CN108985357B - 基于图像特征的集合经验模态分解的高光谱图像分类方法 - Google Patents

基于图像特征的集合经验模态分解的高光谱图像分类方法 Download PDF

Info

Publication number
CN108985357B
CN108985357B CN201810694287.0A CN201810694287A CN108985357B CN 108985357 B CN108985357 B CN 108985357B CN 201810694287 A CN201810694287 A CN 201810694287A CN 108985357 B CN108985357 B CN 108985357B
Authority
CN
China
Prior art keywords
hyperspectral
image
empirical mode
hyperspectral image
algorithm
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
CN201810694287.0A
Other languages
English (en)
Other versions
CN108985357A (zh
Inventor
涂兵
王锦萍
费洪燕
方乐缘
赵光哲
周承乐
何丹冰
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.)
Hunan University
Beijing University of Civil Engineering and Architecture
Hunan Institute of Science and Technology
Original Assignee
Hunan University
Beijing University of Civil Engineering and Architecture
Hunan Institute of Science and Technology
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 Hunan University, Beijing University of Civil Engineering and Architecture, Hunan Institute of Science and Technology filed Critical Hunan University
Priority to CN201810694287.0A priority Critical patent/CN108985357B/zh
Publication of CN108985357A publication Critical patent/CN108985357A/zh
Application granted granted Critical
Publication of CN108985357B publication Critical patent/CN108985357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及基于图像特征的集合经验模态分解的高光谱图像分类方法，其步骤包括：S1、利用主成分分析算法对原始高光谱图像进行降维处理；S2、对得到的二十维主成分进行自适应全变分滤波，降低噪声的敏感度并获得粗轮廓特征；S3、利用集合经验模态分解将每个谱带分解为串行分量，在转换域中对于高光谱图像的特征进行进一步融合；S4、利用支持向量机分类器对处理后的图像进行最终分类。本发明能有效增强图像的轮廓特征、并具有较好的分类性能。

Description

基于图像特征的集合经验模态分解的高光谱图像分类方法
技术领域
本发明是涉及一种高光谱图像分类方法，尤其涉及一种基于图像特征的集合经验模态分解的高光谱图像分类方法。
背景技术
高光谱成像极大地提高了人类对高光谱图像的高光谱分辨率和宽光谱覆盖的土地覆盖物的认知能力。高光谱图像包含数百个光谱带，这有助于发现隐藏在窄光谱内的详细光谱特征。高光谱图像特征提取是高光谱图像处理领域的热点之一：如主成分分析，核局部Fisher判别分析法，混沌理论分析法。然而，针对图像噪声和光谱混合下分类难度大的问题，仅仅依靠光谱信息难以获取满意的分类精度。近年来，基于空谱特征提取的分类方法称为该领域的研究热点。其中，基于稀疏的分类方法是研究的热点，如联合稀疏分类方法。但是该方法只联合了周围矩阵区域内的相邻像素，对于地物不规则区域和图像边缘而言是不够合理的；基于支持向量机和马尔可夫随机场的光谱空间分类算法能对类概率进行优化，但是需要有较好的先验知识和较多的约束条件，存在参数冗余的情况；基于扩展形态属性轮廓和扩展形态的形态属性滤波器，能够充分利用局部相似性空间和光谱信息提升高光谱图像分类结果，然而针对空间复杂性区域和图像边缘区域容易存在较为明显的误分类。
发明内容
针对高光谱图像的光谱和空间结构性复杂，容易出现“同物异谱，同谱异物”的现象，从而造成对于同种物体分类难度大，特征提取困难的问题，为了解决上述问题，本发明提供以下技术方案，包括以下步骤：
S1、利用主成分分析算法提取原始高维高光谱数据的前K个主要成分，运算公式如下：
OK＝PCA(I)；
其中I表示原始高维高光谱数据，OK表示高光谱数据的前K个主要成分、即主成分分析算法提取后的高光谱图像；
S2、利用自适应全变分算法去除OK中的噪声、并提升高光谱图像的轮廓特征，运算公式如下：
NK＝ATVFμ,λ,In(OK)；
其中μ,λ,In分别表示自适应全变分滤波参数，NK表示自适应全变分算法滤波后的高光谱图像；
S3、通过集合经验模态分解算法，将NK的每维数据进行空间域内的转换，从而得到高光谱图像中空间结构明显的固有模态分量IMF；并在提取到的分量上进行降维处理，将其映射到一个最能代表所有分量的线性空间，具体步骤包括：
1)、判断NK是否满足以下两个固有模态函数条件：
①函数的局部极点值之和过零点数在整个时间范围内必须相等，或最多相差为一；
②在任意时刻，由局部最大值确定的上包络和由极小值确定的下包络的平均必须为零；
2)、对于满足固有模态函数条件的NK进行IMF筛选，包括以下步骤：
①找到当前波段上全部局部极大值点和局部极小值点，使用差值算法把局部极大值点拟合成上包络面Emax(i,j)和下包络面Emin(i,j)，并求得均值包络面
②给定带有含白噪声P的输入信号将输入信号与均值包络面相减得到差值/>
其中n表示迭代次数，l,m表示第l频带的第m个数值；
③检查是否符合迭代结束条件SD<τ,其中SD表示为：
其中Rm(i,j)表示残差余量，以原始波段为首次输入，τ为结束条件；如果第n次迭代不满足结束条件，将以为初始信号从步骤①开始重新迭代，直到满足终止条件，此时获得第1个IMF；
3)更新残差余量Rm(i,j)：
Rm(i,j)＝Rm(i,j)-IMFl,m(i,j)；
如果此残余量不含极值，则集合经验模态分解算法终止；如果残余量包含极值，将此残余量Rm(i,j)作为初始输入从步骤①继续求解；对于每维高光谱所包含的IMF，对其求第一主成分，作为最终的IMF输入；
4)最终原始每波段高光谱图像Xl(i,j)被IMF和残差余量重构，得到集合经验模态分解后的高光谱特征图像，其表达式如下：
S4、将步骤S3中通过集合经验模态分解后的高光谱特征图像，利用支持向量机算法对其进行预测，获得最终的场景分类结果。
本方法首先利用主成分分析算法对原始高光谱图像进行降维处理；接下来，对得到的二十维主成分进行自适应全变分滤波，降低噪声的敏感度并获得粗轮廓特征。然后，利用集合经验模态分解将每个谱带分解为串行分量，在转换域中对于高光谱图像的特征进行进一步融合。最后，利用支持向量机分类器对处理后的图像进行最终分类。
进一步的，所述步骤S1中利用主成分分析算法提取原始高维高光谱数据的前二十维主成分。
本发明通过在空间内和不同转换域内融合高光谱图像不同波段的轮廓特征，能够有效提升高光谱图像在平滑区域的分类精度，同时又能有效降低在结构纹理密集区域出现的误分类情况，解决了空间结构复杂性下图像特征提取困难的问题，能够应用于场景监控、农田植被监测、地图绘制、战地分析等实际应用领域。
附图说明
图1、本发明的图像分类方法示意图；
图2、由高光谱图像中三个波段构成的伪彩色图像；
图3、已标定的真实分类结果；
图4、利用SVM分类方法对原始光谱像素进行分类获得的分类结果；
图5、利用SRC分类方法对原始光谱像素进行分类获得的分类结果；
图6、利用JSRC分类方法对原始光谱像素进行分类获得的分类结果；
图7、利用LOR分类方法对原始光谱像素进行分类获得的分类结果；
图8、利用EMP分类方法对原始光谱像素进行分类获得的分类结果；
图9、利用EPF分类方法对原始光谱像素进行分类获得的分类结果；
图10、利用LMLL分类方法对原始光谱像素进行分类获得的分类结果；
图11、为本发明方法获得的分类结果；
图12、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。
具体实施方式
图1为本发明提出的基于图像特征的集合经验模态分解的高光谱图像分类方法示意图，输入为高光谱图像和训练样本集，输出为分类结果图。如图1所示，本发明各部分具体实施细节如下：
S1、利用主成分分析，去除高光谱图像中的冗余信息，同时进行波段优选，数据降维。
与灰度图像和彩色图像不同，原始的高光谱图像I通常包含上百个波段，由于不同波段具有信息复杂性和冗余性，所以首先通过主成分分析方法提取高维高光谱数据的前K个主要成分，如下：
OK＝PCA(I) (1)
其中I表示原始高光谱图像，OK表示高光谱数据的前K个主要成分。(具体实施细节请参考S.Prasad和L.M.Bruce等人与2008年发表在IEEE Geoscience and Remote SensingLetters上的论文Prasad S,Bruce LM.Limitations ofPrincipal Components Analysisfor Hyperspectral Target Recognition[J].IEEE Geoscience&Remote SensingLetters,2008,5(4):625-629.)。
S2、利用自适应全变分算法进一步去除高光谱图像中的噪声，并增强其空间特征。自适应全变分算法能够利用边缘检测算子选取自适应参数，兼顾图像平滑区在和图像边缘细节信息，在一定程度上提升图像的轮廓特征。
NK＝ATVFμ,λ,In(OK) (2)
其中μ,λ,In分别表示自适应全变分滤波参数，NK表示自适应全变分滤波后的高光谱图像。(具体实验细节请参考W.Liu和C.Wu等人于2011发表在Application ResearchofComputers上的论文LiuW,Chuan-Sheng WU,Tian X U.Adaptive total variationmodelfor image denoising with fast solving algorithm[J].Application ResearchofComputers,2011,28(12):4797-4800.)。
S3、通过集合经验模态分解算法，将预处理后高光谱图像的每维数据进行空间域内的转换，从而得到高光谱图像中空间结构明显的固有模态分量(IMF)。并在提取到的分量上进行降维处理，将其映射到一个最能代表所有分量的线性空间。
1)探究输入高光谱数据是否满足固有模态函数条件：
①函数的局部极点值之和过零点书在整个时间范围内必须相等，或最多相差为一；
②在任意时刻，有局部最大值确定的上包络和有极小值确定的下包络的平均必须为零；
2)对于每维高光谱数据，对其进行IMF筛选过程：
①找到当前波段上全部局部极大值点和局部极小值点，使用差值算法把局部极大值点拟合成上包络面Emax(i,j)和下包络面Emin(i,j)，并求得均值包络面
②给定带有含白噪声P的输入信号，将输入信号与均值包络面相减得到差值
③检查是否符合迭代结束条件SD<τ,其中SD表示为：
3)更新残差余量Rm(i,j)：
Rm(i,j)＝Rm(i,j)-IMFl,m(i,j)； (5)
如果此残余量不含极值，则集合经验模态分解算法终止；如果残余量包含极值，将此残余量Rm(i,j)作为初始输入从步骤①继续求解；对于每维高光谱所包含的IMF，对其求第一主成分，作为最终的IMF输入；
4)最终原始每波段高光谱图像Xl(i,j)被IMF和残差余量重构，得到集合经验模态分解后的高光谱特征图像，其表达式如下：
集合经验模态分解算法的具体实施细节请参考Z.Wu和N.E.Huang等人于2009年发表在Advances inAdaptive DataAnalysis上的论文Wu Z,Huang N.E,ChenX.The multi-dimensional ensemble empirical mode decomposition method[J].AdvancesinAdaptive DataAnalysis,2009,1(03)：339-372。
S4、将提取到的空间结构模态分量作为高光谱图像的特征，并利用支持向量机算法对其进行预测，获得最终的场景分类结果。(利用支持向量机分类器获取分类概率的具体实施细节请参考Chih-Chung Chang和Chih-Jen Lin等人于2011年发表在ACMTransactions on Intelligent Systems and Technology上的论文Chih-Chung Changand Chih-Jen Lin.LIBSVM:A library for support vector machines[J].ACMTransactions on Intelligent Systems and Technology,2011,2(3):389-396.)。
本发明所提供的方法与目前流行的分类器和分类方法如SVM方法，SRC方法，JSRC方法，LOR方法，EMP方法，EPF方法，LMLL方法进行了比较。图4-11是我们的方法与不同分类方法的分类结果比较。图4-11分别为使用SVM，SRC，JSRC，LOR，EMP，EPF，LMLL分类方法以及本发明所获的分类结果图。如图4-10所示，基于SVM，SRC，JSRC，LOR，EMP，EPF，LMLL的分类方法对于Soybeans_M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和错分区域。而如图11所示，本发明提出方法即能有效保证平滑区域的高精度分类结果，又能够降低噪声的敏感性，在图像边缘也能得到较好的分类结果。实验证明本方法获得的高光谱图像分类结果与其他方法分类结果相比，分类精度更高，因此具有更大的实用价值。
表1列出了图4-11所示的分类实验中的训练样本和测试样本数目，已标定样本总数为10249，对于印第安图像的每一类选取样本数分别为8,137,83,24,48,73,8,48,8,97,239,59,21,122,39,47，训练样本总数共计1061，剩余9188个样本作为测试集。表2列出了不同分类方法的分类精度的比较。分类精度越高，表明分类效果越好。
表1、图4-11所示的图像分类实验中训练样本和测试样本的数量
类别编号 地物名称 训练样本数 测试样本数
1# Alfalfa 8 39
2# Corn N 137 1291
3# Corn M 83 747
4# Corn 24 213
5# Grass M 48 435
6# Grass T 73 657
7# Grass p 8 20
8# Hay W 48 430
9# Oats 8 12
10# Soybean N 97 875
11# Soybean M 239 2216
12# Soybean C 59 534
13# Wheat 21 184
14# Woods 122 1143
15# Buildings 39 347
16# Stone 47 46
样本总数 1061 9188
表2附图2所示的图像分类结果的客观评价
分类精度％ SVM SRC JSRC LOR EMP EPF LMLL FEEMD
1# 76.94 53.26 90.88 87.56 95.53 73.08 94.26 100.0
2# 79.49 53.83 81.33 79.61 87.38 93.34 97.16 98.01
3# 80.55 51.42 61.04 71.94 92.68 96.24 90.41 97.43
4# 67.24 38.71 68.54 64.96 83.99 88.29 98.42 97.35
5# 89.27 81.92 92.87 93.04 92.74 99.01 98.39 99.04
6# 89.86 91.36 59.51 97.54 98.31 92.12 99.22 99.51
7# 88.62 85.24 43.23 92.27 91.23 95.01 93.18 98.10
8# 97.24 92.15 83.26 99.85 99.86 97.56 98.87 100.00
9# 48.59 65.83 41.67 97.73 97.50 96.44 97.51 92.92
10# 77.37 65.61 67.54 79.65 86.51 98.98 84.55 97.13
11# 81.12 70.56 83.26 87.05 96.25 94.13 97.86 98.88
12# 77.99 43.39 55.81 81.15 87.4 96.73 98.55 97.85
13# 92.68 90.41 91.85 99.46 98.21 100.0 99.85 98.61
14# 92.56 89.43 95.98 95.01 99.51 99.29 98.37 99.04
15# 72.96 35.63 78.39 68.19 96.08 92.42 88.66 99.48
16# 98.59 89.42 90.36 73.17 93.25 92.50 98.25 95.60
总体精度 83.28 68.46 82.65 85.28 93.54 95.52 95.97 99.03
平均精度 81.94 68.45 71.96 85.51 93.50 94.76 96.12 99.10
Kappa系数 80.86 98.32 80.22 83.14 92.63 94.88 95.38 98.26
从实验结果可以看出，本发明所提出的基于图像特征的集合经验模态分解的高光谱图像分类方法得到的每一类分类精度以及整体分类精度都是最高的。

Claims (2)

1.基于图像特征的集合经验模态分解的高光谱图像分类方法，其特征在于，包括以下步骤：
S1、利用主成分分析算法提取原始高维高光谱数据的前K个主要成分，运算公式如下：
OK＝PCA(I)；
其中I表示原始高维高光谱数据，OK表示高光谱数据的前K个主要成分、即主成分分析算法提取后的高光谱图像；
S2、利用自适应全变分算法去除OK中的噪声、并提升高光谱图像的轮廓特征，运算公式如下：
NK＝ATVFμ,λ,In(OK)；
其中μ,λ,In分别表示自适应全变分滤波参数，NK表示自适应全变分算法滤波后的高光谱图像；
S3、通过集合经验模态分解算法，将NK的每维数据进行空间域内的转换，从而得到高光谱图像中空间结构明显的固有模态分量IMF；并在提取到的分量上进行降维处理，将其映射到一个最能代表所有分量的线性空间，具体步骤包括：
1)、判断NK是否满足以下两个固有模态函数条件：
①函数的局部极点值之和过零点数在整个时间范围内必须相等，或最多相差为一；
②在任意时刻，由局部最大值确定的上包络和由极小值确定的下包络的平均必须为零；
2)、对于满足固有模态函数条件的NK进行IMF筛选，包括以下步骤：
①找到当前波段上全部局部极大值点和局部极小值点，使用差值算法把局部极大值点拟合成上包络面Emax(i,j)和下包络面Emin(i,j)，并求得均值包络面
②给定带有含白噪声P的输入信号将输入信号与均值包络面相减得到差值
其中n表示迭代次数，l,m表示第l频带的第m个数值；
③检查是否符合迭代结束条件SD<τ,其中SD表示为：
其中Rm(i,j)表示残差余量，以原始波段为首次输入，τ为结束条件；如果第n次迭代不满足结束条件，将以为初始信号从步骤①开始重新迭代，直到满足终止条件，此时获得第1个IMF；
3)更新残差余量Rm(i,j)：
Rm(i,j)＝Rm(i,j)-IMFl,m(i,j)；
如果此残余量不含极值，则集合经验模态分解算法终止；如果残余量包含极值，将此残余量Rm(i,j)作为初始输入从步骤①继续求解；对于每维高光谱所包含的IMF，对其求第一主成分，作为最终的IMF输入；
4)最终原始每波段高光谱图像Xl(i,j)被IMF和残差余量重构，得到集合经验模态分解后的高光谱特征图像，其表达式如下：
S4、将步骤S3中通过集合经验模态分解后的高光谱特征图像，利用支持向量机算法对其进行预测，获得最终的场景分类结果。
2.如权利要求1所述的基于图像特征的集合经验模态分解的高光谱图像分类方法，其特征在于：所述步骤S1中利用主成分分析算法提取原始高维高光谱数据的前二十维主成分。
CN201810694287.0A 2018-06-29 2018-06-29 基于图像特征的集合经验模态分解的高光谱图像分类方法 Active CN108985357B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810694287.0A CN108985357B (zh) 2018-06-29 2018-06-29 基于图像特征的集合经验模态分解的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810694287.0A CN108985357B (zh) 2018-06-29 2018-06-29 基于图像特征的集合经验模态分解的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN108985357A CN108985357A (zh) 2018-12-11
CN108985357B true CN108985357B (zh) 2023-10-20

Family

ID=64538960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810694287.0A Active CN108985357B (zh) 2018-06-29 2018-06-29 基于图像特征的集合经验模态分解的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN108985357B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445425A (zh) * 2020-05-07 2020-07-24 郑州轻工业大学 一种用于ai芯片的智能图像处理方法
CN113222005B (zh) * 2021-05-08 2022-05-27 兰州交通大学 一种土地覆盖自动更新方法
CN117274117B (zh) * 2023-11-23 2024-02-02 合肥工业大学 频域伪彩色增强的心磁信号特征图像生成方法及存储介质
CN117934975B (zh) * 2024-03-21 2024-06-07 安徽大学 一种全变分正则引导图卷积的无监督高光谱图像分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436586A (zh) * 2011-10-28 2012-05-02 哈尔滨工业大学 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法
CN102831436A (zh) * 2012-08-02 2012-12-19 哈尔滨工业大学 基于参考图互信息波段选择和emd的高光谱图像分类方法
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
WO2018045626A1 (zh) * 2016-09-07 2018-03-15 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436586A (zh) * 2011-10-28 2012-05-02 哈尔滨工业大学 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法
CN102831436A (zh) * 2012-08-02 2012-12-19 哈尔滨工业大学 基于参考图互信息波段选择和emd的高光谱图像分类方法
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
WO2018045626A1 (zh) * 2016-09-07 2018-03-15 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波阈值降噪和经验模态分解的高光谱图像分类算法;沈毅;张敏;张淼;宇航学报;第33卷(第4期);全文 *

Also Published As

Publication number Publication date
CN108985357A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108985357B (zh) 基于图像特征的集合经验模态分解的高光谱图像分类方法
Kang et al. Spectral–spatial hyperspectral image classification with edge-preserving filtering
CN109492593B (zh) 基于主成分分析网络和空间坐标的高光谱图像分类方法
US6674915B1 (en) Descriptors adjustment when using steerable pyramid to extract features for content based search
Song et al. Hyperspectral image classification based on KNN sparse representation
CN110472682B (zh) 一种顾及空间和局部特征的高光谱遥感影像分类方法
CN110298414B (zh) 基于去噪组合降维和引导滤波的高光谱图像分类方法
CN109409389B (zh) 一种融合多特征的面向对象变化检测方法
WO2013049153A2 (en) Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
Samsi et al. Detection of follicles from IHC-stained slides of follicular lymphoma using iterative watershed
Tarabalka et al. Segmentation and classification of hyperspectral data using watershed
CN110619263A (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
Bari et al. Lung cancer detection using digital image processing techniques: A review
CN103793709A (zh) 细胞识别方法和装置、以及尿液分析仪
CN110991463B (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
CN116152524A (zh) 一种小麦种子分类方法
CN113446998B (zh) 一种基于高光谱目标探测数据的动态解混方法
Rajpoot et al. Hyperspectral colon tissue cell classification
Kalaivani et al. Brain tumor segmentation using machine learning classifier
CN111047616B (zh) 一种遥感图像滑坡目标约束性主动轮廓特征提取方法
Mani et al. Design of a novel shape signature by farthest point angle for object recognition
CN115170956A (zh) 基于多尺度熵率超像素的后验概率高光谱图像分类方法
CN110717485A (zh) 一种基于局部保留投影的高光谱图像稀疏表示分类方法
Zhao et al. An automatic counting method of maize ear grain based on image processing

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