CN110414438A - 基于空间聚类信息修正的高光谱图像识别方法 - Google Patents
基于空间聚类信息修正的高光谱图像识别方法 Download PDFInfo
- Publication number
- CN110414438A CN110414438A CN201910696090.5A CN201910696090A CN110414438A CN 110414438 A CN110414438 A CN 110414438A CN 201910696090 A CN201910696090 A CN 201910696090A CN 110414438 A CN110414438 A CN 110414438A
- Authority
- CN
- China
- Prior art keywords
- spectrum image
- high spectrum
- spectral coverage
- spectral
- pixel
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 80
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 6
- 230000002860 competitive effect Effects 0.000 claims abstract description 5
- 239000012141 concentrate Substances 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 10
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims description 4
- 235000017491 Bambusa tulda Nutrition 0.000 claims description 4
- 244000166124 Eucalyptus globulus Species 0.000 claims description 4
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims description 4
- 241000219000 Populus Species 0.000 claims description 4
- 239000011425 bamboo Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 claims 1
- 244000082204 Phyllostachys viridis Species 0.000 claims 1
- 238000000151 deposition Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 9
- 241001330002 Bambuseae Species 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010015535 Euphoric mood Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012505 colouration Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于空间聚类信息修正的高光谱图像识别方法，其包括对航拍的高光谱图像进行校正；将拍摄的部分高光谱图像标记后作为训练样本集，余下作为测试样本集；针对每类物品从训练样本集的高光谱图像中采集设定数量的谱线，并采用竞争性自适应重加权算法提取每类物品谱线的特征谱段；根据特征谱段对SVM分类器进行训练，之后采用根据特征谱段，提取测试样本集内高光谱图像中谱线对应的特征谱段，并将其输入SVM模型得到测试样本集中高光谱图像中物品的初级分类；在测试样本集的高光谱图像中标记出高可信度像素点，根据标记的高可信度像素点，采用小窗口模型对高光谱图像所有窗口内的像素点进行修正，得到更新后的物品分类。
Description
技术领域
本发明涉及图像中物品分类方法，具体涉及一种基于空间聚类信息修正的高光谱图像识别方法。
背景技术
随着国家经济的发展，用电量逐年上升，电网对运行安全提出了更大的要求。西电东送工程的开展，使西南地区装机容量逐年提升，由于西南地区山地众多，输电走廊树木林立，树木茂盛对输电线路的威胁逐渐成为影响电网安全运行的主要威胁之一。
传统的预防树木造成威胁的方式多为人工巡线，周期长，危险性高，劳动量大。随着移动互联、人工智能等现代信息技术、先进通信技术的在电网中的引入，无人机巡线也逐渐引入电力系统中，利用无人机搭载测高工具进行输电线路巡线，测量威胁型树木已有一定研究，并初见成效。
尽管如此，研究表明不同树木生长速度的差异，造成无差别的树木统一砍伐存在一定安全隐患，而统一加大砍伐力度无疑会造成人力的浪费。
发明内容
针对现有技术中的上述不足，本发明提供的基于空间聚类信息修正的高光谱图像识别方法能够对无人机采集的高光谱图像中的物品进行分类，以便于根据分类结果快速识别输电线路中的高威胁树木。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于空间聚类信息修正的高光谱图像识别方法，其包括：
S1、获取无人机采集的输电线缆四周设定范围内的高光谱图像，并采用黑白校正方法对高光谱图像进行校正；
S2、对预设比例的校正后高光谱图像中每类物品进行标记作为训练样本集，余下校正后高光谱图像作为测试样本集；
S3、针对每类物品从训练样本集的高光谱图像中采集设定数量的谱线，并采用竞争性自适应重加权算法提取每类物品谱线的特征谱段；
S4、将每类物品的特征谱段输入SVM分类器，进行交叉训练得到每类物品的最优分类C和g值，并采用最优分类C和g值更新SVM模型的模型参数；
S5、根据特征谱段，提取测试样本集内高光谱图像中谱线对应的特征谱段，并将其输入SVM模型得到测试样本集中高光谱图像中物品的初级分类；
S6、在测试样本集的高光谱图像中设置若干连通域，并根据初步分类判断连通域中同类物品的像素点数量是否大于设定阈值，若是，则将对应像素点标记为高可信度像素点，否则不标记；
S7、根据标记的高可信度像素点，采用小窗口模型对高光谱图像所有窗口内的像素点进行修正，得到更新后的物品分类。
本发明的有益效果为：本方案通过同一批次采集的高光谱图像进行标记后作为训练样本进行SVM分类器的的训练，之后采用训练后的分类器对测试样本集中的高光谱图像中分物品进行分类，之后再根据标记的高可信度像素点对高光谱图像滑窗内的像素点进行修正，以修正高光谱航拍图像存在的杂点众多的情况，从而提高了物品分类的准确性。
电网管理人员通过本方案得到的分类结果，不需要人工进行巡线就能确定输电线路哪些地方存在高威胁的树木，以实现定点对威胁输电线路的数目进行砍伐，降低工人劳动强度的同时还提高了安全性。
附图说明
图1为基于空间聚类信息修正的高光谱图像识别方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于空间聚类信息修正的高光谱图像识别方法，如图1所示，该方法S包括S1至S7。
在步骤S1中，获取无人机采集的输电线缆四周设定范围内的高光谱图像，并采用黑白校正方法对高光谱图像进行校正；高光谱图像为无人机以120米的高度航拍500kv输电线路周围树木茂盛的区域。航拍图像中主要包含物品为桉树、竹子、杨树、线路、河流与土壤。
实施时，本方案优选采用黑白校正方法对高光谱图像进行校正进一步包括：
在拍摄平地上放置白板，将拍摄的白板图像作为白板文件图像；
将相机镜头盖至相机上，相机处于开启状态，以镜头全遮盖为黑板拍摄的图像为黑板文件图像；
根据采集的白板文件图像和黑板文件图像，对高光谱图像进行校正：
其中，Iwhite为白板文件图像；Idark为黑板文件图像；Iraw为校正前的高光谱图像；Rcal为校正后的高光谱图像。
在步骤S2，对预设比例的校正后高光谱图像中每类物品进行标记作为训练样本集，余下校正后高光谱图像作为测试样本集；本方案主要标记的是高光谱图像中的桉树、竹子、杨树、线路、河流与土壤，其中河流和土壤划分为同一类，桉树、竹子、杨树和线路均单独为一类，也即本方案在高光谱图像中标记出了5类物品。
在步骤S3中，针对每类物品从训练样本集的高光谱图像中采集设定数量的谱线，并采用竞争性自适应重加权算法提取每类物品谱线的特征谱段；其中选取的谱线可以存在部分重复，设定数量为300根，即每类各采集300根谱线作为样本。
在本发明的一个实施例中，采用竞争性自适应重加权算法提取每类物品谱线的特征谱段进一步包括：
根据每类物品采集的谱线，对每根谱线随机选取若干谱段，以谱线为自变量，谱段对应的反射率为因变量建立PLS模型；
采用PLS模型得到y＝Xb+e，记录其中的绝对回归系数b，其中，y为谱段反射率；X为谱段；e为拟合后的常数项；b＝[b1,…bn]，n为每根谱线上选取的谱段的个数；
根据绝对回归系数，计算权重其中wi为第i个谱段对应的权重，表述该谱段反射率的特征明显程度；
采用自适应重加权采样算法选取PLS模型中回归系数绝对值大于预设阈值的谱段；
删除选取出的谱段中PLS模型权重小于设定值的谱段，并采用交互验证选出均方根误差值最小的子集，子集中的所有谱段作为每类物品谱线的特征谱段。
本方案特征谱段的提取降低了总体运算量，在针对大范围识别时，对机器要求降低，使其更具备普适价值。
在步骤S4中，将每类物品的特征谱段输入SVM分类器，进行交叉训练得到每类物品的最优分类C和g值，并采用最优分类C和g值更新SVM模型的模型参数。
在步骤S5中，根据特征谱段，提取测试样本集内高光谱图像中谱线对应的特征谱段，并将其输入SVM模型得到测试样本集中高光谱图像中物品的初级分类。
在步骤S6中，在测试样本集的高光谱图像中设置若干连通域，并根据初步分类判断连通域中同类物品的像素点数量是否大于设定阈值，若是，则将对应像素点标记为高可信度像素点，否则不标记。
关于步骤S6，首先对高光谱图像进行均匀分区，每个分区内随机设置若干连通域，假设连通域大小为3*3，判断连通域内像素分类结果。若某连通域内同一类物品像素点数量(假设为6)大于设定阈值，认为这六个像素点具有高可信度，并将其标记为高可信像素点，其他像素点不标记。
在步骤S7中，根据标记的高可信度像素点，采用小窗口模型对高光谱图像所有窗口内的像素点进行修正，得到更新后的物品分类。
在本发明的一个实施例中，所述根据标记的高可信度像素点，采用小窗口模型对高光谱图像所有窗口内的像素点进行修正，得到更新后的物品分类进一步包括：
A1、采用滑窗的方式判断高光谱图像中窗口内的图像灰度差异是否低于灰度阈值；若是，进入步骤A2，否则进入步骤A4；其中窗口大小为5*5像素。
A2、则表明窗口内物品属于同一类，之后判断窗口内是否存在高可信度的像素点，若存在，则进入步骤A3，否则进入步骤A4；
A3、将窗口内其他像素点修正为与高可信度像素点对应的物品，并进入步骤A4；
A4、判断高光谱图像滑窗是否完成，若是，输出最终的物品分类结果，否则返回步骤A1。
采用上述方式对像素点进行修正，通过结合高可信度像素点，将基于SVM分类的光谱图像的空间与光谱信息结合，对后期修正提出了参考像素，较单一谱线处理具有更好的参考价值。
为了便于管理人员根据分类结果进行直观地观测输电线路周围高威胁树木的情况，在分类完成后还包括对修正后的图像按种类标签进行赋色，这样管理人员通过肉眼可判断输电走廊中线路与不同种类的树木。
实施时，本方案还包括根据训练样本集中每类物品的特征谱段，对测试样本集中高光谱图像进行空间信息修正，步骤S7中的高光谱图像为进行空间信息修正后的高光谱图像。进行空间信息修正可以对初分类结果修正，充分利用同种物品灰度近似的特点，有效消除噪点和因为谱线相近引起的误分类。
在本发明的一个实施例中，根据每类物品的特征谱段，对测试样本集中高光谱图像进行空间信息修正进一步包括：
根据每类物品的特征谱段，对测试样本集中高光谱图像的光谱谱段的反射率进行修正：
其中，Xg为拟灰度特征向量；a1，a2，...an分别为n个特征谱段对应的权重值；x1，x2，...xn为n维光谱特征谱段的反射率，r为次方；
由于树木实际拍摄的灰度近似于树冠交叠情况，为了加强树与树的灰度区别，本方案通过对光谱谱段的反射率进行修正可以实现不同类别的物品间灰度差异进行加强。
采用空间过滤算法减少同类物品间的灰度差异：
vk＝||γ(Xi-xik)||
其中，w为修正窗口边长，Xi为中心像素；{xi1，...xik}为以Xi为中心像素的窗口内像素集合，vk为用于谱段过滤的权重，k为修正窗口内像素个数；i为中心像素次数，即第i个修正窗口；γ为过滤程度系数；||.||为取绝对值。
采用上述具体实现方式对高光谱图像进行修正，提高了原始图像不同物品差异度，降低了同类物品的区分度，对分类结果中噪声的减少具有显著意义。
综上所述，本方案在分类的基础上，利用高可信度的分类像素，按小窗口模式进行修正，提高了航拍高光谱分类的准确性，使其分类具有更高可信度和更好的实用价值。
Claims (7)
1.基于空间聚类信息修正的高光谱图像识别方法，其特征在于，包括：
S1、获取无人机采集的输电线缆四周设定范围内的高光谱图像，并采用黑白校正方法对高光谱图像进行校正；
S2、对预设比例的校正后高光谱图像中每类物品进行标记作为训练样本集，余下校正后高光谱图像作为测试样本集；
S3、针对每类物品从训练样本集的高光谱图像中采集设定数量的谱线，并采用竞争性自适应重加权算法提取每类物品谱线的特征谱段；
S4、将每类物品的特征谱段输入SVM分类器，进行交叉训练得到每类物品的最优分类C和g值，并采用最优分类C和g值更新SVM模型的模型参数；
S5、根据特征谱段，提取测试样本集内高光谱图像中谱线对应的特征谱段，并将其输入SVM模型得到测试样本集中高光谱图像中物品的初级分类；
S6、在测试样本集的高光谱图像中设置若干连通域，并根据初步分类判断连通域中同类物品的像素点数量是否大于设定阈值，若是，则将对应像素点标记为高可信度像素点，否则不标记；
S7、根据标记的高可信度像素点，采用小窗口模型对高光谱图像所有窗口内的像素点进行修正，得到更新后的物品分类。
2.根据权利要求1所述的基于空间聚类信息修正的高光谱图像识别方法，其特征在于，所述根据标记的高可信度像素点，采用小窗口模型对高光谱图像所有窗口内的像素点进行修正，得到更新后的物品分类进一步包括：
A1、采用滑窗的方式判断高光谱图像中窗口内的图像灰度差异是否低于灰度阈值；若是，进入步骤A2，否则进入步骤A4；
A2、则表明窗口内物品属于同一类，之后判断窗口内是否存在高可信度的像素点，若存在，则进入步骤A3，否则进入步骤A4；
A3、将窗口内其他像素点修正为与高可信度像素点对应的物品，并进入步骤A4；
A4、判断高光谱图像滑窗是否完成，若是，输出最终的物品分类结果，否则返回步骤A1。
3.根据权利要求1所述的基于空间聚类信息修正的高光谱图像识别方法，其特征在于，还包括根据训练样本集中每类物品的特征谱段，对测试样本集中高光谱图像进行空间信息修正，步骤S7中的高光谱图像为进行空间信息修正后的高光谱图像。
4.根据权利要求3所述的基于空间聚类信息修正的高光谱图像识别方法，其特征在于，根据每类物品的特征谱段，对测试样本集中高光谱图像进行空间信息修正进一步包括：
根据每类物品的特征谱段，对测试样本集中高光谱图像的光谱谱段的反射率进行修正：
其中，Xg为拟灰度特征向量；a1，a2，…an分别为n个特征谱段对应的权重值；x1，x2，…xn为n维光谱特征谱段的反射率，r为次方；
采用空间过滤算法减少同类物品间的灰度差异：
vk＝||γ(Xi-xik)||
其中，w为修正窗口边长，Xi为中心像素；{xi1,…xik}为以Xi为中心像素的窗口内像素集合，vk为用于谱段过滤的权重，k为修正窗口内像素个数；i为第i个修正窗口；γ为过滤程度系数；||.||为取绝对值。
5.根据权利要求1所述的基于空间聚类信息修正的高光谱图像识别方法，其特征在于，采用黑白校正方法对高光谱图像进行校正进一步包括：
在拍摄平地上放置白板，将拍摄的白板图像作为白板文件图像；
将相机镜头盖至相机上，相机处于开启状态，以镜头全遮盖为黑板拍摄的图像为黑板文件图像；
根据采集的白板文件图像和黑板文件图像，对高光谱图像进行校正：
其中，Iwhite为白板文件图像；Idark为黑板文件图像；Iraw为校正前的高光谱图像；Rcal为校正后的高光谱图像。
6.根据权利要求1所述的基于空间聚类信息修正的高光谱图像识别方法，其特征在于，采用竞争性自适应重加权算法提取每类物品谱线的特征谱段进一步包括：
根据每类物品采集的谱线，对每根谱线随机选取若干谱段，以谱线为自变量，谱段对应的反射率为因变量建立PLS模型；
采用PLS模型得到y＝Xb+e，记录其中的绝对回归系数b，其中，y为谱段反射率；X为谱段；e为拟合后的常数项；b＝[b1,…bn]，n为每根谱线上选取的谱段的个数；
根据绝对回归系数，计算权重其中wi为第i个谱段对应的权重；
采用自适应重加权采样算法选取PLS模型中回归系数绝对值大于预设阈值的谱段；
删除选取出的谱段中PLS模型权重小于设定值的谱段，并采用交互验证选出均方根误差值最小的子集，子集中的所有谱段作为每类物品谱线的特征谱段。
7.根据权利要求1-6任一所述的基于空间聚类信息修正的高光谱图像识别方法，其特征在于，所述物品包括桉树、竹子、杨树、线缆线路、河流和土壤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910696090.5A CN110414438A (zh) | 2019-07-30 | 2019-07-30 | 基于空间聚类信息修正的高光谱图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910696090.5A CN110414438A (zh) | 2019-07-30 | 2019-07-30 | 基于空间聚类信息修正的高光谱图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414438A true CN110414438A (zh) | 2019-11-05 |
Family
ID=68364248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910696090.5A Pending CN110414438A (zh) | 2019-07-30 | 2019-07-30 | 基于空间聚类信息修正的高光谱图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414438A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967182A (zh) * | 2020-07-24 | 2020-11-20 | 天津大学 | 一种用于光谱分析的基于混合标记的高光谱建模方法 |
| CN112163110A (zh) * | 2020-09-27 | 2021-01-01 | Oppo（重庆）智能科技有限公司 | 图像分类方法、装置、电子设备和计算机可读存储介质 |
| CN114511790A (zh) * | 2022-02-11 | 2022-05-17 | 广东海启星海洋科技有限公司 | 基于光学卫星数据的海洋溢油事件监测实现方法及装置 |
| CN114871120A (zh) * | 2022-05-26 | 2022-08-09 | 江苏省徐州医药高等职业学校 | 基于图像数据处理的药品确定分拣方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2343671A2 (en) * | 2010-01-08 | 2011-07-13 | Sumitomo Electric Industries, Ltd. | Equipment and method for analyzing image data |
| US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
| CN104270640A (zh) * | 2014-09-09 | 2015-01-07 | 西安电子科技大学 | 基于支持向量回归的光谱图像无损压缩方法 |
| CN106056157A (zh) * | 2016-06-01 | 2016-10-26 | 西北大学 | 基于空‑谱信息的高光谱图像半监督分类方法 |
| CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
| CN107578003A (zh) * | 2017-08-29 | 2018-01-12 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
| CN108399355A (zh) * | 2017-02-08 | 2018-08-14 | 广东交通职业技术学院 | 一种空间信息自适应融合的高光谱图像分类方法 |
| CN109598284A (zh) * | 2018-10-23 | 2019-04-09 | 广东交通职业技术学院 | 一种基于大间隔分布和空间特征的高光谱图像分类方法 |
| CN109697465A (zh) * | 2018-12-18 | 2019-04-30 | 辽宁工程技术大学 | 基于小波核局部Fisher判别分析的高光谱影像分类方法 |
| CN109765192A (zh) * | 2019-01-25 | 2019-05-17 | 西南交通大学 | 基于高光谱技术的绝缘子表面含水量的检测方法 |
| CN110009146A (zh) * | 2019-03-29 | 2019-07-12 | 西南交通大学 | 一种基于高光谱遥感技术的输电线路树障砍伐规划方法 |
-
2019
- 2019-07-30 CN CN201910696090.5A patent/CN110414438A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
| EP2343671A2 (en) * | 2010-01-08 | 2011-07-13 | Sumitomo Electric Industries, Ltd. | Equipment and method for analyzing image data |
| CN104270640A (zh) * | 2014-09-09 | 2015-01-07 | 西安电子科技大学 | 基于支持向量回归的光谱图像无损压缩方法 |
| CN106056157A (zh) * | 2016-06-01 | 2016-10-26 | 西北大学 | 基于空‑谱信息的高光谱图像半监督分类方法 |
| CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
| CN108399355A (zh) * | 2017-02-08 | 2018-08-14 | 广东交通职业技术学院 | 一种空间信息自适应融合的高光谱图像分类方法 |
| CN107578003A (zh) * | 2017-08-29 | 2018-01-12 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
| CN109598284A (zh) * | 2018-10-23 | 2019-04-09 | 广东交通职业技术学院 | 一种基于大间隔分布和空间特征的高光谱图像分类方法 |
| CN109697465A (zh) * | 2018-12-18 | 2019-04-30 | 辽宁工程技术大学 | 基于小波核局部Fisher判别分析的高光谱影像分类方法 |
| CN109765192A (zh) * | 2019-01-25 | 2019-05-17 | 西南交通大学 | 基于高光谱技术的绝缘子表面含水量的检测方法 |
| CN110009146A (zh) * | 2019-03-29 | 2019-07-12 | 西南交通大学 | 一种基于高光谱遥感技术的输电线路树障砍伐规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN ZHAO等: "Typical Feature Information Extraction of Transmission Corridor Based on UAV Inspection Hyperspectral Image", 《2019 INTERNATIONAL CONFERENCE ON INFORMATICS, CONTROL AND ROBOTICS (ICICR 2019)》 * |
| RUNMING GAO等: "Study on Detection Method of Composite Insulator Ageing Based on Hyperspectral Technology", 《2ND INTERNATIONAL CONFERENCE ON ELECTRICAL MATERIALS AND POWER EQUIPMENT - GUANGZHOU – CHINA》 * |
| 马晓瑞: "基于深度学习的高光谱影像分类方法研究", 《中国博士学位论文全文数据库（信息科技辑）》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967182A (zh) * | 2020-07-24 | 2020-11-20 | 天津大学 | 一种用于光谱分析的基于混合标记的高光谱建模方法 |
| CN111967182B (zh) * | 2020-07-24 | 2024-04-02 | 天津大学 | 一种用于光谱分析的基于混合标记的高光谱建模方法 |
| CN112163110A (zh) * | 2020-09-27 | 2021-01-01 | Oppo（重庆）智能科技有限公司 | 图像分类方法、装置、电子设备和计算机可读存储介质 |
| CN112163110B (zh) * | 2020-09-27 | 2023-01-03 | Oppo（重庆）智能科技有限公司 | 图像分类方法、装置、电子设备和计算机可读存储介质 |
| CN114511790A (zh) * | 2022-02-11 | 2022-05-17 | 广东海启星海洋科技有限公司 | 基于光学卫星数据的海洋溢油事件监测实现方法及装置 |
| CN114511790B (zh) * | 2022-02-11 | 2022-09-30 | 广东海启星海洋科技有限公司 | 基于光学卫星数据的海洋溢油事件监测实现方法及装置 |
| CN114871120A (zh) * | 2022-05-26 | 2022-08-09 | 江苏省徐州医药高等职业学校 | 基于图像数据处理的药品确定分拣方法及装置 |
| CN114871120B (zh) * | 2022-05-26 | 2023-11-07 | 江苏省徐州医药高等职业学校 | 基于图像数据处理的药品确定分拣方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414438A (zh) | 基于空间聚类信息修正的高光谱图像识别方法 | |
| Gan et al. | Immature green citrus fruit detection using color and thermal images | |
| CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
| US20190147249A1 (en) | Recognition of weed in a natural environment | |
| CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN111626092B (zh) | 一种基于机器学习的无人机影像地裂缝识别及提取方法 | |
| CN112464911A (zh) | 基于改进YOLOv3-tiny的交通标志检测与识别方法 | |
| CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
| EP3279831A1 (en) | Recognition of weed in a natural environment using a digital image | |
| CN108629368B (zh) | 一种基于联合深度融合的多模态地基云分类方法 | |
| CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
| CN108038424A (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
| CN109508756B (zh) | 一种基于多线索多模态融合深度网络的地基云分类方法 | |
| CN110060273A (zh) | 基于深度神经网络的遥感影像滑坡测图方法 | |
| CN115527123B (zh) | 一种基于多源特征融合的土地覆被遥感监测方法 | |
| CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
| CN110147778A (zh) | 稀土矿开采识别方法、装置、设备及存储介质 | |
| CN110516723A (zh) | 一种基于深度张量融合的多模态地基云图识别方法 | |
| CN110517228A (zh) | 基于卷积神经网络与迁移学习的树干图像快速检测方法 | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
| CN115082785A (zh) | 一种高原鼠兔型退化草甸秃斑特征的判别方法 | |
| CN102231190A (zh) | 冲洪积扇信息的自动提取方法 | |
| CN116563721B (zh) | 基于分层分类思想的烟田提取方法 | |
| Zhou et al. | Mathematic descriptors for identifying plant species: A case study on urban landscape vegetation | |
| CN111242093A (zh) | 一种冬虫夏草野外目标识别设备及方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220622 Address after: 610031 north section of two ring road, Sichuan, Chengdu Applicant after: SOUTHWEST JIAOTONG University Applicant after: STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Address before: 610031 north section of two ring road, Sichuan, Chengdu Applicant before: SOUTHWEST JIAOTONG University |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |