CN108830243A - 基于胶囊网络的高光谱图像分类方法 - Google Patents

基于胶囊网络的高光谱图像分类方法 Download PDF

Info

Publication number
CN108830243A
CN108830243A CN201810650952.6A CN201810650952A CN108830243A CN 108830243 A CN108830243 A CN 108830243A CN 201810650952 A CN201810650952 A CN 201810650952A CN 108830243 A CN108830243 A CN 108830243A
Authority
CN
China
Prior art keywords
high spectrum
spectrum image
capsule network
vector
value
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
Application number
CN201810650952.6A
Other languages
English (en)
Inventor
白静
岑雅楠
高润
张文豪
徐航
焦玲玲
杨韦洁
张丹
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201810650952.6A priority Critical patent/CN108830243A/zh
Publication of CN108830243A publication Critical patent/CN108830243A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于胶囊网络的高光谱图像分类方法，克服了现有技术中每一个更高级别的特征仅仅是将较低级别的特征的简单组合、丢失简单高光谱特征之间的姿态关系信息(平移或旋转)、在异质和边缘区域分类效果不好的问题。本发明实现的步骤是：(1)输入高光谱图像；(2)获得样本集；(3)确定训练样本集与测试样本集；(4)构建胶囊网络；(5)训练胶囊网络；(6)对测试数据集进行分类。本发明具有在高光谱图像边缘和同质区域的分类效果更精确的优点，可用于高光谱图像的分类。

Description

基于胶囊网络的高光谱图像分类方法
技术领域
本发明属于图像处理技术领域，更进一步涉及高光谱图像分类技术领域中的一种基于胶囊网络的高光谱图像分类方法。本发明可用于对高光谱图像进行地物分类。
背景技术
高光谱遥感图像是由高光谱传感器捕获的卫星图像，对于每个像素都有几十个乃至几百个光谱波段。因此，它可以提供丰富的信息而且具有很高的光谱分辨率，可广泛应用于军事、农业、环境监视等诸多领域。对高光谱图像进行处理分析在国际遥感领域极其重要，其中高光谱图像分类是高光谱信息处理的一个重要研究方向。然而，高光谱图像的精确分类仍然存在着一些难题，比如像素的维度较高、噪声干扰、较高的空间域和光谱域冗余。现在很多研究利用卷积网络的方法来提取高光谱的鲁棒的、具有判别性的特征以此来提高分类精度。
广东省智能制造研究所在其申请的专利文献“基于卷积神经网络及空谱信息融合的高光谱图像分类方法”(专利申请号：CN201711056964.8，申请公布号：CN107909015A)中提出了一种基于卷积神经网络及空谱信息融合的高光谱图像分类方法。该方法的具体步骤是：首先，该方法提取高光谱每一像素点的X,Y轴坐标作为空间信息，并将空间信息和光谱信息进行融合作为较低级的特征信息，然后构建了一维卷积网络从中提取出具有更高级别的特征，更高级别的特征是以加权的形式将较低级的特征组合在一起，即前一层的激活与下一层神经元的权重相乘并相加，然后传递到激励函数中，最后将更高级别的特征输入分类器进行预测当前像素的类别。该方法通过构建一维卷积网络从中提取更高级别的特征，进而获得更好的分类结果。但是，该方法仍然存在的不足之处是，每一个更高级别的特征仅仅是将较低级别的特征的简单组合，在简单组合的过程中，会丢失简单高光谱特征之间的姿态(平移或旋转)关系信息，从而导致该方法在高光谱图像异质区域和边缘区域分类精度不高。
Wei Hu等人在其发表的论文“Deep Convolutional Neural Networks forHyperspectral Image Classification”(Journal of Sensors,2015)中提出一种基于深度卷积神经网络的高光谱图像分类方法。该方法将待分类像元为中心的矩形内的数据立方体作为输入，构建深度卷积网络从中提取出具有代表性的特征，将提取的特征输入到多项式逻辑回归分类器中，得到当前像素的分类结果。该方法虽然使用了深度卷积网络来提取特征，进而获得更好的分类结果，但是，该方法仍然存在的不足之处是，由于提取的特征只是低级特征的简单组合，训练该深度卷积网络模型需要大量的训练样本，效率低耗时长。
发明内容
本发明的目的在于针对上述现有技术的不足，提出了一种基于胶囊网络的高光谱图像分类方法。
实现本发明目的的思路是，首先对高光谱图像进行预处理，然后构建胶囊网络，通过胶囊网络的中PrimaryCaps层和DigitCaps层提取高光谱图像中的每个像素点的高级特征，该高级特征能够表示简单特征之间的姿态(平移或旋转)关系，最后将提取的高级特征输入到神经网络分类器中对高光谱图像进行分类。
为实现上述目的，本发明的具体步骤如下：
(1)输入高光谱图像：
输入一幅包含m个波段的待分类的高光谱图像及与其对应的类别标签，m表示高光谱图像的波段数目，其值是由产生待分类的高光谱图像的成像光谱仪的成像波段所决定的；
(2)获得样本集：
(2a)对输入的高光谱图像进行归一化处理，得到归一化后的高光谱图像；
(2b)对归一化后的高光谱图像进行降维处理，得到高光谱图像的3个主成分图像；
(2c)在每个主成分图像中，以每个非背景像素为中心，取大小为23×23个像素的正方形邻域块；
(3)确定训练样本集与测试样本集：
从所有邻域块中随机选择10％的邻域块以及与所选邻域块对应的类别标签作为训练样本集，并将剩余的邻域块和对应的标签作为测试样本集；
(4)构建胶囊网络：
(4a)搭建一个胶囊网络，其结构依次为：输入层→普通卷积层→PrimaryCaps层→非线性激活层→DigitCaps层→输出层；
(4b)设置胶囊网络中各层的参数：输入层的特征映射图为3个；普通卷积层的的特征映射图为256个，卷积核大小为5×5像素，步长为1像素；PrimaryCaps层的特征映射图为32个，卷积核大小为5×5像素，步长为1像素；
(5)训练胶囊网络：
(5a)将训练样本集输入到胶囊网络中，通过PrimaryCaps层和DigitCaps层，提取每个训练样本的高级特征；
(5b)将提取的高级特征输入到神经网络分类器中进行分类；
(5b)重复执行步骤(5a)和步骤(5b)训练胶囊网络1万次，得到训练好的胶囊网络；
(6)对测试数据集进行分类：
(6a)将测试数据集输入到训练好的胶囊网络中，得到最终高光谱图像的分类结果；
(6b)利用准确率计算公式，计算分类结果的准确率。
本发明与现有的技术相比具有以下优点：
第一，由于本发明通过构建一个胶囊网络，通过该网络结构中的PrimaryCaps层和DigitCaps层提取高级特征向量，克服了现有技术中每一个更高级别的特征仅仅是将较低级别的特征的简单组合，丢失简单高光谱特征之间的姿态(平移或旋转)关系信息的问题，使得本发明可以提取更加丰富和完善的特征信息，从而提高分类精确度。
第二，由于本发明构建的胶囊网络只需要三层网络就可以提取丰富的高级特征，克服了现有技术中深度卷积网络模型至少五层网络，都无法提取高级特征，且网络结构复杂，训练效率低耗时长的问题，使得本发明在保证高分类精度的同时，具有模型简单、训练效率高、分类速度快的优点。
附图说明
图1是本发明的流程图；
图2是本发明胶囊网络结构示意图；
图3是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1，本发明的实现的具体步骤做进一步的描述。
步骤1,输入高光谱图像。
输入一幅包含m个波段的待分类的高光谱图像及与其对应的类别标签，m表示高光谱图像的波段数目，其值是由产生待分类的高光谱图像的成像光谱仪的成像波段所决定的。
步骤2,获得样本集。
对输入的高光谱图像进行归一化处理，得到归一化后的高光谱图像。
所述的对输入的高光谱图像进行归一化处理是按照如下步骤进行的：
第1步，按照下式，计算高光谱图像的每一个像素值的归一化值：
其中，zj表示高光谱图像中第j个像素值的归一化值，yj表示高光谱图像的第j个像素值，ymean表示高光谱图像中所有像素值的均值，ystd表示高光谱图像中所有像素值的方差。
第2步，将所有像素的归一化值组合，得到归一化后的高光谱图像。
对归一化后的高光谱图像进行降维处理，得到高光谱图像的3个主成分图像。
所述的对归一化后的高光谱图像进行降维处理是按照如下步骤进行的：
第1步，将归一化后的高光谱图像的每一个波段按照先列后行的顺序排列成一个列向量，将所有列向量排列成向量组。
第2步，按照下式，计算中心化向量组：
Y＝X'-E(X')
其中，Y表示中心化向量组，X'表示向量组，E(X')表示对每一个列向量取均值后，由所有列向量取均值组成的均值向量。
第3步，将中心化向量组取转置后与中心化向量组的乘积，得到协方差矩阵。
第4步，按照下式，计算协方差矩阵的特征值：
|λ·I-Cov|＝0
其中，|·|表示矩阵的行列式操作，·表示相乘操作，λ表示协方差矩阵的特征值，I表示单位矩阵，Cov表示协方差矩阵。
第5步，按照下式，计算协方差矩阵的特征向量，并对前3个特征向量进行组合得到变换矩阵：
Cov·u＝λ·u
其中，u表示协方差矩阵的特征向量。
第6步，将向量组中的每个向量依次与变换矩阵做乘积，将所得的3维矩阵作为归一化后的高光谱图像的3个主成分图像。
在每个主成分图像中，以每个非背景像素为中心，取大小为23×23个像素的正方形邻域块；
步骤3，确定训练样本集与测试样本集。
从所有邻域块中随机选择10％的邻域块以及与所选邻域块对应的类别标签作为训练样本集，并将剩余的邻域块和对应的标签作为测试样本集。
参照附图2，本发明的实现的具体步骤做进一步的描述。
步骤4，构建胶囊网络。
搭建一个胶囊网络，其结构依次为：输入层→普通卷积层→PrimaryCaps层→非线性激活层→DigitCaps层→输出层。
所述的非线性激活函数层的激活函数表达式如下：
其中，vj表示激活函数层的第j个输出向量，||·||2表示2范数操作，sj表示激活函数层的第j个输入向量，||·||表示1范数操作。
设置胶囊网络中各层的参数：输入层的特征映射图为3个；普通卷积层的的特征映射图为256个，卷积核大小为5×5像素，步长为1像素；PrimaryCaps层的特征映射图为32个，卷积核大小为5×5像素，步长为1像素。
步骤5，训练胶囊网络。
第1步，将训练样本集输入到胶囊网络中，通过PrimaryCaps层和DigitCaps层，提取每个训练样本的高级特征。
第2步，将提取的高级特征输入到神经网络分类器中进行分类。
重复执行第1步和第2步，训练胶囊网络1万次，得到训练好的胶囊网络。
步骤6，对测试数据集进行分类。
将测试数据集输入到训练好的胶囊网络中，得到最终分类结果。
利用准确率计算公式，计算分类结果的准确率。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真实验条件：
本发明的仿真实验的硬件平台为：Inter Core i5-3210M CPU@2.50GHz、64GBRAM；
本发明的仿真实验的软件平台为：keras2.0
2.仿真内容：
本发明的仿真实验是采用本发明和两个现有技术(支持矢量机SVM方法和卷积神经网络CNN方法)对帕维尔大学高光谱图像进行分类。图3是现有技术和本发明方法对帕维尔大学高光谱图像的仿真结果图，其中，图(a)是帕维尔大学Pavia University的真实地物分布图，包含103个波段和9类地物，图像格式为TIF，图3(b)是现有技术SVM方法对图3(a)的分类结果图，图3(c)是现有技术CNN方法对图3(a)的分类结果图，图3(d)是本发明方法对图3(a)的分类结果图。
本发明用到的两个现有技术对比分类方法分别如下：
Melgani等人在“Classification of hyperspectral remote sensing imageswith support vector machines,IEEE Trans.Geosci.Remote Sens.,vol.42,no.8,pp.1778–1790,Aug.2004”中提出的高光谱图像分类方法，简称支撑向量机SVM分类方法。
Wei等人在“Deep Convolutional neural networks for hyperspectral imageclassification,”IEEE J.Sel.,vol.2015,no.258619,pp.963–978,Jan.2015”中提出的高光谱图像分类方法，简称卷积神经网络CNN分类方法。
3.仿真结果分析：
从图3(b)可以看出，由于SVM方法只是利用了光谱信息，没有利用空间信息，所以在图3(b)的右下四分之一处的同质区域与图3(a)的地物分布图的相应位置进行比较，出现了明显的错分现象，可见SVM方法的分类精度不高。
从图3(c)可以看出，由于CNN方法结合了空谱信息，所以相比于SVM方法其在同质区域的分类效果好一些，但是，在图3(c)的右下四分之一的边缘区域与图3(a)的地物分布图的相应位置进行比较，出现了很多错分现象。
从图3(d)可以看出，本发明方法不仅在同质区域而且在边缘和异质区域都取得了很好的分类效果。
在仿真实验中，采用以下三个现有指标来评价本发明仿真实验的结果：
第一个评价指标是总精度OA，表示正确分类的样本占所有样本的比例，该值越大，说明分类效果越好。第二个评价指标是平均精度AA，表示每一类分类精度的平均值，该值越大，说明分类效果越好。第三个评价指标是卡方系数Kappa，表示混淆矩阵中不同的权值，该值越大，说明分类效果越好。
表1为从客观评价指标上对附图3中三种方法的分类结果中各方法的分类结果进行评价。
表1.附图2中各方法分类结果的定量分析一览表
类名 SVM CNN 本方法
沥青 81.76 97.35 99.58
草甸 84.91 99.19 99.94
碎石 76.61 78.53 97.56
树林 96.08 94.95 98.89
金属板 99.57 94.04 100
裸土 83.16 8400 99.85
柏油 89.65 59.84 98.08
石砖 81.79 91.98 99.4
阴影 97.99 98.36 99.77
OA 85.20 92.59 99.58
AA 87.95 88.69 97.32
KAPPA 0.8101 0.9027 0.9851
结合表1和附图3可以看出，支撑向量机SVM分类结果比较差，主要因为这该方法都只利用了高光谱图像的光谱信息，忽略了邻域信息，使得分类结果在边缘和异质区域都很差；同时卷积神经网络的分类结果有很大改善，错分率有所下降，但是其高级特征只是低级特征的简单组合，所以依然存在图像边缘和异质区域错分的现象；本发明在视觉和定量分析方面均优于前两种现有技术分类方法，在边缘和异质区域都能达到理想的分类效果。
以上仿真实验表明：本发明方法能够充分利用高光谱图像的光谱域和邻域信息，在图像边缘和异质区域都能取得很好的分类结果，能够解决现有技术方法中存在的丢失简单高光谱特征之间的姿态(平移或旋转)关系信息、分类精度低等问题，是一种非常实用的高光谱图像分类方法。

Claims (4)

1.一种基于胶囊网络的高光谱图像分类方法，其特征在于，构建胶囊网络，通过胶囊网络中的PrimaryCaps层和DigitCaps层提取高光谱图像中每个像素点的高级特征，通过提取的高级特征对高光谱图像进行分类，该方法的具体步骤包括如下：
(1)输入高光谱图像：
输入一幅包含m个波段的待分类的高光谱图像及与其对应的类别标签，m表示高光谱图像的波段数目，其值是由产生待分类的高光谱图像的成像光谱仪的成像波段所决定的；
(2)获得样本集：
(2a)对输入的高光谱图像进行归一化处理，得到归一化后的高光谱图像；
(2b)对归一化后的高光谱图像进行降维处理，得到高光谱图像的3个主成分图像；
(2c)在每个主成分图像中，以每个非背景像素为中心，取大小为23×23个像素的正方形邻域块；
(3)确定训练样本集与测试样本集：
从所有邻域块中随机选择10％的邻域块以及与所选邻域块对应的类别标签作为训练样本集，并将剩余的邻域块和对应的标签作为测试样本集；
(4)构建胶囊网络：
(4a)搭建一个胶囊网络，其结构依次为：输入层→普通卷积层→PrimaryCaps层→非线性激活层→DigitCaps层→输出层；
(4b)设置胶囊网络中各层的参数：输入层的特征映射图为3个；普通卷积层的的特征映射图为256个，卷积核大小为5×5像素，步长为1像素；PrimaryCaps层的特征映射图为32个，卷积核大小为5×5像素，步长为1像素；
(5)训练胶囊网络：
(5a)将训练样本集输入到胶囊网络中，通过PrimaryCaps层和DigitCaps层，提取每个训练样本的高级特征；
(5b)将提取的高级特征输入到神经网络分类器中进行分类；
(5b)重复执行步骤(5a)和步骤(5b)训练胶囊网络1万次，得到训练好的胶囊网络；
(6)对测试数据集进行分类：
(6a)将测试数据集输入到训练好的胶囊网络中，得到最终高光谱图像的分类结果；
(6b)利用准确率计算公式，计算分类结果的准确率。
2.根据权利要求1所述的基于胶囊网络的高光谱图像分类方法，其特征在于，步骤(2a)中所述的对输入的高光谱图像进行归一化处理是按照如下步骤进行的：
第一步，按照下式，计算高光谱图像的每一个像素值的归一化值：
其中，zj表示高光谱图像中第j个像素值的归一化值，yj表示高光谱图像的第j个像素值，ymean表示高光谱图像中所有像素值的均值，ystd表示高光谱图像中所有像素值的方差；
第二步，将所有像素的归一化值组合，得到归一化后的高光谱图像。
3.根据权利要求1所述的基于胶囊网络的高光谱图像分类方法，其特征在于，步骤(2b)中所述的对归一化后的高光谱图像进行降维处理是按照如下步骤进行的：
第一步，将归一化后的高光谱图像的每一个波段按照先列后行的顺序排列成一个列向量，将所有列向量排列成向量组；
第二步，按照下式，计算中心化向量组：
Y＝X'-E(X')
其中，Y表示中心化向量组，X'表示向量组，E(X')表示对每一个列向量取均值后，由所有列向量取均值组成的均值向量；
第三步，将中心化向量组取转置后与中心化向量组的乘积，得到协方差矩阵；
第四步，按照下式，计算协方差矩阵的特征值：
|λ·I-Cov|＝0
其中，|·|表示矩阵的行列式操作，·表示相乘操作，λ表示协方差矩阵的特征值，I表示单位矩阵，Cov表示协方差矩阵；
第五步，按照下式，计算协方差矩阵的特征向量，并对前3个特征向量进行组合得到变换矩阵：
Cov·u＝λ·u
其中，u表示协方差矩阵的特征向量；
第六步，将向量组中的每个向量依次与变换矩阵做乘积，将所得的3维矩阵作为归一化后的高光谱图像的3个主成分图像。
4.根据权利要求1所述的基于胶囊网络的高光谱图像分类方法，其特征在于，步骤(4a)所述的非线性激活函数层的激活函数表达式如下：
其中，vj表示激活函数层的第j个输出向量，||·||2表示2范数操作，sj表示激活函数层的第j个输入向量，||·||表示1范数操作。
CN201810650952.6A 2018-06-22 2018-06-22 基于胶囊网络的高光谱图像分类方法 Pending CN108830243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810650952.6A CN108830243A (zh) 2018-06-22 2018-06-22 基于胶囊网络的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810650952.6A CN108830243A (zh) 2018-06-22 2018-06-22 基于胶囊网络的高光谱图像分类方法

Publications (1)

Publication Number Publication Date
CN108830243A true CN108830243A (zh) 2018-11-16

Family

ID=64137411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810650952.6A Pending CN108830243A (zh) 2018-06-22 2018-06-22 基于胶囊网络的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN108830243A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801305A (zh) * 2019-01-17 2019-05-24 西安电子科技大学 基于深度胶囊网络的sar图像变化检测方法
CN109800817A (zh) * 2019-01-25 2019-05-24 西安电子科技大学 基于融合语义神经网络的图像分类方法
CN109840560A (zh) * 2019-01-25 2019-06-04 西安电子科技大学 基于胶囊网络中融入聚类的图像分类方法
CN110059741A (zh) * 2019-04-15 2019-07-26 西安电子科技大学 基于语义胶囊融合网络的图像识别方法
CN110163489A (zh) * 2019-04-28 2019-08-23 湖南师范大学 一种戒毒运动锻炼成效评价方法
CN110197226A (zh) * 2019-05-30 2019-09-03 厦门大学 一种无监督图像翻译方法及系统
CN110309811A (zh) * 2019-07-10 2019-10-08 哈尔滨理工大学 一种基于胶囊网络的高光谱图像分类方法
CN110321859A (zh) * 2019-07-09 2019-10-11 中国矿业大学 一种基于深度孪生胶囊网络的光学遥感场景分类方法
CN111191660A (zh) * 2019-12-30 2020-05-22 浙江工业大学 一种基于多通道协同胶囊网络的直肠癌病理学图像分类方法
CN111401455A (zh) * 2020-03-20 2020-07-10 中国科学院空天信息创新研究院 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统
CN112766340A (zh) * 2021-01-11 2021-05-07 中山大学 基于自适应空间模式的深度胶囊网络图像分类方法及系统
CN113128370A (zh) * 2021-04-01 2021-07-16 中国人民解放军战略支援部队信息工程大学 结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN105069468A (zh) * 2015-07-28 2015-11-18 西安电子科技大学 基于脊波和深度卷积网络的高光谱图像分类方法
CN107122733A (zh) * 2017-04-25 2017-09-01 西安电子科技大学 基于nsct和sae的高光谱图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN105069468A (zh) * 2015-07-28 2015-11-18 西安电子科技大学 基于脊波和深度卷积网络的高光谱图像分类方法
CN107122733A (zh) * 2017-04-25 2017-09-01 西安电子科技大学 基于nsct和sae的高光谱图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SARA SABOUR 等: "Dynamic Routing Between Capsules", 《ARXIV》 *
李肖: "髙光谱异常检测算法研究", 《万方数据 西安电子科技大学硕士论文》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801305B (zh) * 2019-01-17 2021-04-06 西安电子科技大学 基于深度胶囊网络的sar图像变化检测方法
CN109801305A (zh) * 2019-01-17 2019-05-24 西安电子科技大学 基于深度胶囊网络的sar图像变化检测方法
CN109800817A (zh) * 2019-01-25 2019-05-24 西安电子科技大学 基于融合语义神经网络的图像分类方法
CN109840560A (zh) * 2019-01-25 2019-06-04 西安电子科技大学 基于胶囊网络中融入聚类的图像分类方法
CN109840560B (zh) * 2019-01-25 2023-07-04 西安电子科技大学 基于胶囊网络中融入聚类的图像分类方法
CN109800817B (zh) * 2019-01-25 2023-03-24 西安电子科技大学 基于融合语义神经网络的图像分类方法
CN110059741A (zh) * 2019-04-15 2019-07-26 西安电子科技大学 基于语义胶囊融合网络的图像识别方法
CN110059741B (zh) * 2019-04-15 2022-12-02 西安电子科技大学 基于语义胶囊融合网络的图像识别方法
CN110163489A (zh) * 2019-04-28 2019-08-23 湖南师范大学 一种戒毒运动锻炼成效评价方法
CN110163489B (zh) * 2019-04-28 2023-07-14 湖南师范大学 一种戒毒运动锻炼成效评价方法
CN110197226A (zh) * 2019-05-30 2019-09-03 厦门大学 一种无监督图像翻译方法及系统
CN110197226B (zh) * 2019-05-30 2021-02-09 厦门大学 一种无监督图像翻译方法及系统
CN110321859A (zh) * 2019-07-09 2019-10-11 中国矿业大学 一种基于深度孪生胶囊网络的光学遥感场景分类方法
CN110309811A (zh) * 2019-07-10 2019-10-08 哈尔滨理工大学 一种基于胶囊网络的高光谱图像分类方法
CN111191660B (zh) * 2019-12-30 2022-07-22 浙江工业大学 一种基于多通道协同胶囊网络的结肠癌病理学图像分类方法
CN111191660A (zh) * 2019-12-30 2020-05-22 浙江工业大学 一种基于多通道协同胶囊网络的直肠癌病理学图像分类方法
CN111401455A (zh) * 2020-03-20 2020-07-10 中国科学院空天信息创新研究院 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统
CN111401455B (zh) * 2020-03-20 2023-04-18 中国科学院空天信息创新研究院 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统
CN112766340A (zh) * 2021-01-11 2021-05-07 中山大学 基于自适应空间模式的深度胶囊网络图像分类方法及系统
CN112766340B (zh) * 2021-01-11 2024-06-04 中山大学 基于自适应空间模式的深度胶囊网络图像分类方法及系统
CN113128370A (zh) * 2021-04-01 2021-07-16 中国人民解放军战略支援部队信息工程大学 结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法

Similar Documents

Publication Publication Date Title
CN108830243A (zh) 基于胶囊网络的高光谱图像分类方法
He et al. HyperPNN: Hyperspectral pansharpening via spectrally predictive convolutional neural networks
CN106815601B (zh) 基于递归神经网络的高光谱图像分类方法
Bergado et al. A deep learning approach to the classification of sub-decimetre resolution aerial images
Xia et al. Spectral–spatial classification of hyperspectral images using ICA and edge-preserving filter via an ensemble strategy
CN104077599B (zh) 基于深度神经网络的极化sar图像分类方法
CN105631480B (zh) 基于多层卷积网络与数据重组折叠的高光谱数据分类方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN108460342A (zh) 基于卷积网和循环神经网络的高光谱图像分类方法
CN103886342B (zh) 基于光谱和邻域信息字典学习的高光谱图像分类方法
CN108154192A (zh) 基于多尺度卷积与特征融合的高分辨sar地物分类方法
CN108764173A (zh) 基于多类生成对抗网络的高光谱图像分类方法
CN103886336B (zh) 基于稀疏自动编码器的极化sar图像分类方法
CN107229918A (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN109389080A (zh) 基于半监督wgan-gp的高光谱图像分类方法
CN105069478B (zh) 基于超像素张量稀疏编码的高光谱遥感地物分类方法
CN106503739A (zh) 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN109145992A (zh) 协作生成对抗网络和空谱联合的高光谱图像分类方法
CN105718942B (zh) 基于均值漂移和过采样的高光谱图像不平衡分类方法
Liu et al. Multimorphological superpixel model for hyperspectral image classification
CN107563442A (zh) 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法
CN107563411A (zh) 基于深度学习的在线sar目标检测方法
CN104778482B (zh) 基于张量半监督标度切维数约减的高光谱图像分类方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN107358260A (zh) 一种基于表面波cnn的多光谱图像分类方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181116