CN109241906A - 基于SVM技术的Gabor图像能量云检测方法、系统及存储介质 - Google Patents
基于SVM技术的Gabor图像能量云检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109241906A CN109241906A CN201811020463.9A CN201811020463A CN109241906A CN 109241906 A CN109241906 A CN 109241906A CN 201811020463 A CN201811020463 A CN 201811020463A CN 109241906 A CN109241906 A CN 109241906A
- Authority
- CN
- China
- Prior art keywords
- super
- gabor
- cloud
- pixel
- subgraph
- 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
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
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SVM技术的Gabor图像能量云检测方法、系统以及存储介质。该检测方法包括步骤:对输入的多光谱遥感伪彩色训练图像分割得到超像素子图,计算并提取云的超像素子图的光谱特征和gabor能量特征,代入支持向量机进行学习训练得到模型,对输入的多光谱遥感伪彩色测试图像分割得到超像素子图,计算并提取测试图的超像素子图的光谱特征和gabor能量特征,代入支持向量机进行识别得到云像素掩码子图。本发明公开的一种基于SVM技术的Gabor图像能量云检测方法可利用更少的资源并表现出更高的识别精度。
Description
技术领域
本发明涉及遥感图像的云识别技术领域,特别涉及一种基于SVM技术的Gabor图像能量云检测方法,检测系统以及存储介质。
背景技术
云是可见光和红外光谱中不可回避的一种光学图像污染物,与遥感影像相关的云掩膜生成是一个重要的问题,它不仅可以为图像提供目录,还能提供云信息。传统的云检测方法主要利用云检测的关键波段,即热红外波段或水汽的吸收带(1360–1390nm)或者多时相的方法。但是,更多的光学遥感卫星输出的图像不具备特定吸收端,一般常见的多光谱遥感卫星包含四个波段的光谱信息,即(RGB NIR)。
发明内容
本发明旨在克服现有技术存在的缺陷,提供一种基于SVM技术的Gabor图像能量云检测方法、系统及存储介质,本发明采用以下技术方案:
第一个方面,本发明实施例提供了一种基于SVM技术的Gabor图像能量云检测方法,所述基于SVM技术的Gabor图像能量云检测方法包括步骤:
S1,分割伪彩色训练图像,得到第一超像素子图;
S2,利用所述第一超像素子图,计算并提取云的第一超像素子图的光谱特征和gabor能量特征;
S3,将所述云的第一超像素子图的光谱特征和gabor能量特征代入支持向量机进行学习训练得到云模型;
S4,分割伪彩色测试图像得到第二超像素子图;
S5,利用所述第二超像素子图,计算并提取第二超像素子图的光谱特征和gabor能量特征;
S6,将所述第二超像素子图的光谱特征和gabor能量特征代入所述支持向量机与所述云模型进行云识别判定;
S7,将所述支持向量机判定为正的超像素子图判定为云像素掩码子图并输出。
优选地,所述伪彩色训练图像由近红外、绿和蓝三种波段组合形成。
优选地,所述分割伪彩色训练图像的方法采用的是简单线性迭代聚类超像素分割方法。
优选地,所述分割伪彩色测试图像的方法采用的是简单线性迭代聚类超像素分割方法。
优选地,所述简单线性迭代聚类超像素分割方法的计算公式为:
其中,D是lab空间中的五维欧氏距离;
m是紧凑因子;
dc代表颜色距离;
ds代表空间距离
S是类内最大空间距离。
优选地,所述光谱特征包括:相对HOT指数的平均值,可见频带比率VBR的平均值以及NDWI的平均值。
在一些实施例中,所述Gabor能量特征的计算公式为:
其中,λ代表正弦因子的波长,
θ代表了Gabor函数的平行条纹的法线方向,
ψ是相位偏移,
σ是高斯的西格玛/标准偏差,
γ是空间纵横比,
(Δx,Δy)代表方向,Δx是水平距离像素,Δy是垂直距离像素。
在一些实施例中,所述支持向量机采用RBF核函数,利用交叉验证来得到最好的参数,并用最好的参数来训练所有训练集合。
第二个方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现如前所述的任一项方法的步骤。
第三个方面,本发明还提供了一种基于SVM技术的Gabor图像能量云检测系统,所述基于SVM技术的Gabor图像能量云检测系统包括:
伪彩色训练图像分割模块,用于分割伪彩色训练图像,得到第一超像素子图;
第一计算提取模块,利用所述第一超像素子图,计算并提取云的第一超像素子图的光谱特征和gabor能量特征;
云特征提取模块,将所述云的第一超像素子图的光谱特征和gabor能量特征代入支持向量机进行学习训练得到云模型;
伪彩色测试图像分割模块,用于分割伪彩色测试图像得到第二超像素子图;
第二计算提取模块,利用所述第二超像素子图,计算并提取第二超像素子图的光谱特征和gabor能量特征;
云识别判定模块,将所述第二超像素子图的光谱特征和gabor能量特征代入所述支持向量机与所述云模型进行云识别判定;
输出模块,将所述支持向量机判定为正的超像素子图判定为云像素掩码子图并输出。
本发明的技术效果:本发明公开的基于SVM技术的Gabor图像能量云检测方法、检测系统以及存储介质通过Gabor纹理能量特征结合光谱特征的云检测方法,可不依赖于特定红外波段、大量光谱信息和多时相,它相对于传统方法利用更少的资源并表现出更高的识别精度,具有普遍意义。
附图说明
图1是根据本发明一个实施例的一种基于SVM技术的Gabor图像能量云检测方法的流程示意图;
图2是根据本发明一个实施例的一种基于SVM技术的Gabor图像能量云检测系统的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释部分:
SVM:Support Vector Machine,支持向量机;它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。主要用于解决模式识别领域中的数据分类问题,属于有监督学习算法的一种。
SLIC:简单线性迭代聚类,是在K-Means聚类算法的基础上扩展而来的,是一种简单而高效的构建超像素的方法。
VBR:可见频带比率;
NDWI:Normalized Difference Water Index,归一化水指数;用遥感影像的特定波段进行归一化差值处理,以凸显影像中的水体信息。
RGB,RGB即是代表红、绿、蓝三个通道的颜色。
NIR:Near Infrared,近红外光谱技术。是一种高效快速的现代分析技术;
PMS:高分一号全色/多光谱;
WFV:宽视场;
RBF:Radial basis function,径向基。
图1是本发明一种基于SVM技术的Gabor图像能量云检测方法的流程示意图。
本发明提供了一种基于SVM技术的Gabor图像能量云检测方法,所述基于SVM技术的Gabor图像能量云检测方法包括步骤:
S1,分割伪彩色训练图像,得到第一超像素子图;
S2,利用所述第一超像素子图,计算并提取云的第一超像素子图的光谱特征和gabor能量特征;
S3,将所述云的第一超像素子图的光谱特征和gabor能量特征代入支持向量机进行学习训练得到云模型;
S4,分割伪彩色测试图像得到第二超像素子图;
S5,利用所述第二超像素子图,计算并提取第二超像素子图的光谱特征和gabor能量特征;
S6,将所述第二超像素子图的光谱特征和gabor能量特征代入所述支持向量机与所述云模型进行云识别判定;
S7,将所述支持向量机判定为正的所述第二超像素子图判定为云像素掩码子图并输出。
Gabor函数可以在频域不同尺度、不同方向上提取相关的特征Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性。
所述伪彩色训练图像由近红外、绿和蓝三种波段组合形成。
所述分割伪彩色训练图像的方法采用的是简单线性迭代聚类超像素分割方法。
所述分割伪彩色测试图像的方法采用的是简单线性迭代聚类超像素分割方法。
所述简单线性迭代聚类超像素分割方法的计算公式为:
其中,D是lab空间中的五维欧氏距离;
m是紧凑因子,决定权衡颜色相似性和空间接近度的相对重要性的参数。dc代表颜色距离;ds代表空间距离S是类内最大空间距离。
所述光谱特征包括:相对HOT指数的平均值,可见频带比率VBR的平均值以及NDWI的平均值。
相对HOT指数的平均值可以用以下方式表示:
可见频带比率VBR的平均值可以用以下方式表示:
NDWI的平均值可以用以下方式表示:
在一些实施例中,所述Gabor能量特征的计算公式为:
在这个等式中,λ代表正弦因子的波长,θ代表了Gabor函数的平行条纹的法线方向,ψ是相位偏移,σ是高斯的西格玛/标准偏差,γ是空间纵横比,并指定Gabor函数的支持的椭圆。
(Δx,Δy)代表方向,水平距离有Δx像素,垂直距离有Δy。纹理能量的定义,可以写成:
所述支持向量机采用RBF核函数,利用交叉验证来得到最好的参数C和r,并用最好的参数C和r来训练所有训练集合。SVM模型有两个非常重要的参数C与gamma(即本文的字母r)。其中C是惩罚系数,即对误差的宽容度。c越高,说明越不能容忍出现误差,容易过拟合。C越小,容易欠拟合。C过大或过小,泛化能力变差。gamma是选择RBF函数作为kernel后,该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多。支持向量的个数影响训练与预测的速度。
第二个方面,本发明还提供了一种计算机可读存储介质(图中未示出),所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现如前所述的任一项方法的步骤。
第三个方面,如图2所示,本发明还提供了一种基于SVM技术的Gabor图像能量云检测系统100。
所述基于SVM技术的Gabor图像能量云检测系统100包括:
伪彩色训练图像分割模块10,用于分割伪彩色训练图像,得到第一超像素子图;
第一计算提取模块20,利用所述第一超像素子图,计算并提取云的第一超像素子图的光谱特征和gabor能量特征;
云特征提取模块30,将所述云的第一超像素子图的光谱特征和gabor能量特征代入支持向量机进行学习训练得到云模型;
伪彩色测试图像分割模块40,用于分割伪彩色测试图像得到第二超像素子图;
第二计算提取模块50,利用所述第二超像素子图,计算并提取第二超像素子图的光谱特征和gabor能量特征;
云识别判定模块60,将所述第二超像素子图的光谱特征和gabor能量特征代入所述支持向量机与所述云模型进行云识别判定;
输出模块70,将所述支持向量机判定为正的所述第二超像素子图判定为云像素掩码子图并输出。
本发明方法在不同分辨率下使用的传感器具有通用性,故SVM训练与识别的模型不受传感器参数差异的影响,在不同的分辨率图像上都得到了较好的云检测结果。本发明提出的方法在大多数覆盖条件下表现良好,即使在是在冰雪覆盖区域和高光照背景区域,并以有限的谱带和较少的特征达到较高的精度。
下面结合具体的实施例对本发明提供的基于SVM技术的Gabor图像能量云检测方法和基于SVM技术的Gabor图像能量云检测系统100进行详细的说明。
实施例1:
本发明的基于SVM技术的Gabor图像能量云检测方法,提出了一种全新的特征,即gabor能量特征,结合光谱信息特征,通过支持向量机训练模型训练并识别复杂背景下的超像素子图中的云层。对高分一号全色/多光谱(PMS)和宽视场(WFV)的图像进行基于SVM技术的Gabor图像能量云检测,两者都具有四个谱段,谱段范围分别是450nm-520nm的蓝色(B)波段,520nm-590nm的绿色(G)波段,630nm-690nm的红色(R)波段,770nm-890nm的近红外(NIR)波段,其中PMS的空间分辨率是8m,WFV的空间分辨率是16m。
参考图1至图2所示,是本发明提供的基于SVM技术的Gabor图像能量云检测方法的具体实施例。
在本发明一个实施例中,所述基于SVM技术的Gabor图像能量云检测方法包括下列步骤:
步骤1:采用简单线性迭代聚类(SLIC)超像素分割方法分割由近红外、绿和蓝三种波段组合形成的伪彩色训练图像,得到第一超像素子图;
步骤2:利用步骤1获得的第一超像素子图,计算并提取云的第一超像素子图的光谱特征和gabor能量特征;
步骤3:步骤2所得的云特征代入支持向量机进行学习训练得到云模型;
步骤4:采用简单线性迭代聚类(SLIC)超像素分割方法分割伪彩色测试图像得到第二超像素子图;
步骤5:利用步骤4获得的第二超像素子图,计算并提取第二超像素子图的光谱特征和gabor能量特征;
步骤6:根据步骤5所得的特征代入支持向量机和步骤3训练得到的模型进行云识别判定,支持向量机判定为正的超像素子图即为云像素掩码子图。
在上述技术方案中,所述步骤1、4中的简单线性迭代聚类(SLIC)为超像素分割方法的计算公式为:
lab空间中的五维欧氏距离的D的简单定义将导致不同像素大小的聚类行为不一致。m决定权衡颜色相似性和空间接近度的相对重要性。
所述步骤1、4中的简单线性迭代聚类(SLIC)采用洛桑联邦理工学院的开源程序slicmex对输入的伪彩色图像进行超像素分割,本发明根据图像尺寸,按照500个像素一个超像素子图做超像素分割。
在上述技术方案中,所述步骤2、5中提取光谱特征信息的计算公式为:
光谱特征1:相对HOT指数的平均值可以用以下方式表示:
光谱特征2:可见频带比率VBR的平均值,即
光谱特征3:NDWI的平均值
Gabor能量特征:在上述技术方案中,所述步骤2、5中Gabor能量信息的计算公式为:
其中i Ni表示superpixel中的标签号和superpixel标签上的像素数,(mi,ni)代表superpixel标签i中的坐标。ρB,ρG,ρR,ρNIR分别表示蓝色、绿色、红色和近红外通道。
所述步骤3中支持向量机采用台湾大学林智仁教授的开源程序libSVM。
所述步骤3中支持向量机采用RBF(径向基)核函数,利用交叉验证来得到最好的参数C和r,并用最好的参数C和r来训练所有训练集合。
本领域内的技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种基于SVM技术的Gabor图像能量云检测方法,其特征在于,包括步骤:
分割伪彩色训练图像,得到第一超像素子图;
利用所述第一超像素子图,计算并提取云的第一超像素子图的光谱特征和gabor能量特征;
将所述云的第一超像素子图的光谱特征和gabor能量特征代入支持向量机进行学习训练得到云模型;
分割伪彩色测试图像得到第二超像素子图;
利用所述第二超像素子图,计算并提取第二超像素子图的光谱特征和gabor能量特征;
将所述第二超像素子图的光谱特征和gabor能量特征代入所述支持向量机与所述云模型进行云识别判定;
将所述支持向量机判定为正的所述第二超像素子图判定为云像素掩码子图并输出。
2.根据权利要求1所述的基于SVM技术的Gabor图像能量云检测方法,其特征在于,所述伪彩色训练图像由近红外、绿和蓝三种波段组合形成。
3.根据权利要求1所述的基于SVM技术的Gabor图像能量云检测方法,其特征在于,所述分割伪彩色训练图像的方法采用的是简单线性迭代聚类超像素分割方法。
4.根据权利要求1所述的基于SVM技术的Gabor图像能量云检测方法,其特征在于,所述分割伪彩色测试图像的方法采用的是简单线性迭代聚类超像素分割方法。
5.根据权利要求3或4所述的基于SVM技术的Gabor图像能量云检测方法,其特征在于,所述简单线性迭代聚类超像素分割方法的计算公式为:
其中,D是lab空间中的五维欧氏距离;
m是紧凑因子;
dc代表颜色距离;
ds代表空间距离
S是类内最大空间距离。
6.根据权利要求1所述的基于SVM技术的Gabor图像能量云检测方法,其特征在于,所述光谱特征包括:相对HOT指数的平均值,可见频带比率VBR的平均值以及NDWI的平均值。
7.根据权利要求1所述的基于SVM技术的Gabor图像能量云检测方法,其特征在于,所述Gabor能量特征的计算公式为:
其中,λ代表正弦因子的波长,
θ代表了Gabor函数的平行条纹的法线方向,
ψ是相位偏移,
σ是高斯的西格玛/标准偏差,
γ是空间纵横比,
(Δx,Δy)代表方向,Δx是水平距离像素,Δy是垂直距离像素。
8.根据权利要求1所述的基于SVM技术的Gabor图像能量云检测方法,其特征在于,所述支持向量机采用RBF核函数,利用交叉验证来得到最佳参数C和r,并用最佳参数C和r来训练所有训练集合。
9.一种基于SVM技术的Gabor图像能量云检测系统,其特征在于,包括:
伪彩色训练图像分割模块,用于分割伪彩色训练图像,得到第一超像素子图;
第一计算提取模块,利用所述第一超像素子图,计算并提取云的第一超像素子图的光谱特征和gabor能量特征;
云特征提取模块,将所述云的第一超像素子图的光谱特征和gabor能量特征代入支持向量机进行学习训练得到云模型;
伪彩色测试图像分割模块,用于分割伪彩色测试图像得到第二超像素子图;
第二计算提取模块,利用所述第二超像素子图,计算并提取第二超像素子图的光谱特征和gabor能量特征;
云识别判定模块,将所述第二超像素子图的光谱特征和gabor能量特征代入所述支持向量机与所述云模型进行云识别判定;
输出模块,将所述支持向量机判定为正的所述第二超像素子图判定为云像素掩码子图并输出。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现权利要求1-8所述的任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020463.9A CN109241906A (zh) | 2018-09-03 | 2018-09-03 | 基于SVM技术的Gabor图像能量云检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020463.9A CN109241906A (zh) | 2018-09-03 | 2018-09-03 | 基于SVM技术的Gabor图像能量云检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109241906A true CN109241906A (zh) | 2019-01-18 |
Family
ID=65060282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020463.9A Pending CN109241906A (zh) | 2018-09-03 | 2018-09-03 | 基于SVM技术的Gabor图像能量云检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241906A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567886A (zh) * | 2019-09-10 | 2019-12-13 | 西安电子科技大学 | 基于半监督空谱特征的多光谱云检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484670A (zh) * | 2014-10-24 | 2015-04-01 | 西安电子科技大学 | 基于伪彩色和支持向量机的遥感图像云检测方法 |
US20160379050A1 (en) * | 2015-06-26 | 2016-12-29 | Kabushiki Kaisha Toshiba | Method for determining authenticity of a three-dimensional object |
-
2018
- 2018-09-03 CN CN201811020463.9A patent/CN109241906A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484670A (zh) * | 2014-10-24 | 2015-04-01 | 西安电子科技大学 | 基于伪彩色和支持向量机的遥感图像云检测方法 |
US20160379050A1 (en) * | 2015-06-26 | 2016-12-29 | Kabushiki Kaisha Toshiba | Method for determining authenticity of a three-dimensional object |
Non-Patent Citations (6)
Title |
---|
RADHAKRISHNA ACHANTA ET.AL.: ""SLIC Superpixels Compared to State-of-the-Art Superpixel Methods"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
YIHUA TAN ET.AL.: ""Real-time Cloud Detection in High Resolution images Using Maximum Response Filter and Principle Component Analysis"", 《IGARSS 2016》 * |
吴昊: ""综合纹理特征的高光谱遥感图像分类方法"", 《计算机工程与设计》 * |
李超炜等: ""基于多特征提取的遥感影像云检测算法研究"", 《数字技术与应用》 * |
金炜等: ""采用多模糊支持向量机决策融合的积雨云检测"", 《光学精密工程》 * |
阮沁馨等: ""基于纹理特征的红外图像溢油检测算法研究"", 《计算机与数字工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567886A (zh) * | 2019-09-10 | 2019-12-13 | 西安电子科技大学 | 基于半监督空谱特征的多光谱云检测方法 |
CN110567886B (zh) * | 2019-09-10 | 2021-06-08 | 西安电子科技大学 | 基于半监督空谱特征的多光谱云检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | SuperPCA: A superpixelwise PCA approach for unsupervised feature extraction of hyperspectral imagery | |
Duan et al. | Noise-robust hyperspectral image classification via multi-scale total variation | |
CN110717354B (zh) | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 | |
Zhang et al. | Spectral–spatial and superpixelwise PCA for unsupervised feature extraction of hyperspectral imagery | |
Yuan et al. | Remote sensing image segmentation by combining spectral and texture features | |
US10074006B2 (en) | Methods and systems for disease classification | |
Luu et al. | Age estimation using active appearance models and support vector machine regression | |
Shrivastava et al. | Exploring the color feature power for psoriasis risk stratification and classification: A data mining paradigm | |
US20150220805A1 (en) | Image foreground matting method based on neighborhood and non-neighborhood smoothness priors | |
CN108427913B (zh) | 联合光谱、空间和层次结构信息的高光谱影像分类方法 | |
CN109978822A (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
Smereka et al. | What is a" good" periocular region for recognition? | |
CN110648322A (zh) | 一种子宫颈异常细胞检测方法及系统 | |
Hu et al. | Classification of melanoma based on feature similarity measurement for codebook learning in the bag-of-features model | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
Mete et al. | Dermoscopic diagnosis of melanoma in a 4D space constructed by active contour extracted features | |
Wang et al. | Diagnostic model for attention-deficit hyperactivity disorder based on interregional morphological connectivity | |
Zhao et al. | Qualitative and quantitative analysis for facial complexion in traditional Chinese medicine | |
Polewski et al. | Detection of single standing dead trees from aerial color infrared imagery by segmentation with shape and intensity priors | |
Simoes et al. | Classification and localization of early-stage Alzheimer’s disease in magnetic resonance images using a patch-based classifier ensemble | |
Guo et al. | Robust anatomical correspondence detection by hierarchical sparse graph matching | |
Wang et al. | Facial image medical analysis system using quantitative chromatic feature | |
Lu et al. | Multispectral image fusion for illumination-invariant palmprint recognition | |
Liu et al. | Patch-driven tongue image segmentation using sparse representation | |
Sajid et al. | The role of facial asymmetry in recognizing age-separated face images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |