CN108399366A - 一种基于逐像素分类的遥感图像场景分类提取方法 - Google Patents
一种基于逐像素分类的遥感图像场景分类提取方法 Download PDFInfo
- Publication number
- CN108399366A CN108399366A CN201810091257.0A CN201810091257A CN108399366A CN 108399366 A CN108399366 A CN 108399366A CN 201810091257 A CN201810091257 A CN 201810091257A CN 108399366 A CN108399366 A CN 108399366A
- Authority
- CN
- China
- Prior art keywords
- pixel
- remote sensing
- sensing images
- classification
- scene
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000001537 neural effect Effects 0.000 claims abstract description 15
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像场景的分类系统,包括采集步骤、灰度处理器、拟合步骤、边缘检测步骤、遥感图像像素分类步骤及神经网络训练器;其中,所述采集步骤用于对原始遥感图像进行采集作为样本并传输给灰度处理器;所述灰度处理器用于对采集步骤传输的原始遥感图像采用分量法进行灰度化处理;拟合步骤,用于采用低次样条函数对灰度直方图进行拟合;边缘检测步骤,用于采用基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘;所述遥感图像像素分类步骤,采用基于像元的分类,对像元表示的地物类别属性进行判断并分类得到分类专题图;神经网络训练器,用于输入卷积神经网络模型进行训练,得到要求精度的遥感图像场景的分类结果。本发明分类准确度高。
Description
技术领域
本发明涉及遥感图像分类领域,具体涉及基于逐像素分类的遥感图像场景分类提取方法。
背景技术
目前,国内外诸多著名学者都致力于图像分类算法的研究,图像分类是根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。
然而现有技术现有的场景图像分类提取不足主要在于(1)在传统分类方法中,对于特征的手动提取相当耗时耗力,且精度要求高,且一般情况下精度不及利用神经网络分类的方法。(2)在利用神经网络及其相关模型采用一般方法隐式提取特征时,对于训练数据的数量和精度要求非常高。而一般情况下常用的数据集或者自己制作的数据集的数量都达不到能让神经网络充分学习并避免过拟合,造成精度无法达到预期。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种自动化程度高、精确度高的基于卷积神经网络法的医学图像识别方法。
本发明技术方案如下:
一种基于逐像素分类的遥感图像场景分类提取方法,其包括:采集步骤、灰度处理步骤、拟合步骤、边缘检测步骤、遥感图像逐像素分类步骤、特征级变化检测步骤、目标级变化检测步骤及神经网络训练步骤;其中,所述采集步骤用于对原始遥感图像进行采集并传输给灰度处理步骤;所述灰度处理步骤用于对采集步骤采集的原始遥感图像采用分量法进行灰度化处理,即将彩色图像中的三分量的亮度作为三个灰度图像的灰度值;拟合步骤,用于使用直方图均衡化对灰度图像进行处理,得到均衡后灰度直方图,并采用低次样条函数对灰度直方图进行拟合,对拟合后的灰度直方图划分谷值区间,在低次样条函数拟合的基础上得到平滑可导的拟合曲线;边缘检测步骤,用于采用基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘,并采用自适应阈值算法对边缘图像进行二值化,得到二值化后的遥感图像;所述遥感图像像素分类步骤,采用基于像元的分类,利用像元的光谱信息、纹理信息、空间关联在内的信息对像元表示的地物类别属性进行判断并分类得到分类专题图;将遥感图中标记的场景和同样位置的逐像素分类专题图,或者场景数据库中的场景图及其对应的逐像素分类专题图进行拼接;所述拼接的具体方法为:通过在遥感图像N个波段之后加入一个新波段,当原场景图或从遥感图像上切割的输入场景图大小为n×n×b,其中n为图的宽度和高度,b为波段数;逐像素分类专题图为n×n×1;两图在波段维度进行拼接,拼接后的图片为n×n×(b+1);特征级变化检测步骤是从原始图像中提取特征信息,如边缘、形状、轮廓、纹理在内的特征,然后对这些特征信息进行综合分析与变化检测,包括并对特征进行关联处理,把特征分类成有意义的组合;所述目标级变化检测步骤主要检测目标对象的的变化检测;神经网络训练器,用于对遥感图像像素分类步骤的分类专题图及原遥感图片上的各种场景制成训练集,输入卷积神经网络模型进行训练,得到要求精度的遥感图像场景的分类结果。
进一步的,所述边缘检测步骤采用基于零交叉的方法采用的算子为拉普拉斯算子或Canny算子。
进一步的,所述遥感图像像素分类步骤还采用包括SVM支持向量机或K最邻近、或者采用神经网络方法进行分类,其分类得到的特征图与原遥感图像分辨率、坐标一致。
进一步的,所述神经网络训练器的输入数据为带有标签的场景特征图,该场景特征图除了场景的各个波段还会有额外一个通道为该场景的逐像素分类专题图,即把比原遥感图像的波段多一个通道的特征图作为输入。
进一步的,所述神经网络分类过程有两个滑动窗口遍历整个遥感图像及逐像素分类专题图,输入神经网络的特征图为将两个窗口中的各个波段数据及逐像素分类专题图拼接而成为一张的特征图,两个滑动窗口在原遥感图像和像素分类特征图上的位置必须位于相同的坐标且同步滑动。
进一步的,所述神经网络训练器将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播,具体包括:首先从样本集中取一批样本(X,YP),其中X是样本数字的向量,Y是X对应的期望值,P是0到9的数字,将X输入卷积神经网络,计算出相应的实际输出OP,OP=Fn(...F2(F1(XPW(1))W(2))W(n)),n是卷积神经网络的第n层,W表示权值,其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算,然后进行非线性变换,而降采样运算只采用最大池化操作,即最大池采样是通过一个滤波器提取上层网络结构的特征数据,不经过非线性运算,每次滤波后的最大值是数据降采样后的一个特征。
有益效果:本发明通过灰度处理器用于对采集步骤传输的原始遥感图像采用分量法进行灰度化处理,即将彩色图像中的三分量的亮度作为三个灰度图像的灰度值,这样就可以结合遥感图像对特征的敏感性,可以得到更为平均的灰度化处理图像,使得不会得到特征差别太大的图像,或者采用其他方法进行灰度化处理后删除掉一些特征较少的特征,降低了遥感图像的特征区间,这样就不利于遥感图像的分类处理的精确性;拟合步骤,用于使用直方图均衡化对灰度图像进行处理,得到均衡后灰度直方图,并采用低次样条函数对灰度直方图进行拟合,低次样条插值通常比多项式插值好用。用低阶的样条插值能产生和高阶的多项式插值类似的效果,并且可以避免被称为龙格现象的数值不稳定的出现。并且低阶的样条插值还具有“保凸”的重要性质。对拟合后的灰度直方图划分谷值区间,在高次样条函数拟合的基础上得到平滑可导的拟合曲线,由于遥感图像的非线性,它们是零散的,不仅不便于处理,而且通常不能确切和充分地体现出其固有的规律,这种缺陷正可由适当的拟合解析表达式来弥补处理;边缘检测步骤,用于采用基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘,并采用自适应阈值算法对边缘图像进行二值化,得到二值化后的遥感图像;所述遥感图像像素分类步骤,采用基于像元的分类,像元级像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性,但由于它是基于最原始的图像数据,能更多地保留图像原有的真实感,提供其它变化检测层次所不能提供的细微信息,因而目前绝大多数的变化检测方法都是像元级变化检测。利用像元的光谱信息、纹理信息、空间关联在内的信息对像元表示的地物类别属性进行判断并分类得到分类专题图;将遥感图中标记的场景和同样位置的逐像素分类专题图,或者场景数据库中的场景图及其对应的逐像素分类专题图进行拼接;所述拼接的具体方法为:通过在遥感图像N个波段之后加入一个新波段,当原场景图或从遥感图像上切割的输入场景图大小为n×n×b,其中n为图的宽度和高度,b为波段数;逐像素分类专题图为n×n×1;两图在波段维度进行拼接,拼接后的图片为n×n×(b+1);变化检测的三个层次在实现上各有优缺点,在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息,具有特征级和目标级层次上所不具备的细节信息,但像元级变化检测仅考虑像素属性的变化,而未考虑其空间等特征属性的变化;特征级变化检测不仅考虑到空间形状的变化,而且还要考虑特征属性的变化,但特征级的变化检测依赖于特征提取的结果,但特征提取本身比较困难;目标级的变化检测最大的优点是它接近用户的需求,检测的结果可直接应用,但它的不足之处在于目标提取的困难性。本发明创新性的采用这三种检测对遥感图像进行检测,正是分析了遥感图像复杂的特征,取这三种方法不同的优点相结合,能够全方位的分析神经网络训练器,用于对遥感图像像素分类步骤的分类专题图及原遥感图片上的各种场景制成训练集,输入卷积神经网络模型进行训练,得到要求精度的遥感图像场景的分类结果。本发明正是由于以上不可分割的步骤之间的作用,使得本发明遥感图像的分类提取准确、大大提高了分类效率。
附图说明
图1是本发明提供优选实施例的基于逐像素分类的遥感图像场景分类提取方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
如图1所示,一种基于逐像素分类的遥感图像场景分类提取方法,其包括:采集步骤、灰度处理步骤、拟合步骤、边缘检测步骤、遥感图像逐像素分类步骤、特征级变化检测步骤、目标级变化检测步骤及神经网络训练步骤;其中,所述采集步骤用于对原始遥感图像进行采集并传输给灰度处理步骤;所述灰度处理步骤用于对采集步骤采集的原始遥感图像采用分量法进行灰度化处理,即将彩色图像中的三分量的亮度作为三个灰度图像的灰度值;拟合步骤,用于使用直方图均衡化对灰度图像进行处理,得到均衡后灰度直方图,并采用低次样条函数对灰度直方图进行拟合,对拟合后的灰度直方图划分谷值区间,在低次样条函数拟合的基础上得到平滑可导的拟合曲线;边缘检测步骤,用于采用基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘,并采用自适应阈值算法对边缘图像进行二值化,得到二值化后的遥感图像;所述遥感图像像素分类步骤,采用基于像元的分类,利用像元的光谱信息、纹理信息、空间关联在内的信息对像元表示的地物类别属性进行判断并分类得到分类专题图;将遥感图中标记的场景和同样位置的逐像素分类专题图,或者场景数据库中的场景图及其对应的逐像素分类专题图进行拼接;所述拼接的具体方法为:通过在遥感图像N个波段之后加入一个新波段,当原场景图或从遥感图像上切割的输入场景图大小为n×n×b,其中n为图的宽度和高度,b为波段数;逐像素分类专题图为n×n×1;两图在波段维度进行拼接,拼接后的图片为n×n×(b+1);特征级变化检测步骤是从原始图像中提取特征信息,如边缘、形状、轮廓、纹理在内的特征,然后对这些特征信息进行综合分析与变化检测,包括并对特征进行关联处理,把特征分类成有意义的组合;所述目标级变化检测步骤主要检测目标对象的的变化检测;神经网络训练器,用于对遥感图像像素分类步骤的分类专题图及原遥感图片上的各种场景制成训练集,输入卷积神经网络模型进行训练,得到要求精度的遥感图像场景的分类结果;所述神经网络分类过程有两个滑动窗口遍历整个遥感图像及逐像素分类专题图,输入神经网络的特征图为将两个窗口中的各个波段数据及逐像素分类专题图拼接而成为一张的特征图,两个滑动窗口在原遥感图像和像素分类特征图上的位置必须位于相同的坐标且同步滑动;所述神经网络训练器将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播,具体包括:首先从样本集中取一批样本(X,YP),其中X是样本数字的向量,Y是X对应的期望值,P是0到9的数字,将X输入卷积神经网络,计算出相应的实际输出OP,OP=Fn(...F2(F1(XPW(1))W(2))W(n)),n是卷积神经网络的第n层,W表示权值,其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算,然后进行非线性变换,而降采样运算只采用最大池化操作,即最大池采样是通过一个滤波器提取上层网络结构的特征数据,不经过非线性运算,每次滤波后的最大值是数据降采样后的一个特征。
优选的,所述边缘检测步骤采用基于零交叉的方法采用的算子为拉普拉斯算子或Canny算子。
优选的,所述遥感图像像素分类步骤还采用包括SVM支持向量机或K最邻近、或者采用神经网络方法进行分类,其分类得到的特征图与原遥感图像分辨率、坐标一致。
优选的,所述神经网络训练器的输入数据为带有标签的场景特征图,该场景特征图除了场景的各个波段还会有额外一个通道为该场景的逐像素分类专题图,即把比原遥感图像的波段多一个通道的特征图作为输入。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种基于逐像素分类的遥感图像场景分类提取方法,其特征在于,包括:采集步骤、灰度处理步骤、拟合步骤、边缘检测步骤、遥感图像逐像素分类步骤、特征级变化检测步骤、目标级变化检测步骤及神经网络训练步骤;其中,所述采集步骤用于对原始遥感图像进行采集并传输给灰度处理步骤;所述灰度处理步骤用于对采集步骤采集的原始遥感图像采用分量法进行灰度化处理,即将彩色图像中的三分量的亮度作为三个灰度图像的灰度值;拟合步骤,用于使用直方图均衡化对灰度图像进行处理,得到均衡后灰度直方图,并采用低次样条函数对灰度直方图进行拟合,对拟合后的灰度直方图划分谷值区间,在低次样条函数拟合的基础上得到平滑可导的拟合曲线;边缘检测步骤,用于采用基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘,并采用自适应阈值算法对边缘图像进行二值化,得到二值化后的遥感图像;所述遥感图像像素分类步骤,采用基于像元的分类,利用像元的光谱信息、纹理信息、空间关联在内的信息对像元表示的地物类别属性进行判断并分类得到分类专题图;将遥感图中标记的场景和同样位置的逐像素分类专题图,或者场景数据库中的场景图及其对应的逐像素分类专题图进行拼接;所述拼接的具体方法为:通过在遥感图像N个波段之后加入一个新波段,当原场景图或从遥感图像上切割的输入场景图大小为n×n×b,其中n为图的宽度和高度,b为波段数;逐像素分类专题图为n×n×1;两图在波段维度进行拼接,拼接后的图片为n×n×(b+1);特征级变化检测步骤是从原始图像中提取特征信息,如边缘、形状、轮廓、纹理在内的特征,然后对这些特征信息进行综合分析与变化检测,包括并对特征进行关联处理,把特征分类成有意义的组合;所述目标级变化检测步骤主要检测目标对象的的变化检测;神经网络训练器,用于对遥感图像像素分类步骤的分类专题图及原遥感图片上的各种场景制成训练集,输入卷积神经网络模型进行训练,得到要求精度的遥感图像场景的分类结果;所述神经网络分类过程有两个滑动窗口遍历整个遥感图像及逐像素分类专题图,输入神经网络的特征图为将两个窗口中的各个波段数据及逐像素分类专题图拼接而成为一张的特征图,两个滑动窗口在原遥感图像和像素分类特征图上的位置必须位于相同的坐标且同步滑动;所述神经网络训练器将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播,具体包括:首先从样本集中取一批样本(X,YP),其中X是样本数字的向量,Y是X对应的期望值,P是0到9的数字,将X输入卷积神经网络,计算出相应的实际输出OP,OP=Fn(...F2(F1(XPW(1))W(2))W(n)),n是卷积神经网络的第n层,W表示权值,其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算,然后进行非线性变换,而降采样运算只采用最大池化操作,即最大池采样是通过一个滤波器提取上层网络结构的特征数据,不经过非线性运算,每次滤波后的最大值是数据降采样后的一个特征。
2.根据权利要求1所述的一种基于逐像素分类的遥感图像场景分类提取方法,其特征在于,所述边缘检测步骤采用基于零交叉的方法采用的算子为拉普拉斯算子或Canny算子。
3.根据权利要求1所述的一种基于逐像素分类的遥感图像场景分类提取方法,其特征在于,所述遥感图像像素分类步骤还采用包括SVM支持向量机或K最邻近、或者采用神经网络方法进行分类,其分类得到的特征图与原遥感图像分辨率、坐标一致。
4.根据权利要求3所述的一种基于逐像素分类的遥感图像场景分类提取方法,其特征在于,所述神经网络训练器的输入数据为带有标签的场景特征图,该场景特征图除了场景的各个波段还会有额外一个通道为该场景的逐像素分类专题图,即把比原遥感图像的波段多一个通道的特征图作为输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810091257.0A CN108399366A (zh) | 2018-01-30 | 2018-01-30 | 一种基于逐像素分类的遥感图像场景分类提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810091257.0A CN108399366A (zh) | 2018-01-30 | 2018-01-30 | 一种基于逐像素分类的遥感图像场景分类提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108399366A true CN108399366A (zh) | 2018-08-14 |
Family
ID=63095927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810091257.0A Pending CN108399366A (zh) | 2018-01-30 | 2018-01-30 | 一种基于逐像素分类的遥感图像场景分类提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399366A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284687A (zh) * | 2018-08-24 | 2019-01-29 | 武汉大学 | 一种基于室内机会信号增强的场景识别方法及装置 |
CN110717455A (zh) * | 2019-10-10 | 2020-01-21 | 北京同创信通科技有限公司 | 一种收储中的废钢等级分类检测方法 |
CN110765835A (zh) * | 2019-08-19 | 2020-02-07 | 中科院成都信息技术股份有限公司 | 一种基于边缘信息的手术视频流程识别方法 |
CN110932929A (zh) * | 2019-11-12 | 2020-03-27 | 上海卫星工程研究所 | Ccsds体制卫星遥测包分类提取方法、系统及介质 |
CN116091832A (zh) * | 2023-02-16 | 2023-05-09 | 哈尔滨工业大学 | 基于自编码器网络的肿瘤细胞切片高光谱图像分类方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542551A (zh) * | 2010-12-13 | 2012-07-04 | 北京师范大学 | 极地冰盖边缘浮冰自动变化检测技术 |
CN102708374A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合边缘信息和支持向量机对遥感图像进行分类的方法及装置 |
CN102854513A (zh) * | 2012-09-05 | 2013-01-02 | 环境保护部卫星环境应用中心 | 环境一号hj-1a/b星ccd数据的云检测方法 |
CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
CN102938073A (zh) * | 2012-10-23 | 2013-02-20 | 中国人民解放军空军工程大学 | 一种遥感图像的分类方法 |
CN103177261A (zh) * | 2013-03-06 | 2013-06-26 | 北方民族大学 | 一种基于图像识别技术的奶牛产奶量自动计量系统及其图像识别方法 |
CN103218796A (zh) * | 2013-05-14 | 2013-07-24 | 中国科学院自动化研究所 | 一种全色—多光谱遥感图像融合方法 |
CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
CN105160652A (zh) * | 2015-07-10 | 2015-12-16 | 天津大学 | 基于计算机视觉的手机外壳检验装置与方法 |
CN105320961A (zh) * | 2015-10-16 | 2016-02-10 | 重庆邮电大学 | 基于卷积神经网络和支持向量机的手写数字识别方法 |
CN105809194A (zh) * | 2016-03-08 | 2016-07-27 | 华中师范大学 | 一种sar影像翻译为光学影像的方法 |
CN106446936A (zh) * | 2016-09-06 | 2017-02-22 | 哈尔滨工业大学 | 基于卷积神经网络的空谱联合数据转波形图的高光谱数据分类方法 |
-
2018
- 2018-01-30 CN CN201810091257.0A patent/CN108399366A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542551A (zh) * | 2010-12-13 | 2012-07-04 | 北京师范大学 | 极地冰盖边缘浮冰自动变化检测技术 |
CN102708374A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合边缘信息和支持向量机对遥感图像进行分类的方法及装置 |
CN102854513A (zh) * | 2012-09-05 | 2013-01-02 | 环境保护部卫星环境应用中心 | 环境一号hj-1a/b星ccd数据的云检测方法 |
CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
CN102938073A (zh) * | 2012-10-23 | 2013-02-20 | 中国人民解放军空军工程大学 | 一种遥感图像的分类方法 |
CN103177261A (zh) * | 2013-03-06 | 2013-06-26 | 北方民族大学 | 一种基于图像识别技术的奶牛产奶量自动计量系统及其图像识别方法 |
CN103218796A (zh) * | 2013-05-14 | 2013-07-24 | 中国科学院自动化研究所 | 一种全色—多光谱遥感图像融合方法 |
WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
CN105160652A (zh) * | 2015-07-10 | 2015-12-16 | 天津大学 | 基于计算机视觉的手机外壳检验装置与方法 |
CN105320961A (zh) * | 2015-10-16 | 2016-02-10 | 重庆邮电大学 | 基于卷积神经网络和支持向量机的手写数字识别方法 |
CN105809194A (zh) * | 2016-03-08 | 2016-07-27 | 华中师范大学 | 一种sar影像翻译为光学影像的方法 |
CN106446936A (zh) * | 2016-09-06 | 2017-02-22 | 哈尔滨工业大学 | 基于卷积神经网络的空谱联合数据转波形图的高光谱数据分类方法 |
Non-Patent Citations (6)
Title |
---|
DONGSHUI ZHANG ET AL: "Remote sensing image classification with small training samples based on grey theory", 《2014 THIRD INTERNATIONAL WORKSHOP ON EARTH OBSERVATION AND REMOTE SENSING APPLICATIONS (EORSA)》 * |
何小飞等: "联合显著性和多层卷积神经网络的高分影像场景分类", 《测绘学报》 * |
刘丽雅: "基于国产GF-1的高寒山区土地利用/覆盖分类研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
李忠海: "图像直方图局部极值算法及其在边界检测中的应用", 《吉 林大学学报(信息科学版)》 * |
毛建旭等: "基于模糊高斯基函数神经网络的遥感图像分类", 《遥感技术与应用》 * |
邬莉莎: "基于"3S"技术的成都市主城区城市生态互检质量状况初步研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284687A (zh) * | 2018-08-24 | 2019-01-29 | 武汉大学 | 一种基于室内机会信号增强的场景识别方法及装置 |
CN109284687B (zh) * | 2018-08-24 | 2020-08-07 | 武汉大学 | 一种基于室内机会信号增强的场景识别方法及装置 |
CN110765835A (zh) * | 2019-08-19 | 2020-02-07 | 中科院成都信息技术股份有限公司 | 一种基于边缘信息的手术视频流程识别方法 |
CN110717455A (zh) * | 2019-10-10 | 2020-01-21 | 北京同创信通科技有限公司 | 一种收储中的废钢等级分类检测方法 |
CN110717455B (zh) * | 2019-10-10 | 2021-05-18 | 北京同创信通科技有限公司 | 一种收储中的废钢等级分类检测方法 |
CN110932929A (zh) * | 2019-11-12 | 2020-03-27 | 上海卫星工程研究所 | Ccsds体制卫星遥测包分类提取方法、系统及介质 |
CN116091832A (zh) * | 2023-02-16 | 2023-05-09 | 哈尔滨工业大学 | 基于自编码器网络的肿瘤细胞切片高光谱图像分类方法 |
CN116091832B (zh) * | 2023-02-16 | 2023-10-20 | 哈尔滨工业大学 | 基于自编码器网络的肿瘤细胞切片高光谱图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801256B (zh) | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 | |
CN108399366A (zh) | 一种基于逐像素分类的遥感图像场景分类提取方法 | |
CN107871124B (zh) | 一种基于深度神经网络的遥感图像目标检测方法 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
KR101977174B1 (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
CN104992142B (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
CN104346370B (zh) | 图像搜索、获取图像文本信息的方法及装置 | |
CN108647625A (zh) | 一种表情识别方法及装置 | |
CN108549870A (zh) | 一种对物品陈列进行鉴别的方法及装置 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN108182454A (zh) | 安检识别系统及其控制方法 | |
CN105303150B (zh) | 实现图像处理的方法和系统 | |
Izadi et al. | A new intelligent method for minerals segmentation in thin sections based on a novel incremental color clustering | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN106844614A (zh) | 一种户型图功能区域快速识别系统 | |
CN105608446A (zh) | 一种视频流异常事件的检测方法及装置 | |
CN106682696A (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN104680193B (zh) | 基于快速相似性网络融合算法的在线目标分类方法与系统 | |
CN104713835A (zh) | 一种烟叶颜色在线数值化识别方法 | |
CN108846416A (zh) | 显著图像的提取处理方法及系统 | |
Dimililer et al. | Automated classification of fruits: pawpaw fruit as a case study | |
CN108363967A (zh) | 一种遥感图像场景的分类系统 | |
CN110135237A (zh) | 一种手势识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180814 |