CN108596244A - 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 - Google Patents
一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 Download PDFInfo
- Publication number
- CN108596244A CN108596244A CN201810361740.6A CN201810361740A CN108596244A CN 108596244 A CN108596244 A CN 108596244A CN 201810361740 A CN201810361740 A CN 201810361740A CN 108596244 A CN108596244 A CN 108596244A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- training sample
- spectrum angle
- density
- noise
- 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
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
-
- 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
- G06F18/23—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Abstract
本发明公开了一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法。包括以下步骤:首先利用光谱角度映射器度量每一类中不同训练样本之间的差异程度。其次基于密度峰值聚类算法利用训练样本之间的光谱角度获得每个训练样本的局部密度。然后,基于每一类训练样本的局部密度引入k最近邻域算法作为决策函数来检测并去除噪声标签。最后,利用支持向量机评估所提出的方法针对高光谱图像监督分类中噪声标签检测和去除的有效性。本发明通过光谱角度映射器、密度峰值聚类和k最近邻域的算法特性融合,能够同时有效的提升高光谱监督分类器和监督空谱分类方法的分类精度。此外,该发明还能有效提升在噪声图像的场景分类和训练样本数目少的情况下的分类性能。
Description
技术领域
本发明涉及一种高光谱图像噪声标签检测方法,更具体的说是一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法。
背景技术
高光谱图像由数百个窄的连续波段组成,其中包括有关图像场景识别和分类的详细光谱和空间信息。然而,高光谱图像监督分类中需要确保标记的训练样本是完全正确,这样才能使用标记的样本数据对分类器进行训练,得到正确的训练模型然后用于对未标记的样本数据进行分类。但是,标记样本数据需要大量的地面调查和丰富的有关捕获场景的先验知识。因此当GPS系统出现定位误差、捕获的场景极其复杂而无法进行地面调查或者捕获场景分辨率以内包含多种地物,将会引入噪声标签从而导致监督分类器和空谱分类方法分类性能下降。近年来,在传统的自然图像领域一系列噪声标签的解决和优化方案被研究者提出。例如,一种图像空间信息上下文敏感性的半监督支持向量机被提出,该算法对具有错误标记像素的超高分辨率图像显示出了鲁棒的分类性能;一种基于支持向量机回归模型利用扰动影响值的指标检测噪声标签提高分类性能;同时基于超像素和深度学习网络检测噪声标签的方法也被提出。然而,上述方法并没有直接扩展应用于高光谱图像标签噪声检测领域,它们最初被提出来是处理仅包含几个波段的图像或应用于一般的计算机视觉领域。
发明内容
针对高光谱图像中噪声标签的现象在解决高光谱分类问题上的优势和劣势,本发明提供了一种光谱角度密度峰值的高光谱图像标签噪声检测方法。本发明通过融合光谱角度映射器、密度峰值聚类和k最近邻域的算法特性,从而检测和去除监督分类中的噪声标签同时提升了高光谱图像监督分类的分类精度,解决了在图像标签噪声严重的情况下的分类难题。
本发明解决上述技术问题的技术方案包括以下步骤:
1)利用光谱角度映射器度量每一类中不同训练样本之间的差异程度。
2)基于密度峰值聚类算法利用训练样本之间的光谱角度获得每个训练样本的局部密度。
3)根据每一类训练样本的局部密度引入k最近邻域算法作为决策函数来检测并去除噪声标签。
由于采用上述技术方案,本发明的技术效果在于:本发明提出的高光谱图像噪声标签检测方法是一种光谱角度密度峰值的高光谱图像标签噪声检测方法。本发明通过光谱角度映射器、密度峰值聚类和k最近邻域的算法特性融合,能够同时有效的提升高光谱监督分类器和监督空谱分类方法的分类精度。该分类方法既能提高监督分类中的分类结果同时能够有效降低训练样本集中存在少数噪声标签时误分类情况,还能极大提升噪声和光谱混合严重的情况下的分类精度,因此对图像的预处理分析及其在实际应用中具有重大意义和实用价值。
附图说明
图1为本发明提出的一种光谱角度峰值密度的高光谱图像标签噪声检测方法示意图;
图2为在不同数量的噪声标签下原始训练样本集合经提出的方法改善的训练样本集获得的高光谱图像分类结果比较。
具体实施方式
图1为本发明提出的一种光谱角度峰值密度的高光谱图像标签噪声检测方法,输入为高光谱图像含噪声标签的训练样本集,输出为改善的训练样本集、分类结果图。如图1所示,本发明各部分具体实施细节如下:
1.利用光谱角度映射器度量每一类中不同训练样本之间的差异程度。
1)提取差分形态学序列的具体实施细节如下:
首先,对于高光谱监督分类,假设原始噪声训练样本集为,L为类别总数,为训练样本集中第l类的训练样本。选取第l类的两个训练样本和,光谱角度计算如下:
(1)
然后,使得第l类的所有训练样本和第l类的第n个样本计算光谱角度。第n个样本的光谱角矢量可以用下式表示:
(2)
其中,N l表示第l类样本总数。因此,光谱角矩阵可以被构造为。
其中,光谱角度映射器算法的体实施细节请参考Y. Du, C. Chang, and H. Ren,“New hyperspectral discrimination measure for spectral characterization,”OpticalEngineering, vol. 43, no. 8, pp. 1777-1786, 2004.
2)基于密度峰值聚类算法利用训练样本之间的光谱角度获得每个训练样本的局部密度具体实施细节如下:
计算局部密度主要包括两个步骤:首先,截止光谱角由下式得出:
(3)
其中,是由矩阵中上三角的非零元素按升序排列的向量,p为实验部分中设定的参数,同时<·>指代循环操作。
第二,在截止光谱角中,第l类样本的局部密度可以计算得到如下:
(4)
其中,密度峰值聚类算法的体实施细节请参考A. Rodriguez and A. Laio, “Machinelearning.clustering by fast searchand find of density peaks,” Science, vol.344, no. 6191, pp. 1492-1496,
Jun. 2014.
2)根据每一类训练样本的局部密度引入k最近邻域算法作为决策函数来检测并去除噪声标签具体实施细节如下:
首先,针对所有类别,每一类的局部密度的异常阈值通过以下方式可以的到:
(5)
注意是按升序排列的密度,k为最近邻域的半径。其中k最近邻域算法具体实施细节请参考M. Cui, and S. Prasad, “Class-dependent sparse representationclassifierfor robust hyperspectral image classification,” IEEE Trans.Geosci.Remote Sens., vol. 53, no. 5, pp. 2683-2695, Apr. 2015.
然后,利用局部密度的异常阈值,错误标记的训练样本可以被有效地检测并移除如下:
(6)
最后,表示改进的训练样本集,其中该算法在噪声训练样本集上一直执行迭代检测以更进一步检测并去除噪声标签提高分类精度。
本发明所提供的方法改善的训练样本集与含有不同数量的噪声标签的原始训练样本集用支持向量机分类得到的高光谱图像进行了比较。
附图2是我们方法改善的训练样本集与不同噪声标签下训练样本集的分类结果比较。图2中的测试高光谱图像是由AVIRIS传感器在佛罗里达州肯尼迪航天中心拍摄获取的,该图像由224个光谱波段构成,每个波段的空间尺寸为512×614,空间分辨率为18米,光谱分辨率为0.4微米-2.5微米。图2中第一排左起第一幅图像为由高光谱图像中三个波段构成的伪彩色图像,第二幅图像为已标定的真实分类结果,第三幅为解释分类结果中不同颜色与不同地物的一一对应关系图例;第二排左起第一幅图像为利用支持向量机在含有3个噪声标签下获得的分类结果,第二幅图像为利用像支持向量机在含有6个噪声标签下获得的分类结果,第三幅图像为利用支持向量机在含有9个噪声标签下获得的分类结果,第四幅图像为利用支持向量机在含有12个噪声标签下获得的分类结果。第三排左起第一幅图像为在含有3个噪声标签下经提出的方法对噪声标签检测和去除后利用支持向量机获得的分类结果,第一幅图像为在含有6个噪声标签下经提出的方法对噪声标签检测和去除后利用支持向量机获得的分类结果,第一幅图像为在含有9个噪声标签下经提出的方法对噪声标签检测和去除后利用支持向量机获得的分类结果,第一幅图像为在含有12个噪声标签下经提出的方法对噪声标签检测和去除后利用支持向量机获得的分类结果。
图2中(b)(g)、(c)(h)、(d)(i)、(e)(j)分别为含有3、6、9、12个噪声标签下通过支持向量机得到分类结果图,其中(b)、(c)、(d)、(e)所用训练样本集是通过本发明改善后经支持向量机得到的分类图,(g)、(h)、(i)、(j)所用训练样本集是不经改善用支持向量机得到的分类图。如图2(e)(j)分类图对比支持向量机通过原始训练样本集(j)在对于泥地松和水两种地物出现明显的误分类结果,从而导致分类图中这些地物所在的平滑区域出现斑点状视觉效果,同时在盐沼和白菜棕榈/橡木两种地物所在的结构、纹理区域也出现了不同程度的明显误分类结果。而如(b)-(e)所示,本发明提出方法对训练样本集改善以后即能有效保证平滑区域的高精度分类结果,又能够极大降低纹理结构密集区域的误分类结果。实验证明本方法能够有效的检测和去除原始训练样本集中的噪声标签同时改善过的训练样本集用于训练能过获得的高光谱图像分类结果与原始训练样本集用于训练得到的高光谱图像分类结果,分类精度更高,因此具有更大的实用价值。
表1附图2所示的图像分类噪声标签检测实验中训练样本和噪声标签样本的数量
表2附图2所示支持向量机在不同训练样本集下图像分类结果的客观评价
Claims (4)
1.一种光谱角度峰值密度的高光谱图像标签噪声检测方法,包括以下具体步骤:
1)利用光谱角度映射器度量每一类中不同训练样本之间的差异程度;
2)基于密度峰值聚类算法利用训练样本之间的光谱角度获得每个训练样本的局部密度;
3)根据每一类训练样本的局部密度引入k最近邻域算法作为决策函数来检测并去除噪声标签。
2.根据权利要求1所述的光谱角度峰值密度的高光谱图像标签噪声检测方法,其特征在于,所述的步骤1)的具体特征为:利用光谱角度映射器度量每一类中不同训练样本之间的光谱角度,利用光谱角度反映出不同训练样本之间的差异程度。
3.根据权利要求1所述的光谱角度峰值密度的高光谱图像标签噪声检测方法,其特征在于,所述的步骤2)的具体特征为:以训练样本之间的光谱角度作为度量关系,同时基于密度峰值聚类算法获得每个训练样本的局部密度。
4.根据权利要求1所述的光谱角度峰值密度的高光谱图像标签噪声检测方法,其特征在于,所述的步骤3)的具体特征为:根据每一类训练样本的局部密度引入k最近邻域算法作为决策函数来检测并去除噪声标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810361740.6A CN108596244A (zh) | 2018-04-20 | 2018-04-20 | 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810361740.6A CN108596244A (zh) | 2018-04-20 | 2018-04-20 | 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596244A true CN108596244A (zh) | 2018-09-28 |
Family
ID=63614421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810361740.6A Pending CN108596244A (zh) | 2018-04-20 | 2018-04-20 | 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596244A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046639A (zh) * | 2019-01-10 | 2019-07-23 | 湖南理工学院 | 一种基于超像素权重密度的高光谱影像噪声标签检测方法 |
CN113269693A (zh) * | 2021-06-11 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于谱空间图的电力设备高光谱图像标签降噪方法 |
CN113469270A (zh) * | 2021-07-16 | 2021-10-01 | 西安邮电大学 | 基于分解多目标差分进化超像素的半监督直觉聚类方法 |
CN113554146A (zh) * | 2020-04-26 | 2021-10-26 | 华为技术有限公司 | 一种校验标注数据的方法、模型训练的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751666A (zh) * | 2009-10-16 | 2010-06-23 | 西安电子科技大学 | 基于谱聚类的半监督多光谱遥感图像分割方法 |
US20130272617A1 (en) * | 2011-08-29 | 2013-10-17 | Lawrence Livermore National Security, Llc | Spatial clustering of pixels of a multispectral image |
CN104268579A (zh) * | 2014-10-14 | 2015-01-07 | 哈尔滨工业大学 | 基于分层集成学习的高光谱遥感图像分类方法 |
US20150016712A1 (en) * | 2013-04-11 | 2015-01-15 | Digimarc Corporation | Methods for object recognition and related arrangements |
CN106778859A (zh) * | 2016-12-12 | 2017-05-31 | 中国科学院重庆绿色智能技术研究院 | 一种基于数据密度峰值的自标记半监督分类方法及装置 |
-
2018
- 2018-04-20 CN CN201810361740.6A patent/CN108596244A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751666A (zh) * | 2009-10-16 | 2010-06-23 | 西安电子科技大学 | 基于谱聚类的半监督多光谱遥感图像分割方法 |
US20130272617A1 (en) * | 2011-08-29 | 2013-10-17 | Lawrence Livermore National Security, Llc | Spatial clustering of pixels of a multispectral image |
US20150016712A1 (en) * | 2013-04-11 | 2015-01-15 | Digimarc Corporation | Methods for object recognition and related arrangements |
CN104268579A (zh) * | 2014-10-14 | 2015-01-07 | 哈尔滨工业大学 | 基于分层集成学习的高光谱遥感图像分类方法 |
CN106778859A (zh) * | 2016-12-12 | 2017-05-31 | 中国科学院重庆绿色智能技术研究院 | 一种基于数据密度峰值的自标记半监督分类方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046639A (zh) * | 2019-01-10 | 2019-07-23 | 湖南理工学院 | 一种基于超像素权重密度的高光谱影像噪声标签检测方法 |
CN113554146A (zh) * | 2020-04-26 | 2021-10-26 | 华为技术有限公司 | 一种校验标注数据的方法、模型训练的方法及装置 |
WO2021218226A1 (zh) * | 2020-04-26 | 2021-11-04 | 华为技术有限公司 | 一种校验标注数据的方法、模型训练的方法及装置 |
CN113269693A (zh) * | 2021-06-11 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于谱空间图的电力设备高光谱图像标签降噪方法 |
CN113469270A (zh) * | 2021-07-16 | 2021-10-01 | 西安邮电大学 | 基于分解多目标差分进化超像素的半监督直觉聚类方法 |
CN113469270B (zh) * | 2021-07-16 | 2023-08-11 | 西安邮电大学 | 基于分解多目标差分进化超像素的半监督直觉聚类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
Zhou et al. | Multiscale water body extraction in urban environments from satellite images | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
KR101995294B1 (ko) | 영상 분석 장치 및 방법 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及系统 | |
CN108596244A (zh) | 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 | |
CN104657706B (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
CN108765386A (zh) | 一种隧道裂缝检测方法、装置、电子设备及存储介质 | |
CN107622280B (zh) | 基于场景分类的模块化处方式图像显著性检测方法 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
CN107808126A (zh) | 车辆检索方法及装置 | |
Nascimento et al. | Automated computational delimitation of SST upwelling areas using fuzzy clustering | |
CN107067037B (zh) | 一种使用llc准则定位图像前景的方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN109977899B (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 | |
CN102385592A (zh) | 图像概念的检测方法和装置 | |
CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
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 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN108280469A (zh) | 一种基于稀疏表示的超市商品图像识别方法 |
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: 20180928 |