辨率有极大的提高,达到了纳米的数量级,可以用来探测和识别传统全色和多光谱遥感中不可探测的地物类别。与传统的多光谱遥感图像相比,高光谱遥感图像有着信息量大、光谱分辨率高等特点,这使得在描述与区分地物类别方面的能力有了大幅提高,它使原本在多光谱遥感中无法有效探测的地物得以探测。但是由于高光谱图像具有较高的数据维数,常规的图像分类方法在处理高光谱图像时有较大的限制,如何从大量的高光谱数据中快速而准确地挖掘出所需要的信息,实现高精度的分类,仍是一个亟待解决的问题。
传统的高光谱图像分类主要采用像素级分类方法。传统的遥感监测手段主要由中低分辨率组成。在高光谱图像中,图像上物体的尺寸与像素一样大小。像素级分类方法适合此种高光谱图像分类。然而,随着高光谱传感器技术的发展,高光谱图像中空间和光谱的分辨率都有很大的提高。此时传统的像素级分类方法已经不能很好的适应高光谱分类。
词袋模型由于其对高光谱图像的简化表示和图像特征与视觉单词的有效编码而被广泛应用。一般来说,词袋模型分类方法如图1所示,主要分以下几个步骤:①从图像中抽取特征点,并进行描述(如SIFT特征,Scale-invariant feature transform,尺度不变特征变换特性);②采取K‐means等方法把生成的特征点训练成视觉词典;③通过图像特征编码方法,把待分类的图像特征映射到视觉词典中的视觉单词;④通过池化算法构成图像描述符;⑤通过支持向量机等分类算法,把图像描述符进行图像分类。高光谱特征编码是将待分类图像特征点量化到视觉单词的过程,编码误差是影响图像分类正确率的主要因素。
传统高光谱遥感图像分辨率低,不仅光学影像分辨率低,光谱分辨率也低。大多数光学影像分辨率低的是基于像素级的光谱曲线去分析数据,大多情况需要像元解混,而光谱分辨率低则获得的信息量少,容易产生“异物同谱”和“同谱异物”的现象,同时高光谱图像特征点和高光谱单词建立映射关系时存在的不确定性,相似图像的识别力较差。大尺度高分辨率的高光谱是一个高维的精细的大数据特征空间。随着遥感技术和光谱仪成像系统的发展,对目标探测也提出了新的要求。
发明内容
本发明所要解决的技术问题在于提供一种高光谱图像的分类方法及系统,旨在解决现有技术中高光谱图像特征点和高光谱单词建立映射关系时存在的不确定性,相似图像识别力差的问题。
本发明是这样实现的,一种高光谱图像的分类方法,包括:
将高光谱图像分为训练集和测试集,分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点,根据所述训练集的局部特征点和所述测试集的待分类局部特征点构成训练集特征点集和测试集待分类特征点集;
通过K-means算法对所述训练集的局部特征点进行计算,形成词典;
采用KNN算法,在所述词典中为所述测试集的待分类局部特征点形成最近邻单词;
采用KNN算法,为所述测试集的待分类特征点查找最近邻特征点;
在所述最近邻单词中查找出光谱维距离最短的近邻单词;
引入近邻特征点、近邻单词和光谱维距离三重约束,通过求解约束最小乘拟合问题,得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数;
通过最大池化算法池化所述编码系数,并将池化后得到的编码系数作为所述高光谱图像的特征描述符,根据所述特征描述符对所述高光谱图像的测试集进行分类。
进一步地,以Y表示所述测试集的一组待分类局部特征点集,以B表示所述词典,以yi表示Y中的第i个待分类局部特征点,以μi表示yi的对应波段信息,以Z表示所述编码系数,则:
其中,di是待分类局部特征点yi和词典单词的欧式距离,dij是待分类局部特征点和近邻特征点之间的欧式距离,hi是yi和词典单词之间光谱维上的欧式距离,λ1、λ2和λ3为惩罚因子。
进一步地,所述通过求解约束最小乘拟合问题包括:
通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。
本发明还提供了一种高光谱图像的分类系统,包括:
特征点抽取单元,用于将高光谱图像分为训练集和测试集,分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点,根据所述训练集的局部特征点和所述测试集的待分类局部特征点构成训练集特征点集和测试集待分类特征点集;
特征点计算单元,用于通过K-means算法对所述训练集的局部特征点进行计算,形成词典,采用KNN算法,在所述词典中为所述测试集的待分类局部特征点形成最近邻单词,采用KNN算法,为所述测试集的待分类特征点查找最近邻特征点,在所述最近邻单词中查找出光谱维距离最短的近邻单词;
图像分类单元,用于引入近邻特征点、近邻单词和光谱维距离三重约束,通过求解约束最小乘拟合问题,得到得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数,通过最大池化算法池化所述编码系数,并将池化后得到的编码系数作为所述高光谱图像的特征描述符,根据所述特征描述符对所述高光谱图像的测试集进行分类。
进一步地,以Y表示所述测试集的一组待分类局部特征点集,以B表示所述词典,以yi表示Y中的第i个待分类局部特征点,以μi表示yi的对应波段信息,以Z表示所述编码系数,则:
其中,di是待分类局部特征点yi和词典单词的欧式距离,dij是待分类局部特征点和近邻特征点之间的欧式距离,hi是yi和词典单词之间光谱维上的欧式距离,λ1、λ2和λ3为惩罚因子。
进一步地,所述图像分类单元求解约束最小乘拟合问题的步骤包括:
通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。
本发明与现有技术相比,有益效果在于:在高光谱单词对高光谱特征点局部约束的基础上,引入高光谱图像波段信息和近邻特征点的局部相关信息的局部约束性作为图像特征点分类的判别项,解决高光谱图像特征点和词典单词建立映射关系时存在的不确定性,提高相似图像的识别力。
附图说明
图1是现有技术提供的词袋模型分类方法的流程图;
图2是本发明实施例提供的一种高光谱图像的分类方法的流程图;
图3是本发明实施例提供的一种高光谱图像的分类系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图2示出了本发明实施例提供的一种高光谱图像的分类方法,包括:
S201,将高光谱图像分为训练集和测试集,分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点,根据所述训练集的局部特征点和所述测试集的待分类局部特征点构成训练集特征点集和测试集待分类特征点集;
S202,通过K-means算法对所述训练集的局部特征点进行计算,形成词典;
S203,采用KNN算法,在所述词典中为所述测试集的待分类局部特征点形成最近邻单词;
S204,采用KNN算法,为所述测试集的待分类特征点查找最近邻特征点;
S205,在所述最近邻单词中查找出光谱维距离最短的近邻单词;
S206,引入近邻特征点、近邻单词和光谱维距离三重约束,通过求解约束最小乘拟合问题,得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数。在本步骤中,通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。
S207,通过最大池化算法池化所述编码系数,并将池化后得到的编码系数作为所述高光谱图像的特征描述符,根据所述特征描述符对所述高光谱图像的测试集进行分类。
本发明实施例提供的分类方法提出了三重三维局部性约束线性编码算法,该算法在高光谱单词对高光谱特征点局部约束的基础上,引入高光谱图像波段信息和近邻特征点的局部相关信息的局部约束性作为图像特征点分类的判别项,解决了高光谱图像特征点和高光谱单词建立映射关系时存在的不确定性,提高相似图像的识别力。具体的三重约束是指高光谱单词、近邻特征点和高光谱图像波段信息对高光谱特征点的局部约束。三维是指在高光谱二维空间基础上引入光谱维。三重三维局部性约束线性编码算法模型如下:
假设Y=[y1,y2,…,yN]∈RD×N表示高光谱图像的测试集的一组特征点集,B=[b1,b2,…,bM]∈RD×M表示词典,yi表示Y中的第i个待分类局部特征点,μi表示表示yi的对应波段信息,其中[μ1,μ2,…,μi]∈RD×N,特征点yi和词典B的编码系数Z=[z1,z2,…,zM]∈RD×M是由三重三维局部性约束线性编码算法得到,其计算公式如下:
其中di是特征点yi和词典单词的欧式距离,特征点dij是待分类特征点和近邻特征点之间的欧式距离,hi是特征点yi和词典单词之间光谱维上的欧式距离。
λ1、λ1和λ3为惩罚因子,λ1、λ1和λ3根据高光谱图像的数据集大小及图像特征相似度进行设置。约束条件1Tzi=1同样满足LLC(Locality-constrained Linear Coding,局部约束线性编码)编码系数的平移不变性的要求。上式中的第1项为信号保真度,保证分类信号能量不损失;第2项是系数zi受特征点的近邻单词的欧式距离约束,保证特征点映射到最近邻的单词;第3项是利用系数zi受近邻特征点的约束,用于消除由光线变化、拍摄视角等外界因素引起的高光谱图像分类中的模糊性和不确定性;第4项是利用系数zi受特征点的近邻单词的波段约束,保证特征点映射到波段最接近的单词。
图3示出了本发明实施例提供的一种高光谱图像的分类系统,包括:
特征点抽取单元301,用于将高光谱图像分为训练集和测试集,分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点,根据所述训练集的局部特征点和所述测试集的待分类局部特征点构成训练集特征点集和测试集待分类特征点集;
特征点计算单元302,用于通过K-means算法对所述训练集的局部特征点进行计算,形成词典,采用KNN算法,在所述词典中为所述测试集的待分类局部特征点形成最近邻单词,采用KNN算法,为所述测试集的待分类特征点查找最近邻特征点,在所述最近邻单词中查找出光谱维距离最短的近邻单词;
图像分类单元303,用于引入近邻特征点、近邻单词和光谱维距离三重约束,通过求解约束最小乘拟合问题,得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数,通过最大池化算法池化所述编码系数,并将池化后得到的编码系数作为所述高光谱图像的特征描述符,根据所述特征描述符对所述高光谱图像的测试集进行分类。
进一步地,以Y表示所述测试集的一组待分类局部特征点集,以B表示所述词典,以yi表示Y中的第i个待分类局部特征点,以μi表示yi的对应波段信息,以Z表示所述编码系数,则:
其中,di是待分类局部特征点yi和词典单词的欧式距离,dij是待分类局部特征点和近邻特征点之间的欧式距离,hi是yi和词典单词之间光谱维上的欧式距离,λ1、λ2和λ3为惩罚因子。
进一步地,图像分类单元303求解约束最小乘拟合问题的步骤包括:
通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种高光谱图像的分类方法,其特征在于,包括:
将高光谱图像分为训练集和测试集,分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点,根据所述训练集的局部特征点和所述测试集的待分类局部特征点构成训练集特征点集和测试集待分类特征点集;
通过K-means算法对所述训练集的局部特征点进行计算,形成词典;
采用KNN算法,在所述词典中为所述测试集的待分类局部特征点形成最近邻单词;
采用KNN算法,为所述测试集的待分类特征点查找最近邻特征点;
在所述最近邻单词中查找出光谱维距离最短的近邻单词;
引入近邻特征点、近邻单词和光谱维距离三重约束,通过求解约束最小乘拟合问题,得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数;
通过最大池化算法池化所述编码系数,并将池化后得到的编码系数作为所述高光谱图像的特征描述符,根据所述特征描述符对所述高光谱图像的测试集进行分类。
2.如权利要求1所述的分类方法,其特征在于,以Y表示所述测试集的一组待分类局部特征点集,以B表示所述词典,以yi表示Y中的第i个待分类局部特征点,以μi表示yi的对应波段信息,以Z表示所述编码系数,则:
<mrow>
<munder>
<mrow>
<mi>arg</mi>
<mi>min</mi>
</mrow>
<mi>Z</mi>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Bz</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mn>0</mn>
<mo><</mo>
<mi>i</mi>
<mo><</mo>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
</mrow>
</munder>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
其中,di是待分类局部特征点yi和词典单词的欧式距离,dij是待分类局部特征点和近邻特征点之间的欧式距离,hi是yi和词典单词之间光谱维上的欧式距离,λ1、λ2和λ3为惩罚因子。
3.如权利要求2所述的分类方法,其特征在于,所述通过求解约束最小乘拟合问题包括:
通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。
4.一种高光谱图像的分类系统,其特征在于,包括:
特征点抽取单元,用于将高光谱图像分为训练集和测试集,分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点,根据所述训练集的局部特征点和所述测试集的待分类局部特征点构成训练集特征点集和测试集待分类特征点集;
特征点计算单元,用于通过K-means算法对所述训练集的局部特征点进行计算,形成词典,采用KNN算法,在所述词典中为所述测试集的待分类局部特征点形成最近邻单词,采用KNN算法,为所述测试集的待分类特征点查找最近邻特征点,在所述最近邻单词中查找出光谱维距离最短的近邻单词;
图像分类单元,用于引入近邻特征点、近邻单词和光谱维距离三重约束,通过求解约束最小乘拟合问题,得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数,通过最大池化算法池化所述编码系数,并将池化后得到的编码系数作为所述高光谱图像的特征描述符,根据所述特征描述符对所述高光谱图像的测试集进行分类。
5.如权利要求4所述的分类系统,其特征在于,以Y表示所述测试集的一组待分类局部特征点集,以B表示所述词典,以yi表示Y中的第i个待分类局部特征点,以μi表示yi的对应波段信息,以Z表示所述编码系数,则:
<mrow>
<munder>
<mrow>
<mi>arg</mi>
<mi>min</mi>
</mrow>
<mi>Z</mi>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Bz</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mn>0</mn>
<mo><</mo>
<mi>i</mi>
<mo><</mo>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
</mrow>
</munder>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
其中,di是待分类局部特征点yi和词典单词的欧式距离,dij是待分类局部特征点和近邻特征点之间的欧式距离,hi是yi和词典单词之间光谱维上的欧式距离,λ1、λ2和λ3为惩罚因子。
6.如权利要求5所述的分类系统,其特征在于,所述图像分类单元求解约束最小乘拟合问题的步骤包括:
通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711090175.6A CN107832793B (zh) | 2017-11-08 | 2017-11-08 | 一种高光谱图像的分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711090175.6A CN107832793B (zh) | 2017-11-08 | 2017-11-08 | 一种高光谱图像的分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832793A true CN107832793A (zh) | 2018-03-23 |
CN107832793B CN107832793B (zh) | 2021-08-06 |
Family
ID=61654101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711090175.6A Active CN107832793B (zh) | 2017-11-08 | 2017-11-08 | 一种高光谱图像的分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832793B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110617800A (zh) * | 2019-08-21 | 2019-12-27 | 深圳大学 | 基于民航客机的应急遥感监测方法、系统及存储介质 |
CN111551358A (zh) * | 2020-05-28 | 2020-08-18 | 永康龙飘传感科技有限公司 | 一种可以获取多种参数的门及检测门强制关闭系统 |
CN111783884A (zh) * | 2020-06-30 | 2020-10-16 | 山东女子学院 | 基于深度学习的无监督高光谱图像分类方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065160A (zh) * | 2013-01-23 | 2013-04-24 | 西安电子科技大学 | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 |
CN104463224A (zh) * | 2014-12-24 | 2015-03-25 | 武汉大学 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
CN105760900A (zh) * | 2016-04-08 | 2016-07-13 | 西安电子科技大学 | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 |
CN105844297A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于局部空间信息的封装式高光谱波段选择方法 |
CN105956515A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于极成像的立体-高光谱人脸识别方法 |
CN106228181A (zh) * | 2016-07-12 | 2016-12-14 | 广东智嵌物联网技术有限公司 | 一种基于视觉词典的图像分类方法及系统 |
CN106997581A (zh) * | 2017-03-01 | 2017-08-01 | 杭州电子科技大学 | 一种利用深度学习重建高光谱图像的方法 |
CN107220662A (zh) * | 2017-05-16 | 2017-09-29 | 西北工业大学 | 基于全局最优聚类的高光谱图像波段选择方法 |
CN107273919A (zh) * | 2017-05-27 | 2017-10-20 | 南京理工大学 | 一种基于置信度构造类属字典的高光谱无监督分类方法 |
-
2017
- 2017-11-08 CN CN201711090175.6A patent/CN107832793B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065160A (zh) * | 2013-01-23 | 2013-04-24 | 西安电子科技大学 | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 |
CN104463224A (zh) * | 2014-12-24 | 2015-03-25 | 武汉大学 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
CN105844297A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于局部空间信息的封装式高光谱波段选择方法 |
CN105760900A (zh) * | 2016-04-08 | 2016-07-13 | 西安电子科技大学 | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 |
CN105956515A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于极成像的立体-高光谱人脸识别方法 |
CN106228181A (zh) * | 2016-07-12 | 2016-12-14 | 广东智嵌物联网技术有限公司 | 一种基于视觉词典的图像分类方法及系统 |
CN106997581A (zh) * | 2017-03-01 | 2017-08-01 | 杭州电子科技大学 | 一种利用深度学习重建高光谱图像的方法 |
CN107220662A (zh) * | 2017-05-16 | 2017-09-29 | 西北工业大学 | 基于全局最优聚类的高光谱图像波段选择方法 |
CN107273919A (zh) * | 2017-05-27 | 2017-10-20 | 南京理工大学 | 一种基于置信度构造类属字典的高光谱无监督分类方法 |
Non-Patent Citations (3)
Title |
---|
LINGQIAO LIU等: "In Defense of Soft-assignment Coding", 《2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
YONGQIANG ZHAO等: "SPECTRAL SUPER-RESOLUTION BASED ON MATRIX FACTORIZATION AND SPECTRAL DICTIONARY", 《2016 8TH WORKSHOP ON HYPERSPECTRAL IMAGE AND SIGNAL PROCESSING EVOLUTION IN REMOTE SENSING (WHISPERS) 》 * |
刘翔: "基于光谱维变换的高光谱图像目标探测研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110617800A (zh) * | 2019-08-21 | 2019-12-27 | 深圳大学 | 基于民航客机的应急遥感监测方法、系统及存储介质 |
CN111551358A (zh) * | 2020-05-28 | 2020-08-18 | 永康龙飘传感科技有限公司 | 一种可以获取多种参数的门及检测门强制关闭系统 |
CN111783884A (zh) * | 2020-06-30 | 2020-10-16 | 山东女子学院 | 基于深度学习的无监督高光谱图像分类方法 |
CN111783884B (zh) * | 2020-06-30 | 2024-04-09 | 山东女子学院 | 基于深度学习的无监督高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107832793B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
Zhang et al. | A feature difference convolutional neural network-based change detection method | |
Wang et al. | GETNET: A general end-to-end 2-D CNN framework for hyperspectral image change detection | |
Du et al. | Beyond the sparsity-based target detector: A hybrid sparsity and statistics-based detector for hyperspectral images | |
Liang et al. | Material based salient object detection from hyperspectral images | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
Rao et al. | Textural analysis of IRS-1D panchromatic data for land cover classification | |
Hou et al. | Three-order tucker decomposition and reconstruction detector for unsupervised hyperspectral change detection | |
Zhang et al. | A nonlinear sparse representation-based binary hypothesis model for hyperspectral target detection | |
CN103077512A (zh) | 基于主成分析的数字图像的特征提取与匹配方法及装置 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
Wang et al. | A sparse representation-based method for infrared dim target detection under sea–sky background | |
Liu et al. | Style transformation-based spatial–spectral feature learning for unsupervised change detection | |
Yang et al. | Two-stage clustering technique based on the neighboring union histogram for hyperspectral remote sensing images | |
CN107832793A (zh) | 一种高光谱图像的分类方法及系统 | |
Zhang et al. | Saliency detection and region of interest extraction based on multi-image common saliency analysis in satellite images | |
Huang et al. | A multispectral and multiangle 3-D convolutional neural network for the classification of ZY-3 satellite images over urban areas | |
Hasanlou et al. | A sub-pixel multiple change detection approach for hyperspectral imagery | |
Wang et al. | A novel hyperspectral image change detection framework based on 3D-wavelet domain active convolutional neural network | |
CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
CN113850769B (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
Gao et al. | Multitemporal intrinsic image decomposition with temporal–spatial energy constraints for remote sensing image analysis | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
Yao et al. | Optical remote sensing cloud detection based on random forest only using the visible light and near-infrared image bands | |
Changjie et al. | Algorithm of remote sensing image matching based on corner-point |
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 |