CN110378272B - 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 - Google Patents
基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 Download PDFInfo
- Publication number
- CN110378272B CN110378272B CN201910627453.XA CN201910627453A CN110378272B CN 110378272 B CN110378272 B CN 110378272B CN 201910627453 A CN201910627453 A CN 201910627453A CN 110378272 B CN110378272 B CN 110378272B
- Authority
- CN
- China
- Prior art keywords
- point
- algorithm
- points
- matrix
- isomap
- 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.)
- Expired - Fee Related
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 81
- 239000011159 matrix material Substances 0.000 title claims abstract description 43
- 230000000903 blocking effect Effects 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007635 classification algorithm Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 28
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000013507 mapping Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 241001158961 Melba Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010237 hybrid technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (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矩阵分块Isomap算法的高光谱遥感影像特征提取方法，有效缩短了模型的训练时间，高效提取高光谱影像的特征，显著提高地物分类的精度。且分类精度较传统的Isomap算法相比，在遥感影像分类上有明显的优势。传统的Isomap算法分类精度低，且有微弱的Hughes现象出现，而基于矩阵分块Isomap算法，利用矩阵分块理论能够有效提高计算最短路径和求特征值速率，采用邻域距离逐步逼近流形距离，从而更好地表达数据流形结构。大大降低了计算复杂度，有效缩短模型的训练时间，在提高分类算法精度的基础上，有效提高Isomap算法的运算速率。
Description
技术领域
本发明涉及高光谱遥感影像分类领域，具体是一种基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法。
背景技术
流形学习是一种有效的特征提取的方法，它在遥感影像的可视化和分类中有着广泛的应用。Dick de Ridderde用监督的LLE对髙维数据进行分类，该方法提高了影像降维后的分类精度，但它本身需要设置很多参数，并且计算复杂度较高。H.Li使用监督的局部切空间排列(Supervise Local Tangent Space Alignment，S-LTSA)进行了KNN分类。同年，Charles M.Bachmann，Thomas L.Ainsworth和Robert A.Fusina发表文章提出采用了混合技术减少Isomap的计算代价的流形坐标分类系统。先将影像分成许多块，然后对影像进行对准、重构处理，减低了原有算法的计算代价，将Isomap的应用推广到大规模的髙维影像。AnishMohan和Edward提出空间相干性局部线性嵌入来降维分类，这个方法降维后的特征子集分类精度得到了提升，但是它需要处理后的小块影像对准到整幅影像。何军提出了使用扩散几何坐标对高光谱影像进行描述和分类，此方法可以较好描述高光谱，且在后续分类中表现出比线性方法更好的分离特性，但它需要更加复杂的模型。L.Ma等用核的观点一般化了SLTSA并将其用到了高光谱影像的分类，提高分类精度的同时弱化了参数值的敏感性。随后，Li Ma提出了基于局部流形学习和近邻监督流形学习作为权重KNN分类方法。这种分类方法不需要降维，且在算法和实验中证明该方法有较高的分类精度。Wonkook Kim和Melba M.Crawford探索了高光谱影像的流形规则核机器的适应性分类方法。该方法用已知类标的样本训练核机器，根据数据的相似性，在两个数据集光谱变化中建立桥梁，从而提高了分类的精度，但是该方法要求测试样本具有较好的聚类特性。
等距映射算法(Isomap)是建立在多维尺度空间(MDS)变换的基础上，它力求保持观测空间数据点的内在几何性质，即保持空间上两点间的测地距离与映射后的空间两点间距离近似。等距映射算法的关键是通过计算邻接图中的最短路径来得到近似的测地距离，从而代替样本向量之间不能表示内在流形结构的的欧氏距离。
Isomap的局限性在于它要求与流行等距的欧式空间子集是凸的，即适用于内部比较平坦的低维流形，不适用于内在曲率较大且不满足保角映射的流形，且在计算最短距离时，花费时间较多，不适于处理数据量很大的数据。
发明内容
本发明的目的是提供一种基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法。
本发明的技术方案是：
基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法，包括以下步骤：
S1:导入数据后，计算高光谱遥感影像的邻域值ε或k的大小，并通过比较相邻像元之间的距离与邻域值的大小，构建邻接图G。
S2:通过多次试验，观察实验残差曲线，确定高维数据需要降低的维度。
S3：在邻接图G中，采用Dijkstra算法求出邻接图中两个观测样本点之间的最短路径。其基本过程为：假设每个O(kN2log N)点都对应一个标号(dj,pj)，其中dj是从起始点r到结束点j的最短路径长度；pj则是从r到j的最短路径过程中前一点。求解过程如下所述。
1)起始点设置为：①dr＝0,pr＝null；②所有其他点：di＝∞,pi未知；③标记起始点为r，记k＝r，其他点设置为未标记。
2)检查所有已标记的点k到与其直接连接的未标记的点j的距离，并设置最短距离dj＝min[dj,dk+lkj]，其中lkj是从点k到j的直接连接距离。
3)选取下一个点。从所有未标记的样本中，选取dj中最小的一个i，点i为已标记最短路径中的一点。
4)找到点i之前的一点，从已经标记的点中找到与点i直接连接的点j*，并将之作为前一点，设置i＝j*。若所有点已全部标记，则算法结束，否则，令k＝i，然后跳转回到步骤2。
S4：应用多维尺度变换法(MDS)算法构建在二维欧式空间上的嵌入。设高维数据样本集
通常情况下，我们需要的是样本集中各个点之间的相对关系。不同的MDS方法对于这种相对关系的描述不尽相同，这也正是MDS算法的差异性所在。记两点xi与xj之间的差异度为dij，通常用一种度量来对差异度进行描述，即两点越相似，它们之间的差异度越小。此外，为了保持降维前后样本点之间的相对关系，通常认为dij可以通过降维后的点yi与yj的欧氏距离来表示。已知样本点的差异性矩阵D＝(dij)n×n，令
则
令H＝(hij)n×n，其中
可以证得
Y为要求得的在二维欧式空间上的嵌入数据矩阵，YT为Y的转置矩阵。
对其进行特征值分解，设求解得到的前d个最大特征值λi及其对应的特征向量ui(i＝1,…,d),记
则
Y＝UΛ (4)
Y即为所求得的在二维欧式空间上的嵌入矩阵。
S5：采用SVM分类算法，对降维后的嵌入矩阵进行分类。
本发明的有益效果：
本发明有效地降低特征维数，降低了计算复杂度，消除了Hughes现象，缩短了模型的训练时间，且就模型的分类能力和分类精度较传统的Isomap算法相比，有明显优势。
附图说明
图1为基于矩阵分块Isomap算法的高光谱遥感影像降维流程；
图2为印第安纳州西南部的Indian Pine区域AVIRIS影像；
图3为AVIRIS影像原始地物定标图影像；
图4为邻域k＝7的情况下构造近邻图后获得的残差曲线；
图5(a)为实验数据的测试样本；
图5(b)为在传统的Isomap算法降维下的最佳分类结果图；
图5(c)为在基于邻域距离的Isomap算法降维下的最佳分类结果图；
图5(d)为在基于矩阵分块的Isomap算法降维下的最佳分类结果图；
图6为三种不同的Isomap算法降维之后经过SVM分类之后的分类精度折线图。
具体实施方式
下面结合具体实施方式和附图，对本发明的技术方案作进一步的介绍。
基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法，如图1所示，包括以下步骤：
S1：导入数据后，计算高光谱遥感影像的邻域值ε或K的大小，并通过比较相邻像元之间的距离与邻域值的大小，构建邻接图G。
S2：通过多次试验，观察实验残差曲线，确定高维数据需要降低的维度。
S3：在邻接图G中，采用Dijkstra算法求出邻接图中两个观测样本点之间的最短路径。其基本过程为：假设每个O(kN2log N)点都对应一个标号(dj,pj)，O(kN2log N)为利用斐波纳契堆作为优先队列的Dijkstra算法计算最短路径时的复杂度；其中dj是从起始点r到结束点j的最短路径长度；pj则是从r到j的最短路径过程中前一点。求解过程如下所述。
1)起始点设置为：①dr＝0,pr＝null；②所有其他点：di＝∞,pi未知；③标记起始点为r，记k＝r，其他点设置为未标记。
2)检查所有已标记的点k到与其直接连接的未标记的点j的距离，并设置最短距离dj＝min[dj,dk+lkj]，其中lkj是从点k到j的直接连接距离。
3)选取下一个点。从所有未标记的样本中，选取dj中最小的一个i，点i为已标记最短路径中的一点。
4)找到点i之前的一点，从已经标记的点中找到与点i直接连接的点j*，并将之作为前一点，设置i＝j*。若所有点已全部标记，则算法结束，否则，令k＝i，然后跳转回到步骤2。
S4：应用多维尺度变换法(MDS)算法构建在二维欧式空间上的嵌入。设高维数据样本集
通常情况下，我们需要的是样本集中各个点之间的相对关系。不同的MDS方法对于这种相对关系的描述不尽相同，这也正是MDS算法的差异性所在。记两点xi与xj之间的差异度为dij，通常用一种度量来对差异度进行描述，即两点越相似，它们之间的差异度越小。此外，为了保持降维前后样本点之间的相对关系，通常认为dij可以通过降维后的点yi与yj的欧氏距离来表示。已知样本点的差异性矩阵D＝(dij)n×n，令
则
令H＝(hij)n×n，其中
可以证得
Y为要求得的在二维欧式空间上的嵌入数据矩阵，YT为Y的转置矩阵。
对其进行特征值分解，设求解得到的前d个最大特征值λi及其对应的特征向量ui(i＝1,…,d),记
则
Y＝UΛ (4)
Y即为所求得的在二维欧式空间上的嵌入矩阵。
S5：采用SVM分类算法，对降维后的嵌入矩阵进行分类。
下面对实验仿真过程和结果进行介绍。
1、实验图像
实验所需的高光谱遥感影像选用来源于1992年6月印第安纳州西南部的IndianPine区域AVIRIS影像，该该影像共220个波段，20m空间分辨率，光谱范围为影像大小为145145个像素。
2、实验过程
图2是原始AVIRIS高光谱遥感影像，数据图像包含包括玉米、草地、干草、小麦、大豆等16种不同类别的物体，分别用Class0～Class7的标号表示其中其中最具代表性的目标，分类之后的原始地物定标图如图3所示。
实验分别用传统的Isomap算法、基于邻域距离的Isomap算法和基于矩阵分块和自动调图并结合邻域距离的Isomap算法(以下简称基于矩阵分块的Isomap算法)三种算法对印第安纳州西南部的Indian Pine区域进行降维。对数据进行降维。对前5N(N≤20)个波段利用SVM分类方法进行分类。
基于邻域距离的Isomap算法，根据邻域距离逐点逼近流形距离一定程度上避免了将直线距离当作流形距离的情况，更好地表达高维数据之间的流形结构。
基于矩阵分块和自动调图并结合邻域距离的Isomap算法采用矩阵分块理论能够有效提高计算最短路径和求特征值速率。它将数据矩阵分为k×k个小块，每一小块的邻接图大小为
(假设M和N都能被k整除)，这样大大降低了计算复杂度。
图4是邻域k＝7的情况下构造近邻图后获得的残差曲线，一般来说，降维的维数d越大，残差越小。确定d有两种情况，一是残差曲线出现拐点，二是残差小于一定的阈值。可以看出在图4在维数是2时有拐点出现，并且残差的绝对值小于0.05。因此采用降到二维之后的遥感数据数据进行分类。
图5(a)是实验数据的测试样本，图5(b)是在传统的Isomap算法降维下的最佳分类结果图，图5(c)是在基于邻域距离的Isomap算法降维下的最佳分类结果图，图5(d)是在基于矩阵分块的Isomap算法降维下的最佳分类结果图。
由图可以看出传统的Isomap算法降维之后得到的样本误差较大，不能很好地还原原始地物，而基于邻域距离的Isomap算法降维已经近似于AVIRIS影像原始地物定标图，比较好的保留了原始地物的轮廓，而基于矩阵分块和自动调图并结合邻域距离的Isomap算法降维后的样本分类碎点较少，但是依旧存在边缘模糊和小碎点存在。
表1不同的Isomap降维之后经过SVM分类之后的分类精度
| 波段数 | 5 | 10 | 15 | 20 | 25 |
| 传统Isomap算法 | 62.46％ | 65.74％ | 67.36％ | 68.75％ | 70.44％ |
| 基于邻域距离的Isomap算法 | 76.98％ | 84.06％ | 88.13％ | 88.51％ | 89.61％ |
| 基于矩阵分块的Isomap算法 | 91.55％ | 93.25％ | 95.15％ | 95.65％ | 96.09％ |
| 波段数 | 30 | 35 | 30 | 45 | 50 |
| 传统Isomap算法 | 70.80％ | 71.73％ | 71.88％ | 72.65％ | 72.85％ |
| 基于邻域距离的Isomap算法 | 89.19％ | 89.10％ | 89.21％ | 88.89％ | 88.86％ |
| 基于矩阵分块的Isomap算法 | 96.04％ | 96.04％ | 96.23％ | 96.23％ | 96.58％ |
| 波段数 | 55 | 60 | 65 | 70 | 75 |
| 传统Isomap算法 | 73.35％ | 73.78％ | 73.91％ | 73.79％ | 73.85％ |
| 基于邻域距离的Isomap算法 | 88.60％ | 88.54％ | 87.99％ | 87.77％ | 87.41％ |
| 基于矩阵分块的Isomap算法 | 96.65％ | 96.71％ | 96.79％ | 96.74％ | 96.84％ |
| 波段数 | 80 | 85 | 90 | 95 | 100 |
| 传统Isomap算法 | 73.88％ | 74.05％ | 74.58％ | 75.01％ | 74.91％ |
| 基于邻域距离的Isomap算法 | 87.43％ | 87.28％ | 86.84％ | 86.30％ | 86.11％ |
| 基于矩阵分块的Isomap算法 | 96.90％ | 97.04％ | 97.09％ | 97.26％ | 97.36％ |
表1从分类精度上比较了三种基于Isomap算法的分类精度，可以看出，在分类精度上基于矩阵分块的Isomap算法降维之后的数据远高于传统Isomap算法，传统Isomap算法降维之后的样本分类之后的精度最高值为75.01％，而基于邻域距离的Isomap算法最低值就已经达到76.98％，基于矩阵分块的Isomap算法甚至达到了97.36％，可见，基于Isomap算法的高光谱遥感影像降维仍有很大的进步空间。
在运行数据时，可以感觉到基于矩阵分块的Isomap算法明显快于其他两种算法，由表2可知，基于矩阵分块的Isomap算法改进了传统Isomap算法运行速度慢的缺点，大大提升了程序的运行速度，而基于邻域距离的Isomap算法虽然有所改进，但相较于基于矩阵分块的Isomap算法，以及传统算法庞大的时间上，基于邻域距离的Isomap算法对运行速度的改进并不是太明显。
表2三种基于Isomap的降维算法计算时间统计
| 降维方法 | 运算时间/s |
| 传统Isomap算法 | 179034 |
| 基于邻域距离的Isomap算法 | 178105 |
| 基于矩阵分块的Isomap算法 | 4642 |
由图6可以看出传统的Isomap算法分类精度低，且有微弱的Hughes现象出现，改进后的基于矩阵分块的Isomap算法已经消除了该现象，且分类精度比较稳定，远超传统的Isomap算法。
Claims (1)
1.基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法，其特征在于：包括以下步骤：
S1:导入数据后，计算高光谱遥感影像的邻域值ε或k的大小，并通过比较相邻像元之间的距离与邻域值的大小，构建邻接图G；
S2:通过多次试验，观察实验残差曲线，确定高维数据需要降低的维度；
S3：在邻接图G中，采用Dijkstra算法求出邻接图中两个观测样本点之间的最短路径；具体过程为：假设每个O点都对应一个标号(dj,pj)，其中dj是从起始点r到结束点j的最短路径长度；pj则是从r到j的最短路径过程中前一点；具体求解过程如下：
1)起始点设置为：①dr＝0,pr＝null；②所有其他点：di＝∞,pi未知；③标记起始点为r，记k＝r，其他点设置为未标记；
2)检查所有已标记的点k到与其直接连接的未标记的点j的距离，并设置最短距离dj＝min[dj,dk+lkj]，其中lkj是从点k到j的直接连接距离；
3)选取下一个点，从所有未标记的样本中，选取dj中最小的一个i，点i为已标记最短路径中的一点；
4)找到点i之前的一点，从已经标记的点中找到与点i直接连接的点j*，并将之作为前一点，设置i＝j*；若所有点已全部标记，则算法结束，否则，令k＝i，然后跳转回到步骤2)；
S4：应用多维尺度变换法MDS算法构建在二维欧式空间上的嵌入；具体过程如下：
设高维数据样本集
记两点xi与xj之间的差异度为dij，已知样本点的差异性矩阵D＝(dij)n×n，令
则
令H＝(hij)n×n，其中
可以证得
Y为要求得的在二维欧式空间上的嵌入数据矩阵，YT为Y的转置矩阵；对其进行特征值分解，设求解得到的前d个最大特征值λi及其对应的特征向量ui，i＝1，...，d，记
则
Y＝UΛ (4)
Y即为所求得的在二维欧式空间上的嵌入矩阵；
S5：采用SVM分类算法，对降维后的嵌入矩阵进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910627453.XA CN110378272B (zh) | 2019-07-12 | 2019-07-12 | 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910627453.XA CN110378272B (zh) | 2019-07-12 | 2019-07-12 | 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378272A CN110378272A (zh) | 2019-10-25 |
| CN110378272B true CN110378272B (zh) | 2022-09-23 |
Family
ID=68252782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910627453.XA Expired - Fee Related CN110378272B (zh) | 2019-07-12 | 2019-07-12 | 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378272B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488502A (zh) * | 2020-04-10 | 2020-08-04 | 山西大学 | 基于Isomap算法布局的低维平行坐标图构建方法 |
| CN112488082A (zh) * | 2020-12-24 | 2021-03-12 | 刘强 | 基于深度学习的煤矸石智能分拣系统 |
| CN113920345B (zh) * | 2021-09-09 | 2024-04-02 | 中国地质大学（武汉） | 一种基于聚类多重流形测度学习的高光谱影像降维方法 |
| CN114978931B (zh) * | 2022-07-29 | 2022-12-06 | 国电南瑞科技股份有限公司 | 基于流形学习的网络流量预测方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903116A (zh) * | 2012-10-20 | 2013-01-30 | 复旦大学 | 一类基于图像块距离的高光谱图像流形降维方法 |
| CN103729651A (zh) * | 2014-01-17 | 2014-04-16 | 重庆大学 | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 |
| CN103902988A (zh) * | 2014-04-21 | 2014-07-02 | 梁爽 | 一种基于Modular积图与最大团的草图形状匹配方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7200243B2 (en) * | 2002-06-28 | 2007-04-03 | The United States Of America As Represented By The Secretary Of The Army | Spectral mixture process conditioned by spatially-smooth partitioning |
-
2019
- 2019-07-12 CN CN201910627453.XA patent/CN110378272B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903116A (zh) * | 2012-10-20 | 2013-01-30 | 复旦大学 | 一类基于图像块距离的高光谱图像流形降维方法 |
| CN103729651A (zh) * | 2014-01-17 | 2014-04-16 | 重庆大学 | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 |
| CN103902988A (zh) * | 2014-04-21 | 2014-07-02 | 梁爽 | 一种基于Modular积图与最大团的草图形状匹配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 利用流形学习进行高光谱遥感影像的降维与特征提取;杜培军等;《武汉大学学报(信息科学版)》;20110205(第02期);第26-30页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378272A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378272B (zh) | 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 | |
| Komorowski | Minkloc3d: Point cloud based large-scale place recognition | |
| CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| 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 | |
| CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
| CN103020654B (zh) | 基于样本产生与核局部特征融合的sar图像仿生识别方法 | |
| Crosier et al. | Using basic image features for texture classification | |
| CN106503727B (zh) | 一种高光谱图像分类的方法及装置 | |
| CN108776812A (zh) | 基于非负矩阵分解和多样-一致性的多视图聚类方法 | |
| Kim et al. | Semi-orthogonal embedding for efficient unsupervised anomaly segmentation | |
| CN105160623B (zh) | 基于组块低秩张量模型的无监督高光谱数据降维方法 | |
| CN102902979B (zh) | 一种合成孔径雷达自动目标识别的方法 | |
| CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
| CN106257498A (zh) | 基于异构纹理特征的锌浮选工况状态划分方法 | |
| CN104809475B (zh) | 基于增量线性判别分析的多类标场景分类方法 | |
| CN102903116A (zh) | 一类基于图像块距离的高光谱图像流形降维方法 | |
| CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
| CN102436645B (zh) | 基于mod字典学习采样的谱聚类图像分割方法 | |
| CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
| Alizadeh Naeini et al. | Assessment of normalization techniques on the accuracy of hyperspectral data clustering | |
| CN104794497B (zh) | 一种高光谱图像分类中多中心拟合方法 | |
| CN113762128A (zh) | 一种基于无监督学习的高光谱影像分类方法 | |
| CN113963207B (zh) | 基于空谱信息特征引导融合网络的高光谱图像分类方法 | |
| Griparis et al. | A dimensionality reduction approach to support visual data mining: Co-ranking-based evaluation | |
| Arivalagan et al. | Face recognition based on a hybrid meta-heuristic feature selection algorithm |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220923 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |