CN107871132A - 一种空间特征自适应寻优的高光谱图像分类方法 - Google Patents
一种空间特征自适应寻优的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN107871132A CN107871132A CN201711049316.XA CN201711049316A CN107871132A CN 107871132 A CN107871132 A CN 107871132A CN 201711049316 A CN201711049316 A CN 201711049316A CN 107871132 A CN107871132 A CN 107871132A
- Authority
- CN
- China
- Prior art keywords
- image
- result
- spatial information
- classification
- high spectrum
- 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
- 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
- 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
Abstract
本发明公开了一种空间特征自适应寻优的高光谱图像植被分类方法,包括以下步骤:首先对高光谱图像进行归一化处理,然后对归一化处理后的高光谱图像进行PCA降维,接着对PCA降维后的高光谱图像进行形态学滤波,获取空间信息集;然后对归一化处理后的高光谱图像进行域转换标准卷积滤波进行空间信息提取,对获取的空间信息集进行空间信息线性叠加融合,最后对融合后的空间信息集进行分类。本发明有效利用了空间纹理信息和相关性信息,对分类最好的结构类型进一步优化器滤波参数,获得了较好的滤波效果,有效提高了高光谱图像的分类精度。
Description
技术领域
本发明涉及高光谱图像分类方法,更具体地,涉及一种空间特征自适应寻优的高光谱图像分类方法。
背景技术
高光谱成像技术具有光谱分辨率高,通过成像光谱仪获得的高光谱遥感图像能达到几百个波段的光谱信息,能够更为全面、获取地物光谱特征,从而大幅度提高地物分类的类别精细度和准确度。用形态滤波提取空间信息进行空谱结合改善高光谱图像的分类性能是目前一个研究热点,一些学者用各种形态特征提取方法,并由SVM实现分类。
形态学滤波在高光谱图像空间纹理信息提取并用于分类的研究中取得了一定成效,但是也存在一些不足:首先形态学滤波的结构元素多,但是没有对其进行适应不同数据集寻优;然后形态学滤波虽然可以提取一定的空间纹理信息,但是容易丢失空间相关信息。
发明内容
本发明的目的是解决目前形态学滤波无法适应不同数据集寻优和容易丢失空间相关信息的缺陷,提出一种空间特征自适应寻优的高光谱图像分类方法。
为实现以上发明目的,采用的技术方案是:
一种空间特征自适应寻优的高光谱图像分类方法,包括以下步骤:
S1:对高光谱图像进行归一化处理,得到信息量重新分布的高光谱图像数据集R;其中min为最小值,max为最大值;
S2:对归一化处理后的高光谱图像进行PCA降维,H=Pca(R);
S3:对PCA降维后的高光谱图像进行形态学滤波,获取空间信息集1Dmp,
S4:对归一化处理后的高光谱图像进行域转换标准卷积滤波进行空间信息提取,获得空间信息集2Dts,
S5:对步骤S3和步骤S4获取的空间信息集1、2进行空间信息线性叠加融合,W=Dmp+Dts;
S6:对步骤S5收集的空间信息集进行SVM分类。
其中步骤S3包括以下步骤:
S3.1:对高光谱图像进行PCA降维;
S3.2:输入第i个成分I;
S3.3:根据结构尺寸生成结构元素块b;
S3.4:图像开操作得到I1;
S3.5:图像闭操作得到I2;
S3.6:根据I1和I2结构重建得I3;
S3.7:对I3进行图像膨胀后的得到I4;
S3.8:对I3和I4增强图像特征;
S3.9:对增强图像特征后的I3和I4进行结构重构得到I5;
S3.10:判断是否滤波结束;结果为是则输出空间信息1;结果为否则转入步骤S3.2。
其中步骤S4包括以下步骤:
S4.1:输入一波段图像;
S4.2:估计图像水平和竖直方向的偏微分;
S4.3:计算近邻距离;
S4.4:计算水平和竖直方向的偏微分;
S4.5:进行标准卷积滤波;
S4.6:计算标准偏差;
S4.7:计算滤波半径;
S4.8:计算转换域的上限和下限;
S4.9:查找像元的索引上限和下限;
S4.10:进行卷积滤波;
S4.11:判断是否迭代结束,结果为是则转入步骤S4.12;结果为否则转入步骤S3.6;
S4.12:判断是否一波段图像滤波结束,结果为是则转入步骤S4.13;结果为否则转入步骤S4.2;
S4.13:判断高光谱图像是否滤波结束,结果为是则输出滤波结果,结果为否则转入步骤S4.1;
S4.14:输出空间信息集2。
其中步骤S6包括以下步骤
S6.1:输出第j个分类结果;
S6.2:判断j是否小于6,结果为是则获得最优分类的结构元素类型;结果为否则j+1转入步骤S3.1;
S6.3:调整结构元素参数;
S6.4:对图像进行滤波与分类后转入步骤S3;
S6.5:再次得到的空间信息集1与步骤S4得到的空间信息集2进行信息融合,并进行SVM分类;
S6.6:输出第k个分类结果;
S6.7:判断是否参数调整结束,结果为否则转入步骤S3.1;结果为是则输出最优分类结果。
优选的是,所述结构元素包括方形、菱形、矩形、八边形和Periodicline五种。
与现有技术相比,本发明的有益效果是:
1)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,有效利用了空间纹理信息和相关性信息;
2)形态滤波器滤波的结构元素类型进行寻优,对分类最好的结构类型进一步优化器滤波参数,获得了较好的滤波效果,有效提高了高光谱图像的分类精度;
3)形态滤波核域转换标准卷积滤波提取空间信息融合后,通过两次SVM分类寻优,得到最好的分类性能。
附图说明
图1为算法流程图;
图2为印第安农林数据集图像分类数据统计图;
图3为印第安农林分类效果图;
图4为萨里斯山谷数据集图像分类数据统计图;
图5萨利纳斯山谷分类效果图;
图6为印第安农林结构元素类型寻优图;
图7为印第安林结构元素参数寻优图;
图8为萨里斯山谷结构元素类型寻优图;
图9为萨里斯山谷结构元素参数寻优图;
图10为印第安林不同训练样本比例分类后OA、AA和KAPPA折线图;
图11为萨里斯山谷不同训练样本比例分类后OA、AA和KAPPA折线图。
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;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
请参考图1,图1为算法流程图。
一种空间特征自适应寻优的高光谱图像分类方法,包括以下步骤:
S1:对高光谱图像进行归一化处理,得到信息量重新分布的高光谱图像数据集R;其中min为最小值,max为最大值;
高光谱中像元的的反射强度数值较大,按照公式对波段数为L的高光谱数据集进行归一化处理,min为最小值,max为最大值,得到信息量重新分布的高光谱图像数据集R。
S2:对归一化处理后的高光谱图像进行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P,即H=Pca(R)。
S3:对PCA降维后的高光谱图像进行形态学滤波,获取空间信息集1Dmp,
对PCA降维后的数据集H进行滤波,获取空间信息Di mp=F(Hi);具体包括以下步骤:首先输入第i个成分I,然后根据结构尺寸生成结构元素块,接着对图像进行开/闭操作得到I1和I2,然后对图像进行结构重建并进行图像膨胀得到I3和I4,接着分别对I3和I4增强图像特征,最后将I3和I4重构得到I5,最后输出空间信息集。
S4:对归一化处理后的高光谱图像进行域转换标准卷积滤波进行空间信息提取,获得空间信息集2Dts,
具体步骤为:
S4.1:输入一波段图像;
S4.2:估计图像水平和竖直方向的偏微分;
S4.3:计算近邻距离;
S4.4:计算水平和竖直方向的偏微分;
S4.5:进行标准卷积滤波;
S4.6:计算标准偏差;
S4.7:计算滤波半径;
S4.8:计算转换域的上限和下限;
S4.9:查找像元的索引上限和下限;
S4.10:进行卷积滤波;
S4.11:判断是否迭代结束,结果为是则转入步骤S4.12;结果为否则转入步骤S3.6;
S4.12:判断是否一波段图像滤波结束,结果为是则转入步骤S4.13;结果为否则转入步骤S4.2;
S4.13:判断高光谱图像是否滤波结束,结果为是则输出滤波结果,结果为否则转入步骤S4.1;
S4.14:输出空间信息集2。
S5:对步骤S3和步骤S4获取的空间信息集1、2进行空间信息线性叠加融合,W=Dmp+Dts;
S6:对步骤S5收集的空间信息集进行SVM分类。
其中包括以下步骤:
S6.1:输出第j个分类结果;
S6.2:判断j是否小于6,结果为是则获得最优分类的结构元素类型;结果为否则j+1转入步骤S3.1;
S6.3:调整结构元素参数;
S6.4:对图像进行滤波与分类后转入步骤S3;
S6.5:再次得到的空间信息集1与步骤S4得到的空间信息集2进行信息融合,并进行SVM分类;
S6.6:输出第k个分类结果;
S6.7:判断是否参数调整结束,结果为否则转入步骤S3.1;结果为是则输出最优分类结果。
所述结构元素包括方形、菱形、矩形、八边形和Periodicline五种。
其中五种结构元素的寻优范围为
1)方形:边长S=n,n∈1,2,…10;
2)菱形:结构元素原点到菱形最大的距离S=n+1,n∈1,2,…10;
3)矩形:长和宽为(n+1,n),n∈1,2,…10;
4)八边形:结构元素原点到八边形边的距离为S=3n,n∈1,2,…10;
5)Periodicline:该形状包含2n+1个成员的结构元素,n∈1,2,…10。
在本实施例中,为了验证本发明在高光谱分类的优越性,使用7:种方法进行比较,包括:方法1:SVM;方法2:利用PCA对高光谱信息降维后,用SVM进行分类;方法3:用Gabor滤波器、双边滤波器和导向滤波器分别对高光谱数据用PCA降维后的前20个主成分提取空间信息,并将获取的空间信息和光谱信息线性结合后,用SVM分类,形成SGB-SVM、SBL-SVM、SGD-SVM;方法4:EPF算法对高光谱图像进行分类,有EPF-B-c和EPF-G-c;方法5:域转换递归滤波的方法IFRF;方法6形态学滤波的方法SMP-SVM;方法7:本发明提出的方法MPNC-SVM。
在数据统计方面,本发明采用整体分类精度(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,每个实验重复10次记录平均结果。
请参考图2-5,图2为印第安农林数据图像分类统计图,图3为印第安农林分类效果图,图4萨利纳斯山谷数据图像分类统计图,图5为萨利纳斯山谷分类效果图。其中印第安农林来自光谱仪(Airborne Visible 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种地物,具体地物类别和样本个数参见图2;萨利纳斯山谷来自光谱仪(AirborneVisible 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种地物,具体植被类别和样本个数参见图4;
用6种方法分别对印第安林和萨里斯山谷数据集进行分类对比验证,其中验证方法如下:1)印第安农林数据集图像,选取全部16个类别,每类随机选取5%样本组成有标签训练集,其余95%作为测试集,地物数量较少的三类地物20%作为训练集。图2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3所示;萨利纳斯山谷数据集图像选取全部16种植被类别中,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,图4为各种分类方法对萨利纳斯山谷数据集的分类精度统计,分类效果图如图5所示。
其中印第安农林的具体统计数据为SVM,OA=79.24%;SVM-PCA,OA=78.21%;SGB-SVM,OA=80.14%;SBL-SVM,OA=87.40%;SGD-SVM,OA=89.14%;EPF-B-c,OA=90.82%;EPF-G-c,OA=90.51%;IFRF,OA=93.72%;SMP-SVM,OA=86.27%;MPNC-SVM,OA=96.24%。
萨里斯山谷的具体数据为SVM,OA=89.23%;SVM-PCA,OA=89.41%;SGB-SVM,OA=89.80%;SBL-SVM,OA=92.03%;SGD-SVM,OA=92.49%;EPF-B-c,OA=92.28%;EPF-G-c,OA=92.52%;IFRF,OA=97.70%;SMP-SVM,OA=93.54%;MPNC-SVM,OA=99.16%。
对试验结果进行分析可知:
1)用MPNC-SVM对两种数据集进行分类,其中印第安农林数据集的OA为96.24%,萨里斯山谷数据集的OA为99.16%,比仅用光谱信息方法的SVM分类器的OA高出10-16个百分点,比光谱信息降维方法的PCA-SVM分类器高出10-17个百分点,比空谱结合方法的SGB-SVM、SBL-SVM、SGD-SVM分类器高出7-16个百分点,比边缘保持方法的EPF算法高出6-7个百分点,比域转换递归滤波IFRF算法高出2-3个左右百分点,比形态学滤波SP-PCA-SVM分类器高出5-10个百分点,验证了MPNC-SVM算法在高光谱图像分类的有效性。
2)萨里斯山谷数据集分类实验的训练样本仅为1%,个数为540左右,但是MPNC-SVM的分类结果能超过到99%,达到较优的分类效果,对种类多的地物分类性能较好;印第安农林数据集分类实验的训练样本仅为5%,但是OA能超过96%,说明对分布复杂的高光谱数据也有较好的分类效果;
3)为了验证MPNC-SVM算法的在不同数据集的适应性,算法进行了结构元素类型寻优和结构元素参数寻优,首先对5种结构元素类型寻优,印第安林的最优类型为矩形,萨里斯山谷的为菱形,详细结果如图6和8所示;其次对结构元素参数寻优,印第安林数据集在矩形元素的参数寻优中,当n=4时,即矩形(5,4)的结构元素OA的分类结果最好,萨里斯山谷数据集在矩形元素的参数寻优中,当n=5时,即菱形半径为5时OA的分类结果最好,分类情况如图7和9所示。从而体现出了结构元素在算法中的重要性,也验证了MPNC-SVM算法在寻优中的有效性。
4)从萨里斯山谷实验来看,葡萄和葡萄园各波段的光谱反射率非常相似,导致前面几个方法用光谱信息或者空谱结合来分类的效果比较差,两者间错分的比较多,从图4可知,MPNC-SVM对两种植被的分类效果分别达到了99.13%和99.15%,比其他分类器的分类精度都高,可知MPNC-SVM算法对光谱特性接近的地物有较好的分类性能。
5)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10、11所示,其中曲线上的数字标签为OA数值。印第安林总体分类精度在训练样本3%的训练样本比例OA就达到93.53%,10%的训练样本OA超过了98%;萨里斯山谷总体分类精度OA在训练样本为0.2%时就超过了90%,在0.6%的训练样本OA超过了98%,验证了MPNC-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 (5)
1.一种空间特征自适应寻优的高光谱图像分类方法,其特征在于,包括以下步骤:
S1:对高光谱图像进行归一化处理,得到信息量重新分布的高光谱图像数据集R;其中min为最小值,max为最大值;
S2:对归一化处理后的高光谱图像进行PCA降维,H=Pca(R);
S3:对PCA降维后的高光谱图像进行形态学滤波,获取空间信息集1Dmp,
S4:对归一化处理后的高光谱图像进行域转换标准卷积滤波进行空间信息提取,获得空间信息集2Dts,
S5:对步骤S3和步骤S4获取的空间信息集1、2进行空间信息线性叠加融合,W=Dmp+Dts;
S6:对步骤S5收集的空间信息集进行SVM分类。
2.根据权利要求1所述的一种空间特征自适应寻优的高光谱图像分类法,其特征在于,步骤S3包括以下步骤:
S3.1:对高光谱图像进行PCA降维;
S3.2:输入第i个成分I;
S3.3:根据结构尺寸生成结构元素块b;
S3.4:图像开操作得到I1;
S3.5:图像闭操作得到I2;
S3.6:根据I1和I2结构重建得I3;
S3.7:对I3进行图像膨胀后的得到I4;
S3.8:对I3和I4增强图像特征;
S3.9:对增强图像特征后的I3和I4进行结构重构得到I5;
S3.10:判断是否滤波结束;结果为是则输出空间信息1;结果为否则转入步骤S3.2。
3.根据权利要求1所述的一种空间特征自适应寻优的高光谱图像分类法,其特征在于,步骤S4包括以下步骤:
S4.1:输入一波段图像;
S4.2:估计图像水平和竖直方向的偏微分;
S4.3:计算近邻距离;
S4.4:计算水平和竖直方向的偏微分;
S4.5:进行标准卷积滤波;
S4.6:计算标准偏差;
S4.7:计算滤波半径;
S4.8:计算转换域的上限和下限;
S4.9:查找像元的索引上限和下限;
S4.10:进行卷积滤波;
S4.11:判断是否迭代结束,结果为是则转入步骤S4.12;结果为否则转入步骤S3.6;
S4.12:判断是否一波段图像滤波结束,结果为是则转入步骤S4.13;结果为否则转入步骤S4.2;
S4.13:判断高光谱图像是否滤波结束,结果为是则输出滤波结果,结果为否则转入步骤S4.1;
S4.14:输出空间信息集2。
4.根据权利要求1所述的一种空间特征自适应寻优的高光谱图像分类方法,其特征在于,步骤S6包括以下步骤
S6.1:输出第j个分类结果;
S6.2:判断j是否小于6,结果为是则获得最优分类的结构元素类型;结果为否则j+1转入步骤S3.1;
S6.3:调整结构元素参数;
S6.4:对图像进行滤波与分类后转入步骤S3;
S6.5:再次得到的空间信息集1与步骤S4得到的空间信息集2进行信息融合,并进行SVM分类;
S6.6:输出第k个分类结果;
S6.7:判断是否参数调整结束,结果为否则转入步骤S3.1;结果为是则输出最优分类结果。
5.根据权利要求4所述的一种空间特征自适应寻优的高光谱图像分类方法,其特征在于,步骤S6.3所述结构元素包括方形、菱形、矩形、八边形和Periodicline五种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711049316.XA CN107871132B (zh) | 2017-10-31 | 2017-10-31 | 一种空间特征自适应寻优的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711049316.XA CN107871132B (zh) | 2017-10-31 | 2017-10-31 | 一种空间特征自适应寻优的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107871132A true CN107871132A (zh) | 2018-04-03 |
CN107871132B CN107871132B (zh) | 2022-03-15 |
Family
ID=61753553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711049316.XA Active CN107871132B (zh) | 2017-10-31 | 2017-10-31 | 一种空间特征自适应寻优的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871132B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985360A (zh) * | 2018-06-29 | 2018-12-11 | 西安电子科技大学 | 基于扩展形态学与主动学习的高光谱分类方法 |
CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
CN110334731A (zh) * | 2019-05-09 | 2019-10-15 | 云南大学 | 一种光谱图像的空间信息提取方法、装置及电子设备 |
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 |
CN113033686A (zh) * | 2021-04-02 | 2021-06-25 | 哈尔滨工程大学 | 基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统 |
CN114462512A (zh) * | 2022-01-18 | 2022-05-10 | 自然资源部国土卫星遥感应用中心 | 一种系统性的高光谱草原群落划分方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200243B2 (en) * | 2002-06-28 | 2007-04-03 | The United States Of America As Represented By The Secretary Of The Army | Spectral mixture process conditioned by spatially-smooth partitioning |
CN101482970A (zh) * | 2009-01-08 | 2009-07-15 | 上海交通大学 | 图像处理中的改进形态学滤波方法 |
US20120076406A1 (en) * | 2009-07-20 | 2012-03-29 | Kevin Fisher | System and method for progressive band selection for hyperspectral images |
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 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 |
CN107122799A (zh) * | 2017-04-25 | 2017-09-01 | 西安电子科技大学 | 基于扩展形态学和导向滤波的高光谱图像分类方法 |
-
2017
- 2017-10-31 CN CN201711049316.XA patent/CN107871132B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200243B2 (en) * | 2002-06-28 | 2007-04-03 | The United States Of America As Represented By The Secretary Of The Army | Spectral mixture process conditioned by spatially-smooth partitioning |
CN101482970A (zh) * | 2009-01-08 | 2009-07-15 | 上海交通大学 | 图像处理中的改进形态学滤波方法 |
US20120076406A1 (en) * | 2009-07-20 | 2012-03-29 | Kevin Fisher | System and method for progressive band selection for hyperspectral images |
CN107066959A (zh) * | 2017-03-29 | 2017-08-18 | 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 |
CN107122799A (zh) * | 2017-04-25 | 2017-09-01 | 西安电子科技大学 | 基于扩展形态学和导向滤波的高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
LEYUAN FANG ETAL.: "Spectral–Spatial Classification of Hyperspectral Images With a Superpixel-Based Discriminative Sparse Model", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
廖建尚等: "空间信息自适应融合的高光谱图像分类方法", 《光子学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985360A (zh) * | 2018-06-29 | 2018-12-11 | 西安电子科技大学 | 基于扩展形态学与主动学习的高光谱分类方法 |
CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
CN109492593B (zh) * | 2018-11-16 | 2021-09-10 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
CN110334731A (zh) * | 2019-05-09 | 2019-10-15 | 云南大学 | 一种光谱图像的空间信息提取方法、装置及电子设备 |
CN110334731B (zh) * | 2019-05-09 | 2022-04-12 | 云南大学 | 一种光谱图像的空间信息提取方法、装置及电子设备 |
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 |
CN113033686A (zh) * | 2021-04-02 | 2021-06-25 | 哈尔滨工程大学 | 基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统 |
CN113033686B (zh) * | 2021-04-02 | 2022-03-22 | 哈尔滨工程大学 | 基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统 |
CN114462512A (zh) * | 2022-01-18 | 2022-05-10 | 自然资源部国土卫星遥感应用中心 | 一种系统性的高光谱草原群落划分方法 |
CN114462512B (zh) * | 2022-01-18 | 2023-02-10 | 自然资源部国土卫星遥感应用中心 | 一种系统性的高光谱草原群落划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107871132B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871132A (zh) | 一种空间特征自适应寻优的高光谱图像分类方法 | |
CN111274865B (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
Lu et al. | A survey of image classification methods and techniques for improving classification performance | |
Zhong et al. | Iterative support vector machine for hyperspectral image classification | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN107066959A (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 | |
CN110533077A (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN108399355B (zh) | 一种空间信息自适应融合的高光谱图像分类方法 | |
Hati et al. | Plant recognition from leaf image through artificial neural network | |
CN103593676A (zh) | 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法 | |
CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN108108719A (zh) | 一种加权核稀疏和协同表示系数的高光谱影像分类方法 | |
CN106529484A (zh) | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 | |
CN107194423A (zh) | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 | |
Su | A filter-based post-processing technique for improving homogeneity of pixel-wise classification data | |
CN103729652A (zh) | 基于稀疏保持流形嵌入的高光谱遥感影像分类方法 | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
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 | |
CN107527001A (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 | |
CN106485238A (zh) | 一种高光谱遥感图像特征提取和分类方法及其系统 | |
CN113920376A (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
CN112052758A (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
Haq et al. | 3D-cnnhsr: A 3-dimensional convolutional neural network for hyperspectral super-resolution | |
CN106156728B (zh) | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 |
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 |