CN108764309B - 一种递进式动态高光谱图像分类方法 - Google Patents
一种递进式动态高光谱图像分类方法 Download PDFInfo
- Publication number
- CN108764309B CN108764309B CN201810472782.7A CN201810472782A CN108764309B CN 108764309 B CN108764309 B CN 108764309B CN 201810472782 A CN201810472782 A CN 201810472782A CN 108764309 B CN108764309 B CN 108764309B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- hyperspectral image
- executing
- continuous
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000750 progressive effect Effects 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 4
- 235000011613 Pinus brutia Nutrition 0.000 description 4
- 241000018646 Pinus brutia Species 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种递进式动态高光谱图像分类方法，包括以下步骤：步骤一：读取高光谱图像数据；步骤二：计算高光谱图像中各像素与其局部邻域像素的差异，通过设定合适的阈值，进行非连续性检测，划分出连续点和非连续点；步骤三，通过将连续点与其局部邻域内已知类别的点进行比较，循环地对未分类的连续点进行分类；步骤四，对非连续点以及步骤三中未能分类的连续点循环地进行分类；步骤五，对步骤四中全部剩余待分类点进行分类；步骤六，输出分类结果。本专利提出一种递进式动态高光谱分类方法。相比于现有多数方法，该方法不需要高深的数学知识，兼具计算复杂度低，分类精度高，运行速度快等优点。
Description
技术领域
本发明涉及高光谱图像分类技术领域，特别涉及一种递进式动态高光谱图像分类方法。
背景技术
经过最近数十年的发展，高光谱分类(HIC)的方法已经非常丰富。早期的HIC方法侧重于直接将其他领域常用的分类器的借用于HIC。如基于SVM、决策树等分类器的方法。后来，人们逐近开始针对HIC的特殊性，将空间信息融入到HIC中，提出了谱-空间HIC方法。谱-空间HIC方法是当前最主流的HIC方法。这其中，基于超像素分割的方法近年来获得了较多的关注。随着深度学习在各个领域的发展，基于深度学习的HIC也开始出现。
人类之所以区别于其他动物，在于在各种活动中，人类均体现出自己的智慧和技巧。但是，现有的HIC方法要么侧重于分类器的使用，要么侧重于特征提取方法，却少有思考，如果HIC需要人工来进行分类，该如何充分利用地物分布的局部连续性特征，借鉴人类手工HIC的过程和策略，最大限度地降低分类错误，建立高效的HIC方法。
发明内容
为解决上述问题，本发明的目的在于提供一种计算复杂度低，分类精度高，运行速度快的高光谱图像分类方法，即一种递进式动态高光谱图像分类方法。
本发明解决其问题所采用的技术方案是：
一种递进式动态高光谱图像分类方法，包括以下步骤：
步骤一：读取高光谱图像数据；
步骤二：计算高光谱图像中各像素与其局部邻域像素的差异，通过设定合适的阈值，进行非连续性检测，划分出连续点和非连续点；
步骤三，通过将连续点与其局部邻域内已知类别的点进行比较，循环地对未分类的连续点进行分类；
步骤四，对非连续点以及步骤三中未能分类的连续点循环地进行分类；
步骤五，对步骤四中全部剩余待分类点进行分类；
步骤六，输出分类结果。
进一步，所述步骤一具体为：
所述高光谱图像数据来源于成像光谱仪采集到的遥感图像，将高光谱图像数据去除被水汽吸收的波段和信噪比较低的波段，设剩余的高光谱图像数据为D∈Rm×n×l，其中m、n为高光谱图像的行数和列数，l为剩余的高光谱图像波段数；同时读取各类的训练样本数据。
进一步，所述步骤二具体为：
计算D中各像素与其局部邻域像素的差异，通过设定合适的阈值，将高光谱图像各点划分为连续点和非连续点，其结果为0和1，并建立一个矩阵S∈Rm×n用于存储结果，若S(x,y)＝0，则表示(x,y)点为连续点，若S(x,y)＝1，则表示(x,y)点为非连续点。
进一步，所述步骤三具体为：
3.1扫描高光谱图像的未分类连续点，若找不到未分类的连续点，则执行步骤四；若找到未分类连续点，设该点为P(x,y)，执行下一步；
3.2若P(x,y)的局部邻域内存在已知类别的点，则执行下一步；否则返回3.1；
3.3若P(x,y)的局部邻域内只有一类已知类别点，则将点P(x,y)判为该类；若P(x,y)的局部邻域内存在多类已知类别点，则将点P(x,y)判为其中与其最相似的一类；执行下一步；
3.4标记点P(x,y)为已分类点，返回3.1。
进一步，所述步骤四具体为：
4.1设定鉴别度阈值Thr及其下界Thr0，设定Thr的下降步长step，引入标记值flag和trigger，初始化flag＝true：
4.2当flag＝true时，执行下一步，否则执行步骤五；
4.3令flag＝false，trigger＝false；
4.4扫描高光谱图像，若找到未分类点，则记当前未分类点为Q(x,y)，执行下一步；否则执行4.9；
4.5若Q(x,y)的局部邻域内存在已知类别的点，则执行下一步；否则返回4.4；
4.6计算Q(x,y)的鉴别度，记为ρ(x,y)；若ρ(x,y)<Thr，则trigger＝true，返回4.4；否则执行下一步；
4.7若Q(x,y)的局部邻域内只有一类已知类别点，则将点Q(x,y)判为该类；若Q(x,y)的局部邻域内存在多类已知类别点，则将点Q(x,y)判为其中与其最相似的一类；执行下一步；
4.8令flag＝true，标记点Q(x,y)为已分类点，执行下一步；
4.9若flag＝false，trigger＝true，且Thr>Thr0，则令Thr＝Thr-step，flag＝true；返回4.2。
本发明的有益效果是：本发明采用的一种递进式动态高光谱图像分类方法，其原理是通过先找到已知样本点的位置，然后将已知样本邻近的样本进行分类处理，然后再逐步推进扩展实现高光谱图像的高精度分类。具体地，如步骤一至步骤六所示，对已知样本局部邻域内的未知点，会先拿它跟当前的已知样本点进行比对，如果差异很小，将它判为当前已知样本点的类别；如果差异较大，难以决定它是否是同一类，则把它标记为比较难分类的点，先放一放，待周围有更多已知类别点，获得更多信息后，再对它进行分类。如果未知点同时也在其他不同类已知点的领域内，则同时也需要考虑它属于其他类的可能性。待容易分的都分辨完了之后，对留下来的尚未分类的点，先去检视哪些点可分辨性比较高的点，比如说那些邻域内已经有较多已知样本的点(考虑地物分布的局部连续性，这样就可以更充分利用其局部邻域内的点的信息)，最后才是那些最难分类的点——如其局部邻域内尚无已知点的点。上面这样一个分类过程，体现了一种由易到难的，渐进式的点扩展式的分类思维。这种渐进式推进的分类方法，充分利用了高光谱的谱-空间信息，每一步都尽可能避免发生错分，体现了分类过程的动态性和智能性。正是基于这样一种分类思维，本专利提出一种递进式动态高光谱分类方法，相比于现有多数方法，该方法不需要高深的数学知识，兼具计算复杂度低，分类精度高，运行速度快等优点。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种递进式动态高光谱图像分类方法的方法流程图；
图2是高光谱图像AVIRIS Indian pines的一幅假彩色图像。
具体实施方式
本实例选用的高光谱图像为AVIRIS Indian pines。该高光谱图像大小为145×145，拥有220个谱段，均匀覆盖0.2-2.5μm的波谱范围。该高光谱图像包含16类已标注样本。由于被水吸收及信噪比较低的缘故，分类之前，谱段104-108、150-163及220将被去除，而只留下总共200个谱段。图2给出了AVIRIS Indian pines的一幅假彩色图像。
参照图1，一种递进式动态高光谱图像分类方法的具体实施步骤如下：
步骤一：输入高光谱图像数据D∈R145×145×200及对应的地物标记矩阵L∈R145×145，D中每个像素即样本用高光谱特征向量表示，样本的维数为200；L(x,y)＝c表示图像位置(x,y)的像素点属于第c类(c＝1,2...16)；在已经标记的数据中每类随机选取15个样本作为训练样本，其余样本作为测试样本；训练样本构成最初的已知类别点。
步骤二：非连续性检测：为计算D中各像素与其局部邻域像素的差异，本实例先经由主成分分析，通过保留占总能量60％的特征向量，对D进行降维；然后再计算降维后的D中各像素与其大小为23×23的局部邻域均值的欧式距离，并用该欧式距离表示D中各点的非连续度；在假定D中各点的非连续度服从正态分布，并假定40％的像素点为连续像素点的基础上，求出划分D中各点为连续点和非连续点的阈值Th；利用Th二值化D中各点的非连续度，获得非连续性检测结果S，S为0、1矩阵，若S(x,y)＝0,则表示(x,y)点为连续点，若S(x,y)＝1，则表示(x,y)点为非连续点。
步骤三：对连续点的分类：执行如下循环：
3.1扫描高光谱图像的未分类连续点，若找不到未分类的连续点，则跳转步骤四；若找到未分类连续点，设该点为P(x,y)，执行下一步；
3.2若P(x,y)的3×3局部邻域内存在已知类别的点(已知类别点包括已标注的训练样本点和已分类点)，则执行下一步；否则返回3.1；
3.3若P(x,y)的3×3局部邻域内只有一类已知类别点，则将点P(x,y)判为该类；若P(x,y)的3×3局部邻域内存在多类已知类别点，则依据最小距离准则，则将点P(x,y)判为其中与其欧式距离最小的已知类别样本所对应的类，执行下一步；
3.4标记点P(x,y)为已分类点，返回3.1。
步骤四：对非连续点以及步骤三未能分类的连续点进行分类：
4.1设定鉴别度阈值Thr＝6及其下界Thr0＝1，设定Thr的下降步长step＝1，初始化flag＝true；
4.2当flag＝true时，执行下一步，否则跳转步骤五；
4.3令flag＝false，trigger＝false；
4.4扫描高光谱图像，若找到未分类点，则记当前未分类点为Q(x,y)，执行下一步；否则跳转4.9；
4.5若Q(x,y)的3×3局部邻域内存在已知类别的点(已知类别的点包括已标注的训练样本点和已分类点)，记ρ为该邻域内已知类别的点的数目，执行下一步；否则返回4.4；
4.6用ρ表示Q(x,y)的鉴别度，若ρ<Thr，则令trigger＝true，返回4.4；否则执行下一步；
4.7若Q(x,y)的3×3局部邻域内只有一类已知类别点，则将点Q(x,y)判为该类；若Q(x,y)的3×3局部邻域内存在多类已知类别点，则依据最小距离准则，将点Q(x,y)判为其中与其欧式距离最小的已知类别样本所对应的类，执行下一步；
4.8令flag＝true，标记点Q(x,y)为已分类点，执行下一步；
4.9若flag＝false，trigger＝true，且Thr>Thr0，则令Thr＝Thr-step，flag＝true；返回4.2。
对于高光谱图像数据，经过上述四个步骤的操作，已经可以获得一个很高的分类精度；若经过上述四个步骤仍有未分类点，则继续执行步骤五：
具体地，对全部剩余待分类点进行分类：本实例使用优化后的距离加权线性回归分类器对剩余的待分类点进行分类；对每一个剩余待分类点b，执行如下步骤5.1至5.4：
5.1计算b的图像坐标位置与第c类(c＝1,2...16)各已分类点的图像坐标位置的欧式距离，通过对该距离进行排序，选择出其中与b最近的nc个已分类点，构成第c类的训练样本矩阵，并表示为Ac；本实例中取nc＝40，nc的取值可以上下浮动一点，其对结果产生的差异并不会太大。
5.2计算距离加权矩阵
(c＝1,2...16)，其中(xt,yt)表示b的图像坐标，
表示Ac的第i个样本的图像坐标(i＝1,2...nc)；
5.3计算
5.4计算
并以argminc{rcc＝1,2,...16}作为b的类别。
步骤六：输出分类结果。
采用本实例方法与国际一流方法进行对比，对比方法包括：
WJCR：Weighted Joint Collaborative Representation(M.Xiong,Q.Ran,W.Li,J.Zou,and Q.Du,Hyperspectral Image Classification Using Weighted JointCollaborative Representation,IEEE Geoscience and Remote Sensing Letters,vol.12,no.6,pp.1209–1213,Jun.2015.)；
JSaCR：Joint Spatial-Aware Collaborative Representation(J.Jiang,C.Chen,Y.Yu,X.Jiang,and J.Ma,“Spatial-Aware Collaborative Representation forHyperspectral Remote Sensing Image Classification,”IEEE Geoscience and RemoteSensing Letters,vol.14,no.3,pp.404–408,Mar.2017.)；
SC-MK：Superpixel-based Classification via Multiple Kernels(L.Fang,S.Li,W.Duan,J.Ren,and J.A.Benediktsson,“Classification of hyperspectralimages by exploiting spectral-patial information of superpixel via multiplekernels,”IEEE Transactions on Geoscience and Remote Sensing,vol.53,no.12,pp.6663–6674,2015.)；
R2MK：Region-based Relaxed Multiple Kernel(J.Liu,Z.Wu,Z.Xiao,andJ.Yang,“Region-Based Relaxed Multiple Kernel Collaborative Representation forHyperspectral Image Classification,”IEEE Access,vol.5,pp.20921–20933,2017.)。
对比实验结果如表1所示，表中数据均为20次随机实验的平均值，其中OA(OverallAccuracy)表示各类总体精度，AA(Average Accuracy)表示各类平均精度，KA(KappaCoefficient of Agreement)表示Kappa一致性系数。从表1可以看出，无论从各类的单类分类精度看，还是从各类总体精度、各类平均精度、Kappa一致性系数看,本发明的分类精度均显著优于其他方法。
表1：不同方法在AVIRIS Indian Pines数据集上的分类精度(％)对比(每类随机选15个训练样本)。
表1
本发明提供了一种递进式动态高光谱图像分类方法，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。
Claims (4)
1.一种递进式动态高光谱图像分类方法，其特征在于，包括以下步骤：
步骤一：读取高光谱图像数据；
步骤二：计算高光谱图像中各像素与其局部邻域像素的差异，通过设定合适的阈值，进行非连续性检测，划分出连续点和非连续点；
步骤三，通过将连续点与其局部邻域内已知类别的点进行比较，循环地对未分类的连续点进行分类；
步骤四，对非连续点以及步骤三中未能分类的连续点循环地进行分类；
步骤五，对步骤四中全部剩余待分类点进行分类；
步骤六，输出分类结果；
其中，所述步骤四具体为：
4.1 设定鉴别度阈值
及其下界
，设定
的下降步长
，引入标记值
和
，初始化
：
4.2 当
时，执行下一步，否则执行步骤五；
4.3 令
， 
；
4.4 扫描高光谱图像，若找到未分类点，则记当前未分类点为
，执行下一步；否则执行4.9；
4.5 若
的局部邻域内存在已知类别的点，则执行下一步；否则返回4.4；
4.6 计算
的鉴别度，记为
；若
，则
，返回4.4；否则执行下一步；
4.7 若
的局部邻域内只有一类已知类别点，则将点
判为该类；若
的局部邻域内存在多类已知类别点，则将点
判为其中与其最相似的一类；执行下一步；
4.8 令
，标记点
为已分类点，执行下一步；
4.9 若
， 
，且
，则令
， 
；返回4.2。
2.根据权利要求1所述的一种递进式动态高光谱图像分类方法，其特征在于，所述步骤一具体为：
所述高光谱图像数据来源于成像光谱仪采集到的遥感图像，将高光谱图像数据去除被水汽吸收的波段和信噪比 低的波段，设剩余的高光谱图像数据为
，其中
为高光谱图像的行数和列数，
为剩余的高光谱图像波段数；同时读取各类的训练样本数据。
3.根据权利要求2所述的一种递进式动态高光谱图像分类方法，其特征在于，所述步骤二具体为：
计算
中各像素与其局部邻域像素的差异，通过设定合适的阈值，将高光谱图像各点划分为连续点和非连续点，其结果为0和1，并建立一个矩阵
用于存储结果，若
，则表示
点为连续点，若
，则表示
点为非连续点。
4.根据权利要求3所述的一种递进式动态高光谱图像分类方法，其特征在于，所述步骤三具体为：
3.1 扫描高光谱图像的未分类连续点，若找不到未分类的连续点，则执行步骤四；若找到未分类连续点，设该点为
，执行下一步；
3.2 若
的局部邻域内存在已知类别的点，则执行下一步；否则返回3.1；
3.3 若
的局部邻域内只有一类已知类别点，则将点
判为该类；若
的局部邻域内存在多类已知类别点，则将点
判为其中与其最相似的一类；执行下一步；
3.4 标记点
为已分类点，返回3.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810472782.7A CN108764309B (zh) | 2018-05-16 | 2018-05-16 | 一种递进式动态高光谱图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810472782.7A CN108764309B (zh) | 2018-05-16 | 2018-05-16 | 一种递进式动态高光谱图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764309A CN108764309A (zh) | 2018-11-06 |
| CN108764309B true CN108764309B (zh) | 2021-09-28 |
Family
ID=64008340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810472782.7A Active CN108764309B (zh) | 2018-05-16 | 2018-05-16 | 一种递进式动态高光谱图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764309B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019218313A1 (zh) * | 2018-05-17 | 2019-11-21 | 五邑大学 | 一种递进式动态高光谱图像分类方法 |
| CN110232317B (zh) * | 2019-05-05 | 2023-01-03 | 五邑大学 | 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质 |
| CN111750992B (zh) * | 2020-06-04 | 2022-10-14 | 武汉纺织大学 | 一种基于自适应加权线性回归的光谱估计方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102096825A (zh) * | 2011-03-23 | 2011-06-15 | 西安电子科技大学 | 基于图的半监督高光谱遥感图像分类方法 |
| CN102611831A (zh) * | 2012-01-12 | 2012-07-25 | 陆许明 | 降低压缩图像编码噪声的方法 |
| CN103593676A (zh) * | 2013-11-29 | 2014-02-19 | 重庆大学 | 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法 |
| US8799345B1 (en) * | 2009-08-24 | 2014-08-05 | The United States Of America As Represented By The Secretary Of The Air Force | Low order multiple signal classification (MUSIC) method for high spectral resolution signal detection |
| CN104820840A (zh) * | 2015-05-08 | 2015-08-05 | 西安电子科技大学 | 基于字典和波段重组的最近邻高光谱图像分类方法 |
| CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
| CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
-
2018
- 2018-05-16 CN CN201810472782.7A patent/CN108764309B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8799345B1 (en) * | 2009-08-24 | 2014-08-05 | The United States Of America As Represented By The Secretary Of The Air Force | Low order multiple signal classification (MUSIC) method for high spectral resolution signal detection |
| CN102096825A (zh) * | 2011-03-23 | 2011-06-15 | 西安电子科技大学 | 基于图的半监督高光谱遥感图像分类方法 |
| CN102611831A (zh) * | 2012-01-12 | 2012-07-25 | 陆许明 | 降低压缩图像编码噪声的方法 |
| CN103593676A (zh) * | 2013-11-29 | 2014-02-19 | 重庆大学 | 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法 |
| CN104820840A (zh) * | 2015-05-08 | 2015-08-05 | 西安电子科技大学 | 基于字典和波段重组的最近邻高光谱图像分类方法 |
| CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
| CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| Reweighted Sparse Regression for Hyperspectral Unmixing;Cheng Yong Zheng et al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20160131;第479-485页 * |
| 快速图像调和稀疏分解模型及其应用;郑成勇;《模式识别与人工智能》;20140630;第27卷(第6期);第546-553页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764309A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeggada et al. | A deep learning approach to UAV image multilabeling | |
| US9824294B2 (en) | Saliency information acquisition device and saliency information acquisition method | |
| Schroff et al. | Object Class Segmentation using Random Forests. | |
| Zhuo et al. | Cloud classification of ground-based images using texture–structure features | |
| Tian et al. | Spatiotemporal deformable part models for action detection | |
| Ott et al. | Shared parts for deformable part-based models | |
| CN108764309B (zh) | 一种递进式动态高光谱图像分类方法 | |
| Wang et al. | Geospatial object detection via deconvolutional region proposal network | |
| CN111259756A (zh) | 基于局部高频次特征和混合度量学习的行人重识别方法 | |
| Demir et al. | Clustering-based extraction of border training patterns for accurate SVM classification of hyperspectral images | |
| Uijlings et al. | Situational object boundary detection | |
| Yorulmaz et al. | Detection of fungal damaged popcorn using image property covariance features | |
| Roscher et al. | Superpixel-based classification of hyperspectral data using sparse representation and conditional random fields | |
| Marie et al. | Real-time maritime situation awareness based on deep learning with dynamic anchors | |
| Selvi et al. | Sea object detection using shape and hybrid color texture classification | |
| Wei et al. | Learned region sparsity and diversity also predicts visual attention | |
| Le et al. | Geodesic distance histogram feature for video segmentation | |
| Zhuang et al. | FLDet: A CPU real-time joint face and landmark detector | |
| Tuia et al. | Dataset shift adaptation with active queries | |
| WO2019218313A1 (zh) | 一种递进式动态高光谱图像分类方法 | |
| CN107609584B (zh) | 一种基于特征选择的皮肤检测混合颜色空间的选取方法 | |
| Estrada et al. | Appearance-based keypoint clustering | |
| Lian et al. | Fast pedestrian detection using a modified WLD detector in salient region | |
| Hentschel et al. | What image classifiers really see–visualizing bag-of-visual words models | |
| Ye et al. | Cross-scene feature selection for hyperspectral images based on cross-domain information gain |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220607 Address after: 529000 room 1101, building 6, No. 10, Huangzhuang Avenue West, Pengjiang district, Jiangmen City, Guangdong Province Patentee after: Jiangmen Huaxun ark Technology Co.,Ltd. Address before: No.22, Dongcheng village, Pengjiang district, Jiangmen City, Guangdong Province Patentee before: WUYI University |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Progressive Dynamic Hyperspectral Image Classification Method Effective date of registration: 20231124 Granted publication date: 20210928 Pledgee: Jiangmen Rural Commercial Bank Co.,Ltd. Huanshi Branch Pledgor: Jiangmen Huaxun ark Technology Co.,Ltd. Registration number: Y2023980067379 |