CN109271874B - 一种融合空间和光谱信息的高光谱图像特征提取方法 - Google Patents

一种融合空间和光谱信息的高光谱图像特征提取方法 Download PDF

Info

Publication number
CN109271874B
CN109271874B CN201810967729.4A CN201810967729A CN109271874B CN 109271874 B CN109271874 B CN 109271874B CN 201810967729 A CN201810967729 A CN 201810967729A CN 109271874 B CN109271874 B CN 109271874B
Authority
CN
China
Prior art keywords
matrix
spatial
hyperspectral image
sample
pixel point
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
CN201810967729.4A
Other languages
English (en)
Other versions
CN109271874A (zh
Inventor
陈尉钊
杨志景
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810967729.4A priority Critical patent/CN109271874B/zh
Publication of CN109271874A publication Critical patent/CN109271874A/zh
Application granted granted Critical
Publication of CN109271874B publication Critical patent/CN109271874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供的一种高光谱图像特征提取方法，包括以下步骤：采样，获取像素点类别中心；度量空间像素点的相似性，为每个像素点找到最接近的样本中心点；构建像素点轨迹矩阵；构建样本中心轨迹矩阵；将样本中心轨迹矩阵进行分解，得到特征值和相应的特征向量；对特征值和对应的特征向量进行筛选；将筛选得到的特征值和特征向量进行重构，得到轨迹矩阵，构建转换矩阵；将转换矩阵乘以像素点轨迹矩阵，获得重构的轨迹矩阵；根据重构的轨迹矩阵的序列关系，得到新的高光谱图像。本发明提供的一种高光谱图像特征提取方法，结合空间信息对高光谱图像进行特征提取，使得新的图像特征在类别内差异小，在类别间差异大，有利于图像的分类，提高分类的精度。

Description

一种融合空间和光谱信息的高光谱图像特征提取方法
技术领域
本发明涉及高光谱图像特征提取技术领域，更具体的，涉及一种融合空间和光谱信息的高光谱图像特征提取方法。
背景技术
高光谱图像特征提取技术，是通过对原始数据集进行变换，得到一个新的数据集。在变换过程中，可以融入去燥等技术，使得变换后的图像噪声更低。提取后的图像特征在类别属性上更为明显，有利于提高图像的分类精度。
高光谱图像一般是含有噪声的，像元混合的现象也比较严重，这严重地影响到后续的分类等任务。传统的特征提取方法，如主成分分析(PCA)，最大噪声分数(NMF)，经验模式分解(EMD)，小波变换等，虽然都在高光谱图像特征提取上得到广泛应用，但存在问题也很明显。首先，它们无法很好地利用空间信息，不能使经过特征提取后的图像属性特征更加明显；其次，它们没有从空间维和光谱维两个维度来进行联合特征提取，无法很好利用高光谱图像3维数据信息的优点，无法提高分类精度；最后，由于上述方法不能从整体上进行特征提取，只能对每一个像素点进行特征提取，其计算量很大，耗费时间很长，不利于实际医应用。
发明内容
本发明为克服现有的高光谱图像特征提取技术存在没有从空间维和光谱维两个维度来进行联合特征提取，无法使经过特征提取后的图像属性特征更加明显且不能从整体上进行特征提取，计算量大，耗费长的技术缺陷，提供一种融合空间和光谱信息的高光谱图像特征提取方法。
为解决上述技术问题，本发明的技术方案如下：
一种融合空间和光谱信息的高光谱图像特征提取方法，包括以下步骤：
S1：利用高光谱图像输入算法，在高光谱图像空间进行快速采样，获取样本点，作为像素点类别的中心；
S2：根据采集到的样本点，利用图结构度量空间像素点的相似性，为每个像素点找到与之最接近的样本中心点；
S3：将每一个空间像素点表示为一个列向量，用列向量构建一个具有序列关系的像素点轨迹矩阵；
S4：为每个样本中心点构建具有序列关系的样本中心轨迹矩阵；
S5：将样本中心轨迹矩阵进行奇异值分解，得到特征值和相应的特征向量；
S6：根据特征值的大小，对特征值和对应的特征向量进行筛选；
S7：将筛选得到的特征值和特征向量进行重构，得到去燥后的轨迹矩阵，进一步构建转换矩阵；
S8：将转换矩阵乘以像素点轨迹矩阵，获得重构的轨迹矩阵；根据重构的轨迹矩阵的序列关系，转成一维的列向量，得到新的高光谱图像。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种融合空间和光谱信息的高光谱图像特征提取方法，结合空间信息对高光谱图像进行特征提取，使得新的图像特征在类别内差异更小，在类别间差异更大，有利于图像的分类任务，提高分类的精度；对高光谱图像进行特征提取的同时，达到了去燥的效果，使得图像的质量更高；在计算复杂度低，运行时间快，减少对计算资源的依赖，使其在实际部署应用中，对计算平台要求更低，减少成本并提高计算效率。
附图说明
图1为本发明的方法流程图。
图2为选择特征向量算法流程图。
图3为选择空间样本点索引算法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种融合空间和光谱信息的高光谱图像特征提取方法，包括以下步骤：
S1：利用高光谱图像输入算法，在高光谱图像空间进行快速采样，获取样本点，作为像素点类别的中心；
S2：根据采集到的样本点，利用图结构度量空间像素点的相似性，为每个像素点找到与之最接近的样本中心点；
S3：将每一个空间像素点表示为一个列向量，用列向量构建一个具有序列关系的像素点轨迹矩阵；
S4：为每个样本中心点构建具有序列关系的样本中心轨迹矩阵；
S5：将样本中心轨迹矩阵进行奇异值分解，得到特征值和相应的特征向量；
S6：根据特征值的大小，对特征值和对应的特征向量进行筛选；
S7：将筛选得到的特征值和特征向量进行重构，得到去燥后的轨迹矩阵，进一步构建转换矩阵；
S8：将转换矩阵乘以像素点轨迹矩阵，获得重构的轨迹矩阵；根据重构的轨迹矩阵的序列关系，转成一维的列向量，得到新的高光谱图像。
更具体的，所述步骤S1包括以下步骤：
S11：将原始高光谱数据表示为B＝{b1,b2,b3,…,bl}∈Rn×l,bi∈Rn×1，n是每一层光谱波段的像素点的总数，l是光谱波段的总数；构建一个度量空间像素点相似矩阵L＝BTB∈Rl×l；
S12：对相似矩阵L进行特征分解，得到特征值和特征向量
Figure BDA0001775389370000031
S13：采集α个特征值和对应的特征向量，将其索引进行保存；
S14：在步骤S13中选择的α个特征值和特征向量中，选择空间α个样本点的索引，保存在Y中；其中，Y为选择的空间样本点的索引；
S15：在Y中获得空间样本点的索引，具体为：
Figure BDA0001775389370000032
其中，集合C表示所采集样本点中心的集合；
S16：将获得到的样本点，作为像素点类别的中心点。
更具体的，如图2所示，所述步骤S13包括以下步骤：
S131：输入特征向量
Figure BDA0001775389370000033
计算
Figure BDA0001775389370000034
其中，
Figure BDA0001775389370000035
是特征值多项式，表示为：
Figure BDA0001775389370000036
其中：h＝0,1,2...,a；n＝0,1,2,...,l；
S132：令h＝a,n＝l；
S133：令n＝n-1，判断u是否小于
Figure BDA0001775389370000041
若是，执行步骤S134；若否，重复执行S133；其中，u是在区间[0,1]服从均匀分布的随机变量；
S134：将采集到的特征值和对应的特征向量保存到集合S中，并将参数h-1赋值给参数h；
S135：判断参数h是否为0，若是，输出集合S；若否，执行步骤S133。
更具体的，如图3所示，所述步骤S14包括以下步骤：
S141：设置参数
Figure BDA0001775389370000042
将
Figure BDA0001775389370000043
赋值给
Figure BDA0001775389370000044
初始化索引Y；
S142：判断
Figure BDA0001775389370000045
是否大于0；若是，执行步骤S143；若否，执行步骤S145；
S143：判断下式是否成立：
Figure BDA0001775389370000046
S144：将i保存只索引Y中，同时更新参数
Figure BDA0001775389370000047
具体如下式：
Figure BDA0001775389370000048
S145：正交化参数
Figure BDA0001775389370000049
输出索引Y。
更具体的，所述步骤S2包括以下步骤：
S21：根据得到的像素点类别的中心，把空间像素点根据与样本中心点的相似性，分配到样本中心点的类别中，相似性度量计算式子为：
Figure BDA00017753893700000410
其中，α表示空间平面中第α个类别，
Figure BDA00017753893700000411
表示空间平面的第j个像素点，为一维列向量；当
Figure BDA00017753893700000412
与
Figure BDA00017753893700000413
两点的距离小于特定值δ时，则两点是相近的，属于同一类，两点间可用一条边表示距离；σ为一调节参数，设置为[0,1]之间；
S22：对空间所有像素点进行度量，为每个像素点找到与之最接近的样本中心点。
更具体的，所述步骤S3具体为：每一个空间像素点表示为一个列向量
Figure BDA0001775389370000051
构建的像素点轨迹矩阵为：
Figure BDA0001775389370000052
其中，L表示窗宽，范围为3-10；
更具体的，所述步骤S4具体为：构建样本中心轨迹矩阵
Figure BDA00017753893700000515
有：
Figure BDA0001775389370000053
更具体的，在所述步骤S5中，对每个样本中心轨迹矩阵进行奇异值分解：
首先构造矩阵
Figure BDA0001775389370000054
对矩阵
Figure BDA0001775389370000055
做奇异值分解，得到正交矩阵Ua和主成分Va，矩阵中的每一列特征向量按照其奇异值
Figure BDA0001775389370000056
从大到小排列：
Figure BDA0001775389370000057
Figure BDA0001775389370000058
更具体的，在步骤S7中，所述重构过程可表示为：
Figure BDA0001775389370000059
其中，
Figure BDA00017753893700000510
表示光谱信号的分量，具体为：
Figure BDA00017753893700000511
Figure BDA00017753893700000512
重构的光谱信号可以表示成：
Figure BDA00017753893700000513
其中，
Figure BDA00017753893700000514
表示为属于α类的像素点的共同转换矩；
更具体的，所述步骤S8具体为：用转换矩阵对每一个像素点
Figure BDA0001775389370000061
的轨迹矩阵根据像素点的不同类别，用不同的样本中心点转换矩阵
Figure BDA0001775389370000062
进行特征提取，特征提取过程表示为
Figure BDA0001775389370000063
更具体的，
Figure BDA0001775389370000064
为用提取的有效特征重构的轨迹矩阵；把重构的轨迹矩阵反对角线的元素相加取平均值，即可得到一维的列向量，即经过特征提取后的像素点。
更具体的，如图2所示，所述步骤S13包括以下步骤：
S131：输入特征向量
Figure BDA0001775389370000065
计算
Figure BDA0001775389370000066
其中，
Figure BDA0001775389370000067
是特征值多项式，表示为：
Figure BDA0001775389370000068
其中：h＝0,1,2...,a；n＝0,1,2,...,l；
S132：令h＝a,n＝l；
S133：令n＝n-1，判断u是否小于
Figure BDA0001775389370000069
若是，执行步骤S134；若否，重复执行S133；其中，u是在区间[0,1]服从均匀分布的随机变量；
S134：将采集到的特征值和对应的特征向量保存到集合S中，并将参数h-1赋值给参数h；
S135：判断参数h是否为0，若是，输出集合S；若否，执行步骤S133。
更具体的，如图3所示，所述步骤S14包括以下步骤：
S141：设置参数
Figure BDA00017753893700000610
将
Figure BDA00017753893700000611
赋值给
Figure BDA00017753893700000612
初始化索引Y；
S142：判断
Figure BDA00017753893700000613
是否大于0；若是，执行步骤S143；若否，执行步骤S145；
S143：判断下式是否成立：
Figure BDA00017753893700000614
S144：将i保存只索引Y中，同时更新参数
Figure BDA00017753893700000615
具体如下式：
Figure BDA0001775389370000071
S145：正交化参数
Figure BDA0001775389370000072
输出索引Y。
在具体实施过程中，高光谱图像特征提取方法结合空间信息对高光谱图像进行特征提取，使得新的图像特征在类别内差异更小，在类别间差异更大，有利于图像的分类任务，提高分类的精度；对高光谱图像进行特征提取的同时，达到了去燥的效果，使得图像的质量更高；在计算复杂度低，运行时间快，减少对计算资源的依赖，使其在实际部署应用中，对计算平台要求更低，减少成本并提高计算效率。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，包括以下步骤：
S1：利用高光谱图像输入算法，在高光谱图像空间进行快速采样，获取样本点，作为像素点类别的中心；
S2：根据采集到的样本点，利用图结构度量空间像素点的相似性，为每个像素点找到与之最接近的样本中心点；
S3：将每一个空间像素点表示为一个列向量，用列向量构建一个具有序列关系的像素点轨迹矩阵；
S4：为每个样本中心点构建具有序列关系的样本中心轨迹矩阵；
S5：将样本中心轨迹矩阵进行奇异值分解，得到特征值和相应的特征向量；
S6：根据特征值的大小，对特征值和对应的特征向量进行筛选；
S7：将筛选得到的特征值和特征向量进行重构，得到去噪后的轨迹矩阵，进一步构建转换矩阵；
S8：将转换矩阵乘以像素点轨迹矩阵，获得重构的轨迹矩阵；根据重构的轨迹矩阵的序列关系，将轨迹矩阵转换为一维的列向量，得到新的高光谱图像；
所述步骤S1包括以下步骤：
S11：将原始高光谱数据表示为B＝{b1,b2,b3,…,bl}∈Rn×l,bi∈Rn×1，n是每一层光谱波段的像素点的总数，l是光谱波段的总数；构建一个度量空间像素点相似矩阵Ms＝BTB∈Rl ×l；
S12：对相似矩阵Ms进行特征分解，得到特征值和特征向量
Figure FDA0003335336630000011
S13：采集r个特征值和对应的特征向量，将其索引保存在集合S中；
S14：在步骤S13中选择的r个特征值和特征向量中，选择空间r个样本点的索引，保存在Y中；其中，Y为选择的空间样本点的索引；
S15：在Y中获得空间样本点的索引，具体为：
Figure FDA0003335336630000012
其中，1≤r≤l,i＝1,2,3,…,l，集合Pc表示所采集样本点中心的集合；
S16：将获得到的样本点，作为像素点类别的中心点。
2.根据权利要求1所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，所述步骤S13包括以下步骤：
S131：输入特征向量
Figure FDA0003335336630000021
计算
Figure FDA0003335336630000022
其中，
Figure FDA0003335336630000023
是特征值多项式，表示为：
Figure FDA0003335336630000024
其中：h＝0,1,2...,a；m＝0,1,2,...,l；
S132：令h＝a,m＝l；
S133：令m＝m-1，判断u是否小于
Figure FDA0003335336630000025
若是，执行步骤S134；若否，重复执行S133；其中，u是在区间[0,1]服从均匀分布的随机变量；
S134：将采集到的特征值和对应的特征向量保存到集合S中，并将参数h-1赋值给参数h；
S135：判断参数h是否为0，若是，输出集合S；若否，执行步骤S133。
3.根据权利要求2所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，所述步骤S14包括以下步骤：
S141：设置参数
Figure FDA0003335336630000026
将
Figure FDA0003335336630000027
赋值给
Figure FDA0003335336630000028
初始化索引Y；
S142：判断
Figure FDA0003335336630000029
是否大于0；若是，执行步骤S143；若否，执行步骤S145；
S143：判断下式是否成立：
Figure FDA00033353366300000210
S144：将i保存只索引Y中，同时更新参数
Figure FDA00033353366300000211
具体如下式：
Figure FDA00033353366300000212
S145：正交化参数
Figure FDA00033353366300000213
输出索引Y。
4.根据权利要求3所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，所述步骤S2包括以下步骤：
S21：根据得到的像素点类别的中心，把空间像素点根据与样本中心点的相似性，分配到样本中心点的类别中，相似性度量计算式子为：
Figure FDA0003335336630000031
其中，α表示空间平面中第α个类别，
Figure FDA0003335336630000032
表示i层光谱的第j个像素点，为一维列向量；当
Figure FDA0003335336630000033
与
Figure FDA0003335336630000034
两点的距离小于特定值δ时，则两点是相近的，属于同一类，两点间可用一条边表示距离；σ为一调节参数，设置为[0,1]之间；
S22：对空间所有像素点进行度量，为每个像素点找到与之最接近的样本中心点。
5.根据权利要求4所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，所述步骤S3具体为：将属于α类的空间像素点表示为一个列向量
Figure FDA0003335336630000035
构建的像素点轨迹矩阵为：
Figure FDA0003335336630000036
其中，L表示窗宽，范围为3-10。
6.根据权利要求5所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，所述步骤S4具体为：构建样本中心轨迹矩阵
Figure FDA0003335336630000037
有：
Figure FDA0003335336630000038
7.根据权利要求6所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，在所述步骤S5中，对每个样本中心轨迹矩阵进行奇异值分解：
首先构造矩阵
Figure FDA0003335336630000039
对矩阵
Figure FDA00033353366300000310
做奇异值分解，得到正交矩阵Ua和主成分Va，矩阵中的每一列特征向量按照其奇异值
Figure FDA00033353366300000311
从大到小排列，其中i＝1,2,3,…,L：
Figure FDA0003335336630000041
Figure FDA0003335336630000042
8.根据权利要求7所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，在步骤S7中，所述重构过程可表示为：
Figure FDA0003335336630000043
其中，
Figure FDA0003335336630000044
表示光谱信号的分量，具体为：
Figure FDA0003335336630000045
重构的光谱信号可以表示成：
Figure FDA0003335336630000046
其中，
Figure FDA0003335336630000047
表示为属于α类的像素点的共同转换矩阵。
9.根据权利要求8所述的一种融合空间和光谱信息的高光谱图像特征提取方法，其特征在于，所述步骤S8具体为：用转换矩阵对每一个像素点
Figure FDA0003335336630000048
的轨迹矩阵根据像素点的不同类别，用不同的样本中心点转换矩阵
Figure FDA0003335336630000049
进行特征提取，特征提取过程表示为
Figure FDA00033353366300000410
其中，
Figure FDA00033353366300000411
为用提取的有效特征重构的轨迹矩阵；把重构的轨迹矩阵反对角线的元素相加取平均值，即可得到一维的列向量，即经过特征提取后的像素点。
CN201810967729.4A 2018-08-23 2018-08-23 一种融合空间和光谱信息的高光谱图像特征提取方法 Active CN109271874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810967729.4A CN109271874B (zh) 2018-08-23 2018-08-23 一种融合空间和光谱信息的高光谱图像特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810967729.4A CN109271874B (zh) 2018-08-23 2018-08-23 一种融合空间和光谱信息的高光谱图像特征提取方法

Publications (2)

Publication Number Publication Date
CN109271874A CN109271874A (zh) 2019-01-25
CN109271874B true CN109271874B (zh) 2022-02-11

Family

ID=65154464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810967729.4A Active CN109271874B (zh) 2018-08-23 2018-08-23 一种融合空间和光谱信息的高光谱图像特征提取方法

Country Status (1)

Country Link
CN (1) CN109271874B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871830A (zh) * 2019-03-15 2019-06-11 中国人民解放军国防科技大学 基于三维深度残差网络的空谱融合高光谱图像分类方法
CN113344049B (zh) * 2021-05-27 2022-07-26 湖州师范学院 一种基于Sinkhorn距离的盲高光谱解混模型的构建方法
CN113592030B (zh) * 2021-08-17 2023-06-20 广东工业大学 基于复值奇异谱分析的图像检索方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236106A (zh) * 2008-01-11 2008-08-06 北京航空航天大学 一种光谱和空间信息结合的高光谱数据分类方法
EP2511680A2 (en) * 2011-04-13 2012-10-17 Raytheon Company Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images
CN102930533A (zh) * 2012-10-09 2013-02-13 河海大学 一种基于改进k-均值聚类的半监督高光谱影像降维方法
CN104036289A (zh) * 2014-06-05 2014-09-10 哈尔滨工程大学 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法
CN105139026A (zh) * 2015-08-03 2015-12-09 山东大学 高光谱分类中光谱域空间域联合相关约束的特征抽取方法
CN105205496A (zh) * 2015-09-11 2015-12-30 重庆邮电大学 基于空间信息约束的增强型稀疏表示高光谱图像分类装置及方法
CN105719323A (zh) * 2016-02-18 2016-06-29 江苏优图空间信息科技有限公司 一种基于优化图谱理论的高光谱降维方法
CN105740884A (zh) * 2016-01-22 2016-07-06 厦门理工学院 基于奇异值分解和邻域空间信息的高光谱影像分类方法
CN106682675A (zh) * 2016-12-29 2017-05-17 中国电子科技集团公司第五十四研究所 一种面向高光谱图像的空谱联合特征提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8315472B2 (en) * 2009-05-29 2012-11-20 Raytheon Company System and method for reducing dimensionality of hyperspectral images

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236106A (zh) * 2008-01-11 2008-08-06 北京航空航天大学 一种光谱和空间信息结合的高光谱数据分类方法
EP2511680A2 (en) * 2011-04-13 2012-10-17 Raytheon Company Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images
CN102930533A (zh) * 2012-10-09 2013-02-13 河海大学 一种基于改进k-均值聚类的半监督高光谱影像降维方法
CN104036289A (zh) * 2014-06-05 2014-09-10 哈尔滨工程大学 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法
CN105139026A (zh) * 2015-08-03 2015-12-09 山东大学 高光谱分类中光谱域空间域联合相关约束的特征抽取方法
CN105205496A (zh) * 2015-09-11 2015-12-30 重庆邮电大学 基于空间信息约束的增强型稀疏表示高光谱图像分类装置及方法
CN105740884A (zh) * 2016-01-22 2016-07-06 厦门理工学院 基于奇异值分解和邻域空间信息的高光谱影像分类方法
CN105719323A (zh) * 2016-02-18 2016-06-29 江苏优图空间信息科技有限公司 一种基于优化图谱理论的高光谱降维方法
CN106682675A (zh) * 2016-12-29 2017-05-17 中国电子科技集团公司第五十四研究所 一种面向高光谱图像的空谱联合特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Novel Two-Dimensional Singular Spectrum Analysis for Effective Feature Extraction and Data Classification in Hyperspectral Imaging;Jaime Zabalza et al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20150831;第53卷(第8期);第4418-4433页 *
高光谱图像特征学习与分类算法研究;莫玉;《中国优秀硕士学位论文全文数据库》;20170415(第04期);全文 *
高光谱遥感数据特征提取与特征选择方法研究;魏峰;《中国博士学位论文全文数据库》;20170115(第01期);全文 *

Also Published As

Publication number Publication date
CN109271874A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN110399909B (zh) 一种基于标签约束弹性网图模型的高光谱图像分类方法
CN109948693B (zh) 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
Pan et al. R-VCANet: A new deep-learning-based hyperspectral image classification method
WO2022041678A1 (zh) 张量协作图判别分析遥感图像特征提取方法
CN106203523B (zh) 基于梯度提升决策树半监督算法融合的高光谱图像分类方法
CN104952050B (zh) 基于区域分割的高光谱图像自适应解混方法
Ma et al. Multiscale superpixelwise prophet model for noise-robust feature extraction in hyperspectral images
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
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
Song et al. Hyperspectral image classification based on KNN sparse representation
Wang et al. Adaptive ${L} _ {\bf 1/2} $ sparsity-constrained NMF with half-thresholding algorithm for hyperspectral unmixing
CN107239759B (zh) 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN108734199B (zh) 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
CN109271874B (zh) 一种融合空间和光谱信息的高光谱图像特征提取方法
CN111914909B (zh) 基于空谱联合三方向卷积网络的高光谱变化检测方法
CN103886334A (zh) 一种多指标融合的高光谱遥感影像降维方法
CN112633202B (zh) 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法
CN106682675A (zh) 一种面向高光谱图像的空谱联合特征提取方法
Guo et al. Dual graph U-Nets for hyperspectral image classification
CN106650811A (zh) 一种基于近邻协同增强的高光谱混合像元分类方法
CN115457311A (zh) 一种基于自表达迁移学习的高光谱遥感影像波段选择方法
CN106199544B (zh) 基于核鉴别局部切空间排列的雷达目标距离像识别方法
CN108446723A (zh) 一种高光谱图像的多尺度空谱协同分类方法
CN109522918B (zh) 基于改进的局部奇异谱分析的高光谱图像特征提取方法
CN109460788B (zh) 基于低秩-稀疏信息组合网络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