CN108734199A - 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 - Google Patents
基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 Download PDFInfo
- Publication number
- CN108734199A CN108734199A CN201810370524.8A CN201810370524A CN108734199A CN 108734199 A CN108734199 A CN 108734199A CN 201810370524 A CN201810370524 A CN 201810370524A CN 108734199 A CN108734199 A CN 108734199A
- Authority
- CN
- China
- Prior art keywords
- matrix
- low
- max
- test
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 title abstract description 3
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 5
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
-
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。首先,为了尽可能降低噪声对特征提取的影响,使用基于堆栈去噪自编码器网络对高光谱图像进行无监督地特征提取;然后,通过充分挖掘高光谱图像中类内的相似性及类间的差异性,建立基于低秩表示的鲁棒分类器;最后,采用有效的优化方法对目标函数进行优化求解。在训练数据中存在噪声的情况下,也能获得较好的分类效果。
Description
技术领域
本发明属高光谱图像处理技术领域,具体涉及一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。
背景技术
目前高光谱图像已经被广泛应用于资源勘探、环境监测及目标识别等领域,但是在实际的应用中,由于成像环境及传输过程的影响,高光谱图像易受噪声干扰,导致图像质量下降,从而影响高光谱图像解译的精度。如何在噪声广泛存在的情况下,有效地完成高光谱图像分类任务逐渐受到国内外学者的广泛关注。大量实验表明,堆栈自编码器是一种有效的无监督特征学习方法,如文献“Zabalza J.;Ren J.C.;Zheng J.B.;Zhao H.M.;QingC.M.;Yang Z.J;Du P.J;Marshalla S.Novel segmented stacked autoencoder foreffective dimensionality reduction and feature extraction in hyperspectralimaging Neurocomputing,2016,185,1-10”中方法充分考虑高光谱图像光谱间的相关性,对原始的高光谱图像在光谱维上进行分段,然后使用不同的堆栈自编码器对分段的高光谱图像进行无监督地特征提取,最后使用支持向量机对获得的深度特征进行分类。然而,该方法仅考虑了光谱间的相关性,并没有充分挖掘高光谱图像空间的相关性,以及类内相似性和类间差异性,从而限制了高光谱图像分类的精度。
发明内容
为了克服现有技术的不足,本发明提出一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。首先,为了尽可能降低噪声对特征提取的影响,使用基于堆栈去噪自编码器网络对高光谱图像进行无监督地特征提取。然后,通过充分挖掘高光谱图像中类内的相似性及类间的差异性,建立基于低秩表示的鲁棒分类器,最后,采用有效的优化方法对目标函数进行优化求解。
一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法,其特征在于包括以下步骤:
步骤一:计算高光谱图像不同波段光谱间的相关系数,然后将相关系数大于0的相邻波段图像划分为一段,高光谱图像在光谱维上共划分为s段;
步骤二:将高光谱图像像素随机地分为训练数据和测试数据,并按照步骤一的光谱维划分方法,分别将训练数据和测试数据在光谱维上划分为s段,然后,利用分段的训练数据分别对堆栈去噪自编码器进行训练,每一段得到一个训练好的堆栈去噪自编码器,共得到s个训练好的堆栈去噪自编码器;其中,每个堆栈去噪自编码器的隐藏层的层数为2~10层,每个隐藏层的神经元数为10、20、50、100、150或200;
步骤三:分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取,得到分段的高光谱图像深度特征,然后将所有分段的深度特征进行级联得到高光谱图像的深度特征F,其中,包括训练数据的深度特征Ftrain和测试数据的深度特征Ftest;
步骤四:利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类,分为L类,并生成预测类别标签labelpredict,其中,L表示高光谱图像中已知的像元类别数。
步骤五:首先,选取深度特征Ftrain中训练较好的特征构建得到字典D,即:
D={fi},当fi∈Ftrain且labelpredict(i)=labeloriginal(i) (1)
其中,i表示Ftrain中特征的位置索引,labelpredict(i)表示i位置处特征的预测类别标签,labeloriginal(i)表示i位置处特征的真实类别标签。然后,对字典D中的特征按照类别顺序进行重新排列得到D=[D1,D2,...,DL],其中,Dj表示字典D中第j类特征的集合,j=1,...,L。
步骤六:按下式建立基于权值核范数的低秩表示模型:
其中,Z为低秩表示系数矩阵,E为误差项,||E||1表示E的L1范数,λ为平衡因子,λ=0.1,表示矩阵Z的权值核范数,sn表示矩阵Z的奇异值的个数,表示σi(Z)的权值,C为预定义的标量,C=10-5,ε为足够小的标量,ε=10-6,σi(Z)表示矩阵Z的第i个奇异值,|·|表示绝对值。
步骤七:引入分离变量Y,将基于权值核范数的低秩表示模型改写为:
公式(3)是增广拉格朗日函数表示为:
其中,Q为乘子一,P为乘子二,η为惩罚系数一,γ为惩罚系数二。
然后,采用交替方向乘子法对公式(4)进行优化求解,得到低秩表示系数矩阵Z。具体为:
步骤a:初始化,令循环次数k=0,分离变量初始值Y0=0,低秩表示系数初始值Z0=0,误差项初始值E0=0,乘子一初始值Q0=0,乘子二初始值P0=0,惩罚系数一初始值η=10-5,惩罚系数二初始值γ=10-5,惩罚系数一最大值ηmax=108,惩罚系数二最大值γmax=108,惩罚系数更新因子ρ=1.1,最大循环次数Tmax=500;
步骤b:按照Zk+1=USVT计算得到Zk+1,其中,S为对角矩阵,对角线元素为Sii=max(Σii-wi/η,0),UΣVT为矩阵(Yk+Qk/η)的奇异值分解,Σii表示矩阵Σ的第i个对角线元素;
步骤c:按照Ek+1=AVT计算得到Ek+1,其中,Aij=max((Ftest-DYk+Pk/γ)ij-λ//γ,0),下标ij表示矩阵的第i行j列的元素;
步骤d:按照Yk+1=(γDTD+ηI)-1[DT(γFtest+Pk-λEk+1)+ηZk+1-Qk]计算得到Yk+1;
步骤e:分别按照Pk+1=Pk+γ(Ftest-DYk+1-Ek+1)和Qk+1=Qk+η(Yk+1-Zk+1)计算得到Pk+1和Qk+1;
步骤f:分别按照γ=min(ργ,γmax)和η=min(ρη,ηmax)更新γ和η;
步骤g:当k>Tmax,并且时,得到最终的Z=Zk+1,否则,k=k+1,返回步骤b;
步骤八:按照对高光谱图像的深度特征Ftest进行分类,得到最终的分类结果;其中,ci为特征fi的类别标签,fi表示Ftest中第i个特征,Dl为D中第l类特征的集合,zi为矩阵Z中与特征fi对应的稀疏系数。
本发明的有益效果是:由于采用堆栈去噪自编码器提取高光谱图像的分段特征,充分挖掘了光谱间的相关性;采用基于权值核范数的低秩表示的鲁棒分类模型,可以更好地区别背景和噪声点。本发明方法在训练数据中存在噪声的情况下,也能获得较好的分类效果。
具体实施方式
本发明提出了一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法,具体过程如下:
1、计算光谱间相关系数
高光谱图像包括上百个连续的光谱波段,因为这种连续性,波段间存在强的相关性。为了更好地探索不同光谱区域的相关性,计算高光谱图像不同波段光谱间的相关系数,然后将相关系数大于0的相连光谱波段划分成一段,进而将原始高光谱图像在光谱维上划分为s段。
2、训练堆栈去噪自编码器
首先,将高光谱图像像素随机地分为训练数据和测试数据,按照步骤1的光谱维划分方法,分别将训练数据和测试数据在光谱维上划分为s段。然后,利用分段的训练数据分别对堆栈去噪自编码器(Stacked Denoised Auto-encoder,SDAE)进行训练,得到s个训练好的堆栈去噪自编码器。其中,每个堆栈去噪自编码器的隐藏层的层数为2~10层,每个隐藏层的神经元数的选择范围为[10,20,50,100,150,200],可根据不同的训练数据选择具体的参数。
3、提取深度特征
分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取,得到分段的高光谱图像深度特征,然后将所有分段的深度特征进行级联得到高光谱图像的深度特征m为深度特征的维数,n为深度特征的个数。其中,包括训练数据的深度特征和测试数据的深度特征n1+n2=n,n1、n2分别为训练数据和测试数据对应的深度特征的个数。
4、训练数据深度特征预分类
利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类,分为L类,得到预测类别标签其中,L表示高光谱图像中已知的像元类别数。
5、构建结构化字典
首先,选取深度特征Ftrain中训练较好的特征构建得到字典D,即:
D={fi},当fi∈Ftrain且labelpredict(i)=labeloriginal(i) (5)
其中,i=1,…,n1,d≤n1表示字典中特征的个数。
然后,对字典D中的/特征按照类别顺序进行重新排列得到D=[D1,D2,...,DL],其中,表示字典D中第j类特征的集合,j=1,...,L,dj为Dj中特征的个数,d1+...+dL=d。
6、构建低秩表示模型
首先,建立稀疏表示模型,将特征矩阵Ftest表示为:
Ftest=DZ+E (6)
其中,为表示系数矩阵,为误差项。
由于系数矩阵Z是稀疏的,且高光谱图像具有类内相似性和类间差异性,所以相似的像素对应相似的表示系数向量。通过调整Ftest中特征的顺序(使属于同一类的特征聚集在一起),表示系数矩阵Z将呈现分块对角的结构,因此,Z是低秩的。另外,误差项E也是稀疏的。基于此,基于核范数的低秩表示模型表示为:
其中,核范数||·||*用于约束Z的秩,L1范数||·||1用于约束E的稀疏性,λ为平衡因子。最小化Z的核范数等同于最小化矩阵Z的奇异值的L1范式,即:
其中,σi(Z)为矩阵Z的第i个奇异值,|·|表示绝对值,sn=min{d,n2}表示矩阵Z的奇异值的个数。Z的奇异值分解可以表示为:
其中,Σii表示矩阵Σ的第i个对角线元素,U=[u1,…,usn],V=[v1,…,vsn],ο表示向量的外积。
基于权值核范数的低秩表示能够模拟高光谱图像中杂乱的背景,为了更好地区别背景和噪声点,本发明提出基于权值核范数的低秩表示模型:
其中,表示Z的权值核范数,平衡因子λ=0.1,w=[w1,…,wsn]为权值向量,表示σi(Z)的第i个权值,C为预定义的标量,C=10-5,ε为足够小的标量,ε=10-6,用以避免分母为零。
7、优化求解
为了对低秩表示系数矩阵Z进行求解,引入分离变量Y,公式(10)改写为:
上述目标函数的增广拉格朗日函数表示为:
其中,Q为乘子一,P为乘子二,η为惩罚系数一,γ为惩罚系数二。
采用交替方向乘子法(ADMM)对公式(12)进行优化求解,得到低秩表示系数矩阵Z。在ADMM方法中,所有的相关变量都是交替更新的直到目标函数收敛。具体步骤为:
步骤a:初始化参数:循环次数k=0,分离变量初始值Y0=0,低秩表示系数初始值Z0=0,误差项初始值E0=0,乘子一初始值Q0=0,乘子二初始值P0=0,惩罚系数一初始值η=10-5,惩罚系数二初始值γ=10-5,惩罚系数一最大值ηmax=108,惩罚系数二最大值γmax=108,惩罚系数更新因子ρ=1.1,标量ε=10-6,最大循环次数Tmax=500;
步骤b:更新Z:固定其他变量,稀疏表示系数矩阵Z可以被更新为:
其中,UΣVT为矩阵(Yk+Qk/η)的奇异值分解,S为对角矩阵,对角线元素为Sii=max(Σii-wi/η,0),Σii表示矩阵Σ的第i个对角线元素;
步骤c:更新E:固定其他变量,误差项E可以被更新为:
其中,Aij=max((Ftest-DYk+Pk/γ)ij-λ/γ,0),(Ftest-DYk+Pk/γ)ij表示矩阵Ftest-DYk+Pk/γ的第i行和j列元素;
步骤d:更新Y:固定其他与Y无关的变量,此时分离变量Y可以更新为:
其中,I为单位阵;
步骤e:更新乘子:
Pk+1=Pk+γ(Ftest-DYk+1-Ek+1) (16)
Qk+1=Qk+η(Yk+1-Zk+1) (17)
步骤f:更新惩罚因子:
γ=min(ργ,γmax) (18)
η=min(ρη,ηmax) (19)
步骤g:检查收敛状态:如果
k>Tmax,并且
则得到最终的Z=Zk+1,否则,k=k+1,返回步骤b;
8、分类
当给定字典D和稀疏表示系数矩阵Z,根据类内相似性,测试数据的特征fi∈Ftest(i=1,…,n2)可以被分类为:
其中,ci为特征fi的类别标签,为D中第l类特征的集合,zi为矩阵Z中与特征fi对应的稀疏系数。
在训练样本中存在噪声的情况下,本发明方法也能获得较好的分类表现。以PaviaUniversity数据集为例,每类选取200个样本用于训练,相比于无噪声的训练数据,当噪声数据占总训练样本的5%时,全局分类准确率为98.24%;当噪声数据占总训练样本的10%时,全局分类准确率为96.84%。
Claims (1)
1.一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法,其特征在于包括以下步骤:
步骤一:计算高光谱图像不同波段光谱间的相关系数,然后将相关系数大于0的相邻波段图像划分为一段,高光谱图像在光谱维上共划分为s段;
步骤二:将高光谱图像像素随机地分为训练数据和测试数据,并按照步骤一的光谱维划分方法,分别将训练数据和测试数据在光谱维上划分为s段,然后,利用分段的训练数据分别对堆栈去噪自编码器进行训练,每一段得到一个训练好的堆栈去噪自编码器,共得到s个训练好的堆栈去噪自编码器;其中,每个堆栈去噪自编码器的隐藏层的层数为2~10层,每个隐藏层的神经元数为10、20、50、100、150或200;
步骤三:分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取,得到分段的高光谱图像深度特征,然后将所有分段的深度特征进行级联得到高光谱图像的深度特征F,其中,包括训练数据的深度特征Ftrain和测试数据的深度特征Ftest;
步骤四:利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类,分为L类,并生成预测类别标签labelpredict,其中,L表示高光谱图像中已知的像元类别数;
步骤五:首先,选取深度特征Ftrain中训练较好的特征构建得到字典D,即:
D={fi},当fi∈Ftrain且labelpredict(i)=labeloriginal(i) (1)
其中,i表示Ftrain中特征的位置索引,labelpredict(i)表示i位置处特征的预测类别标签,labeloriginal(i)表示i位置处特征的真实类别标签;然后,对字典D中的特征按照类别顺序进行重新排列得到D=[D1,D2,...,DL],其中,Dj表示字典D中第j类特征的集合,j=1,...,L;
步骤六:按下式建立基于权值核范数的低秩表示模型:
其中,Z为低秩表示系数矩阵,E为误差项,||E||1表示E的L1范数,λ为平衡因子,λ=0.1,表示矩阵Z的权值核范数,sn表示矩阵Z的奇异值的个数,表示σi(Z)的权值,C为预定义的标量,C=10-5,ε为足够小的标量,ε=10-6,σi(Z)表示矩阵Z的第i个奇异值,|·|表示绝对值;
步骤七:引入分离变量Y,将基于权值核范数的低秩表示模型改写为:
公式(3)是增广拉格朗日函数表示为:
其中,Q为乘子一,P为乘子二,η为惩罚系数一,γ为惩罚系数二;
然后,采用交替方向乘子法对公式(4)进行优化求解,得到低秩表示系数矩阵Z,具体为:
步骤a:初始化,令循环次数k=0,分离变量初始值Y0=0,低秩表示系数初始值Z0=0,误差项初始值E0=0,乘子一初始值Q0=0,乘子二初始值P0=0,惩罚系数一初始值η=10-5,惩罚系数二初始值γ=10-5,惩罚系数一最大值ηmax=108,惩罚系数二最大值γmax=108,惩罚系数更新因子ρ=1.1,最大循环次数Tmax=500;
步骤b:按照Zk+1=USVT计算得到Zk+1,其中,S为对角矩阵,对角线元素为Sii=max(Σii-wi/η,0),UΣVT为矩阵(Yk+Qk/η)的奇异值分解,Σii表示矩阵Σ的第i个对角线元素;
步骤c:按照Ek+1=AVT计算得到Ek+1,其中,Aij=max((Ftest-DYk+Pk/γ)ij-λ/γ,0),下标ij表示矩阵的第i行j列的元素;
步骤d:按照Yk+1=(γDTD+ηI)-1[DT(γFtest+Pk-λEk+1)+ηZk+1-Qk]计算得到Yk+1;
步骤e:分别按照Pk+1=Pk+γ(Ftest-DYk+1-Ek+1)和Qk+1=Qk+η(Yk+1-Zk+1)计算得到Pk+1和Qk +1;
步骤f:分别按照γ=min(ργ,γmax)和η=min(ρη,ηmax)更新γ和η;
步骤g:当k>Tmax,并且时,得到最终的Z=Zk+1,否则,k=k+1,返回步骤b;
步骤八:按照对高光谱图像的深度特征Ftest进行分类,得到最终的分类结果;其中,ci为特征fi的类别标签,fi表示Ftest中第i个特征,Dl为D中第l类特征的集合,zi为矩阵Z中与特征fi对应的稀疏系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810370524.8A CN108734199B (zh) | 2018-04-24 | 2018-04-24 | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810370524.8A CN108734199B (zh) | 2018-04-24 | 2018-04-24 | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734199A true CN108734199A (zh) | 2018-11-02 |
CN108734199B CN108734199B (zh) | 2021-09-07 |
Family
ID=63939828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810370524.8A Active CN108734199B (zh) | 2018-04-24 | 2018-04-24 | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734199B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948573A (zh) * | 2019-03-27 | 2019-06-28 | 厦门大学 | 一种基于级联深度卷积神经网络的噪声鲁棒人脸识别方法 |
CN110321941A (zh) * | 2019-06-24 | 2019-10-11 | 西北工业大学 | 可鉴别性特征学习的高光谱图像压缩和分类方法 |
CN110363078A (zh) * | 2019-06-05 | 2019-10-22 | 汕头大学 | 一种基于ADMM-Net的高光谱图像分类方法及装置 |
CN111651720A (zh) * | 2020-06-11 | 2020-09-11 | 北京理工大学 | 基于l4范数优化的多光谱重建方法和装置 |
CN112513877A (zh) * | 2020-08-01 | 2021-03-16 | 商汤国际私人有限公司 | 目标对象的识别方法、装置和系统 |
CN113068044A (zh) * | 2021-03-24 | 2021-07-02 | 西安电子科技大学 | 基于组低秩表示的迭代高光谱图像无损压缩方法 |
CN114549863A (zh) * | 2022-04-27 | 2022-05-27 | 西安电子科技大学 | 一种基于像素级噪声标签监督的光场显著性目标检测方法 |
CN115937836A (zh) * | 2023-02-08 | 2023-04-07 | 江阴嘉欧新材料有限公司 | 电缆铺设进深鉴定装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310230A (zh) * | 2013-06-17 | 2013-09-18 | 西北工业大学 | 联合解混及自适应端元提取的高光谱图像分类方法 |
CN104268556A (zh) * | 2014-09-12 | 2015-01-07 | 西安电子科技大学 | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 |
CN105654117A (zh) * | 2015-12-25 | 2016-06-08 | 西北工业大学 | 基于sae深度网络的高光谱图像空谱联合的分类方法 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN107169535A (zh) * | 2017-07-06 | 2017-09-15 | 谈宜勇 | 生物多光谱图像的深度学习分类方法及装置 |
CN107590515A (zh) * | 2017-09-14 | 2018-01-16 | 西安电子科技大学 | 基于熵率超像素分割的自编码器的高光谱图像分类方法 |
KR20180027742A (ko) * | 2016-09-07 | 2018-03-15 | 영남대학교 산학협력단 | 대상체 분류 시스템 및 방법 |
-
2018
- 2018-04-24 CN CN201810370524.8A patent/CN108734199B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310230A (zh) * | 2013-06-17 | 2013-09-18 | 西北工业大学 | 联合解混及自适应端元提取的高光谱图像分类方法 |
CN104268556A (zh) * | 2014-09-12 | 2015-01-07 | 西安电子科技大学 | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 |
CN105654117A (zh) * | 2015-12-25 | 2016-06-08 | 西北工业大学 | 基于sae深度网络的高光谱图像空谱联合的分类方法 |
KR20180027742A (ko) * | 2016-09-07 | 2018-03-15 | 영남대학교 산학협력단 | 대상체 분류 시스템 및 방법 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN107169535A (zh) * | 2017-07-06 | 2017-09-15 | 谈宜勇 | 生物多光谱图像的深度学习分类方法及装置 |
CN107590515A (zh) * | 2017-09-14 | 2018-01-16 | 西安电子科技大学 | 基于熵率超像素分割的自编码器的高光谱图像分类方法 |
Non-Patent Citations (3)
Title |
---|
XING C ET AL: "《Stacked Denoise Autoencoder Based Feature Extraction and Classification for Hyperspectral Images》", 《HINDAWI》 * |
李晓会: "《基于深度堆栈网络的高光谱图像分类方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
林喆祺: "《高光谱图像多分类方法研究与应用》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948573A (zh) * | 2019-03-27 | 2019-06-28 | 厦门大学 | 一种基于级联深度卷积神经网络的噪声鲁棒人脸识别方法 |
CN110363078A (zh) * | 2019-06-05 | 2019-10-22 | 汕头大学 | 一种基于ADMM-Net的高光谱图像分类方法及装置 |
CN110321941A (zh) * | 2019-06-24 | 2019-10-11 | 西北工业大学 | 可鉴别性特征学习的高光谱图像压缩和分类方法 |
CN111651720A (zh) * | 2020-06-11 | 2020-09-11 | 北京理工大学 | 基于l4范数优化的多光谱重建方法和装置 |
CN111651720B (zh) * | 2020-06-11 | 2023-03-31 | 北京理工大学 | 基于l4范数优化的多光谱重建方法和装置 |
CN112513877A (zh) * | 2020-08-01 | 2021-03-16 | 商汤国际私人有限公司 | 目标对象的识别方法、装置和系统 |
CN113068044A (zh) * | 2021-03-24 | 2021-07-02 | 西安电子科技大学 | 基于组低秩表示的迭代高光谱图像无损压缩方法 |
CN114549863A (zh) * | 2022-04-27 | 2022-05-27 | 西安电子科技大学 | 一种基于像素级噪声标签监督的光场显著性目标检测方法 |
CN115937836A (zh) * | 2023-02-08 | 2023-04-07 | 江阴嘉欧新材料有限公司 | 电缆铺设进深鉴定装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108734199B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734199B (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN108491849B (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN108446716B (zh) | 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN105740912B (zh) | 基于核范数正则化的低秩图像特征提取的识别方法及系统 | |
CN109948693A (zh) | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 | |
CN107590515B (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN107992891A (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN113052216B (zh) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN106096655A (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
CN113793319B (zh) | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 | |
CN110490894B (zh) | 基于改进的低秩稀疏分解的视频前背景分离方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
CN115457311B (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
CN108460400A (zh) | 一种结合多种特征信息的高光谱图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |