CN108491888B - 基于形态学分析的环境监测高光谱数据谱段选择方法 - Google Patents

基于形态学分析的环境监测高光谱数据谱段选择方法 Download PDF

Info

Publication number
CN108491888B
CN108491888B CN201810281648.9A CN201810281648A CN108491888B CN 108491888 B CN108491888 B CN 108491888B CN 201810281648 A CN201810281648 A CN 201810281648A CN 108491888 B CN108491888 B CN 108491888B
Authority
CN
China
Prior art keywords
spectrum
spectral
difference
curve
environmental monitoring
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
CN201810281648.9A
Other languages
English (en)
Other versions
CN108491888A (zh
Inventor
朱国康
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN201810281648.9A priority Critical patent/CN108491888B/zh
Publication of CN108491888A publication Critical patent/CN108491888A/zh
Application granted granted Critical
Publication of CN108491888B publication Critical patent/CN108491888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及基于形态学分析的环境监测高光谱数据谱段选择方法,与现有技术相比解决了高光谱数据包含成像质量不佳的谱段、谱段冗余度较高并且运算效率低的缺陷。本发明包括以下步骤:环境监测高光谱数据的获取;基于采样聚类的类别信息获取;计算光谱差异;形态极值点的提取;环境监测高光谱谱段的选择。本发明通过以非监督的方式获取像元的先验类别信息,使得所选择出来的谱段能够对图像中的类别具有很高的判别能力,能够有效选择出针对不同类别的目标而言信息差异较大的那些谱段。

Description

基于形态学分析的环境监测高光谱数据谱段选择方法
技术领域
本发明涉及图像数据处理技术领域,具体来说是基于形态学分析的环境监测高光谱数据谱段选择方法。
背景技术
高光谱图像由于其良好的光谱分辨率而备受学术界和工业界的关注,得益于高光谱图像在广阔的波长范围内所提供的丰富信息,其在很多实际应用中取得了新的进展,例如环境监测、生物学分析、医学成像、产品质量检测等。然而,高光谱图像中所包含数据量的增加,也在信息存储、显示、传输和处理等方面给人们带来了很多不便和负担。此外,高光谱图像中的光谱信息往往有很高的冗余性,具有一些我们所不期望的统计和几何特性。这些不足主要是因为高光谱图像是由数以百(千)计的谱段来表示,而相邻谱段间往往具有高度相关性。
在某些情况下,成像谱段数的增加通常有益于提供更丰富的信息,但这并不意味着所有的谱段对于实际应用而言都是有效的,很可能仅有少数几个谱段在起着关键的作用。特别是在环境监测领域中,监测系统往往需要应对幅员辽阔的地面区域,处理海量的高光谱图像。对于信息冗余度高、数据存储空间需求大、处理时间长的高光谱信息,监测系统难以有效利用。
为此,人们希望有一种特征选择技术来自动地选择出少数具有判别价值和物理意义的显著谱段来代表整幅图像而不失效力。这种技术被称为高光谱谱段选择(hyperspectral band selection),是高光谱图像处理与分析领域中极具吸引力的研究主题,也是高光谱成像技术走向实用化的核心环节之一。
现有技术中,针对于环境监测高光谱谱段选择技术可以分为两个大类:有监督的选择和非监督的选择。有监督的选择方法利用环境监测高光谱图像内各像元的先验类别信息,在谱段选择过程中以各谱段或谱段组合为基本单位,评估其对于监测图像内各类目标的分辨能力。非监督的方法不依赖于像元的先验类别信息,其直接依据谱段本身的光学、结构特性以及谱段间的相关性,来选取少量成像质量较高、互相之间冗余度较低的谱段。有监督的谱段选择由于能够利用像元的先验类别信息,使得所选择出来的谱段能够对图像中的类别具有很高的判别能力,也即能够有效选择出针对不同类别的目标而言信息差异较大的那些谱段。这种方法得出的谱段对于相应的应用而言,其效果往往优于非监督的方法。
然而,像元的先验类别信息并不总是能够预先获取的,由于环境监测高光谱数据量的异常庞大,不进行像元的先验类别信息提取,势必会造成极其庞大的运算量,以至于无法应用于实际的环境监测使用。因此,如何研究出更适应实际使用需求的高光谱数据谱段选择方法已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中高光谱数据包含成像质量不佳的谱段、谱段冗余度较高并且运算效率低的缺陷,提供一种基于形态学分析的环境监测高光谱数据谱段选择方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于形态学分析的环境监测高光谱数据谱段选择方法,包括以下步骤:
11)环境监测高光谱数据的获取,通过机载或星载高光谱成像仪获取地物的环境监测精细光谱信息;
12)基于采样聚类的类别信息获取,对环境监测精细光谱信息进行采样聚类,获取到包括K个类簇中心的聚类数据集;
13)计算光谱差异,基于类簇中心生成光谱描述曲线,针对光谱描述曲线进行差异计算,生成K·(K-1)/2光谱差值曲线;
14)形态极值点的提取,针对光谱差值曲线均提取出其形态极值点,得到K·(K-1)/2组极值点;
15)环境监测高光谱谱段的选择,对K·(K-1)/2组极值点进行统计,计算各个谱段作为极值点的频次fi,结合光谱差值曲线处理后将大于零的频次fi对应的谱段作为环境监测精细光谱信息选择出的高光谱谱段。
所述基于采样聚类的类别信息获取包括以下步骤:
21)设定每一次采样随机从图像中抽取一个2x2的图像块,每次采样得到4个像元;
22)随机进行N次采样,得到4xN个像元;
23)对4xN个像元利用通用聚类方法进行聚类,得到K个类簇中心,将K个类簇中心均加入到聚类数据集。
所述计算光谱差异包括以下步骤:
31)对聚类数据集里的K个类簇中心生成光谱描述图,光谱描述图中拥有K条光谱描述曲线,每条光谱描述曲线是通过同一类簇内所有像元光谱响应的均值计算,光谱描述图的X轴为光谱段、Y轴为在对应光谱段的光谱响应值;
32)以光谱描述曲线为对象,遍历光谱描述图,对光谱描述图内的光谱曲线两两组合求差,由K条光谱描述曲线得到K·(K-1)/2个光谱差值曲线。
所述形态极值点的提取包括以下步骤:
41)输入光谱差值曲线L;
42)对输入光谱差值曲线L进行极值点提取;
421)选取光谱差值曲线L的首、尾两个端点A、B,并以直线相连端点A、B,得到LAB
422)基于LAB,定位LAB与L的垂线{L⊥AB},获得垂线{L⊥AB}与L的交点ci和si,其中ci∈{L⊥AB}∩L、si∈{L⊥AB}∩LAB
423)找到距离最远的点对{c,s},最远的点对{c,s}表示c、s这两个点在一系列{{ci,si}}点对中距离最远,其是通过以下公式求得:
{c,s}=argmax//ci,si//2
s.t.ci∈{L⊥AB}∩L,si∈{L⊥AB}∩LAB
424)以点c将L分为两段得到L1、L2,将L1、L2分别作为L输入41)步骤进行循环;
425)直到所有子线段求出的点对{c,s}间的距离都小于经验阈值τ后停止循环,得到光谱差值曲线L的所有极值点;
43)对所有的光谱差值曲线L均进行极值点提取,得到K·(K-1)/2组极值点。
所述环境监测高光谱谱段的选择包括以下步骤:
51)对K·(K-1)/2组极值点进行分别统计,计数得到各谱段作为极值点的频次{fi};
52)对F={fi}进行滑窗处理,滑窗尺寸为5,窗口内所有谱段的极值点频次累加至该窗口内极值点频次最高的谱段上且余者至零,其表达式如下:
Figure BDA0001614822100000041
若fi=max({fj}|j∈[i-2,i+2]),否则fi=0;
53)依据滑窗处理后的{fi}从大到小排序,fi越大表示该谱段对高光谱图像中各类目标的判别能力更强,将大于零的频次fi对应的谱段作为环境监测精细光谱信息选择出的谱段。
有益效果
本发明的基于形态学分析的环境监测高光谱数据谱段选择方法,与现有技术相比采用聚类的方式找出高光谱图像中最具代表性的几类目标,然后选择出在这几类目标上类间差异最大的谱段;其无需人工指定选定谱段的数量,能够自动产生谱段选择的最优结果。
本发明通过以非监督的方式获取像元的先验类别信息,使得所选择出来的谱段能够对图像中的类别具有很高的判别能力,能够有效选择出针对不同类别的目标而言信息差异较大的那些谱段。具有计算复杂度低、计算效率高的特点。
附图说明
图1为本发明的方法顺序图;
图2为本发明的基于采样聚类的类别信息获取步骤中不同q率下的概率P与图像块数量N曲线关系图;
图3为本发明的计算光谱差异步骤中某环境监测高光谱图像聚类得到K=15个类簇中心作为图像内目标的光谱描述图;
图4为图3中某两个类簇中心的光谱差值曲线图;
图5为本发明中形态极值点的提取步骤的提取过程示意图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的基于形态学分析的环境监测高光谱数据谱段选择方法,采用聚类的方式找出高光谱图像中最具代表性的几类目标,然后选择出在这几类目标上类间差异最大的谱段。假设某个环境监测谱段B1、B2在目标O1上的响应值分别是B1,1=1、B2,1=1,在目标O2上的值分别是B1,2=100、B2,2=1.5,那么B1对{O1,O2}的判别能力高于B2,以此将光谱B1选择出来作为{O1,O2}具有针对性、代表性的环境监测光谱,再针对光谱B1进行环境监测所需的后续分析,得到相应的监测结果。
其包括以下步骤:
第一步,环境监测高光谱数据的获取。通过机载或星载高光谱成像仪按传统方式获取地物的环境监测精细光谱信息。
第二步,基于采样聚类的类别信息获取。对环境监测精细光谱信息进行采样聚类,获取到包括K个类簇中心的聚类数据集。
传统技术中,以聚类的方式获取高光谱图像类别信息的计算代价巨大。例如,对于一个幅宽300*300,具有200个谱段的高光谱图像而言,如果对其所有像元进行k-means操作,这PC上约需20s的CPU计算时间。而高光谱谱段选择作为环境监测图像处理的前置技术,在计算速度上有很高的要求。因此,直接对高光谱图像的所有像元进行聚类操作在谱段选择这个问题上不适用。
从数据的角度出发,如果能够抽取少量的数据样本(比如1000个像元)代表全体数据(比如100000像元)进行聚类,那么聚类过程的时间代价就能够得到大大缩减。然而,抽样过程必须保证图像中所包含的物质类别都能被顺利抽取到了。其具体步骤如下:
(1)设定每一次采样随机从图像中抽取一个2x2的图像块,每次采样得到4个像元。
(2)随机进行N次采样,得到4xN个像元。
(3)对4xN个像元利用通用聚类方法进行聚类,得到K个类簇中心,将K个类簇中心均加入到聚类数据集。
通过以上抽样过程,能够保证抽样而不丢失类别信息的可靠性,其证明如下:
假设原始图像有M个像元,某类目标Ok占据R个像元,那么随机抽取一个图像块时能够击中这个类别的概率是q=4R/M。随机抽取N次图像块,至少抽取到1个Ok类别的像元的概率是:
P=P’(1)+P’(2)+P’(3)+…+P’(N),
其中P’(i)是在N次抽样中抽取到i个Ok类别像元的概率。由概率分布可知:
Figure BDA0001614822100000061
P-N曲线如图2所示,其中,横轴表示N次采样,纵轴表示击中概率P,图2中,P趋向于1,由此从理论上证明了抽样而不丢失类别信息的可靠性。因此,可以通过本发明的抽样技术进行有效抽样后再进行聚类以得到类别信息。对4xN个像元的聚类过程可用k-means、fuzzy c-means等通用聚类算法进行,聚类后以类簇中心作为高光谱图像内所包含目标类型的光谱描述。
第三步,计算光谱差异。在第二步,获取类别信息后需要衡量各个谱段对目标的分辨能力。常用的方法是通过Jeffries-Matusita(JM)距离来计算。然而,使用JM距离不会考虑各谱段本身的局部邻域关系,有可能扎堆选择出一些谱段。比如对{1:200}谱段选择5个谱段,选择结果有可能集中于190~200范围内。而由于毗邻谱段的光谱特性高度相关,不考虑谱段间的邻域关系直接选择出的结果可能具有很高的特征冗余度。
在此,本发明基于类簇中心生成光谱描述曲线,针对光谱描述曲线进行差异计算,生成K·(K-1)/2光谱差值曲线。其具体步骤如下:
(1)对聚类数据集里的K个类簇中心按坐标系呈现直接生成光谱描述图(类簇中心的信号用坐标图描述)。光谱描述图中拥有K条光谱描述曲线,每条光谱描述曲线是通过同一类簇内所有像元光谱响应的均值计算,光谱描述图的X轴为光谱段、Y轴为在对应光谱段的光谱响应值。以某环境监测高光谱图像聚类得到K=15个类簇为例,各类簇中心的光谱描述图如图3所示。图3中,X轴为谱段,Y轴为光谱响应值。
(2)以光谱描述曲线为对象,遍历光谱描述图,对光谱描述图内的光谱曲线两两组合求差,由K条光谱描述曲线得到K·(K-1)/2个光谱差值曲线。如图4所示,其为图3的光谱描述图中某两个类簇中心的光谱差值曲线图,图4中,X轴为谱段,Y轴为光谱响应差值。
第四步,形态极值点的提取。针对光谱差值曲线均提取出其形态极值点,得到K·(K-1)/2组极值点。如图5所示,图5中上排从左至右、下排从左至右为形态极值点的提取示意过程。
其具体步骤如下:
(1)输入光谱差值曲线L;
(2)对输入光谱差值曲线L进行极值点提取,其提取过程如图5的所示。
A、选取光谱差值曲线L的首、尾两个端点A、B,并以直线相连端点A、B,得到LAB
B、基于LAB,定位LAB与L的垂线{L⊥AB},获得垂线{L⊥AB}与L的交点ci和si,其中ci∈{L⊥AB}∩L、si∈{L⊥AB}∩LAB
C、找到距离最远的点对{c,s},最远的点对{c,s}表示c、s这两个点在一系列{{ci,si}}点对中距离最远,其是通过以下公式求得:
{c,s}=argmax//ci,si//2
s.t.ci∈{L⊥AB}∩L,si∈{L⊥AB}∩LAB
D、以点c将L分为两段得到L1、L2,将L1、L2分别作为L输入41)步骤进行循环;
E、直到所有子线段求出的点对{c,s}间的距离都小于经验阈值τ后停止循环,得到光谱差值曲线L的所有极值点;
(3)对所有的光谱差值曲线L均进行极值点提取,得到K·(K-1)/2组极值点。
在此,以图4所示的光谱差值曲线图为例,图4中方块所指示的局部极值点位置表示,该位置所对应的谱段在对两种目标进行区分时,其判别力与毗邻谱段相比具有显著差异。这些极值点中,凸出点就是针对这两个聚类中心而言,判别能力的局部最强点。
第五步,环境监测高光谱谱段的选择。对K·(K-1)/2组极值点进行统计,计算各个谱段作为极值点的频次fi,结合局部处理后将大于零的频次fi的谱段作为环境监测精细光谱信息的谱段选择结果。其具体步骤如下:
(1)对K·(K-1)/2组极值点进行分别统计,计数得到各谱段作为极值点的频次{fi}。例如第20个谱段在第1条差值曲线中作为极值点出现,又在第2条差值曲线中作为极值点出现,累积出现两次,则f20=2。
(2)对F={fi}进行滑窗处理,滑窗尺寸为5,窗口内所有谱段的极值点频次累加至该窗口内极值点频次最高的谱段上且余者至零。考虑到谱段间邻域高度相关,在一个比较窄的谱段范围内只需选取一个谱段,因此采样局部的“赢者全拿”(winner-take-all)操作,将局部极值点频次累加至局部优胜者身上。其表达式如下:
Figure BDA0001614822100000081
若fi=max({fj}|j∈[i-2,i+2]),否则fi=0。
(3)依据滑窗处理后的{fi}从大到小排序,fi越大表示该谱段对高光谱图像中各类目标的判别能力更强,将大于零的频次fi对应的谱段作为环境监测精细光谱信息的高光谱谱段。
依据“赢者全拿”后的fi值进行排序及阈值划分得到谱段选择结果,fi越大表示该谱段对高光谱图像中各类目标的判别能力更强。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种基于形态学分析的环境监测高光谱数据谱段选择方法,其特征在于,包括以下步骤:
11)环境监测高光谱数据的获取,通过机载或星载高光谱成像仪获取地物的环境监测精细光谱信息;
12)基于采样聚类的类别信息获取,对环境监测精细光谱信息进行采样聚类,获取到包括K个类簇中心的聚类数据集;
13)计算光谱差异,基于类簇中心生成光谱描述曲线,针对光谱描述曲线进行差异计算,生成K·(K-1)/2光谱差值曲线;
14)形态极值点的提取,针对光谱差值曲线均提取出其形态极值点,得到K·(K-1)/2组极值点;所述形态极值点的提取包括以下步骤:
41)输入光谱差值曲线L
42)对输入光谱差值曲线L进行极值点提取;
421)选取光谱差值曲线L的首、尾两个端点AB,并以直线相连端点AB,得到L AB
422)基于L AB, 定位L AB L的垂线{L ⊥AB },获得垂线{L ⊥AB }与L的交点c i s i ,其中c i ∈{L ⊥AB }∩Ls i ∈{L ⊥AB }∩L AB
423)找到距离最远的点对{c ,s},最远的点对{c ,s}表示c、s这两个点在一系列{{ci, si} }点对中距离最远,其是通过以下公式求得:
{c, s} = argmax||c i , s i || 2
s.t. c i ∈{L ⊥AB }∩L, s i ∈{L ⊥AB }∩L AB
424)以点cL分为两段得到L 1 L 2 ,将L 1 L 2 分别作为L输入41)步骤进行循环;
425)直到所有子线段求出的点对{c,s}间的距离都小于经验阈值τ后停止循环得到光谱差值曲线L的所有极值点;
43)对所有的光谱差值曲线L均进行极值点提取,得到K·(K-1)/2组极值点;
15)环境监测高光谱谱段的选择,对K·(K-1)/2组极值点进行统计,计算各个谱段作为极值点的频次f i ,结合光谱差值曲线处理后将大于零的频次f i 对应的谱段作为环境监测精细光谱信息选择出的高光谱谱段。
2.根据权利要求1所述的基于形态学分析的环境监测高光谱数据谱段选择方法,其特征在于,所述基于采样聚类的类别信息获取包括以下步骤:
21)设定每一次采样随机从图像中抽取一个2x2的图像块,每次采样得到4个像元;
22)随机进行N次采样,得到4xN个像元;
23)对4xN个像元利用通用聚类方法进行聚类,得到K个类簇中心,将K个类簇中心均加入到聚类数据集。
3.根据权利要求1所述的基于形态学分析的环境监测高光谱数据谱段选择方法,其特征在于,所述计算光谱差异包括以下步骤:
31)对聚类数据集里的K个类簇中心生成光谱描述图,光谱描述图中拥有K条光谱描述曲线,每条光谱描述曲线是通过同一类簇内所有像元光谱响应的均值计算,光谱描述图的X轴为光谱段、Y轴为在对应光谱段的光谱响应值;
32)以光谱描述曲线为对象,遍历光谱描述图,对光谱描述图内的光谱曲线两两组合求差,由K条光谱描述曲线得到K·(K-1)/2个光谱差值曲线。
4.根据权利要求1所述的基于形态学分析的环境监测高光谱数据谱段选择方法,其特征在于,所述环境监测高光谱谱段的选择包括以下步骤:
41)对K·(K-1)/2组极值点进行分别统计,计数得到各谱段作为极值点的频次{f i }
42)对F={f i }进行滑窗处理,滑窗尺寸为5,窗口内所有谱段的极值点频次累加至该窗口内极值点频次最高的谱段上且余者至零,其表达式如下:
Figure DEST_PATH_IMAGE001
Figure 863201DEST_PATH_IMAGE002
,否则
Figure DEST_PATH_IMAGE003
43)依据滑窗处理后的{fi}从大到小排序,fi越大表示该谱段对高光谱图像中各类目标的判别能力更强,将大于零的频次fi对应的谱段作为环境监测精细光谱信息选择出的谱段。
CN201810281648.9A 2018-04-02 2018-04-02 基于形态学分析的环境监测高光谱数据谱段选择方法 Active CN108491888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810281648.9A CN108491888B (zh) 2018-04-02 2018-04-02 基于形态学分析的环境监测高光谱数据谱段选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810281648.9A CN108491888B (zh) 2018-04-02 2018-04-02 基于形态学分析的环境监测高光谱数据谱段选择方法

Publications (2)

Publication Number Publication Date
CN108491888A CN108491888A (zh) 2018-09-04
CN108491888B true CN108491888B (zh) 2020-07-14

Family

ID=63317974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810281648.9A Active CN108491888B (zh) 2018-04-02 2018-04-02 基于形态学分析的环境监测高光谱数据谱段选择方法

Country Status (1)

Country Link
CN (1) CN108491888B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906750B (zh) * 2021-01-25 2022-04-29 浙江大学 一种基于高光谱图像的材质分析方法及系统
CN115564743B (zh) * 2022-10-18 2023-11-03 故宫博物院 纸张典型光谱提取方法、装置及相关设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9213915B2 (en) * 2013-03-15 2015-12-15 Raytheon Company Sparse adaptive filter
CN103488997B (zh) * 2013-09-09 2018-03-30 南京小网科技有限责任公司 基于各类重要波段提取的高光谱图像波段选择方法
CN105913092B (zh) * 2016-04-25 2019-03-26 西安电子科技大学 基于子空间学习的图正则高光谱图像波段选择方法
US9977962B2 (en) * 2016-07-01 2018-05-22 The Boeing Company Method and apparatus for on-board software selection of bands of a hyperspectral sensor based on simulated spectral representation of the region of interest
CN106778680B (zh) * 2017-01-06 2018-06-26 杭州电子科技大学 一种基于关键波段提取的高光谱图像波段选择方法及装置
CN107220662B (zh) * 2017-05-16 2019-07-19 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
CN107451606B (zh) * 2017-07-13 2020-08-11 西安电子科技大学 基于局部聚类比例排序的高光谱波段选择方法

Also Published As

Publication number Publication date
CN108491888A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
Zhu et al. Online multi-object tracking with dual matching attention networks
Es-saady et al. Automatic recognition of plant leaves diseases based on serial combination of two SVM classifiers
Kembhavi et al. Vehicle detection using partial least squares
Zhao et al. Completed robust local binary pattern for texture classification
Dubey et al. Infected fruit part detection using K-means clustering segmentation technique
Yogesh et al. Computer vision based analysis and detection of defects in fruits causes due to nutrients deficiency
CN110335233B (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN105513066B (zh) 一种基于种子点选取与超像素融合的通用物体检测方法
Thalji et al. Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding
CN109344842A (zh) 一种基于语义区域表达的行人重识别方法
Hao et al. An advanced superpixel-based Markov random field model for unsupervised change detection
Jabid et al. Insulator detection and defect classification using rotation invariant local directional pattern
CN108491888B (zh) 基于形态学分析的环境监测高光谱数据谱段选择方法
Lu et al. Curve-structure segmentation from depth maps: A cnn-based approach and its application to exploring cultural heritage objects
CN108921872B (zh) 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法
Wu et al. NDMFCS: An automatic fruit counting system in modern apple orchard using abatement of abnormal fruit detection
Li et al. Texture analysis of remote sensing imagery with clustering and Bayesian inference
Wang et al. Scene text detection with novel superpixel based character candidate extraction
US20130268465A1 (en) Methods and systems for computer-based selection of identifying input for class differentiation
Cai et al. A target tracking method based on KCF for omnidirectional vision
CN110766655A (zh) 一种基于丰度的高光谱图像显著性分析方法
Wu et al. Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy
Gironés et al. Real-time text localization in natural scene images using a linear spatial filter
CN110704667A (zh) 一种基于语义信息的快速相似图检测算法
Guo et al. Fault diagnosis of power equipment based on infrared image analysis

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