CN110033039A - 一种基于目标约束检测的高光谱实时分类方法 - Google Patents

一种基于目标约束检测的高光谱实时分类方法 Download PDF

Info

Publication number
CN110033039A
CN110033039A CN201910286661.8A CN201910286661A CN110033039A CN 110033039 A CN110033039 A CN 110033039A CN 201910286661 A CN201910286661 A CN 201910286661A CN 110033039 A CN110033039 A CN 110033039A
Authority
CN
China
Prior art keywords
classification
real
spectral signature
classifier
image
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.)
Granted
Application number
CN201910286661.8A
Other languages
English (en)
Other versions
CN110033039B (zh
Inventor
于纯妍
宋梅萍
张建祎
王玉磊
李森
赵恩宇
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime 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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910286661.8A priority Critical patent/CN110033039B/zh
Publication of CN110033039A publication Critical patent/CN110033039A/zh
Application granted granted Critical
Publication of CN110033039B publication Critical patent/CN110033039B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

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)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于目标约束检测的高光谱实时分类方法，本次发明将实时扫描到的像元作为分类数据，利用目标约束检测原理实现实时的高光谱多类别数据分类，其中分类器通过自适应自相关矩阵对背景进行实时抑制，并将检测到的丰度信息融合进分类数据，从而逐步提高分类精度。采用本发明方法完成的高光谱实时分类结果比全部像元进行背景抑制的分类结果效果更好，速度更快。

Description

一种基于目标约束检测的高光谱实时分类方法
技术领域
本发明涉及高光谱图像处理领域，尤其涉及一种基于目标约束检测的高光谱实时分类方法。
背景技术
高光谱遥感数据包含丰富的辐射、空间和光谱数据，是多种信息的综合载体。定量化的连续光谱曲线数据为图像提供光谱信息，像元及周边像元间的相互空间位置关系则为图像提供空间信息。
分类技术一直是高光谱图像处理中的热点研究内容，其最终目标是根据光谱特征和空间特征的相似性对图像中的每个像元进行类别的划分，近年来受到国内外工业界和学术界研究人员的广泛关注。高光谱实时分类必须满足两个条件:(1)实时性，即在按照行对高光谱数据进行扫描之后，可以快速的对扫描过的数据进行分类；(2)即时性，即分类需要用的信号信息，来自于当前扫描过的像元，而不能用到非扫描的像元信息。
现有技术中高光谱图像的分类精度有待提高。
发明内容
本发明提供一种基于目标约束检测的高光谱实时分类方法，以克服技术问题。
本发明基于目标约束检测的高光谱实时分类方法，包括：
根据目标地物的样本集的参数计算所述目标地物的光谱特征，所述样本集的参数包括：目标地物的样本数目、样本选取百分比以及选取样本像元的光谱特征；
对高光谱图像进行实时扫描，获得实时的待分类数据；
根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息；
利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行Otus自动阈值分割得到分类的信息图像；
根据所述分割得到的分类信息图像计算相邻两次分类结果的相似性系数，判断所述相似性系数是否满足分类结束条件，若满足，则本次扫描分类结束，再次对高光谱图像进行下一次实时扫描；若不满足，则将所述分类信息图像与所述待分类数据融合，对融合之后的数据进行迭代分类。
进一步地，所述对高光谱图像进行实时扫描，获得实时的待分类数据，包括：
自上而下扫描获取高光谱图像m行数据作为实时的分类数据；
计算所述分类数据的实时自相关矩阵，所述Rj为：
其中，Rj为自相关矩阵，Ωj表示实时的待分类数据，其中rji∈Ωj表示Ωj的一个样本像元，n为Ωj中的所有的样本像元数目。
进一步地，所述根据目标地物的样本集的参数计算所述目标地物的光谱特征，包括：
根据公式(2)计算第k类地物的光谱特征向量；
其中，dk为第k类目标地物的光谱特征，x为样本选取百分比，Nk为第k类地物的样本数目，Hk(l)为选取的第l个像元的光谱特征，k为类别号，1＜＝k＜＝p，其中p表示待分类的高光谱数据的类别总数；
k＝k+1；判断k值是否大于p，若否，则继续采用公式(2)计算第k类目标地物的光谱特征向量；若是，则停止目标地物的光谱特征向量的计算。
进一步地，所述根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息，包括：
设置迭代次数v初值为1、所有类地物的丰度信息图像Tjv初值为空集；
利用所述光谱特征及所述约束向量定义确定单目标分类器为：
根据所述单目标分类器计算得到第k类地物的丰度信息图像为
Tjv＝Tjv tkv； (5)
其中，为单目标分类器，为Rj的逆矩阵，tkv为第k类地物第v次迭代的丰度信息图像；
k＝k+1；判断k值是否大于p，若否，则继续采用公式(3)计算第k类地物的丰度信息图像；若是，单目标分类结束。
进一步地，所述根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息，包括：
设置迭代次数v初值为1、所有类地物的丰度信息图像Tjv初值为空集；
利用所述光谱特征及所述约束向量确定所述多目标分类器为：
根据所述多目标分类器计算所有类地物的丰度信息图像，其中，为多目标分类器，D为光谱特征，D＝{d1,..,dp}，cj为约束向量；
计算得到所有类地物的丰度信息图像
进一步地，所述利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行Otus自动阈值分割得到分类的信息图像，包括：
将分类得到的丰度值信息Tjv利用高斯滤波，得到空间信息图像记为Gjv；
将分类得到的空间信息Gjv进行Otus自动阈值分割，得到分类结果信息图像记为Bj,v。
进一步地，所述根据相邻两次分类结果的相似性系数判断是否满足分类结束条件，包括：
根据公式
计算相邻两次分类结果的相似性系数，其中，ξ为相似性系数，Bj,v为第v次分类结果，Bj,v-1为第v-1次分类结果。
本次发明利用目标约束检测原理设计多类别分类器，并将迭代空间信息融合进分类数据，从而逐步提高分类精度；利用扫描到的像元作为分类数据，通过自适应自相关矩阵对背景进行抑制，从而比全部像元进行背景抑制的效果更好，速度更快，从而实现实时的高光谱数据分类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于目标约束检测的高光谱实时分类方法流程图；
图2为本发明基于单目标约束分类器原理的高光谱实时分类方法流程图；
图3为本发明基于多目标约束分类器原理的高光谱实时分类方法流程图；
图4为本发明中实验涉及到的Purdue数据的示意图；
图5为本发明中实验涉及到的Purdue数据的真实图像；
图6为本发明中当j＝25时，关于Purdue数据的实时单目标约束分类结果图；
图7为本发明中当j＝117时，关于Purdue数据的实时单目标约束分类结果图；
图8为本发明中当j＝17时，关于Purdue数据的实时多目标约束分类结果图；
图9为本发明中当j＝125时，关于Purdue数据的实时多目标约束分类结果图；
图10为本发明中最终Purdue数据单目标约束分类结果图；
图11为本发明中最终Purdue数据多目标约束分类结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明基于目标约束检测的高光谱实时分类方法流程图，如图1所示，本实施例的方法可以包括：
步骤101、根据目标地物的样本集的参数计算所述目标地物的光谱特征，所述样本集的参数包括：目标地物的样本数目、样本选取百分比以及选取样本像元的光谱特征；
具体而言，待分类的高光谱数据的类别数目为p，设置类别号k＝1，目标地物的光谱特征记为D，初值设为空集；
根据第k类目标地物的样本集计算该类地物的光谱特征，采用公式(1)进行计算，
其中，dk为第k类目标地物的光谱特征，x为样本选取百分比，Nk为第k类地物的样本数目，Hk(l)为选取的第l个像元的光谱特征，k为类别号，1＜＝k＜＝p，其中p表示待分类的高光谱数据的类别总数；
k＝k+1；判断k值是否大于p，若否，则继续采用公式(2)计算第k类目标地物的光谱特征向量；若是，则停止目标地物的光谱特征向量的计算。
步骤102、对高光谱图像进行实时扫描，获得实时的待分类数据，本实施例的扫描方式为自上而下；
具体而言，实时扫描次数初值j＝1；设置扫描方式自上而下，设置实时扫描行数为m；最终分类结果Bf，初值设置为空集；
设置迭代次数v＝1；进行第j次扫描，将扫描m行数据作为实时的分类数据Ωj，其中rji∈Ωj表示Ωj中的一个像元，n为Ωj中的所有像元数目。
计算Ωj的实时自相关矩阵Rj，所述Rj为：
其中，Rj为自相关矩阵，Ωj表示实时的待分类数据，其中rji∈Ωj表示Ωj的一个样本像元，n为Ωj中的所有的样本像元数目。
步骤103、根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息；
具体而言，对于港普特征分类可采用单目标分类器或者多目标分类器，单目标进行分类的过程为：
Tjv表示所有类别目标地物的实时分类丰度信息，其初值设为空集；
所述第k类目标地物分类器定义为：
按照上述公式计算得到第k类地物的丰度信息图像
其中，为单目标分类器，为Rj的逆矩阵，tkv为第k类地物第v次迭代的丰度信息图像；
k＝k+1；判断k值是否大于p，若否，则继续采用公式(3)计算第k类地物的丰度信息图像；若是，单目标分类结束。
采用多目标分类器进行分类的过程为：
利用所述光谱特征D及所述约束向量cj，定义目标地物分类器所述分类器为：
按照上述公式计算得到所有类地物的丰度信息图像
步骤104、利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行Otus自动阈值分割得到分类的信息图像；
具体而言，将分类得到的丰度值信息Tjv利用高斯滤波，得到空间信息图像记为Gjv；将分类得到的空间信息Gjv进行Otus自动阈值分割，得到分类结果信息图像记为Bj,v；利用Otsu阈值方法，将得到的过滤结果进行二值化，即得到该次分类结果。
步骤105、根据所述分割得到的分类信息图像计算相邻两次分类结果的相似性系数，判断所述相似性系数是否满足分类结束条件，若满足，则本次扫描分类结束，再次对高光谱图像进行下一次实时扫描；若不满足，则将所述分类信息图像与所述待分类数据融合，对融合之后的数据进行迭代分类。
具体而言，v＝v+1；当v>＝2时，计算Bj,v和Bj-1,v的根据相邻两次分类结果的相似性系数，所述相似性系数的定义为
当ξ＞0.99时，Ωj数据的分类结束，Bf＝Bf Bj,v，跳到步骤8；
当当ξ≤0.99时，将上一步得到的分类结果信息融合进分类数据，Ωj＝Ωj Bj,v，跳到步骤4；实时扫描结束，分类结束；否则j＝j+1；跳到步骤3。
进一步地，所述利用高斯滤波提取所述实时分类丰度信息的空间特征，包括：
采用公式
对分类结果进行卷积计算得到分类后的地物空间特征，其中，Sk,i为分类结果所述σ是高斯滤波的标准偏差，r是高斯滤波的过滤半径；c.利用Otsu阈值方法，计算Sk,i的二值图像Sk,i记为Bk,i。
进一步地，所述则将所述分类后的信息图像与所述待分类数据相融合作后对本次扫描的图像进行再次分类，包括：
采用将空间信息图像反馈融合进Hj中，得到Hj＝[Hj；Sk,1……Sk,p]；
具体而言，采用将空间信息图像反馈融合进Hj中，得到Hj＝[Hj；Sk,1……Sk,p]；本实施例样本高光谱图像数据来源于Purdue大学的美国印第安纳州IndianPine实验区的高光谱数据，含有220个波段，如图4所示。图像数据大小含有145×145个像素，其真实图像如图5所示，共有16类地物作为分类的目标，分别是：1、alfalfa；2、corn-nortill；3、corn-mintill；4、corn；5、grass-pasture；6、grass-trees；7、oats；8、hay-windrowed；9、grass-pasture-mowed；10、soybean-notill；11、soybean-mintiall；12、soybean-clean；13、wheat；14、woods；15、bidg-grass-trees-drives；16、stone-steel-towers。
参数设置包括：每次实时行数Δ＝5，重叠行数值高斯滤波的标准差为1.0，卷积核大小为5×5，迭代停止阈值ξ＝0.99，选取样本比例x＝100％。
首先进行第一次扫描，然后利用公式(1)分别计算16种目标地物的光谱特征值，分别记作d1至d16；根据公式(3)计算已扫描数据的样本自相关矩阵R。
根据公式(2)定义的单目标地物分类器分别对扫描的实时数据进行目标检测，得到扫描数据中每个目标地物多检测结果；根据公式(4)分别对目标检测的结进行滤波，得到其空间信息；
当j＝21时的单目标分类器的分类结果如图6所示，j＝117时的单目标分类器的分类结果如图7所示。
根据公式(3)定义的多目标地物分类器一次性对扫描的实时数据进行目标检测；根据公式(4)对目标检测的结进行滤波，得到其空间信息；
利用Otsu阈值方法，将过滤过的进行二值化，得到该次分类结果；
判断ξ是否大于0.99，如果成立，继续进行下一次扫描，然后重复上述分类步骤，如果不成立，则进行迭代分类，即先将空间信息图像反馈融合进现有的分类数据中，再重复上述分类步骤。
当j＝17时的多目标约束分类率结果示意图如图8所示，当j＝125时的多目标约束分类结果示意图如图9所示。
最终得到的单目标约束器实时分类流程如图2所示，结果如图10所示。多目标约束器实时分类流程如图3所示，结果如图11所示。
为了比较CEM实时分类结果与非实时分类结果，计算了每一类目标的分类精度POA值，表1为具体的POA结果值比较。为了进一步验证本发明提出的实时分类算法的性能，计算了不同采用比例x下的分类精度值，具体的结果值如表2所示，表1为Purdue’s图像实时与非实时分类结果的POA值比较表。表2为实时Purdue图像不同采样比例下的OA比较表。
表1
Class PD％ CEM CEMR LCMVR LCMV
1 93.48 100 100 95.65
2 93.38 100 100 96.01
3 96.02 100 100 96.99
4 97.47 100 100 98.73
5 92.75 100 100 89.44
6 96.58 99.73 99.73 97.12
7 96.43 100 100 100
8 99.16 100 100 98.78
9 100 100 100 100
10 92.70 100 100 93.93
11 96.21 99.92 99.92 94.70
12 96.29 100 100 95.45
13 99.02 100 100 98.54
14 93.83 99.92 99.92 93.52
15 92.49 100 100 90.67
16 97.85 100 100 98.92
POA 95.13 99.95 99.95 95.09
Precisio 99.81 100 100 99.93
Time(s) 37.66 24.290 7.143 19.850
表2
OA 10％ 20％ 30％ 40％ 50％ 60％ 70％ 80％ 90％ 100％
CEMR 22.05 39.31 53.07 65.38 75.66 83.30 90.18 94.20 97.82 99.95
LCMVR 22.81 39.46 54.33 66.29 75.43 82.49 89.97 94.33 97.98 99.95
通过表1和表2，可以看出本发明所提出多实时分类算法的分类精度要高于非实时的分类结果，且多目标约束分类器的运行速度要高于单目标约束分类器。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于目标约束检测的高光谱实时分类方法，其特征在于，包括：
根据目标地物的样本集的参数计算所述目标地物的光谱特征，所述样本集的参数包括：目标地物的样本数目、样本选取百分比以及选取样本像元的光谱特征；
对高光谱图像进行实时扫描，获得实时的待分类数据；
根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息；
利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行Otus自动阈值分割得到分类的信息图像；
根据所述分割得到的分类信息图像计算相邻两次分类结果的相似性系数，判断所述相似性系数是否满足分类结束条件，若满足，则本次扫描分类结束，再次对高光谱图像进行下一次实时扫描；若不满足，则将所述分类信息图像与所述待分类数据融合，对融合之后的数据进行迭代分类。
2.根据权利要求1所述的方法，其特征在于，所述对高光谱图像进行实时扫描，获得实时的待分类数据，包括：
自上而下扫描获取高光谱图像m行数据作为实时的分类数据；
计算所述分类数据的实时自相关矩阵，所述Rj为：
其中，Rj为自相关矩阵，Ωj表示实时的待分类数据，其中rji∈Ωj表示Ωj的一个样本像元，n为Ωj中的所有的样本像元数目。
3.根据权利要求1所述的方法，其特征在于，所述根据目标地物的样本集的参数计算所述目标地物的光谱特征，包括：
根据公式(2)计算第k类地物的光谱特征向量；
其中，dk为第k类目标地物的光谱特征，x为样本选取百分比，Nk为第k类地物的样本数目，Hk(l)为选取的第l个像元的光谱特征，k为类别号，1＜＝k＜＝p，其中p表示待分类的高光谱数据的类别总数；
k＝k+1；判断k值是否大于p，若否，则继续采用公式(2)计算第k类目标地物的光谱特征向量；若是，则停止目标地物的光谱特征向量的计算。
4.根据权利要求3所述的方法，其特征在于，所述根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息，包括：
设置迭代次数v初值为1、所有类地物的丰度信息图像Tjv初值为空集；
利用所述光谱特征及所述约束向量定义确定单目标分类器为：
根据所述单目标分类器计算得到第k类地物的丰度信息图像为
Tjv＝Tjv tkv； (5)
其中，为单目标分类器，为Rj的逆矩阵，tkv为第k类地物第v次迭代的丰度信息图像；
k＝k+1；判断k值是否大于p，若否，则继续采用公式(3)计算第k类地物的丰度信息图像；若是，单目标分类结束。
5.根据权利要求3所述的方法，其特征在于，所述根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息，包括：
设置迭代次数v初值为1、所有类地物的丰度信息图像Tjv初值为空集；
利用所述光谱特征及所述约束向量确定所述多目标分类器为：
根据所述多目标分类器计算所有类地物的丰度信息图像，其中，为多目标分类器，D为光谱特征，D＝{d1,..,dp}，cj为约束向量；
计算得到所有类地物的丰度信息图像
6.根据权利要求1所述的方法，其特征在于，所述利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行Otus自动阈值分割得到分类的信息图像，包括：
将分类得到的丰度值信息Tjv利用高斯滤波，得到空间信息图像记为Gjv；
将分类得到的空间信息Gjv进行Otus自动阈值分割，得到分类结果信息图像记为Bj,v。
7.根据权利要求6所述的方法，其特征在于，所述根据相邻两次分类结果的相似性系数判断是否满足分类结束条件，包括：
根据公式
计算相邻两次分类结果的相似性系数，其中，ξ为相似性系数，Bj,v为第v次分类结果，Bj,v-1为第v-1次分类结果。
CN201910286661.8A 2019-04-10 2019-04-10 一种基于目标约束检测的高光谱实时分类方法 Active CN110033039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910286661.8A CN110033039B (zh) 2019-04-10 2019-04-10 一种基于目标约束检测的高光谱实时分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910286661.8A CN110033039B (zh) 2019-04-10 2019-04-10 一种基于目标约束检测的高光谱实时分类方法

Publications (2)

Publication Number Publication Date
CN110033039A true CN110033039A (zh) 2019-07-19
CN110033039B CN110033039B (zh) 2022-10-11

Family

ID=67237918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910286661.8A Active CN110033039B (zh) 2019-04-10 2019-04-10 一种基于目标约束检测的高光谱实时分类方法

Country Status (1)

Country Link
CN (1) CN110033039B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112329791A (zh) * 2020-10-30 2021-02-05 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
CN114354464A (zh) * 2021-12-22 2022-04-15 南京大学 一种对不同金属纳米颗粒高光谱库之间的相似性进行定量分析的方法
WO2022082848A1 (zh) * 2020-10-23 2022-04-28 深圳大学 高光谱图像分类方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408034A (zh) * 2016-10-17 2017-02-15 大连海事大学 一种基于空间特征迭代的高光谱图像分类方法
CN106650811A (zh) * 2016-12-26 2017-05-10 大连海事大学 一种基于近邻协同增强的高光谱混合像元分类方法
CN107967694A (zh) * 2017-12-22 2018-04-27 大连海事大学 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器
US20190096059A1 (en) * 2017-09-27 2019-03-28 Taichung Veterans General Hospital Iterative analyzing method for a medical image

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408034A (zh) * 2016-10-17 2017-02-15 大连海事大学 一种基于空间特征迭代的高光谱图像分类方法
CN106650811A (zh) * 2016-12-26 2017-05-10 大连海事大学 一种基于近邻协同增强的高光谱混合像元分类方法
US20190096059A1 (en) * 2017-09-27 2019-03-28 Taichung Veterans General Hospital Iterative analyzing method for a medical image
CN107967694A (zh) * 2017-12-22 2018-04-27 大连海事大学 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于纯妍等: "基于目标约束与谱空迭代的高光谱图像分类方法", 《光学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022082848A1 (zh) * 2020-10-23 2022-04-28 深圳大学 高光谱图像分类方法及相关设备
CN112329791A (zh) * 2020-10-30 2021-02-05 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
CN112329791B (zh) * 2020-10-30 2022-12-27 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
CN114354464A (zh) * 2021-12-22 2022-04-15 南京大学 一种对不同金属纳米颗粒高光谱库之间的相似性进行定量分析的方法
CN114354464B (zh) * 2021-12-22 2024-04-09 南京大学 一种对不同金属纳米颗粒高光谱库之间的相似性进行定量分析的方法

Also Published As

Publication number Publication date
CN110033039B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN110033039A (zh) 一种基于目标约束检测的高光谱实时分类方法
CN107451614B (zh) 基于空间坐标与空谱特征融合的高光谱分类方法
Pierna et al. Combination of support vector machines (SVM) and near‐infrared (NIR) imaging spectroscopy for the detection of meat and bone meal (MBM) in compound feeds
CN105976310B (zh) 一种基于分块的vca端元提取方法
Abbasgholipour et al. Color image segmentation with genetic algorithm in a raisin sorting system based on machine vision in variable conditions
CN110020647B (zh) 一种违禁品目标检测方法、装置及计算机设备
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN107657271B (zh) 基于长短时记忆网络的高光谱图像分类方法
CN105117736B (zh) 基于稀疏深度堆栈网络的极化sar图像分类方法
CN111587450A (zh) 零售结账终端新鲜农产品标识系统
CN107844751A (zh) 引导滤波长短记忆神经网络高光谱遥感图像的分类方法
Mousavirad et al. Design of an expert system for rice kernel identification using optimal morphological features and back propagation neural network
CN109299668A (zh) 一种基于主动学习和聚类分析的高光谱图像分类方法
CN103914705A (zh) 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法
Mebatsion et al. A novel, invariant elliptic Fourier coefficient based classification of cereal grains
CN104809471B (zh) 一种基于空间光谱信息的高光谱图像残差融合分类方法
CN113052216B (zh) 基于双路图u-net卷积网络的溢油高光谱图像检测方法
CN107066959A (zh) 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
CN106682675A (zh) 一种面向高光谱图像的空谱联合特征提取方法
Reddy et al. Optimized convolutional neural network model for plant species identification from leaf images using computer vision
CN110555395A (zh) 一种油菜冠层氮素含量等级分类评估方法
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
Jana et al. Intra-class recognition of fruits using color and texture features with neural classifiers
CN108256557B (zh) 结合深度学习和邻域集成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