CN110110596A - 高光谱图像特征提取、分类模型构建及分类方法 - Google Patents
高光谱图像特征提取、分类模型构建及分类方法 Download PDFInfo
- Publication number
- CN110110596A CN110110596A CN201910247707.5A CN201910247707A CN110110596A CN 110110596 A CN110110596 A CN 110110596A CN 201910247707 A CN201910247707 A CN 201910247707A CN 110110596 A CN110110596 A CN 110110596A
- Authority
- CN
- China
- Prior art keywords
- image
- high spectrum
- spectrum image
- feature
- obtains
- 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
Links
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明公开了一种高光谱图像特征提取、分类模型构建及分类方法,通过超像素分割处理获得超像素分割图像,对每一个区域执行主成分分析,从每一个区域里选取大小相同的随机块充当后续卷积网络的卷积核并得到降维后的图像,将降维后的图像输入进随机多尺度卷积网络得到空间特征图像;同时采用独立成分分析处理通过离散余弦变换后的降维图像来得到光谱特征图像;最后将所得到的特征堆叠起来输入分类器得到最终的分类结果。本发明将深度学习方法及传统方法相结合,在提取特征时无需任何训练,充分利用了高光谱图像的光谱特征及空间特征,有效地提高了分类精度。
Description
技术领域
本发明涉及高光谱图像分类方法,具体涉及一种高光谱图像特征提取、分类模型构建及分类方法。
背景技术
随着现代科学技术的飞速发展,高光谱遥感科学作为一种综合性技术,在各个方面得到了广泛的发展,其可以在紫外至近红外范围内获得许多非常小且连续的图像,每个图像数据包含了数十甚至上百的光谱信息,高光谱遥感通过利用空间图像和光谱特征获取地面物体信息,实现图像和光谱的统一,为人类学习世界和改变世界提供强大的技术支持,因此有越来越多针对高光谱图像的研究。
现有技术已经提出了很多分类方法来分析高光谱图像,近年来,基于神经网络的分类方法取得了较好的分类精度,典型的基于堆叠自动编码器、深信念网络和卷积神经网络等的深度神经网络模型已经表现处优异的性能。
尽管现有的基于深度学习的方法可以获得较好的分类精度,但是大多数现有的基于深度学习的方法在训练期间非常耗时,网络复杂度高,需要确定的参数较多且大部分只利用了最深层的特征,从而使得高光谱图像特征提取的不充分,导致高光谱图像分类准确率不高。
发明内容
本发明的目的在于提供一种高光谱图像特征提取、分类模型构建及分类方法,用以解决现有技术中由于对高光谱图像特征提取的不充分,导致高光谱图像分类准确率不高的问题。
为了实现上述任务,本发明采用以下技术方案:
一种高光谱图像特征提取方法,按照以下步骤执行:
步骤1、采用步骤1.1-1.4获得待提取特征的高光谱图像的空间特征:
步骤1.1、对待提取特征的高光谱图像进行超像素分割,获得多个超像素高光谱图像片;
步骤1.2、对所述的每个超像素高光谱图像片进行降维,获得多个降维后的高光谱图像片;
步骤1.3、将所有的降维后的高光谱图像片进行拼接,获得降维后的高光谱图像;
步骤1.4、将所述的降维后的高光谱图像输入至密集卷积神经网络中,获得高光谱图像空间特征;
所述的密集卷积神经网络包括多层卷积层,每层卷积层包括多个卷积核,所述的多个卷积核为在所述的每个降维后的高光谱图像片中随机选取的图像块,每个图像块的尺寸相同;
步骤2、提取待提取特征的高光谱图像的光谱特征,获得高光谱图像光谱特征;
步骤3、将所述的高光谱图像空间特征以及高光谱图像光谱特征进行堆叠,获得高光谱图像特征。
进一步地,所述的密集卷积神经网络包括多层激活层,所述的激活层中的激活函数为ReLu函数。
进一步地,所述的步骤1.2中采用主成分分析法对所述的每个超像素高光谱图像片进行降维,获得多个降维后的高光谱图像片。
进一步地,所述的步骤2具体包括:
步骤2.1、将所述的待提取特征的高光谱图像进行离散余弦变换处理,获得变换后的高光谱图像;
步骤2.2、对所述的变换后的高光谱图像采用独立成分分析法提取特征,获得高光谱图像光谱特征。
一种高光谱图像分类模型构建方法,按照以下步骤执行:
步骤A、获得高光谱图像集;
为所述的高光谱图像集中的每幅高光谱图像进行标注,获得标签集;
步骤B、对高光谱图像集中的每幅高光谱图像采用本发明所述的高光谱图像特征提取方法提取高光谱图像特征,获得由多个高光谱图像特征组成的特征集;
步骤C、将所述的特征集作为输入,将所述的标签集作为输出,训练分类器,获得高光谱图像分类模型。
进一步地,所述的步骤C中分类器为支持向量机。
一种高光谱图像分类方法,将所述的待分类的高光谱图像采用本发明所述的高光谱图像特征提取方法提取高光谱图像特征后,输入至本发明所述的高光谱图像分类模型中,获得高光谱图像分类结果。
本发明与现有技术相比具有以下技术效果:
1.由于高光谱图像的光谱曲线可能会存在“同物异谱”和“异物同谱”的现象,仅使用光谱特征分类将会受到分类对象内部胡椒噪声和错误分类的影响,而且高光谱图像的空间分辨率较低,仅使用空间特征将会获得较低的分类精度,因此,本发明提供的高光谱图像特征提取、分类模型构建及分类方法将光谱特征和空间特征结合起来,有效提取高光谱图像光谱特征的同时,合理结合其空间信息,得到的分类图将具有更好的连续性,并且获得更高的分类精度;
2.本发明提供的高光谱图像特征提取、分类模型构建及分类方法在提取空间特征时,首先运用到了超像素分割方法获得随机卷积核,使得卷积核中包含纹理和几何信息,在提取特征时能充分应用先验知识,后续又用到了密集卷积网络,充分利用了每一层的空间特征,并且将浅层特征与深层特征结合起来,解决了在特征提取过程中空间信息丢失以及空间信息利用不充分的问题;
3.本发明提供的高光谱图像特征提取、分类模型构建及分类方法在提取光谱特征时,采用了离散余弦变换方法进行降维,不仅将信息保留在低频分量中,还去除了高频部分的噪声,后续采用独立成分分析方法,可以获得更加独立的光谱特征。
附图说明
图1为本发明提供的高光谱分类方法流程图;
图2为本发明的一个实施例中提供的密集卷积神经网络结构图;
图3为本发明的一个实施例中提供的实验结果对比图。
具体实施方式
首先对本发明中出现的技术术语进行解释,以帮助更好的理解本申请的技术内容:
密集卷积神经网络:卷积神经网络的一种,密集卷积神经网络中前面所有层与后面层之间具有密集连接,充分利用所有层的空间信息,并且将每一层得到的特征图像堆叠起来,即将浅层空间特征与深层空间特征相结合,充分利用空间信息,具体来看,每个层都会接受前面所有层的输出特征作为其额外的输入。
卷积核:卷积核就是图像处理时,给定输入图像,在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均,其中权值由一个函数定义,这个函数称为卷积核。
独立成分分析:独立成分分析是一种主元分解的方法,其基本思想是从一组混合的观测信号中分离出独立信号,其中观测信号是若干个统计独立的分量的线性组合,独立成分分析要做的是一个解混过程,假设数据是由一组独立的源线性混合的,并且可以根据测量这些信号源的统计独立性来分解这些信号源。
超像素分割:将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程,超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息。
离散余弦变换:与傅里叶变换相关的一种变换,经常被信号处理和图像处理使用,用于对信号和图像(包括静止图像和运动图像)进行有损数据压缩。
特征堆叠:特征融合的一种方式,特征融合通常可采用简单堆栈的方式(串行方式)或特征叠加的方式(并行方式)。串行方式将极大增加数据维数和计算复杂度,同时也会使分类过程进一步陷入不适定问题,本发明的特征堆叠是指图层叠加。
实施例一
为了解决现有技术中网络复杂度高,需要确定的参数较多且大部分只利用最深层特征等问题,在本实施例中公开了一种高光谱图像特征提取方法。
由于高光谱图像的光谱曲线可能会存在“同物异谱”和“异物同谱”的现象,仅使用光谱特征分类将会受到分类对象内部胡椒噪声和错误分类的影响,而且高光谱图像的空间分辨率较低,仅使用空间特征将会获得较低的分类精度,因此,本实施例提供的高光谱图像特征提取、分类模型构建及分类方法将光谱特征和空间特征结合起来,有效提取高光谱图像光谱特征的同时,合理结合其空间信息,得到的分类图将具有更好的连续性,并且获得更高的分类精度。
按照以下步骤执行:
步骤1、采用步骤1.1-1.4获得待提取特征的高光谱图像的空间特征。
在本实施例中,首先提取高光谱图像的空间特征,通过超像素分割处理获得超像素分割图像,对每一个区域执行主成分分析,从每一个区域里选取大小相同的随机块充当后续卷积网络的卷积核,然后将主成分分析之后获得的多个低维矩阵重新排列组合,得到降维后的图像,将降维后的图像输入进随机密集卷积网络得到空间特征图像。
具体地,步骤1包括:
步骤1.1、对待提取特征的高光谱图像进行超像素分割,获得多个超像素高光谱图像片;
在本步骤中,在对高光谱图像进行超像素分割之前,过主成分分析法得到原始高光谱图像的第一个主成分,获取原始高光谱图像的主要信息;获得的第一个主成分执行熵率超像素以获得第一个主成分分量的超像素分割图像,将第一个主成分划分为多个区域;再将超像素分割图像扩展到所有波段,获得多个超像素高光谱图像片。
步骤1.2、对所述的每个超像素高光谱图像片进行降维,获得多个降维后的高光谱图像片;
在本步骤中,对每个超像素高光谱图像片进行降维的方法可以是低方差滤波、高相关滤波以及主成分分析法等。
为了提高降维的效率,作为一种优选的实施方式,采用主成分分析法对所述的每个超像素高光谱图像片进行降维,获得多个降维后的高光谱图像片,其中主成分分量的个数设定为3个。
步骤1.3、将所有的降维后的高光谱图像片进行拼接,获得降维后的高光谱图像;
在本实施例中,从步骤1.1的每个超像素高光谱图像片中随机选择一个像素,在每个像素周围,取ω×ω×p大小的图像块,得到多个随机图像块,对于分布在图像边缘的像素,通过镜像图像来填充,并且重新排列和组合所有低维矩阵,获得降维后的高光谱图像,ω≥1,p≥1。
步骤1.4、将所述的降维后的高光谱图像输入至密集卷积神经网络中,获得高光谱图像空间特征;
所述的密集卷积神经网络包括多层卷积层,每层卷积层包括多个卷积核;
其中所述的多个卷积核为在所述的每个降维后的高光谱图像片中随机选取的相同尺寸的图像块;
如图2所示,在本实施例中提供的密集卷积神经网络,密集卷积神经网络一共有5层,每一层中都包括一个卷积层,因此一共包括5个卷积层,每个卷积层都包括20个卷积核,每个卷积核的大小都设定为21。
在本实施例中,将步骤1.3中得到的多个随机图像块作为密集卷积神经网络中的卷积核。
一般的随机高斯卷积核在每一层中具有相似的模式,且不能很好的适应不同的数据集,而随机图像块中包含一些有价值的纹理和几何信息,本研究选取随机图像块作为卷积核具有明显的方向性,针对不同对象有不同的反应,能得到更精准的特征图像且具有更好的鲁棒性,可以适应不同的数据集,通过随机卷积后特征图像视觉上具有流行结构,数据具有更大的可分离性,便于后续分类。
可选地,所述的密集卷积神经网络包括多层激活层,所述的激活层中的激活函数为ReLu函数。
在本实施例中,如图2所示,密集卷积神经网络还包括5层激活层,为了改善特征的稀疏性,激活层中的激活函数为ReLu函数。
在本实施例中,首先运用到了超像素分割方法获得随机卷积核,使得卷积核中包含纹理和几何信息,在提取特征时能充分应用先验知识,后续又用到了密集卷积网络,充分利用了每一层的空间特征,并且将浅层特征与深层特征结合起来,解决了在特征提取过程中空间信息丢失以及空间信息利用不充分的问题。
步骤2、提取待提取特征的高光谱图像的光谱特征,获得高光谱图像光谱特征;
在本实施例中,提取光谱特征的方法有基于线性标量的特征提取,基于决策边界的特征提取方法以及基于独立成分分析的特征提取。
为了去除高光谱图像中的噪声,降低特征维数,使输出特征尽可能独立,采用离散余弦变换方法降维之后,用独立成分分析方法进行光谱特征提取。
可选地,所述的步骤2具体包括:
步骤2.1、将所述的待提取特征的高光谱图像进行离散余弦变换处理,获得变换后的高光谱图像;
在本步骤中,将待提取特征的高光谱图像通过离散余弦变换方法处理,可以将光谱数据从原始特征空间转换为缩小的特征空间,求解离散余弦变换系数,在本实施例中,离散余弦变换选取的低频部分分量个数为18个。
步骤2.2、对所述的变换后的高光谱图像采用独立成分分析的方法提取特征,获得高光谱图像光谱特征。
在本步骤中,对步骤2.1所得的特征空间进行独立成分分析,根据特征图像的统计独立性来分解特征图像,获得高光谱图像光谱特征。
具体地,为了求解光谱特征向量,我们需要求解解混矩阵,在本实施例中求解解混矩阵的方法是基于负熵的FastICA算法,因为在方差相同的条件下,所有概率分布中,高斯分布的熵最大,因此FastICA算法以负熵最大作为搜寻方向,在本实施例中调用MATLAB中的FastICA工具箱求解解混矩阵,以便最后求解光谱特征向量。
在本实施例中,提取光谱特征时,采用了离散余弦变换方法进行降维,不仅将信息保留在低频分量中,还去除了高频部分的噪声,后续采用独立成分分析方法,可以获得更加独立的光谱特征。
步骤3、将所述的高光谱图像空间特征以及高光谱图像光谱特征进行堆叠,获得高光谱图像特征。
在本实施例中,通过调用MATLAB中的LibSVM工具箱将高光谱图像空间特征以及高光谱图像光谱特征进行堆叠,获得高光谱图像特征。
在本步骤中,将所述的高光谱图像空间特征以及高光谱图像光谱特征进行堆叠后,还需要对堆叠后的特征Z的每个维度i需要使用下面的公式进行归一化:
其中zi表示Z的第i维归一化数据,mean(zi)和var(zi)分别表示zi的均值和方差。
实施例二
一种高光谱图像分类模型构建方法,按照以下步骤执行:
步骤A、获得高光谱图像集;
为所述的高光谱图像集中的每幅高光谱图像进行标注,获得标签集;
在本实施例中,采用了1992年由AVIRIS在美国印第安纳州西北部的Indian Pines实验基地拍摄得到。该数据包含224个波段的145×145大小的图像,空间分辨率为20m,波长范围为0.4-2.5μm(水吸收波段104-108,150-163,220在实验前已去除,实际使用200个波段)的数据集,数据集中对高光谱图像分成16类,分别是未耕玉米地、玉米幼苗、玉米、未耕大豆地、大豆幼苗、大豆地、苜蓿草、草地/牧场、草地/树林、修剪过草地/牧场、干草/料堆、燕麦、小麦、木柴、建筑、钢塔;
步骤B、对高光谱图像集中的每幅高光谱图像采用实施例一所述的高光谱图像特征提取方法提取高光谱图像特征,获得由多个高光谱图像特征组成的特征集;
步骤C、将所述的特征集作为输入,将所述的标签集作为输出,训练分类器,获得高光谱图像分类模型。
在本步骤中,分类器可以是人工神经网络,支持向量机等。
可选地,所述的步骤C中分类器为支持向量机。
实施例三
一种高光谱图像分类方法,将所述的待分类的高光谱图像采用实施例一所述的高光谱图像特征提取方法提取高光谱图像特征后,输入至实施例二所述的高光谱图像分类模型中,获得高光谱图像分类结果。
在本实施例中,对特征提取方法以及模型建立方法中设定的具体参数为:
密集卷积神经网络包括5层,卷积核的大小设置为21,卷积核的个数设置为20,主成分分量的个数设置为3,离散余弦变换选取的低频部分分量个数为18,在SVM分类中选取10%为训练样本,其余数据为测试样本。
不同方法得到的分类精度详情如表1所示,在分类质量评价方面,采用OA(OverallAccuracy)和kappa系数这两个指标,分别评价总体正确分类像素的百分比,和分类与完全随机的分类产生错误减少的比例,这两个指标均越高越好,从表1中可以看到本发明提供的与其他方法相比取得了较好的分类精度。
表1不同方法得到的分类效果比较
分类结果如图3所示。在图3中,图3(a)为假彩色图像(待分类图像),图3(b)为标定图像,图3(c)为PCA方法分类图像,图3(d)为稀疏表示(SP)方法分类图像,图3(e)为DCT-ICA方法分类图像,图3(f)为LBP方法分类图像,图3(g)为SuperPCA方法分类图像,图3(h)为RPNet方法分类图像,图3(i)为本发明提供的分类方法分类图像,可以很明显的看出本发明提供的分类方法取得了较好的分类结果。
Claims (7)
1.一种高光谱图像特征提取方法,其特征在于,按照以下步骤执行:
步骤1、采用步骤1.1-1.4获得待提取特征的高光谱图像的空间特征:
步骤1.1、对待提取特征的高光谱图像进行超像素分割,获得多个超像素高光谱图像片;
步骤1.2、对所述的每个超像素高光谱图像片进行降维,获得多个降维后的高光谱图像片;
步骤1.3、将所有的降维后的高光谱图像片进行拼接,获得降维后的高光谱图像;
步骤1.4、将所述的降维后的高光谱图像输入至密集卷积神经网络中,获得高光谱图像空间特征;
所述的密集卷积神经网络包括多层卷积层,每层卷积层包括多个卷积核,所述的多个卷积核为在所述的每个降维后的高光谱图像片中随机选取的图像块,每个图像块的尺寸相同;
步骤2、提取待提取特征的高光谱图像的光谱特征,获得高光谱图像光谱特征;
步骤3、将所述的高光谱图像空间特征以及高光谱图像光谱特征进行堆叠,获得高光谱图像特征。
2.如权利要求1所述的高光谱图像特征提取方法,其特征在于,所述的密集卷积神经网络包括多层激活层,所述的激活层中的激活函数为ReLu函数。
3.如权利要求1所述的高光谱图像特征提取方法,其特征在于,所述的步骤1.2中采用主成分分析法对所述的每个超像素高光谱图像片进行降维,获得多个降维后的高光谱图像片。
4.如权利要求1所述的高光谱图像特征提取方法,其特征在于,所述的步骤2具体包括:
步骤2.1、将所述的待提取特征的高光谱图像进行离散余弦变换处理,获得变换后的高光谱图像;
步骤2.2、对所述的变换后的高光谱图像采用独立成分分析法提取特征,获得高光谱图像光谱特征。
5.一种高光谱图像分类模型构建方法,其特征在于,按照以下步骤执行:
步骤A、获得高光谱图像集;
为所述的高光谱图像集中的每幅高光谱图像进行标注,获得标签集;
步骤B、对高光谱图像集中的每幅高光谱图像采用权利要求1-4任一项权利要求所述的高光谱图像特征提取方法提取高光谱图像特征,获得由多个高光谱图像特征组成的特征集;
步骤C、将所述的特征集作为输入,将所述的标签集作为输出,训练分类器,获得高光谱图像分类模型。
6.如权利要求5所述的高光谱图像分类模型构建方法,其特征在于,所述的步骤C中分类器为支持向量机。
7.一种高光谱图像分类方法,其特征在于,将所述的待分类的高光谱图像采用权利要求1-4任一项权利要求所述的高光谱图像特征提取方法提取高光谱图像特征后,输入至权利要求5-6任一项权利要求所述的高光谱图像分类模型中,获得高光谱图像分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247707.5A CN110110596B (zh) | 2019-03-29 | 2019-03-29 | 高光谱图像特征提取、分类模型构建及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247707.5A CN110110596B (zh) | 2019-03-29 | 2019-03-29 | 高光谱图像特征提取、分类模型构建及分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110596A true CN110110596A (zh) | 2019-08-09 |
CN110110596B CN110110596B (zh) | 2022-12-02 |
Family
ID=67484701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910247707.5A Active CN110110596B (zh) | 2019-03-29 | 2019-03-29 | 高光谱图像特征提取、分类模型构建及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110596B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503149A (zh) * | 2019-08-26 | 2019-11-26 | 咪咕文化科技有限公司 | 一种图像中局部特征分类方法及系统 |
CN110738130A (zh) * | 2019-09-21 | 2020-01-31 | 天津大学 | 基于Wi-Fi的路径独立的步态识别方法 |
CN111079850A (zh) * | 2019-12-20 | 2020-04-28 | 烟台大学 | 波段显著度的深度空谱联合高光谱图像分类方法 |
CN111401297A (zh) * | 2020-04-03 | 2020-07-10 | 天津理工大学 | 一种基于边缘计算和神经网络的三栖机器人目标识别系统及方法 |
CN112161937A (zh) * | 2020-11-04 | 2021-01-01 | 安徽大学 | 基于级联森林和卷积神经网络的小麦粉筋度检测方法 |
CN112183399A (zh) * | 2020-09-30 | 2021-01-05 | 珠海欧比特宇航科技股份有限公司 | 基于可分离卷积和密集连接的高光谱图像分类方法及介质 |
CN112183669A (zh) * | 2020-11-04 | 2021-01-05 | 北京航天泰坦科技股份有限公司 | 图像分类方法和装置、设备及存储介质 |
CN112200090A (zh) * | 2020-10-12 | 2021-01-08 | 桂林电子科技大学 | 基于交叉分组空谱特征增强网络的高光谱图像分类方法 |
CN112819077A (zh) * | 2021-02-02 | 2021-05-18 | 河南大学 | 基于新型激活函数的高光谱图像分类方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN101593209A (zh) * | 2008-12-30 | 2009-12-02 | 中国科学院地理科学与资源研究所 | 一种交互式在线统计地图生成与发布装置及方法 |
CN102682184A (zh) * | 2011-03-08 | 2012-09-19 | 中国科学院研究生院 | 随机分布三维裂隙网络中裂隙对相交判断方法 |
US20140009757A1 (en) * | 2008-05-15 | 2014-01-09 | Bodkin Design And Engineering Llc | Optical Systems And Methods Employing A Polarimetric Optical Filter |
CN103902343A (zh) * | 2014-04-22 | 2014-07-02 | 江苏省城市规划设计研究院 | 一种基于Delaunay三角网精度控制的瓦片地图下载与拼接方法 |
CN104268823A (zh) * | 2014-09-18 | 2015-01-07 | 河海大学 | 一种基于图像内容的数字水印算法 |
CN106137532A (zh) * | 2016-09-19 | 2016-11-23 | 清华大学 | 视皮层假体的图像处理装置及方法 |
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN106326288A (zh) * | 2015-06-30 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 图像搜索方法及装置 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
CN108280396A (zh) * | 2017-12-25 | 2018-07-13 | 西安电子科技大学 | 基于深度多特征主动迁移网络的高光谱图像分类方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108460768A (zh) * | 2018-01-29 | 2018-08-28 | 北京航空航天大学 | 层次化时域切分的视频关注对象分割方法和装置 |
CN108985360A (zh) * | 2018-06-29 | 2018-12-11 | 西安电子科技大学 | 基于扩展形态学与主动学习的高光谱分类方法 |
-
2019
- 2019-03-29 CN CN201910247707.5A patent/CN110110596B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140009757A1 (en) * | 2008-05-15 | 2014-01-09 | Bodkin Design And Engineering Llc | Optical Systems And Methods Employing A Polarimetric Optical Filter |
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN101593209A (zh) * | 2008-12-30 | 2009-12-02 | 中国科学院地理科学与资源研究所 | 一种交互式在线统计地图生成与发布装置及方法 |
CN102682184A (zh) * | 2011-03-08 | 2012-09-19 | 中国科学院研究生院 | 随机分布三维裂隙网络中裂隙对相交判断方法 |
CN103902343A (zh) * | 2014-04-22 | 2014-07-02 | 江苏省城市规划设计研究院 | 一种基于Delaunay三角网精度控制的瓦片地图下载与拼接方法 |
CN104268823A (zh) * | 2014-09-18 | 2015-01-07 | 河海大学 | 一种基于图像内容的数字水印算法 |
CN106326288A (zh) * | 2015-06-30 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 图像搜索方法及装置 |
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN106137532A (zh) * | 2016-09-19 | 2016-11-23 | 清华大学 | 视皮层假体的图像处理装置及方法 |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN108280396A (zh) * | 2017-12-25 | 2018-07-13 | 西安电子科技大学 | 基于深度多特征主动迁移网络的高光谱图像分类方法 |
CN108460768A (zh) * | 2018-01-29 | 2018-08-28 | 北京航空航天大学 | 层次化时域切分的视频关注对象分割方法和装置 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108985360A (zh) * | 2018-06-29 | 2018-12-11 | 西安电子科技大学 | 基于扩展形态学与主动学习的高光谱分类方法 |
Non-Patent Citations (7)
Title |
---|
LI J: "Deep neural network for structural prediction and lane detection in traffic scene", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, 2017, 28(3)》 * |
严云洋等: "融合多特征的视频火焰检测", 《计算机辅助设计与图形学学报》 * |
吴开宇等: "基于地标空间信息的高光谱遥感图像分类", 《电视技术》 * |
曾锐等: "结合双深度学习特征的高光谱遥感图像分类", 《小型微型计算机系统》 * |
林景亮等: "基于快速二维离散余弦变换算法的人脸特征提取", 《计算机与现代化》 * |
涂婷等: "基于分块和仿射不变性的SIFT图像匹配算法", 《计算机应用研究》 * |
褚晶辉等: "一种基于级联卷积网络的三维脑肿瘤精细分割", 《激光与光电子学进展》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503149A (zh) * | 2019-08-26 | 2019-11-26 | 咪咕文化科技有限公司 | 一种图像中局部特征分类方法及系统 |
CN110738130A (zh) * | 2019-09-21 | 2020-01-31 | 天津大学 | 基于Wi-Fi的路径独立的步态识别方法 |
CN111079850A (zh) * | 2019-12-20 | 2020-04-28 | 烟台大学 | 波段显著度的深度空谱联合高光谱图像分类方法 |
CN111079850B (zh) * | 2019-12-20 | 2023-09-05 | 烟台大学 | 波段显著度的深度空谱联合高光谱图像分类方法 |
CN111401297A (zh) * | 2020-04-03 | 2020-07-10 | 天津理工大学 | 一种基于边缘计算和神经网络的三栖机器人目标识别系统及方法 |
CN112183399A (zh) * | 2020-09-30 | 2021-01-05 | 珠海欧比特宇航科技股份有限公司 | 基于可分离卷积和密集连接的高光谱图像分类方法及介质 |
CN112200090A (zh) * | 2020-10-12 | 2021-01-08 | 桂林电子科技大学 | 基于交叉分组空谱特征增强网络的高光谱图像分类方法 |
CN112200090B (zh) * | 2020-10-12 | 2022-07-01 | 桂林电子科技大学 | 基于交叉分组空谱特征增强网络的高光谱图像分类方法 |
CN112161937A (zh) * | 2020-11-04 | 2021-01-01 | 安徽大学 | 基于级联森林和卷积神经网络的小麦粉筋度检测方法 |
CN112183669A (zh) * | 2020-11-04 | 2021-01-05 | 北京航天泰坦科技股份有限公司 | 图像分类方法和装置、设备及存储介质 |
CN112183669B (zh) * | 2020-11-04 | 2024-02-13 | 航天科工(北京)空间信息应用股份有限公司 | 图像分类方法和装置、设备及存储介质 |
CN112819077A (zh) * | 2021-02-02 | 2021-05-18 | 河南大学 | 基于新型激活函数的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110110596B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110596A (zh) | 高光谱图像特征提取、分类模型构建及分类方法 | |
Aptoula et al. | Deep learning with attribute profiles for hyperspectral image classification | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN111652038B (zh) | 基于卷积神经网络的遥感的海冰图像分类方法 | |
Ong et al. | Segmentation of color images using a two-stage self-organizing network | |
Akhtar et al. | Automated plant disease analysis (APDA): performance comparison of machine learning techniques | |
CN110533077B (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN108388917A (zh) | 一种基于改进深度学习模型的高光谱图像分类方法 | |
CN110929602A (zh) | 一种基于卷积神经网络的地基云图云状识别方法 | |
CN106570183B (zh) | 一种彩色图像检索和分类方法 | |
CN107563442A (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
Thoonen et al. | Multisource classification of color and hyperspectral images using color attribute profiles and composite decision fusion | |
CN106529484A (zh) | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 | |
CN109472757A (zh) | 一种基于生成对抗神经网络的图像去台标方法 | |
CN115909052A (zh) | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 | |
CN110689065A (zh) | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 | |
CN108256557A (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN111680579A (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
Hu et al. | Unsupervised feature coding on local patch manifold for satellite image scene classification | |
CN116597215A (zh) | 一种高光谱图像分类方法、装置及计算机设备 | |
Patil et al. | Identification of growth rate of plant based on leaf features using digital image processing techniques |
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 |