CN108399355A - 一种空间信息自适应融合的高光谱图像分类方法 - Google Patents
一种空间信息自适应融合的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN108399355A CN108399355A CN201710069447.8A CN201710069447A CN108399355A CN 108399355 A CN108399355 A CN 108399355A CN 201710069447 A CN201710069447 A CN 201710069447A CN 108399355 A CN108399355 A CN 108399355A
- Authority
- CN
- China
- Prior art keywords
- filtering
- wave band
- spatial
- information
- 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.)
- Granted
Links
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
- G06V20/188—Vegetation
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种空间信息自适应融合的高光谱图像分类方法,该方法用两种滤波器将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;域转换标准卷积滤波可以提取一定的空间纹理信息,并且保持较好的空间相关性,弥补双边滤波只能提取空间纹理信息的不足;双边滤波和域转换标准卷积滤波提取空间纹理信息自适应融合后,通过SVM分类,获取最优分类性能,有效去除椒盐现象,尤其适用于地物较多分布复杂的高光谱。
Description
技术领域
本发明涉及数字图像处理领域,更具体地,涉及一种空间信息自适应融合的高光谱图像分类方法。
背景技术
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,其中空间信息提取方法主要有:1)形态滤波特征提取,2)马尔科夫随机场特征提取,3)图像分割特征提取,其中用滤波器提取图像纹理信息来辅助光谱信息进行有效分类更是成为一个研究热点。
一些学者用Gabor滤波器提取纹理信息来辅助高光谱分类,其中利用多维Gabor滤波器来多角度提取图像的纹理信息,分类精度得到了提升;还有采用了Gabor滤波获取较好的空间特征,提出一种空谱结合的S2ISC半监督分类算法和一种空谱标签传播的SS-LPSVM半监督分类算法,还有利用Gabor滤波器提取多维数据集特征,联合稀疏表示提出一种有效地空谱结合分类方法;还有用Gabor滤波器对选取的部分波段提取空间特征,改善分类性能[20]。
另有学者用双边滤波器来提取高光谱空间纹理信息,其中有结合导向双边滤波和形态属性特征获取高光谱图像空间文本特征并能有效改善分类精度;还有用改进的双边滤波器算法提取空间特征,提出了E-ICA-RGF算法对高光谱图像进行分类,提高了分类精度,还有先用SVM初始分类,利用分类结果再用双边滤波对分类进行优化,提出了边缘保持滤波分类方法(EPF);还有用弹性网络回归方法获取初始分类结果,并通过双边滤波器获取空间信息,空谱结合后提出了一种有效地分类方法。
然而,高光谱图像空间纹理信息提取用于分类的研究目前存在一些不足:
1)高光谱分类过程中未充分获取空间信息;
2)单一的空间纹理信息难以获取完整的空间信息;
3)利用滤波器提取纹理特征容易丢失像元空间相关性信息。
为了利用空间信息提高高光谱分类性能,本发明提出了一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法,用双边滤波和域转换标准卷积滤波提取较完整的空间信息,以提高分类性能。
发明内容
本发明提供一种空间信息自适应融合的高光谱图像分类方法,该方法用双边滤波和域转换标准卷积滤波提取较完整的空间信息,以提高分类性能。
为了达到上述技术效果,本发明的技术方案如下:
一种空间信息自适应融合的高光谱图像分类方法,包括以下步骤:
S1:对波段数为l的高光谱数据集进行归一化处理,得到信息量重新分布的高光谱图像数据集R;
S2:对于有l个波段的高光谱数据集R进行降维,平均每n个波段选取一个波段图像,抽取kD个波段图像组成新的数据集D,将其余的kE个波段组成数据集E;
S3:用双边滤波对kD个波段数据集D进行双边滤波滤波,获取边缘空间信息Dbs:
S4:用域转换标准卷积滤波对kE个波段数据集E作域转换标准卷积滤波滤波,获取空间信息Ets:
S5:将Dbs和Ets进行合成得到W:
W=Dbs+Ets;
S6:对得到的W进行优化并对优化结果进行分类得到分类结果。
进一步地,所述步骤S1的具体过程如下:
对波段数为l的高光谱数据集进行归一化处理,得到信息量重新分布的高光谱图像数据集R:
其中,max为高光谱中像元的反射强度数值的最大值,min为高光谱中像元的反射强度数值的最小值,i=1,2,…,l。
进一步地,所述步骤S2中:
kE=l-kD
其中,n=2,3,…l,是向下取整符号。
进一步地,所述步骤S6中对得到的W进行优化的过程是:
1)、设置Flag为0,先用双边滤波器对抽取的kD个波段的数据集滤波,再用域转换滤波对剩余kE个波段的数据集滤波,滤波后按照W=Dbs+Ets进行融合,并交由SVM实现分类;
2)、设置Flag为1,先用域转换滤波对抽取的kD个波段的数据集滤波,再用双边滤波对剩余kE个波段的数据集滤波,滤波后按照公式W=Dbs+Ets进行融合,并交由SVM实现分类。
进一步地,所述步骤S6中对优化后W进行分类的具体过程包括:
S61: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;
S62: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;
S63:用径向基函数支持的SVM对Ws进行训练,获取训练模型;
S64:获取模型后,用径向基函数支持的SVM对测试集Wt进行分类。
与现有技术相比,本发明技术方案的有益效果是:
本发明方法用两种滤波器将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;域转换标准卷积滤波可以提取一定的空间纹理信息,并且保持较好的空间相关性,弥补双边滤波只能提取空间纹理信息的不足;双边滤波和域转换标准卷积滤波提取空间纹理信息自适应融合后,通过SVM分类,获取最优分类性能,有效去除椒盐现象,尤其适用于地物较多分布复杂的高光谱。
附图说明
图1为本发明方法的流程图;
图2为印第安农林不同训练样本比例分类后OA、AA和Kappa折线图;
图3为帕维亚大学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;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种空间信息自适应融合的高光谱图像分类方法,包括以下步骤:
S1:对波段数为l的高光谱数据集进行归一化处理,得到信息量重新分布的高光谱图像数据集R;
S2:对于有l个波段的高光谱数据集R进行降维,平均每n个波段选取一个波段图像,抽取kD个波段图像组成新的数据集D,将其余的kE个波段组成数据集E;
S3:用双边滤波对kD个波段数据集D进行双边滤波滤波,获取边缘空间信息Dbs:
S4:用域转换标准卷积滤波对kE个波段数据集E作域转换标准卷积滤波滤波,获取空间信息Ets:
S5:将Dbs和Ets进行合成得到W:
W=Dbs+Ets;
S6:对得到的W进行优化并对优化结果进行分类得到分类结果。
步骤S1中:
对波段数为l的高光谱数据集进行归一化处理,得到信息量重新分布的高光谱图像数据集R:
其中,max为高光谱中像元的反射强度数值的最大值,min为高光谱中像元的反射强度数值的最小值,i=1,2,…,l。
述步骤S2中:
kE=l-kD
其中,n=2,3,…l,是向下取整符号。
步骤S6中对得到的W进行优化的过程是:
1)、设置Flag为0,先用双边滤波器对抽取的kD个波段的数据集滤波,再用域转换滤波对剩余kE个波段的数据集滤波,滤波后按照W=Dbs+Ets进行融合,并交由SVM实现分类;
2)、设置Flag为1,先用域转换滤波对抽取的kD个波段的数据集滤波,再用双边滤波对剩余kE个波段的数据集滤波,滤波后按照公式W=Dbs+Ets进行融合,并交由SVM实现分类。
步骤S6中对优化后W进行分类的具体过程包括:
S61: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;
S62: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;
S63:用径向基函数支持的SVM对Ws进行训练,获取训练模型;
S64:获取模型后,用径向基函数支持的SVM对测试集Wt进行分类。
本发明提出一种空间信息自适应融合的高光谱图像分类方法,用双边滤波提取的空间纹理信息和域转换标准卷积滤波提取的空间相关性信息,两种信息按照自适应方法进行提取和融合后,由SVM完成分类,形成DTBS-SVM分类算法。该方法用两种滤波器将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;域转换标准卷积滤波可以提取一定的空间纹理信息,并且保持较好的空间相关性,弥补双边滤波只能提取空间纹理信息的不足;双边滤波和域转换标准卷积滤波提取空间纹理信息自适应融合后,通过SVM分类,获取最优分类性能,有效去除椒盐现象,尤其适用于地物较多分布复杂的高光谱。
为了验证本文提出算法的有效性,采用印第安农林和帕维亚大学2个高光谱数据集进行验证,其特征如下:
1)印第安农林:来自光谱仪(Airborne Visible Infrared ImagingSpectrometer),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种植被,具体地物类别和样本个数参见表1:
表1印第安农林数据集图像分类数据统计
2)帕维亚大学数据集:帕维亚大学数据集来自光谱仪(Reflective OpticsSystem Imaging Spectrometer),拍摄于帕维亚大学的高光谱遥感图像,包含610×340个像元,115个波段,由于噪声等因素去除其中的12个波段,剩余的103个波段,包含9个类别,具体地物类别和样本个数参见表2:
本发明采用整体分类精度(Overall accuracy,OA)、平均分类精度(Averageaccuracy,AA)以及Kappa统计系数(Kappa statistic,Kappa)来衡量分类算法的精度,为了避免随机偏差的产生,每个实验重复10次且记录平均结果,验证平台采用Matlab R2012b,E5800,6GBRAM的实验平台。
为了验证本文提出的算法在高光谱分类的优越性,使用了6种方法进行比较。方法1:SVM方法;方法2:主成分分析PCA和多维度分析MDS对高光谱数据进行降维后,用SVM进行分类;方法3:文EPF算法对高光谱图像进行分类,有EPF-B-c和EPF-G-c;方法4:域转换递归滤波的方法IFRF;方法5:DTBS-SVM。
实验分析:
1)用DTBS‐SVM对两种数据集进行分类,其中印第安农林数据集的OA为96.95%,帕维亚大学数据集的OA为97.89%,比SVM整体分类精度高出12-13个百分点,比EPF算法高出2-8个百分点,比IFRF算法高出3-4个百分点,充分验证了DTBS‐SVM算法的有效性。
2)从印第安农林数据集分类结果可知,在训练样本仅为5%,但是OA能超过96%,说明对地物多,分布复杂的高光谱数据有较好的效果,有效去除椒盐现象,尤其是黑框部分更为明显;帕维亚大学数据集分类训练样本仅为3%,SGDS-SVM同样可以达到较优的分类效果,算法对数据集的分类效果提升明显,SGDS-SVM有效地去除椒盐现象,尤其用方框部分效果更为明显。
3)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2-3所示。印第安林总体分类精度在训练样本为2%时提升较快,3%的训练样本比例OA就超过93%;帕维亚大学总体分类精度OA在训练样本为0.4%时就超过了90%,说明DTBS-SVM算法在少量监督样本的情况下也可以获得较好的分类精度。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
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)
1.一种空间信息自适应融合的高光谱图像分类方法,其特征在于,包括以下步骤:
S1:对波段数为l的高光谱数据集进行归一化处理,得到信息量重新分布的高光谱图像数据集R;
S2:对于有l个波段的高光谱数据集R进行降维,平均每n个波段选取一个波段图像,抽取kD个波段图像组成新的数据集D,将其余的kE个波段组成数据集E;
S3:用双边滤波对kD个波段数据集D进行双边滤波滤波,获取边缘空间信息Dbs:
S4:用域转换标准卷积滤波对kE个波段数据集E作域转换标准卷积滤波滤波,获取空间信息Ets:
S5:将Dbs和Ets进行合成得到W:
W=Dbs+Ets;
S6:对得到的W进行优化并对优化结果进行分类得到分类结果。
2.根据权利要求1所述的空间信息自适应融合的高光谱图像分类方法,其特征在于,所述步骤S1的具体过程如下:
对波段数为l的高光谱数据集进行归一化处理,得到信息量重新分布的高光谱图像数据集R:
其中,max为高光谱中像元的反射强度数值的最大值,min为高光谱中像元的反射强度数值的最小值,i=1,2,···,l。
3.根据权利要求2所述的空间信息自适应融合的高光谱图像分类方法,其特征在于,所述步骤S2中:
kE=l-kD
其中,n=2,3,···l,是向下取整符号。
4.根据权利要求3所述的空间信息自适应融合的高光谱图像分类方法,其特征在于,所述步骤S6中对得到的W进行优化的过程是:
1)、设置Flag为0,先用双边滤波器对抽取的kD个波段的数据集滤波,再用域转换滤波对剩余kE个波段的数据集滤波,滤波后按照W=Dbs+Ets进行融合,并交由SVM实现分类;
2)、设置Flag为1,先用域转换滤波对抽取的kD个波段的数据集滤波,再用双边滤波对剩余kE个波段的数据集滤波,滤波后按照公式W=Dbs+Ets进行融合,并交由SVM实现分类。
5.根据权利要求4所述的空间信息自适应融合的高光谱图像分类方法,其特征在于,所述步骤S6中对优化后W进行分类的具体过程包括:
S61: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;
S62: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;
S63:用径向基函数支持的SVM对Ws进行训练,获取训练模型;
S64:获取模型后,用径向基函数支持的SVM对测试集Wt进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710069447.8A CN108399355B (zh) | 2017-02-08 | 2017-02-08 | 一种空间信息自适应融合的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710069447.8A CN108399355B (zh) | 2017-02-08 | 2017-02-08 | 一种空间信息自适应融合的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399355A true CN108399355A (zh) | 2018-08-14 |
CN108399355B CN108399355B (zh) | 2022-01-14 |
Family
ID=63094342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710069447.8A Active CN108399355B (zh) | 2017-02-08 | 2017-02-08 | 一种空间信息自适应融合的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399355B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598284A (zh) * | 2018-10-23 | 2019-04-09 | 广东交通职业技术学院 | 一种基于大间隔分布和空间特征的高光谱图像分类方法 |
CN109766858A (zh) * | 2019-01-16 | 2019-05-17 | 中国人民解放军国防科技大学 | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 |
CN110070137A (zh) * | 2019-04-26 | 2019-07-30 | 广东交通职业技术学院 | 一种基于自适应流形滤波和域转换标准卷积滤波的高光谱图像分类方法 |
CN110414438A (zh) * | 2019-07-30 | 2019-11-05 | 西南交通大学 | 基于空间聚类信息修正的高光谱图像识别方法 |
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 |
CN111783865A (zh) * | 2020-06-23 | 2020-10-16 | 西北工业大学 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
CN112633202A (zh) * | 2020-12-29 | 2021-04-09 | 河南大学 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677085A (zh) * | 2004-03-29 | 2005-10-05 | 中国科学院遥感应用研究所 | 对地观测技术的农业应用集成系统及其方法 |
CN104036289A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 |
US20140301662A1 (en) * | 2013-03-17 | 2014-10-09 | ISC8 Inc. | Analysis, Labeling and Exploitation of Sensor Data in Real Time |
CN104318252A (zh) * | 2014-11-02 | 2015-01-28 | 西安电子科技大学 | 基于分层概率模型的高光谱图像分类方法 |
CN106023065A (zh) * | 2016-05-13 | 2016-10-12 | 中国矿业大学 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
CN106056157A (zh) * | 2016-06-01 | 2016-10-26 | 西北大学 | 基于空‑谱信息的高光谱图像半监督分类方法 |
CN106339674A (zh) * | 2016-08-17 | 2017-01-18 | 中国地质大学(武汉) | 基于边缘保持与图割模型的高光谱影像分类方法 |
-
2017
- 2017-02-08 CN CN201710069447.8A patent/CN108399355B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677085A (zh) * | 2004-03-29 | 2005-10-05 | 中国科学院遥感应用研究所 | 对地观测技术的农业应用集成系统及其方法 |
US20140301662A1 (en) * | 2013-03-17 | 2014-10-09 | ISC8 Inc. | Analysis, Labeling and Exploitation of Sensor Data in Real Time |
CN104036289A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 |
CN104318252A (zh) * | 2014-11-02 | 2015-01-28 | 西安电子科技大学 | 基于分层概率模型的高光谱图像分类方法 |
CN106023065A (zh) * | 2016-05-13 | 2016-10-12 | 中国矿业大学 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
CN106056157A (zh) * | 2016-06-01 | 2016-10-26 | 西北大学 | 基于空‑谱信息的高光谱图像半监督分类方法 |
CN106339674A (zh) * | 2016-08-17 | 2017-01-18 | 中国地质大学(武汉) | 基于边缘保持与图割模型的高光谱影像分类方法 |
Non-Patent Citations (5)
Title |
---|
EDUARDO S. L. GASTAL 等: "Domain Transform for Edge-Aware Image and Video Processing", 《ACM TRANSACTIONS ON GRAPHICS》 * |
KOUZHUN WANG 等: "Spectral-Spatial Hyperspectral Image Classification Using Extended Multi Attribute Profiles and Guided Bilateral Filter", 《2015 INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND MECHANICAL AUTOMATION》 * |
PEISHAN DAI 等: "Retinal Fundus Image Enhancement Using the Normalized Convolution and Noise Removing", 《INTERNATIONAL JOURNAL OF BIOMEDICAL IMAGING》 * |
吴昊: "综合纹理特征的高光谱遥感图像分类方法", 《计算机工程与设计》 * |
王扣准 等: "利用多属性剖面与双边滤波的高光谱影像分类", 《遥感信息》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598284A (zh) * | 2018-10-23 | 2019-04-09 | 广东交通职业技术学院 | 一种基于大间隔分布和空间特征的高光谱图像分类方法 |
CN109766858A (zh) * | 2019-01-16 | 2019-05-17 | 中国人民解放军国防科技大学 | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 |
CN110070137A (zh) * | 2019-04-26 | 2019-07-30 | 广东交通职业技术学院 | 一种基于自适应流形滤波和域转换标准卷积滤波的高光谱图像分类方法 |
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 |
CN110414438A (zh) * | 2019-07-30 | 2019-11-05 | 西南交通大学 | 基于空间聚类信息修正的高光谱图像识别方法 |
CN111783865A (zh) * | 2020-06-23 | 2020-10-16 | 西北工业大学 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
CN112633202A (zh) * | 2020-12-29 | 2021-04-09 | 河南大学 | 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 |
CN112633202B (zh) * | 2020-12-29 | 2022-09-16 | 河南大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN108399355B (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399355A (zh) | 一种空间信息自适应融合的高光谱图像分类方法 | |
CN107292343B (zh) | 一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法 | |
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 | |
Hu et al. | Fish species classification by color, texture and multi-class support vector machine using computer vision | |
Li et al. | Apple quality identification and classification by image processing based on convolutional neural networks | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN107871132B (zh) | 一种空间特征自适应寻优的高光谱图像分类方法 | |
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 | |
CN109753996B (zh) | 基于三维轻量化深度网络的高光谱图像分类方法 | |
CN107844737B (zh) | 虹膜图像的检测方法和装置 | |
CN107909109A (zh) | 基于显著性和多尺度深度网络模型的sar图像分类方法 | |
CN110110596A (zh) | 高光谱图像特征提取、分类模型构建及分类方法 | |
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 | |
Choi et al. | A performance comparison of RGB, NIR, and depth images in immature citrus detection using deep learning algorithms for yield prediction | |
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 | |
CN111310571A (zh) | 一种基于空谱维滤波的高光谱图像分类方法及装置 | |
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 | |
CN105631890B (zh) | 基于图像梯度和相位一致性的失焦图片质量评价方法 | |
CN109977899A (zh) | 一种物品识别的训练、推理以及增加新种类的方法和系统 | |
Liu et al. | An attention-guided and wavelet-constrained generative adversarial network for infrared and visible image fusion | |
CN110991463B (zh) | 一种超像素图引导下的多尺度引导滤波特征提取方法 | |
CN108256557A (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN108846329A (zh) | 一种基于波段选择和特征融合的高光谱人脸识别方法 | |
CN105719323B (zh) | 一种基于优化图谱理论的高光谱降维方法 | |
Shen et al. | Development of a new machine vision algorithm to estimate potato's shape and size based on support vector machine |
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 |