CN109102529A - 基于深度卷积神经网络的端对端高光谱图像变化检测方法 - Google Patents

基于深度卷积神经网络的端对端高光谱图像变化检测方法 Download PDF

Info

Publication number
CN109102529A
CN109102529A CN201810929252.0A CN201810929252A CN109102529A CN 109102529 A CN109102529 A CN 109102529A CN 201810929252 A CN201810929252 A CN 201810929252A CN 109102529 A CN109102529 A CN 109102529A
Authority
CN
China
Prior art keywords
pixel
high spectrum
spectrum image
abundance
linear
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
CN201810929252.0A
Other languages
English (en)
Inventor
王�琦
李学龙
袁征航
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810929252.0A priority Critical patent/CN109102529A/zh
Publication of CN109102529A publication Critical patent/CN109102529A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。首先，对高光谱图像进行预处理，并提取所有像元的端元；然后，利用线性和非线性解混方法对高光谱图像进行混合像元分解，得到线性与非线性丰度图；接着，利用丰度图和原始像元信息计算亲和矩阵，并将其作为卷积神经网络的输入，训练得到用于变化检测的网络模型；最后，利用训练好的网络模型进行变化检测，得到最终的变化检测结果。由于亲和矩阵充分利用了高光谱图像的像元及亚像元的信息，而采用卷积神经网络进行端对端高光谱图像变化检测，将变化检测转换为简单的“变与不变”的二分类问题，可以有效地处理高光谱图像的高维信息，提高变化检测的鲁棒性和精度。

Description

基于深度卷积神经网络的端对端高光谱图像变化检测方法
技术领域
本发明属图像处理技术领域，具体涉及一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。
背景技术
变化检测作为遥感图像分析中观测地物的一项重要应用，为土地覆盖和利用、自然灾害监测以及资源勘探等提供了有效的技术手段。在众多遥感图像中，高光谱图像含有丰富的光谱信息，可以根据光谱特征显示出其他遥感图像无法检测出的微小的变化，反映出可见光数据所忽略的变化信息，能够更快、更好、更精确地反映地物的变化情况。根据在检测前是否需要对同一地域进行分类，可以将高光谱图像变化检测方法分为两大类：后分类变化检测和直接比较变化检测，前者先将不同时相的高光谱图像进行分类，然后比较同一地理位置分类后地物类别的不同，后者则直接比较同一地理位置不同时相的像元差异。Nielsen,A.A.在文献“The regularized iteratively reweighted MAD method forchange detection in multi-and hyperspectral data.[J].IEEE Transactions onImage Processing,2007,16(2):463-478.”中提出基于迭代权重多元变化分析的高光谱图像变化检测方法，利用典型相关分析原理，先给高光谱图像的每个像元赋初始权重，然后在每次迭代过程中赋予其新的权值，最后将权值的大小作为是否发生变化的依据，其中未发生变化的像元有较大的权值，发生变化的像元有较小的权值。该方法存在的问题是，首先，没有对高光谱图像进行解混处理，高光谱图像中含有大量的混合像元，未进行解混处理会大大降低变化检测的精度；其次，此方法对高维度数据的处理较为复杂，需要加正则项，计算量较大。
发明内容
为了克服现有高光谱图像变化检测方法鲁棒性差的不足，本发明提供一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。首先，对高光谱图像进行预处理，并提取所有像元的端元；然后，利用线性和非线性解混方法对高光谱图像进行混合像元分解，得到亚像元级别的线性与非线性丰度图；接着，利用丰度图和原始像元信息计算亲和矩阵，并将其作为卷积神经网络的输入，训练得到用于变化检测的网络模型；最后，利用训练好的网络模型进行变化检测，得到最终的变化检测结果。由于根据输入亲和矩阵的数据特性，利用局部共享卷积核进行卷积操作，将变化检测任务转换为简单的“变与不变”的二分类问题，可以有效地处理高光谱图像的高维信息，提高变化检测的鲁棒性。
一种基于深度卷积神经网络的端对端高光谱图像变化检测方法，其特征在于步骤如下：
步骤1：利用ENVI遥感图像处理软件对输入的两时相高光谱图像进行辐射校正、几何校正和图像配准预处理，得到预处理后的两时相高光谱图像。
步骤2：采用Plaza A等2005年的工作An improved N-FINDR algorithm inimplementation[J]，Proceedings of SPIE-The International Society for OpticalEngineering,2005,5806:298-306中提出的N-FINDR端元提取算法对预处理后的两时相高光谱图像进行端元提取，得到两时相高光谱图像所有像元的端元。
步骤3：对高光谱图像中的每一个像元，建立线性解混模型如下：
其中，r表示高光谱图像中的一个像元，m表示像元r的端元总数，xi为像元r的端元矩阵X中的第i列，wli是像元r的线性丰度图wl的第i个元素，ε是随机噪声向量。
利用全约束最小二乘法对公式(1)进行求解，即可得到像元r的线性丰度图wl。对两时相高光谱图像的每一个像元，均按此步骤上述过程进行处理，得到其线性丰度图。
步骤4：对高光谱图像中的每一个像元，建立非线性解混模型如下：
其中，⊙是点乘算子，xj为像元r的端元矩阵X中的第j列，wni是像元r的非线性丰度图wn的第i个元素，0≤wni≤1，aij是非线性模型的参数，满足：
利用Yu J等2017年的工作Comparison of linear and nonlinear spectralunmixing approaches:a case study with multispectral TM imagery[J]，International Journal of Remote Sensing,2017,38(3):773-795中提出的BFM方法对公式(2)进行求解，得到像元r的非线性丰度图wn。
对两时相高光谱图像的每一个像元，均按此步骤上述过程进行处理，得到其非线性丰度图。
步骤5：由高光谱图像中随机选取10％的像元作为训练数据集，剩余像元则构成测试数据集，对训练数据集中的每一个像元按照K＝1-(R1-R2)/R2计算得到其亲和矩阵K，其中，R1为第一时相高光谱图像中的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块，R2为第二时相高光谱图像中相同位置的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块；然后，将得到的亲和矩阵作为用于变化检测的卷积神经网络的输入，采用随机梯度下降法最小化损失函数，对网络进行有监督训练，得到训练好的网络模型。
所述的用于变化检测的神经网络共包含4个卷积层，2个池化层，2个全连接层，其中，第一个卷积层采用64个大小为3×3的卷积核，输出结果输入第二个卷积层，第二个卷积层采用128个3×3的卷积核，输出结果输入第一个平均池化层，第一个平均池化层采用2×2的卷积核，输出结果输入到第三个卷积层，第三个卷积层采用256个3×3的卷积核，输出结果输入到第四个卷积层，第四个卷积层采用128个3×3的卷积核，结果输入到第二个平均池化层，第二个平均池化层采用2×2的卷积核，将输出结果转换为向量输入到一个包含512个神经单元的全连接层，再将输出结果输入到另一个包含2个神经元的全连接层，得到最终输出的分类结果。所述的损失函数为交叉熵函数。
步骤6：对于测试数据集，先按照步骤5中的方法计算得到其每一个像元的亲和矩阵，然后将亲和矩阵输入到步骤5得到的训练好的网络模型，网络输出即为得到的变化检测结果。
本发明的有益效果是：由于同时利用预处理后的高光谱图像及其像元的线性丰度图和非线性丰度图，计算得到亲和矩阵，充分利用了高光谱图像的像元及亚像元的信息；在得到亲和矩阵的基础上，利用卷积神经网络进行端对端高光谱图像变化检测，将变化检测转换为简单的“变与不变”的二分类问题，有效地处理高光谱图像的高维信息，提高了变化检测的鲁棒性和精度。
附图说明
图1是本发明的一种基于深度卷积神经网络的端对端高光谱图像变化检测方法流程图
图2是不同变化检测方法检测结果图
其中，(a)为ground-truth标准图；(b)为CVA方法结果图；(c)为PCA-CVA方法结果图；(d)为IR-MAD方法结果图；(e)为SVM方法结果图；(f)为本发明的CNN方法结果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
如图1所示，本发明提供了一种基于深度卷积神经网络的端对端高光谱图像变化检测方法，其实现过程如下：
1、图像预处理。由于高光谱原始图像含有较多的噪声，先对输入的两时相高光谱图像进行预处理，主要包括辐射校正、几何校正和图像配准，三种操作可利用ENVI遥感图像处理软件直接进行，得到预处理后的两时相高光谱图像。
2、对高光谱图像进行端元提取。本发明采用N-FINDR端元提取算法对高光谱图像进行端元提取，得到两时相高光谱图像的所有端元。高光谱图像中，表示地物信息的端元位于高维凸体的顶点，而非端元位于高维凸体的内部、棱或面上，N-FINDR端元提取算法即是将端元提取过程转化为寻找相应凸体顶点。所述的N-FINDR端元提取算法记载在文献“Animproved N-FINDR algorithm in implementation[J].Proceedings of SPIE-TheInternational Society for Optical Engineering,2005,5806:298-306.”中。
3、对高光谱图像进行线性与非线性解混处理，得到两时相高光谱图像中每个像元的线性与非线性丰度图。
(1)对高光谱图像进行线性解混操作，得到每个像元的线性丰度图。在线性解混模型中，高光谱图像的每个像元是各个端元的线性组合，则每个像元r可以表示为：
其中，r表示两时相高光谱图像中的一个b×1维像元，b为高光谱图像的波段数，m表示像元r的端元总数，X表示像元r的b×m维端元矩阵，xi为端元矩阵X中的第i列，wl是像元r的线性丰度图，wli是线性丰度图wl的第i个元素，ε是随机噪声向量，由计算机随机生成。
利用全约束最小二乘法对公式(1)进行求解，得到像元r的线性丰度图wl。重复此步骤遍历两时相高光谱图像的每一个像元，即得到所有像元的线性丰度图。
(2)对高光谱图像进行非线性解混操作，得到每个像元的非线性丰度图。建立两时相高光谱图像中每个像元的非线性解混模型如下：
其中，⊙是点乘算子，xj为像元r的端元矩阵X中的第j列，wni是像元r的非线性丰度图wn的第i个元素，0≤wni≤1，aij是非线性模型的参数，满足：
利用bilinear-Fan model(BFM)方法对公式(5)进行求解，得到像元r的非线性丰度图。重复此步骤遍历两时相高光谱图像的每一个像元，即得到所有像元的非线性丰度图。所述的bilinear-Fan model(BFM)方法记录在文献“Comparison of linear andnonlinear spectral unmixing approaches:a case study with multispectral TMimagery[J].International Journal of Remote Sensing,2017,38(3):773-795.”中。
4、由高光谱图像中随机选取10％的像元作为训练数据集，剩余像元则构成测试数据集，对训练数据集中的每一个像元按照K＝1-(R1-R2)/R2计算得到其亲和矩阵K，其中，R1为第一时相高光谱图像中的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块，R2为第二时相高光谱图像中相同位置的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块；然后，将得到的亲和矩阵作为用于变化检测的卷积神经网络的输入，采用随机梯度下降法最小化损失函数，对网络进行有监督训练，得到训练好的网络模型。
所述的用于变化检测的神经网络共包含4个卷积层，2个池化层，2个全连接层，其中，第一个卷积层采用64个大小为3×3的卷积核，输出结果输入第二个卷积层，第二个卷积层采用128个3×3的卷积核，输出结果输入第一个平均池化层，第一个平均池化层采用2×2的卷积核，输出结果输入到第三个卷积层，第三个卷积层采用256个3×3的卷积核，输出结果输入到第四个卷积层，第四个卷积层采用128个3×3的卷积核，结果输入到第二个平均池化层，第二个平均池化层采用2×2的卷积核，将输出结果转换为向量输入到一个包含512个神经单元的全连接层，再将输出结果输入到另一个包含2个神经元的全连接层，得到最终输出的分类结果。所述的损失函数为交叉熵函数。
5、对于测试数据集，先按照K＝1-(R1-R2)/R2计算得到其每一个像元的亲和矩阵K，然后将亲和矩阵输入到前面得到的训练好的网络模型，网络输出即为得到的变化检测结果。
本实施例在中央处理器为i5-4590 3.30GHz CPU、内存16G、WINDOWS 7操作系统上，运用MATLAB软件进行的仿真。仿真中使用的数据为公开数据集Farmland。图2为采用不同变化检测方法处理得到的结果图，其中，(a)为ground-truth标准图；(b)为changevector analysis(CVA)方法结果图，该方法记录在文献“Lambin E F,Strahler AH.Change-vector analysis in multitemporal space:a tool to detect andcategorize land-cover change processes using high temporal-resolutionsatellite data.[J].Remote Sensing of Environment,1994,48(2):231-244.”中；(c)为principal component analysis-change vector analysis(PCA-CVA)方法结果图，该方法记录在文献“Baisantry M,Negi DS,Manocha O P.Change Vector Analysis usingEnhanced PCA and Inverse Triangular Function-based Thresholding[J].DefenceScience Journal,2012,62(4):236-242.”中；(d)为iteratively reweighedmultivariate alteration detection(IR-MAD)方法结果图，该方法记录在文献“NielsenA A.The regularized iteratively reweighted MAD method for change detection inmulti-and hyperspectral data.[J].IEEE Transactions on Image Processing,2007,16(2):463-478.”中；(e)为support vector machines(SVM)方法结果图，该方法记录在文献“Nemmour H,Chibani Y.Multiple support vector machines for land cover changedetection:An application for mapping urban extensions[J].Isprs Journal ofPhotogrammetry &Remote Sensing,2006,61(2):125-133.”中；(f)为本发明的CNN方法结果图。表1给出了不同方法的检测准确率数据，可以看出，本发明方法具有较高的变化检测精度。
表1
方法 准确率值
CVA 0.9523
PCA-CVA 0.9668
IR-MAD 0.9604
SVM 0.8420
本发明方法 0.9765

Claims (1)

1.一种基于深度卷积神经网络的端对端高光谱图像变化检测方法，其特征在于步骤如下：
步骤1：利用ENVI遥感图像处理软件对输入的两时相高光谱图像进行辐射校正、几何校正和图像配准预处理，得到预处理后的两时相高光谱图像；
步骤2：采用Plaza A等2005年的工作An improved N-FINDR algorithm inimplementation[J]，Proceedings of SPIE-The International Society for OpticalEngineering,2005,5806:298-306中提出的N-FINDR端元提取算法对预处理后的两时相高光谱图像进行端元提取，得到两时相高光谱图像所有像元的端元；
步骤3：对高光谱图像中的每一个像元，建立线性解混模型如下：
其中，r表示高光谱图像中的一个像元，m表示像元r的端元总数，xi为像元r的端元矩阵X中的第i列，wli是像元r的线性丰度图wl的第i个元素，ε是随机噪声向量；
利用全约束最小二乘法对公式(1)进行求解，即可得到像元r的线性丰度图wl；对两时相高光谱图像的每一个像元，均按此步骤上述过程进行处理，得到其线性丰度图；
步骤4：对高光谱图像中的每一个像元，建立非线性解混模型如下：
其中，⊙是点乘算子，xj为像元r的端元矩阵X中的第j列，wni是像元r的非线性丰度图wn的第i个元素，0≤wni≤1，aij是非线性模型的参数，满足：
利用Yu J等2017年的工作Comparison of linear and nonlinear spectralunmixing approaches:a case study with multispectral TM imagery[J]，International Journal of Remote Sensing,2017,38(3):773-795中提出的BFM方法对公式(2)进行求解，得到像元r的非线性丰度图wn；
对两时相高光谱图像的每一个像元，均按此步骤上述过程进行处理，得到其非线性丰度图；
步骤5：由高光谱图像中随机选取10％的像元作为训练数据集，剩余像元则构成测试数据集，对训练数据集中的每一个像元按照K＝1-(R1-R2)/R2计算得到其亲和矩阵K，其中，R1为第一时相高光谱图像中的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块，R2为第二时相高光谱图像中相同位置的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块；然后，将得到的亲和矩阵作为用于变化检测的卷积神经网络的输入，采用随机梯度下降法最小化损失函数，对网络进行有监督训练，得到训练好的网络模型；
所述的用于变化检测的神经网络共包含4个卷积层，2个池化层，2个全连接层，其中，第一个卷积层采用64个大小为3×3的卷积核，输出结果输入第二个卷积层，第二个卷积层采用128个3×3的卷积核，输出结果输入第一个平均池化层，第一个平均池化层采用2×2的卷积核，输出结果输入到第三个卷积层，第三个卷积层采用256个3×3的卷积核，输出结果输入到第四个卷积层，第四个卷积层采用128个3×3的卷积核，结果输入到第二个平均池化层，第二个平均池化层采用2×2的卷积核，将输出结果转换为向量输入到一个包含512个神经单元的全连接层，再将输出结果输入到另一个包含2个神经元的全连接层，得到最终输出的分类结果；所述的损失函数为交叉熵函数；
步骤6：对于测试数据集，先按照步骤5中的方法计算得到其每一个像元的亲和矩阵，然后将亲和矩阵输入到步骤5得到的训练好的网络模型，网络输出即为得到的变化检测结果。
CN201810929252.0A 2018-08-15 2018-08-15 基于深度卷积神经网络的端对端高光谱图像变化检测方法 Pending CN109102529A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810929252.0A CN109102529A (zh) 2018-08-15 2018-08-15 基于深度卷积神经网络的端对端高光谱图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810929252.0A CN109102529A (zh) 2018-08-15 2018-08-15 基于深度卷积神经网络的端对端高光谱图像变化检测方法

Publications (1)

Publication Number Publication Date
CN109102529A true CN109102529A (zh) 2018-12-28

Family

ID=64849877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810929252.0A Pending CN109102529A (zh) 2018-08-15 2018-08-15 基于深度卷积神经网络的端对端高光谱图像变化检测方法

Country Status (1)

Country Link
CN (1) CN109102529A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800690A (zh) * 2019-01-04 2019-05-24 北京科技大学 一种非线性高光谱影像混合像元分解方法及装置
CN110852369A (zh) * 2019-11-06 2020-02-28 西北工业大学 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN112818920A (zh) * 2021-02-25 2021-05-18 哈尔滨工程大学 一种双时相高光谱图像空谱联合变化检测方法
CN112990107A (zh) * 2021-04-19 2021-06-18 中国人民解放军国防科技大学 高光谱遥感图像水下目标检测方法、装置及计算机设备
CN113327218A (zh) * 2021-06-10 2021-08-31 东华大学 一种基于级联网络的高光谱与全色图像融合方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819838A (zh) * 2012-07-17 2012-12-12 北京市遥感信息研究所 基于多源目标特征支持的高光谱遥感图像变化检测方法
CN107871136A (zh) * 2017-03-22 2018-04-03 中山大学 基于稀疏性随机池化的卷积神经网络的图像识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819838A (zh) * 2012-07-17 2012-12-12 北京市遥感信息研究所 基于多源目标特征支持的高光谱遥感图像变化检测方法
CN107871136A (zh) * 2017-03-22 2018-04-03 中山大学 基于稀疏性随机池化的卷积神经网络的图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QI WANG ET AL.: "GETNET: A General End-to-End 2-D CNN Framework for Hyperspectral Image Change Detection", 《HTTPS://IEEEXPLORE.IEEE.ORG/DOCUMENT/8418840》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800690A (zh) * 2019-01-04 2019-05-24 北京科技大学 一种非线性高光谱影像混合像元分解方法及装置
CN109800690B (zh) * 2019-01-04 2020-10-13 北京科技大学 一种非线性高光谱影像混合像元分解方法及装置
CN110852369A (zh) * 2019-11-06 2020-02-28 西北工业大学 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN112818920A (zh) * 2021-02-25 2021-05-18 哈尔滨工程大学 一种双时相高光谱图像空谱联合变化检测方法
CN112990107A (zh) * 2021-04-19 2021-06-18 中国人民解放军国防科技大学 高光谱遥感图像水下目标检测方法、装置及计算机设备
CN113327218A (zh) * 2021-06-10 2021-08-31 东华大学 一种基于级联网络的高光谱与全色图像融合方法
CN113327218B (zh) * 2021-06-10 2023-08-25 东华大学 一种基于级联网络的高光谱与全色图像融合方法

Similar Documents

Publication Publication Date Title
Stengel et al. Adversarial super-resolution of climatological wind and solar data
CN109102529A (zh) 基于深度卷积神经网络的端对端高光谱图像变化检测方法
Persello et al. Delineation of agricultural fields in smallholder farms from satellite images using fully convolutional networks and combinatorial grouping
Shawky et al. Remote sensing image scene classification using CNN-MLP with data augmentation
Wang et al. Change detection based on Faster R-CNN for high-resolution remote sensing images
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
Jin et al. A super-resolution mapping method using local indicator variograms
Akey Sungheetha Classification of remote sensing image scenes using double feature extraction hybrid deep learning approach
Wu et al. Classification of defects with ensemble methods in the automated visual inspection of sewer pipes
Li et al. Structure-aware collaborative representation for hyperspectral image classification
Yu et al. NestNet: A multiscale convolutional neural network for remote sensing image change detection
Gao et al. Small sample classification of hyperspectral image using model-agnostic meta-learning algorithm and convolutional neural network
Peeters et al. Automated recognition of urban objects for morphological urban analysis
Golay et al. A new estimator of intrinsic dimension based on the multipoint Morisita index
Kim et al. Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data
Park et al. Bayesian manifold learning: the locally linear latent variable model (LL-LVM)
Hong et al. Object-oriented multiscale deep features for hyperspectral image classification
Kurihana et al. Data-driven cloud clustering via a rotationally invariant autoencoder
Beirami et al. Spatial-spectral classification of hyperspectral images based on multiple fractal-based features
AU2015218184B2 (en) Processing hyperspectral or multispectral image data
Yang et al. Unsupervised change detection based on a unified framework for weighted collaborative representation with RDDL and fuzzy clustering
CN114004998B (zh) 基于多视张量积扩散的非监督极化sar图像地物分类方法
CN113935433B (zh) 基于深度光谱空间倒残差网络的高光谱图像分类方法
Taghribi et al. ASAP–A sub-sampling approach for preserving topological structures modeled with geodesic topographic mapping
Tang et al. A deep relearning method based on the recurrent neural network for land cover classification

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: 20181228