CN109522918B - 基于改进的局部奇异谱分析的高光谱图像特征提取方法 - Google Patents

基于改进的局部奇异谱分析的高光谱图像特征提取方法 Download PDF

Info

Publication number
CN109522918B
CN109522918B CN201811075257.8A CN201811075257A CN109522918B CN 109522918 B CN109522918 B CN 109522918B CN 201811075257 A CN201811075257 A CN 201811075257A CN 109522918 B CN109522918 B CN 109522918B
Authority
CN
China
Prior art keywords
matrix
hyperspectral image
local
track
singular
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
CN201811075257.8A
Other languages
English (en)
Other versions
CN109522918A (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 CN201811075257.8A priority Critical patent/CN109522918B/zh
Publication of CN109522918A publication Critical patent/CN109522918A/zh
Application granted granted Critical
Publication of CN109522918B publication Critical patent/CN109522918B/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
    • G06F18/24—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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

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)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明提供的一种基于改进的局部奇异谱分析的高光谱图像特征提取方法，利用高光谱图像局部特性，获得包含图像局部信息的权值矩阵，结合奇异谱分析的方法，对高光谱图像进行特征提取，提取其主要特征，并且有效增强图像像素点的类别属性，增强图像抗外界因素干扰的能力，有效提高了高光谱图像的分类精度。本发明还构建了优化模型，在对高光谱图像提取有效特征的过程，通过加入最小噪声约束项。使得所提取的特征，噪声更低，降低后续高光谱图像处理的干扰，提高图像处理精度。

Description

基于改进的局部奇异谱分析的高光谱图像特征提取方法
技术领域
本发明涉及图像处理技术领域，更具体的，涉及一种基于改进的局部奇异谱分析的高光谱图像特征提取方法。
背景技术
高光谱图像是一种三维结构的数据，相比于传统图像，其光谱维可以提供丰富的光谱信息，广泛应用于农业，地质，大气研究中。与传统的二维图像相比，高光谱图像不仅可以表示物体的空间信息，还可以提供丰富的光谱信息，对同一物体，在不同波段，其反射比不同，可以利用这一特性，进一步挖掘图像的光谱信息。目前常用的高光谱图像处理任务包括分类和目标检测。高光谱图像特征提取，主要是对原始数据进行投影，变换等方法，将原始数据映射到另外空间。在数据变换过程中，根据实际需要，设计好目标准则，使变换后的数据满足这一准则，达到提取主要特征的目的。
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：
基于改进的局部奇异谱分析的高光谱图像特征提取方法，包括以下步骤：
S1：设置一个宽度为m的窗，将高光谱图像划分为若干个局部空间块，每一个局部空间块的中心像素点为样本中心点pC，C代表总共的局部空间块的数目；
S2：对样本中心点pC和邻域像素点
Figure GDA0002381495630000021
分别构建轨迹矩阵，分别为XC、
Figure GDA0002381495630000022
j表示邻域像素点的数目；
S3：对轨迹矩阵XC、
Figure GDA0002381495630000023
进行奇异谱分解，分别得到对应矩阵的奇异值、正交矩阵和主成分矩阵；
S4：构建转换矩阵TC和Tj，通过奇异谱分解重构得到邻域像素点的轨迹矩阵
Figure GDA0002381495630000024
的转换矩阵
Figure GDA0002381495630000025
S5：对转换矩阵
Figure GDA0002381495630000026
进行去噪，得到优化模型；
S6：利用梯度下降法对优化模型进行求解，得到局部权值矩阵wC；
S7：将局部权值矩阵wC、相应转换矩阵
Figure GDA0002381495630000027
以及步骤S2中样本中心点pC的邻域像素点轨迹矩阵
Figure GDA0002381495630000028
进行融合，重构新的轨迹矩阵
Figure GDA0002381495630000029
S8：将获得的每一个重构后的轨迹矩阵表示为一列向量，对应原始高光谱图像的像素点，获得新的高光谱图像。
其中，所述步骤S1中，样本中心点pC具体表示为：
Figure GDA00023814956300000210
所述步骤S2中，邻域像素点
Figure GDA00023814956300000211
具体表示为：
Figure GDA00023814956300000212
其中，l表示光谱波段数。
其中，所述步骤S2中，所述轨迹矩阵XC具体为：
Figure GDA00023814956300000213
所述轨迹矩阵
Figure GDA00023814956300000214
具体为：
Figure GDA0002381495630000031
其中，K＝l-L+1，L是轨迹矩阵的窗宽，为2～5。
其中，在所述步骤S3中，轨迹矩阵XC的奇异值、正交矩阵和主成分矩阵分别用
Figure GDA0002381495630000032
UC和VC表示，具体为：
Figure GDA0002381495630000033
轨迹矩阵
Figure GDA0002381495630000034
的奇异值、正交矩阵和主成分矩阵分别用
Figure GDA0002381495630000035
和
Figure GDA0002381495630000036
表示，具体为：
Figure GDA0002381495630000037
其中，步骤S4中，所述奇异谱分解重构过程具体表示为：
Figure GDA0002381495630000038
Figure GDA0002381495630000039
Figure GDA00023814956300000310
其中，
Figure GDA00023814956300000311
表示将轨迹矩阵分解后，根据其奇异值大小，选择奇异值大的前d个奇异值值及对应Ui和Vi进行重构，得到新的轨迹矩阵；由此得到：
Figure GDA00023814956300000312
其中，将
Figure GDA00023814956300000313
表示为转换矩阵T，I表示选择前d个信息号的集合，将转换矩阵乘以每一个像素的轨迹矩阵，得到信息的轨迹矩阵；样本中心点轨迹矩阵XC的转换矩阵TC表示为：
Figure GDA00023814956300000314
邻域像素点的轨迹矩阵
Figure GDA00023814956300000315
的转换矩阵
Figure GDA00023814956300000316
表示为：
Figure GDA0002381495630000041
其中，步骤S5中，所述优化模型具体为：
Figure GDA0002381495630000042
s.t Tc＝TCwC+EC；
Figure GDA0002381495630000043
其中，wC表示局部权值矩阵，α和β为调节参数，在[0,1]之间；EC和
Figure GDA0002381495630000044
表示转换矩阵TC和
Figure GDA0002381495630000045
的噪声。
其中，所述步骤S7中，轨迹矩阵
Figure GDA0002381495630000046
的构建公式具体为：
Figure GDA0002381495630000047
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种基于改进的局部奇异谱分析的高光谱图像特征提取方法，利用高光谱图像局部特性，获得包含图像局部信息的权值矩阵，结合奇异谱分析的方法，对高光谱图像进行特征提取，提取其主要特征，并且有效增强图像像素点的类别属性，增强图像抗外界因素干扰的能力，有效提高了高光谱图像的分类精度。
本发明还构建了优化模型，在对高光谱图像提取有效特征的过程，通过加入最小噪声约束项。使得所提取的特征，噪声更低，降低后续高光谱图像处理的干扰，提高图像处理精度。
附图说明
图1为本发明的方法流程图。
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，基于改进的局部奇异谱分析的高光谱图像特征提取方法，包括以下步骤：
S1：设置一个宽度为m的窗，将高光谱图像划分为若干个局部空间块，每一个局部空间块的中心像素点为样本中心点pC，C代表总共的局部空间块的数目；
S2：对样本中心点pC和邻域像素点
Figure GDA0002381495630000051
分别构建轨迹矩阵，分别为XC、
Figure GDA0002381495630000052
j表示邻域像素点的数目；
S3：对轨迹矩阵XC、
Figure GDA0002381495630000053
进行奇异谱分解，分别得到对应矩阵的奇异值、正交矩阵和主成分矩阵；
S4：构建转换矩阵TC和Tj，通过奇异谱分解重构得到邻域像素点的轨迹矩阵
Figure GDA0002381495630000054
的转换矩阵
Figure GDA0002381495630000055
S5：对转换矩阵
Figure GDA0002381495630000056
进行去噪，得到优化模型；
S6：利用梯度下降法对优化模型进行求解，得到局部权值矩阵wC；
S7：将局部权值矩阵wC、相应转换矩阵
Figure GDA0002381495630000057
以及步骤S2中样本中心点pC的邻域像素点轨迹矩阵
Figure GDA0002381495630000058
进行融合，重构新的轨迹矩阵
Figure GDA0002381495630000059
S8：将获得的每一个重构后的轨迹矩阵表示为一列向量，对应原始高光谱图像的像素点，获得新的高光谱图像。
更具体的，所述步骤S1中，样本中心点pC具体表示为：
Figure GDA00023814956300000510
所述步骤S2中，邻域像素点
Figure GDA00023814956300000511
具体表示为：
Figure GDA00023814956300000512
其中，l表示光谱波段数。
更具体的，所述步骤S2中，所述轨迹矩阵XC具体为：
Figure GDA00023814956300000513
所述轨迹矩阵
Figure GDA0002381495630000061
具体为：
Figure GDA0002381495630000062
其中，K＝l-L+1，L是轨迹矩阵的窗宽，为2～5。
更具体的，在所述步骤S3中，轨迹矩阵XC的奇异值、正交矩阵和主成分矩阵分别用
Figure GDA0002381495630000063
UC和VC表示，具体为：
Figure GDA0002381495630000064
轨迹矩阵
Figure GDA0002381495630000065
的奇异值、正交矩阵和主成分矩阵分别用
Figure GDA0002381495630000066
和
Figure GDA0002381495630000067
表示，具体为：
Figure GDA0002381495630000068
更具体的，步骤S4中，所述奇异谱分解重构过程具体表示为：
Figure GDA0002381495630000069
Figure GDA00023814956300000610
Figure GDA00023814956300000611
其中，
Figure GDA00023814956300000612
表示将轨迹矩阵分解后，根据其奇异值大小，选择奇异值大的前d个奇异值值及对应Ui和Vi进行重构，得到新的轨迹矩阵；由此得到：
Figure GDA00023814956300000613
其中，将
Figure GDA00023814956300000614
表示为转换矩阵T，I表示选择前d个信息号的集合，将转换矩阵乘以每一个像素的轨迹矩阵，得到信息的轨迹矩阵；样本中心点轨迹矩阵XC的转换矩阵TC表示为：
Figure GDA00023814956300000615
邻域像素点的轨迹矩阵
Figure GDA0002381495630000071
的转换矩阵
Figure GDA0002381495630000072
表示为：
Figure GDA0002381495630000073
更具体的，步骤S5中，所述优化模型具体为：
Figure GDA0002381495630000074
s.t Tc＝TCwC+EC；
Figure GDA0002381495630000075
其中，wC表示局部权值矩阵，α和β为调节参数，在[0,1]之间；EC和
Figure GDA0002381495630000076
表示转换矩阵TC和
Figure GDA0002381495630000077
的噪声。
在具体实施过程中，优化模型第一项表示为邻域像素点的类内间距最小，优化的目的是使得同属于局部图像块C的像素点的距离最小，有利于增强图像像素点类别属性；第二项的EC和
Figure GDA0002381495630000078
表示为转换矩阵TC和
Figure GDA0002381495630000079
的噪声，优化的目的在于在原有奇异谱分解提取的主要图像特征上，进一步降低噪声；第三项是转换矩阵wC的正则项，在于约束wC解空间的范围，并且防止过拟合现象；α和β为调节参数，调节各项的影响，一般在[0,1]之间，根据实际效果调节。
更具体的，所述步骤S7中，轨迹矩阵
Figure GDA00023814956300000710
的构建公式具体为：
Figure GDA00023814956300000711
在具体实施过程中，重构后的轨迹矩阵，具有低噪声，主要特征明显，类别属性强的特征。在同一个局部图像块重复上述步骤，对每一像素点进行特征提取。然后推广到每一图像块，执行相同操作，即可完成图像像素点的特征提取工作。
在具体实施过程中，本方法利用高光谱图像局部特性，获得包含图像局部信息的权值矩阵，结合奇异谱分析的方法，对高光谱图像进行特征提取，提取其主要特征，并且有效增强图像像素点的类别属性，增强图像抗外界因素干扰的能力，有效提高了高光谱图像的分类精度。
在具体实施过程中，通过构建优化模型，在对高光谱图像提取有效特征的过程，加入最小噪声约束项，使得所提取的特征，噪声更低，降低后续高光谱图像处理的干扰，提高图像处理精度。
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 (2)

1.基于改进的局部奇异谱分析的高光谱图像特征提取方法，其特征在于，包括以下步骤：
S1：设置一个宽度为m的窗，将高光谱图像划分为若干个局部空间块，每一个局部空间块的中心像素点为样本中心点pC，C代表总共的局部空间块的数目；
S2：对样本中心点pC和邻域像素点
Figure FDA0002381495620000011
分别构建轨迹矩阵，分别为XC、
Figure FDA0002381495620000012
j表示邻域像素点的数目；
S3：对轨迹矩阵XC、
Figure FDA0002381495620000013
进行奇异谱分解，分别得到对应矩阵的奇异值、正交矩阵和主成分矩阵；
S4：构建转换矩阵TC和Tj，通过奇异谱分解重构得到邻域像素点的轨迹矩阵
Figure FDA0002381495620000014
的转换矩阵
Figure FDA0002381495620000015
S5：对转换矩阵
Figure FDA0002381495620000016
进行去噪，得到优化模型；
S6：利用梯度下降法对优化模型进行求解，得到局部权值矩阵wC；
S7：将局部权值矩阵wC、相应转换矩阵
Figure FDA0002381495620000017
以及步骤S2中样本中心点pC的邻域像素点轨迹矩阵
Figure FDA0002381495620000018
进行融合，重构新的轨迹矩阵
Figure FDA0002381495620000019
S8：将获得的每一个重构后的轨迹矩阵表示为一列向量，对应原始高光谱图像的像素点，获得新的高光谱图像；
其中，所述步骤S1中，样本中心点pC具体表示为：
Figure FDA00023814956200000110
所述步骤S2中，邻域像素点
Figure FDA00023814956200000111
具体表示为：
Figure FDA00023814956200000112
其中，l表示光谱波段数；
其中，所述步骤S2中，所述轨迹矩阵XC具体为：
Figure FDA0002381495620000021
所述轨迹矩阵
Figure FDA0002381495620000022
具体为：
Figure FDA0002381495620000023
其中，K＝l-L+1，L是轨迹矩阵的窗宽，为2～5；
其中，在所述步骤S3中，轨迹矩阵XC的奇异值、正交矩阵和主成分矩阵分别用
Figure FDA0002381495620000024
UC和VC表示，具体为：
Figure FDA0002381495620000025
轨迹矩阵
Figure FDA0002381495620000026
的奇异值、正交矩阵和主成分矩阵分别用
Figure FDA0002381495620000027
和
Figure FDA0002381495620000028
表示，具体为：
Figure FDA0002381495620000029
其中，在所述步骤S4中，所述奇异谱分解重构过程具体表示为：
Figure FDA00023814956200000210
Figure FDA00023814956200000211
Figure FDA00023814956200000212
其中，
Figure FDA00023814956200000213
表示将轨迹矩阵分解后，根据其奇异值大小，选择奇异值大的前d个奇异值值及对应Ui和Vi进行重构，得到新的轨迹矩阵；由此得到：
Figure FDA00023814956200000214
其中，将
Figure FDA0002381495620000031
表示为转换矩阵T，I表示选择前d个信息号的集合，将转换矩阵乘以每一个像素的轨迹矩阵，得到信息的轨迹矩阵；样本中心点轨迹矩阵XC的转换矩阵TC表示为：
Figure FDA0002381495620000032
邻域像素点的轨迹矩阵
Figure FDA0002381495620000033
的转换矩阵
Figure FDA0002381495620000034
表示为：
Figure FDA0002381495620000035
其中，所述步骤S5中，所述优化模型具体为：
Figure FDA0002381495620000036
s.t Tc＝TCwC+EC；
Figure FDA0002381495620000037
其中，wC表示局部权值矩阵，α和β为调节参数，在[0,1]之间；EC和
Figure FDA0002381495620000038
表示转换矩阵TC和
Figure FDA0002381495620000039
的噪声。
2.根据权利要求1所述的基于改进的局部奇异谱分析的高光谱图像特征提取方法，其特征在于，所述步骤S7中，轨迹矩阵
Figure FDA00023814956200000310
的构建公式具体为：
Figure FDA00023814956200000311
CN201811075257.8A 2018-09-14 2018-09-14 基于改进的局部奇异谱分析的高光谱图像特征提取方法 Active CN109522918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811075257.8A CN109522918B (zh) 2018-09-14 2018-09-14 基于改进的局部奇异谱分析的高光谱图像特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811075257.8A CN109522918B (zh) 2018-09-14 2018-09-14 基于改进的局部奇异谱分析的高光谱图像特征提取方法

Publications (2)

Publication Number Publication Date
CN109522918A CN109522918A (zh) 2019-03-26
CN109522918B true CN109522918B (zh) 2020-05-05

Family

ID=65771352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811075257.8A Active CN109522918B (zh) 2018-09-14 2018-09-14 基于改进的局部奇异谱分析的高光谱图像特征提取方法

Country Status (1)

Country Link
CN (1) CN109522918B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110988615A (zh) * 2019-11-14 2020-04-10 广东电网有限责任公司 一种基于奇异谱分析的gis局放信号降噪方法
CN113255698B (zh) * 2021-06-03 2022-11-08 青岛星科瑞升信息科技有限公司 用于高光谱影像空间特征提取的超像素级自适应ssa方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7840626B1 (en) * 2004-09-29 2010-11-23 Sandia Corporation Methods for spectral image analysis by exploiting spatial simplicity
KR101463354B1 (ko) * 2013-10-22 2014-11-18 영남대학교 산학협력단 초분광 영상의 특이영역 검출 장치 및 그 방법
CN106127179A (zh) * 2016-06-30 2016-11-16 南京理工大学 基于自适应分层多尺度的高光谱遥感图像分类方法
CN106441577A (zh) * 2016-09-27 2017-02-22 北京理工大学 基于随机投影的协同编码高光谱成像系统及图像重构方法
CN107133633A (zh) * 2017-03-17 2017-09-05 广东工业大学 基于超限学习机和置信度传播的高光谱图像分类的算法
CN107169407A (zh) * 2017-03-29 2017-09-15 广东工业大学 基于联合双边滤波与极限学习机的高光谱图像分类方法
CN108460777A (zh) * 2017-12-22 2018-08-28 杭州电子科技大学 一种面向植物高光谱的提取分块压缩重构方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256557B (zh) * 2017-12-25 2021-09-28 西安电子科技大学 结合深度学习和邻域集成的高光谱图像分类方法
CN108108719A (zh) * 2018-01-05 2018-06-01 重庆邮电大学 一种加权核稀疏和协同表示系数的高光谱影像分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7840626B1 (en) * 2004-09-29 2010-11-23 Sandia Corporation Methods for spectral image analysis by exploiting spatial simplicity
KR101463354B1 (ko) * 2013-10-22 2014-11-18 영남대학교 산학협력단 초분광 영상의 특이영역 검출 장치 및 그 방법
CN106127179A (zh) * 2016-06-30 2016-11-16 南京理工大学 基于自适应分层多尺度的高光谱遥感图像分类方法
CN106441577A (zh) * 2016-09-27 2017-02-22 北京理工大学 基于随机投影的协同编码高光谱成像系统及图像重构方法
CN107133633A (zh) * 2017-03-17 2017-09-05 广东工业大学 基于超限学习机和置信度传播的高光谱图像分类的算法
CN107169407A (zh) * 2017-03-29 2017-09-15 广东工业大学 基于联合双边滤波与极限学习机的高光谱图像分类方法
CN108460777A (zh) * 2017-12-22 2018-08-28 杭州电子科技大学 一种面向植物高光谱的提取分块压缩重构方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dimensionality reduction based on determinantal point process and singular spectrum analysis for hyperspectral images;weizhao chen等;《IET Image Processing》;20180905;全文 *
基于互补自适应噪声的集合经验模式分解算法;蔡念等;《电子与信息学报》;20151031;第37卷(第10期);全文 *
基于自适应脊波网络的高光谱遥感图像分类;孙锋利等;《计算机科学》;20110831;第38卷(第8期);全文 *

Also Published As

Publication number Publication date
CN109522918A (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
Zhou et al. Pyramid fully convolutional network for hyperspectral and multispectral image fusion
WO2022041678A1 (zh) 张量协作图判别分析遥感图像特征提取方法
CN103208001B (zh) 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN108460391B (zh) 基于生成对抗网络的高光谱图像无监督特征提取方法
CN107145836B (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
CN102750385B (zh) 基于标签检索的相关性—质量排序图像检索方法
CN109784347A (zh) 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法
CN104103082A (zh) 一种基于区域描述和先验知识的图像显著性检测方法
CN102393966B (zh) 基于多尺度显著图的自适应图像压缩采样方法
CN105046188A (zh) Modis混合像元分解森林信息提取方法
CN104463224A (zh) 基于丰度显著性分析的高光谱图像解混方法及系统
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN104463223B (zh) 基于空谱信息丰度约束的高光谱图像组稀疏解混方法
CN103116881A (zh) 基于PCA与Shearlet变换的遥感图像融合方法
CN106022355A (zh) 基于3dcnn的高光谱图像空谱联合分类方法
Jian et al. Infrared and visible image fusion based on deep decomposition network and saliency analysis
CN108734199A (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
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
CN105550989A (zh) 基于非局部高斯过程回归的图像超分辨方法
CN109272568B (zh) 一种采用基元发现的人脸风格图像处理方法
CN106960221A (zh) 一种基于光谱特征和空间特征融合的高光谱图像分类方法及系统
CN116309070A (zh) 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备
CN101533475A (zh) 一种基于形状自适应邻域的遥感图像特征提取方法
CN105550712A (zh) 基于优化卷积自动编码网络的极光图像分类方法
CN113837314A (zh) 一种基于混合卷积神经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