CN109145950B - 一种基于图信号采样的高光谱图像主动学习方法 - Google Patents

一种基于图信号采样的高光谱图像主动学习方法 Download PDF

Info

Publication number
CN109145950B
CN109145950B CN201810800017.3A CN201810800017A CN109145950B CN 109145950 B CN109145950 B CN 109145950B CN 201810800017 A CN201810800017 A CN 201810800017A CN 109145950 B CN109145950 B CN 109145950B
Authority
CN
China
Prior art keywords
sampling
image
pixel
matrix
graph
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
CN201810800017.3A
Other languages
English (en)
Other versions
CN109145950A (zh
Inventor
贺霖
余龙
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810800017.3A priority Critical patent/CN109145950B/zh
Publication of CN109145950A publication Critical patent/CN109145950A/zh
Application granted granted Critical
Publication of CN109145950B publication Critical patent/CN109145950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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

本发明公开了一种基于图信号采样的高光谱图像主动学习方法，包括：读取三维高光谱图像数据后重排列，将其类别标签作为图信号，利用高光谱图像数据构建权重矩阵，表征图信号点之间的连接关系；保留空间8近邻连接，稀疏化权重矩阵；计算度矩阵、归一化权重矩阵、归一化图拉普拉斯矩阵、二阶图拉普拉斯矩阵；获取初始训练样本作为图信号初始采样点；利用图采样方法采样出图信号非采样集中连接最弱的像素点；将采样像素点加入图信号采样集；判断采样像素点是否属于测试集，若属于测试集则给与专家标签并加入训练集、移出测试集；使用图重构分类方法验证分类精度；判断训练样本数是否达到设定值，如未达到继续主动学习，达到则退出主动学习过程。

Description

一种基于图信号采样的高光谱图像主动学习方法
技术领域
本发明涉及高维图像处理技术领域，具体涉及一种基于图信号采样的高光谱图像主动学习方法。
背景技术
高光谱图像由高的光谱分辨率的传感器获取，通常以上百个波段同时对地物成像。与其他遥感图像相比，高光谱图像有以下特点：数据量大、光谱波段多、相邻波段的相似性高、数据冗余度高。高光谱图像的光谱分辨率能达到纳米级，“图谱合一”的高光谱图像含有丰富的空间信息、光谱信息，由此发展的高光谱图像分类技术能够利用空间信息和光谱特征实现地物的精细分类与识别。另外，高光谱图像分类技术可用于识别全色图像、多光谱图像难以识别的地物类别，因而已在农业、林业、海洋、城市、军事、天文等领域发挥着越来越重要的作用。
高光谱图像存在数据维度高、标记样本困难等问题，许多分类方法虽然可以利用高光谱数据中丰富的光谱-空间信息取得不错的分类效果，但大部分方法需要的训练样本较多，且标记的训练样本对分类性能的提升效果并不显著。因此，针对数据量大、标记样本少的高光谱图像，设计合适的主动学习方法从大量无标记样本中学习出最能提升分类性能的样本点，进而通过专家标记这些最有效的样本实现高精度的高光谱图像分类，是高光谱图像分类领域较为重要的研究方向之一。
基于后验概率的主动学习方法虽然能够学习出高光谱图像中较为重要的对分类性能有提升效果的样本点，但该类方法依赖于特定的分类器且受制于分类器的提升速度。因此该类主动学习方法对高光谱图像分类的提升效果以及随标记样本数量增多的分类精度收敛速度有待提高。
发明内容
本发明的目的是针对现有技术的不足，提供了一种基于图信号采样的高光谱图像主动学习方法，将高光谱图像的像素类别标签作为图信号，利用高光谱数据建立了图信号点之间的连接，然后从图信号采样的角度设计了适用于高光谱图像的主动学习方法，并利用图信号重构分类器对高光谱图像分类。所述主动学习方法从信号处理的角度十分适用于图信号重构分类器，并能够提升高光谱图像分类精度随标记样本数量增长的速度。
本发明的目的可以通过如下技术方案实现：
一种基于图信号采样的高光谱图像主动学习方法，所述方法包括以下步骤：
S1、读取三维高光谱图像数据立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；
S2、将步骤S1的三维高光谱图像数据按像素位置顺序重排列成二维矩阵I(k,b)，其中k表示像素点标号，k是[1,V]范围内的整数，V是像素点总数，b表示所处光谱波段位置；
S3、将高光谱图像类别标签作为图信号，并利用高光谱图像数据计算所有像素点之间的去样本均值的相关系数，将其作为图信号点之间的相似性连接关系，生成权重矩阵W；
S4、只连接每个像素点与其空间8近邻的像素点，将步骤S3的权重矩阵W中每个像素点与自身以及与空间8近邻之外的其他像素点的连接权重置0，得到稀疏化的权重矩阵
Figure BDA0001736874090000021
以此矩阵表示图信号点之间优化后的连接关系；
S5、计算度矩阵D、归一化权重矩阵
Figure BDA0001736874090000022
归一化图拉普拉斯矩阵L，以及二阶图拉普拉斯矩阵L2；
S6、获取初始训练样本，将初始训练样本作为图信号初始采样点；
S7、利用图信号采样方法采样出图信号非采样集Sc中连接最弱的像素点；
S8、将步骤S7中的采样像素点添加到图信号采样集S中；
S9、选择性将步骤S7中的采样像素点添加到训练样本集中：判断步骤S7中图信号采样出的像素点是否属于高光谱图像测试集，如果不属于测试集则不需要给与专家标签；如果属于测试集则给与专家标签，并将该样本点从测试集中移除，加入训练样本集中；
S10、使用图重构分类算法验证图信号采样增加了训练样本后的高光谱图像分类精度；
S11、迭代循环S7-S10步骤的高光谱图像图信号采样主动学习过程，直至训练样本数达到设定值。
进一步地，步骤S3中的权重矩阵W采用如下计算方式：
Figure BDA0001736874090000023
其中，vi代表第i个像素点，va代表所有像素点的均值，wij是权重矩阵W中的元素，代表像素i和像素j的相似性。
进一步地，步骤S5中的度矩阵D公式如下：
Figure BDA0001736874090000031
归一化权重矩阵
Figure BDA0001736874090000032
归一化图拉普拉斯矩阵
Figure BDA0001736874090000033
其中E是单位矩阵。
进一步地，步骤S7中所述利用图信号采样方法采样出图信号非采样集Sc中连接最弱的像素点，即利用下式准则选取出高光谱图像未标记样本中含信息最多的像素点v：
Figure BDA0001736874090000034
其中，
Figure BDA0001736874090000035
S是采样集，Sc是采样集的补集，即非采样集；ψ1,k是矩阵(L2)Sc的最小特征值对应的特征向量；点v处能量最强，与邻接高光谱像素的差异性最大，与其他高光谱像素点的相似性连接也最弱，因此该点是最难分类的点，应作为图采样主动学习最需要采样的信号点。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明提供的基于图信号采样的高光谱图像主动学习方法，将高光谱图像类别标签作为图信号，并将图信号点之间以一定的相似度连接起来，用图结构描述像素点之间的联系，将高光谱图像的主动学习过程用图信号采样来描述，每次得到的信号采样点是非采样集中包含信息最多的点，将对图信号重构有最大的帮助；所述主动学习方法将大幅提升图重构分类器的分类准确率，相比于基于后验概率最小差异准则(BT)的主动学习方法提升效果更明显。
2、本发明提供的基于图信号采样的高光谱图像主动学习方法，采样过程和专家标记新训练样本过程之间加入了判断条件，只对属于测试集的采样点进行专家标记，这种针对性的标记过程避免了对高光谱图像背景像素点的盲目标记，因此学习效率更高，并且本发明的主动学习方法方便对高光谱图像全图操作；在同样主动标记样本数量下，本发明的图信号采样主动学习方法相比于基于后验概率最小差异准则(BT)的主动学习方法，在高光谱图像分类任务上的分类准确率提升速度更快。
附图说明
图1为本发明基于图信号采样的高光谱图像主动学习方法的工作流程图。
图2是对于AVIRIS Indian Pines图像，采用本发明的主动学习方法和图重构分类器的分类精度随总训练样本数增长的示意图。
图3(a)是对于AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法和多项式逻辑回归分类器的分类精度随总训练样本数增长的示意图；图3(b)是对于高斯滤波预处理后的AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法和多项式逻辑回归分类器的分类精度随总训练样本数增长的示意图。
图4(a)-图4(d)是训练样本标签，图像中的像素点被分为12类，初始训练样本取每类2个，图中训练样本是对原始AVIRIS Indian Pines图像，采用本发明主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图5(a)-图5(d)是测试样本标签，图像中的像素点被分为12类，四个图中抽取的训练样本是对原始AVIRIS Indian Pines图像，采用本发明主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图6(a)-图6(d)是全体样本标签，采用图重构分类方法得到的高光谱图像分类结果，图像中的像素点被分为12类，四个图中抽取的训练样本是对原始AVIRIS Indian Pines图像，采用本发明主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图7(a)-图7(d)是训练样本标签，图像中的像素点被分为12类，初始训练样本取每类2个，图中训练样本是对原始AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图8(a)-图8(d)是测试样本标签，图像中的像素点被分为12类，四个图中抽取的训练样本是对原始AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图9(a)-图9(d)是全体样本标签，采用多项式逻辑回归分类方法得到的高光谱图像分类结果，图像中的像素点被分为12类，四个图中抽取的训练样本是对原始AVIRISIndian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图10(a)-图10(d)是训练样本标签，图像中的像素点被分为12类，初始训练样本取每类2个，图中训练样本是对高斯滤波预处理后的AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图11(a)-图11(d)是测试样本标签，图像中的像素点被分为12类，四个图中抽取的训练样本是对高斯滤波预处理后的AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
图12(a)-图12(d)是全体样本标签，采用多项式逻辑回归分类方法得到的高光谱图像分类结果，图像中的像素点被分为12类，四个图中抽取的训练样本是对高斯滤波预处理后的AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法分别采样0个(即使用初始训练样本)、20个、40个、60个像素点时的训练样本。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
本实施例提供了一种基于图信号采样的高光谱图像主动学习方法，所述方法的流程如图1所示，包括以下步骤：
S1、读取三维高光谱图像数据立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；
S2、将步骤S1的三维高光谱图像数据按像素位置顺序重排列成二维矩阵I(k,b)，其中k表示像素点标号，k是[1,V]范围内的整数，V是像素点总数，b表示所处光谱波段位置；
S3、将高光谱图像类别标签作为图信号，并利用高光谱图像数据计算所有像素点之间的去样本均值的相关系数，将其作为图信号点之间的相似性连接关系，生成权重矩阵W：
Figure BDA0001736874090000051
其中，vi代表第i个像素点，va代表所有像素点的均值，wij是权重矩阵W中的元素，代表像素i和像素j的相似性；
S4、只连接每个像素点与其空间8近邻的像素点，将步骤S3的权重矩阵W中每个像素点与自身以及与空间8近邻之外的其他像素点的连接权重置0，得到稀疏化的权重矩阵
Figure BDA0001736874090000052
以此矩阵表示图信号点之间优化后的连接关系；
S5、计算度矩阵D、归一化权重矩阵
Figure BDA0001736874090000061
归一化图拉普拉斯矩阵L，以及二阶图拉普拉斯矩阵L2；所述度矩阵D公式如下：
Figure BDA0001736874090000062
归一化权重矩阵
Figure BDA0001736874090000063
归一化图拉普拉斯矩阵
Figure BDA0001736874090000064
其中E是单位矩阵；
S6、获取初始训练样本，将初始训练样本作为图信号初始采样点；
S7、利用图信号采样方法采样出图信号非采样集Sc中连接最弱的像素点；即利用下式准则选取出高光谱图像未标记样本中含信息最多的像素点v：
Figure BDA0001736874090000065
其中，
Figure BDA0001736874090000066
S是采样集，Sc是采样集的补集，即非采样集；ψ1,k是矩阵(L2)Sc的最小特征值对应的特征向量；点v处能量最强，与邻接高光谱像素的差异性最大，与其他高光谱像素点的相似性连接也最弱，因此该点是最难分类的点，应作为图采样主动学习最需要采样的信号点；
S8、将步骤S7中的采样像素点添加到图信号采样集S中；
S9、判断步骤S7中图信号采样出的像素点是否属于高光谱图像测试集：如果不属于测试集则不需要给与专家标签；如果属于测试集则给与专家标签，并将该样本点从测试集中移除，加入训练样本集中；
S10、使用图重构分类算法验证图信号采样增加了训练样本后的高光谱图像分类精度；
S11、迭代循环S7-S10步骤的高光谱图像图信号采样主动学习过程，直至训练样本数达到设定值。
图2是对于AVIRIS Indian Pines图像，采用本实施例的主动学习方法和图重构分类器的分类精度随总训练样本数增长的示意图；
图3(a)是对于AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法和多项式逻辑回归分类器的分类精度随总训练样本数增长的示意图；图3(b)是对于高斯滤波预处理后的AVIRIS Indian Pines图像，采用基于后验概率最小差异准则(BT)的主动学习方法和多项式逻辑回归分类器的分类精度随总训练样本数增长的示意图；
图4(a)、图7(a)、图10(a)为初始训练样本标签。图4(b)-图4(d)为经图信号采样的主动学习选点后的高光谱图像训练样本标签，图5(a)-图5(d)分别为图4(a)-图4(d)对应的高光谱图像测试样本标签，图6(a)-图6(d)是图重构分类方法分别使用图4(a)-图4(d)训练样本对高光谱图像全体样本的预测标签。图7(b)-图7(d)为基于后验概率最小差异准则(BT)的主动学习选点后的高光谱图像训练样本标签，图8(a)-图8(d)分别为图7(a)-图7(d)对应的高光谱图像测试样本标签，图9(a)-图9(d)是多项式逻辑回归分类方法分别使用图7(a)-图7(d)训练样本对高光谱图像全体样本的预测标签。图10(b)-图10(d)为在高斯滤波预处理下基于后验概率最小差异准则(BT)的主动学习选点后的高光谱图像训练样本标签，图11(a)-图11(d)分别为图10(a)-图10(d)对应的高光谱图像测试样本标签，图12(a)-图12(d)是多项式逻辑回归分类方法分别使用图10(a)-图10(d)训练样本对高斯滤波预处理下的高光谱图像全体样本的预测标签。
由图6(a)-图6(d)得到表1分别利用图信号采样主动学习方法得到的图4(a)-图4(d)训练样本以及图重构分类器对高光谱图像测试样本分类，得到的准确率。其中，待分类的像素来自于12个类。
表1
训练样本总数 24 44 64 84
分类准确率(％) 59.81 75.84 83.53 87.28
由图9(a)-图9(d)得到表2分别利用基于后验概率最小差异准则(BT)的主动学习方法得到的图7(a)-图7(d)训练样本以及多项式逻辑回归分类器对高光谱图像测试样本分类，得到的准确率。其中，待分类的像素来自于12个类。
表2
Figure BDA0001736874090000071
由图12(a)-图12(d)得到表3分别利用基于后验概率最小差异准则(BT)的主动学习方法得到的图10(a)-图10(d)训练样本以及多项式逻辑回归分类器，对高斯滤波预处理后的高光谱图像测试样本分类，得到的准确率。其中，待分类的像素来自于12个类。
表3
Figure BDA0001736874090000072
本实施例所述方法的优势如下：
(1)数据适应性更强：基于图信号采样的高光谱图像主动学习方法用数据自适应的图结构将高光谱像素连接成一张“关系网”，较为准确的描述了像素点间的相似性关系。将高光谱图像的像素点标签看做图信号，则高光谱图像像素点间的相似性关系可以用于图信号重构过程，即使用已知标签的图信号“采样部分”恢复出整个图信号，从而预测出测试像素的标签。本发明的主动学习和分类方法构造了依赖于高光谱数据的图结构，相比于基于后验概率最小差异准则(BT)的主动学习和多项式逻辑回归分类方法更加适用于高光谱数据；另外，本方法可以从图信号采样和重构上作出原理解释，有利于从信号处理角度提供更多改善高光谱图像分类性能的方法。
(2)主动学习方法和分类方法匹配性更高：基于图信号采样的高光谱图像主动学习方法每次采样未知标签的像素点时，遵循最大化图信号重构能力的准则，选取出高光谱图像中与其他像素连接最弱的点，也是对于图信号重构过程来说信息含量最丰富的点。从图信号采样和重构的原理上来看，本发明的图信号采样主动学习选取的像素点最匹配图信号重构分类方法，能够使新增的训练样本最大程度地提升分类器性能，相比于基于后验概率最小差异准则(BT)的主动学习方法提升效果更明显。
(3)高光谱图像全图操作便利性：本发明实施采样集、训练集分离策略，在采样过程和专家标记新训练样本过程之间加入了判断条件，只对属于测试集的采样点进行专家标记，这种针对性的标记过程避免了对高光谱图像背景像素点的盲目标记，因此学习效率更高。由于高光谱数据特有的数据结构，高光谱图像存在大量不需要分类的背景数据，针对高光谱图像全图处理的主动学习机制必定会采样到许多背景点，本发明通过筛选机制先将采样集中的非背景点取出再标记，避免了费时、费力、无用地标记背景点过程，因此能够十分方便的对整个高光谱图像数据实施本发明的主动学习过程。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (4)

1.一种基于图信号采样的高光谱图像主动学习方法，其特征在于，所述方法包括以下步骤：
S1、读取三维高光谱图像数据立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；
S2、将步骤S1的三维高光谱图像数据按像素位置顺序重排列成二维矩阵I(k,b)，其中k表示像素点标号，k是[1,V]范围内的整数，V是像素点总数，b表示所处光谱波段位置；
S3、将高光谱图像类别标签作为图信号，并利用高光谱图像数据计算所有像素点之间的去样本均值的相关系数，将其作为图信号点之间的相似性连接关系，生成权重矩阵W；
S4、只连接每个像素点与其空间8近邻的像素点，将步骤S3的权重矩阵W中每个像素点与自身以及与空间8近邻之外的其他像素点的连接权重置0，得到稀疏化的权重矩阵
Figure FDA0001736874080000011
以此矩阵表示图信号点之间优化后的连接关系；
S5、计算度矩阵D、归一化权重矩阵
Figure FDA0001736874080000012
归一化图拉普拉斯矩阵L，以及二阶图拉普拉斯矩阵L2；
S6、获取初始训练样本，将初始训练样本作为图信号初始采样点；
S7、利用图信号采样方法采样出图信号非采样集Sc中连接最弱的像素点；
S8、将步骤S7中的采样像素点添加到图信号采样集S中；
S9、选择性将步骤S7中的采样像素点添加到训练样本集中：判断步骤S7中图信号采样出的像素点是否属于高光谱图像测试集，如果不属于测试集则不需要给与专家标签；如果属于测试集则给与专家标签，并将该像素点 从测试集中移除，加入训练样本集中；
S10、使用图重构分类算法验证图信号采样增加了训练样本后的高光谱图像分类精度；
S11、迭代循环S7-S10步骤的高光谱图像图信号采样主动学习过程，直至训练样本数达到设定值。
2.根据权利要求1所述的基于图信号采样的高光谱图像主动学习方法，其特征在于，步骤S3中的权重矩阵W采用如下计算方式：
Figure FDA0001736874080000021
其中，vi代表第i个像素点，va代表所有像素点的均值，wij是权重矩阵W中的元素，代表像素i和像素j的相似性。
3.根据权利要求2所述的基于图信号采样的高光谱图像主动学习方法，其特征在于，步骤S5中的度矩阵D公式如下：
Figure FDA0001736874080000022
归一化权重矩阵
Figure FDA0001736874080000023
归一化图拉普拉斯矩阵
Figure FDA0001736874080000024
其中E是单位矩阵。
4.根据权利要求3所述的基于图信号采样的高光谱图像主动学习方法，其特征在于，步骤S7中所述利用图信号采样方法采样出图信号非采样集Sc中连接最弱的像素点，即利用下式准则选取出高光谱图像未标记样本中含信息最多的像素点v：
Figure FDA0001736874080000025
其中，
Figure FDA0001736874080000026
S是采样集，Sc是采样集的补集，即非采样集；ψ1,k是矩阵(L2)Sc的最小特征值对应的特征向量；点v处能量最强，与邻接高光谱像素的差异性最大，与其他高光谱像素点的相似性连接也最弱，因此该点是最难分类的点，应作为图采样主动学习最需要采样的信号点。
CN201810800017.3A 2018-07-20 2018-07-20 一种基于图信号采样的高光谱图像主动学习方法 Active CN109145950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810800017.3A CN109145950B (zh) 2018-07-20 2018-07-20 一种基于图信号采样的高光谱图像主动学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810800017.3A CN109145950B (zh) 2018-07-20 2018-07-20 一种基于图信号采样的高光谱图像主动学习方法

Publications (2)

Publication Number Publication Date
CN109145950A CN109145950A (zh) 2019-01-04
CN109145950B true CN109145950B (zh) 2021-09-21

Family

ID=64801138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810800017.3A Active CN109145950B (zh) 2018-07-20 2018-07-20 一种基于图信号采样的高光谱图像主动学习方法

Country Status (1)

Country Link
CN (1) CN109145950B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784392B (zh) * 2019-01-07 2020-12-22 华南理工大学 一种基于综合置信的高光谱图像半监督分类方法
CN110688934B (zh) * 2019-09-23 2023-11-21 云南电网有限责任公司电力科学研究院 一种空间采样主动学习分类方法、电子设备及存储介质
CN112801204B (zh) * 2021-02-09 2022-03-15 中国人民解放军国防科技大学 基于自动神经网络的具有终身学习能力的高光谱分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7545986B2 (en) * 2004-09-16 2009-06-09 The United States Of America As Represented By The Secretary Of The Navy Adaptive resampling classifier method and apparatus
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
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
CN104408466A (zh) * 2014-11-17 2015-03-11 中国地质大学（武汉） 基于局部流形学习构图的高光谱遥感图像半监督分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7545986B2 (en) * 2004-09-16 2009-06-09 The United States Of America As Represented By The Secretary Of The Navy Adaptive resampling classifier method and apparatus
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
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
CN104408466A (zh) * 2014-11-17 2015-03-11 中国地质大学（武汉） 基于局部流形学习构图的高光谱遥感图像半监督分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
自适应结构化背景和形状特征子空间高光谱图像多类目标检测;贺霖 等;《红外与毫米波学报》;20071015;第26卷(第5期);第353-357页 *

Also Published As

Publication number Publication date
CN109145950A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN109784392B (zh) 一种基于综合置信的高光谱图像半监督分类方法
CN105740894B (zh) 一种高光谱遥感图像的语义标注方法
CN108009559B (zh) 一种基于空谱联合信息的高光谱数据分类方法
CN108830296A (zh) 一种改进的基于深度学习的高分遥感影像分类方法
CN111160396B (zh) 一种基于多图结构的图卷积网络的高光谱图像分类方法
CN107145836B (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN112200090B (zh) 基于交叉分组空谱特征增强网络的高光谱图像分类方法
CN109145950B (zh) 一种基于图信号采样的高光谱图像主动学习方法
CN103208011B (zh) 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法
CN111160273A (zh) 一种高光谱图像空谱联合分类方法及装置
CN113139512B (zh) 基于残差和注意力的深度网络高光谱影像分类方法
CN113936214B (zh) 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法
CN111626267B (zh) 一种利用空洞卷积的高光谱遥感图像分类方法
CN102509120A (zh) 基于迁移字典学习的高光谱图像的有监督分割方法
CN115240072A (zh) 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
CN114266961A (zh) 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法
CN114299398B (zh) 一种基于自监督对比学习的小样本遥感图像分类方法
CN115170961A (zh) 一种基于深度跨域少样本学习的高光谱图像分类方法及系统
CN113408398A (zh) 基于通道注意力及概率上采样的遥感图像云检测方法
CN111639697A (zh) 基于非重复采样与原型网络的高光谱图像分类方法
Wohlfarth et al. Dense cloud classification on multispectral satellite imagery
CN107203779A (zh) 基于空谱信息保持的高光谱降维方法
CN111914922B (zh) 一种基于局部卷积和空洞卷积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