CN110443139B - 一种面向分类的高光谱遥感影像噪声波段探测方法 - Google Patents

一种面向分类的高光谱遥感影像噪声波段探测方法 Download PDF

Info

Publication number
CN110443139B
CN110443139B CN201910605561.7A CN201910605561A CN110443139B CN 110443139 B CN110443139 B CN 110443139B CN 201910605561 A CN201910605561 A CN 201910605561A CN 110443139 B CN110443139 B CN 110443139B
Authority
CN
China
Prior art keywords
spectral
band
importance
remote sensing
sensing 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.)
Active
Application number
CN201910605561.7A
Other languages
English (en)
Other versions
CN110443139A (zh
Inventor
赵�济
王力哲
王为琼
董宇婷
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910605561.7A priority Critical patent/CN110443139B/zh
Publication of CN110443139A publication Critical patent/CN110443139A/zh
Application granted granted Critical
Publication of CN110443139B publication Critical patent/CN110443139B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种面向分类的高光谱遥感影像噪声波段探测方法，采用目视解译方法得到高光谱遥感影像中某一类别纯净地物的样本；获取所述样本的光谱信息，所有的样本连同对应的光谱信息组成具有光谱信息的训练样本集；所述光谱信息对应不同的光谱波段；通过训练样本集训练得到多个决策树，聚合所述多个决策树构成随机森林；计算所述随机森林中光谱波段的重要性；并确定光谱波段的重要性阈值P；计算实际输入的某一高光谱遥感影像中Q个光谱波段的重要性，根据光谱波段的重要性阈值P，自动探测出的严重噪声波段。本发明的有益效果是：探测出了高光谱遥感影像中的严重噪声波段，为提高分类精度提供支持。

Description

一种面向分类的高光谱遥感影像噪声波段探测方法
技术领域
本发明涉及高光谱遥感影像处理领域，尤其涉及一种面向分类的高光谱遥感影像噪声波段探测方法。
背景技术
高光谱遥感结合成像和光谱技术，可以同时获取感兴趣区域的空间维图像信息与光谱维光谱信息，呈现图像立方体结构，具有“图谱合一”的特点。相比于多光谱遥感影像和高空间分辨率遥感影像，其每一个像元记录了几十甚至上百个连续波段的光谱信息，往往以10nm以下的光谱分辨率记录400到2500nm光谱范围之间的地物特性，提供了可以区分不同物质物理属性的光谱特征，可以探测在宽波段多光谱遥感影像中难以探测的地物。因此，高光谱遥感近年来受到了世界各国的广泛关注，国内外陆续研发了不同的航天、航空、无人机等不同平台高光谱传感器，国产高分五号星载高光谱传感器也已升空投入使用，可以提供丰富的高光谱遥感数据。
高光谱遥感影像具有光谱分辨率高、图谱合一的独特优势，已经广泛地应用于地表分类、农作物识别、水体重金属污染监测、矿物制图、生态资源监测与分析和国防建设等领域。然而，一些高光谱传感器，如Airborne Visible/InfraRed Imaging Spectrometer(AVIRIS)传感器，所获取的高光谱遥感影像经常受到不同程度噪声的影响，甚至导致一些光谱波段没有可用的光谱和空间信息，严重降低了该观测地区的高光谱遥感影像的质量，从而限制了后续包括分类制图、分割、光谱解混以及目标探测等影像处理的精度。因此，国内外学者发展了许多不同的去噪或者噪声波段探测方法。例如，基于灰度图像的去噪方法将高光谱百个光谱波段分别当做灰度影像，从而可以基于非局部空间邻域、奇异值分解、基于滤波的方法逐波段去除波段噪声。这类方法由于逐波段处理高光谱遥感影像，从而忽略了高光谱数百个光谱波段之间的相关性，导致相对较低质量的结果。作为逐波段处理方法的替代，基于相关性的高光谱波段去噪方法利用空间和光谱相关信息提高去噪效果。其中最为著名的是基于主成分分析的方法，使用正交变换的方式把高光谱遥感影像转化到一系列称之为主成分的线性非相关维度，其主要依据高维的高光谱数据往往有低维内在本质的表示，因此，经过主成分分析变换之后前面少量的主成分维度含有大部分信息，而其余的则可以认为是噪声。
目前大部分的去噪或者噪声波段探测方法往往利用影像的空间或时间特性恢复真实信息，其独立于高光谱影像解译任务，从而难以保证去除噪声之后的高光谱数据可以有效用于对应的高光谱解译任务，提升解译精度。分类作为高光谱遥感影像解译任务的基础，对高光谱遥感影像上面每一个像元进行对应的语义标注，在城市规划、精细农业以及环境监测等典型应用中都发挥重要作用，从而高光谱遥感影像分类在近几十年受到了广泛的关注和推动。然而，由于精细的光谱导致高的维度和光谱波段的冗余，给分类处理任务带来了Hughes现象。为了处理高维分类问题，减轻Hughes现象，一些分类算法具有处理高维问题和小样本的能力，如广泛应用的支持向量机算法(SVM)、随机森林分类算法、多元逻辑回归算法等。然而目前大部分分类算法的分类精度都受到噪声波段的影响，对于严重的噪声波段往往会降低其对应的分类解译精度，从而有必要开展针对分类任务的高光谱噪声波段探测方法研究。
综上所述，由于水吸收波段、仪器误差等影响，所获取的高光谱遥感影像往往还存在噪声波段，对分类任务产生影响，因此，亟需发明一种面向分类任务的高光谱影像噪声波段探测方法，针对分类任务针对性的去除影响分类精度的噪声波段，提高高光谱遥感影像的分类解译精度。
发明内容
为了解决上述问题，本发明提供了一种面向分类的高光谱遥感影像噪声波段探测方法，主要包括以下步骤：
S1：基于给定的高光谱遥感影像，结合Google Earth对应区域的高空间分辨率遥感影像，采用目视解译方法得到高光谱遥感影像中某一类别纯净地物的样本；
S2：获取所述样本的光谱信息，所有的样本连同对应的光谱信息组成具有光谱信息的训练样本集；所述光谱信息对应不同的光谱波段；
S3：以所述光谱波段作为随机森林的特征变量，通过所述训练样本集训练得到多个决策树，聚合所述多个决策树即构成了随机森林；
S4：计算所述光谱波段的重要性，并按照由小到大的顺序进行排序，形成L型曲线，将所述L型曲线的拐点位置对应的光谱波段的重要性确定为所述随机森林的光谱波段的重要性阈值P；
S5：计算实际输入到所述随机森林中的某一高光谱遥感影像中Q个光谱波段的重要性，从所述Q个光谱波段的重要性中选择任一光谱波段的重要性，判断所述任一光谱波段的重要性与所述光谱波段的重要性阈值P的大小，若所述任一光谱波段的重要性小于所述光谱波段的重要性阈值P，则所述任一光谱波段的重要性对应的光谱波段即为探测出的严重噪声波段。
进一步地，步骤S3中的具体步骤为：
步骤3.1：从大小为M的所述训练样本集中有放回的随机抽取S个样本，组成分类样本集，作为决策树的训练样本；将训练样本的光谱波段作为面向的分类中的特征变量；对于具有N个光谱波段的训练样本，对应有N个特征变量；
步骤3.2：根据所述分类样本集的特征向量，采用递归方法，得到所述高光谱遥感影像的多个决策树，并基于Gini指数进行所述多个决策树中各节点的属性选择，将选择的属性作为所述多个决策树中各节点的分裂属性；直到分裂的某一节点包含的样本全属于同一类别、不再需要进一步划分、当前属性集合或者样本集合为空，不能继续划分为止；
步骤3.3：将所述多个决策树聚合，组成随机森林。
进一步地，所述光谱波段的重要性为所述随机森林中所有决策树节点不纯度减少量的平均值，节点不纯度减少量通过到达该节点的概率进行加权得到，该概率为到达该节点的训练样本占总训练样本的比例；光谱波段Xm的重要性Imp(Xm)是在类别标记Y的过程中对所有使用光谱波段Xm的节点t在决策树T上的不纯度减少量进行加权平均来计算得到的，即：
Figure BDA0002120677520000031
其中，T为决策树的集合，NT为随机森林中决策树的数量；p(t)为样本到达该节点t的概率，st为树链剖分，v(st)为所述树链剖分st中使用的变量，Δi(st,t)为所述树链剖分st在节点t处不纯度的减少量。
进一步地，所述的严重噪声波段，含有的地物判别信息少，对所述的严重噪声波段进行剔除。
进一步地，若所述任一光谱波段的重要性大于所述光谱波段的重要性阈值T，则说明所述任一光谱波段对应的光谱波段含有大量地物判别信息，对所述任一光谱波段对应的光谱波段进行保留。
本发明提供的技术方案带来的有益效果是：探测出了高光谱遥感影像中的严重噪声波段，为提高地物分类精度提供支持，具有实用性和适用性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种面向分类的高光谱遥感影像噪声波段探测方法的流程图；
图2是本发明实施例中输入的Salinas AVIRIS高光谱遥感影像示意图；
图3是本发明实施例中步骤3.1中对于Salinas AVIRIS数据集给出的光谱波段相对效用和典型光谱波段示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种面向分类的高光谱遥感影像噪声波段探测方法。
请参考图1，图1是本发明实施例中一种面向分类的高光谱遥感影像噪声波段探测方法的流程图，具体包括如下步骤：
S1：基于给定的高光谱遥感影像，结合Google Earth对应区域的高空间分辨率遥感影像，采用目视解译方法得到高光谱遥感影像中某一类别纯净地物的样本(Region OfInterest,ROI)；所述某一类别纯净地物即为分类任务中待分类地物类别；
S2：获取所述样本的光谱信息，所有的样本连同对应的光谱信息组成具有光谱信息的训练样本集；所述光谱信息对应不同的光谱波段；所述训练样本集包括光谱波段X和类别标记Y，Y表示某一种地物，且Y为大于0的正整数，比如，Y＝1可以代表水体；
S3：以所述光谱波段作为随机森林的特征变量，通过所述训练样本集训练得到多个决策树，聚合所述多个决策树构成随机森林；所述随机森林包括NT个决策树；
步骤3.1：从大小为M的所述训练样本集中有放回的随机抽取S个样本，组成分类样本集，作为决策树的训练样本；将高光谱遥感影像的光谱波段作为分类算法的特征变量；对于具有N个光谱波段的某高光谱遥感影像，对应有N个特征变量；
步骤3.2：根据所述分类样本集的特征向量，采用迭代方法，得到所述高光谱遥感影像的多个决策树，并基于Gini指数进行所述多个决策树中各节点的属性选择，将选择的属性作为所述多个决策树中各节点的分裂属性；直到分裂的某一节点包含的样本全属于同一类别、不再需要进一步划分、当前属性集合或者样本集合为空，不能继续划分为止；
步骤3.3：将所述多个决策树聚合，组成随机森林；可通过聚合所述多个决策树的预测值决定所述随机森林的预测结果；
S3：以所述光谱波段作为随机森林的特征变量，通过所述训练样本集训练得到多个决策树，聚合所述多个决策树即构成了随机森林；
S4：计算所述光谱波段的重要性，并按照由小到大的顺序进行排序，形成L型曲线，将所述L型曲线的拐点位置对应的光谱波段的重要性确定为所述随机森林的光谱波段的重要性阈值P；
S5：计算实际输入到所述随机森林中的某一高光谱遥感影像中Q个光谱波段的重要性，从所述Q个光谱波段的重要性中选择任一光谱波段的重要性，判断所述任一光谱波段的重要性与所述光谱波段的重要性阈值P的大小，若所述任一光谱波段的重要性小于所述光谱波段的重要性阈值P，则所述任一光谱波段的重要性对应的光谱波段即为探测出的严重噪声波段。通过该方法探测出高光谱遥感影像中具有严重噪声的波段，进而进行去除，以便进行其他操作。
所述光谱波段的重要性为所述随机森林中所有决策树节点不纯度减少量的平均值，节点不纯度减少量可以通过到达该节点概率进行加权得到，该概率为到达该节点的训练样本占总训练样本的比例；光谱波段Xm的重要性Imp(Xm)是通过在类别标记Y的过程中对所有使用光谱波段Xm的节点t在决策树T上的不纯度减少量进行加权平均得到的，即：
Figure BDA0002120677520000061
其中，t为使用光谱波段Xm的节点，T为决策树的集合，NT为所有使用光谱波段Xm的节点的数量；p(t)为训练样本到达该节点t的概率，st为树链剖分，v(st)为所述树链剖分st中使用的变量，Δi(st,t)为所述树链剖分st在节点t处的不纯度减少量。
本实施例中，将获取的Salinas AVIRIS数据集作为给定的高光谱遥感影像，其中SalinasAVIRIS高光谱数据包含224个光谱波段，光谱波段范围是0.4-2.5μm，空间分辨率为3.7m，空间大小是512x217，里面有16种地物类型，如图2所示。
利用ENVI 4.8的ROI tool工具基于给定的地面真实样本情况随机采集SalinasAVIRIS数据的样本，每一个类别选择15个样本，并得到15个样本对应的影像位置；所有的样本组成了一个样本集；
利用ROI tool工具基于样本的影像位置导出样本对应高光谱遥感影像的光谱信息和类别标记信息，所有的样本连同对应的光谱信息及类别标记信息组成具有光谱信息及类别标记信息的训练样本集；所述光谱信息对应有不同的光谱波段；然后训练得到随机森林。
首先，每个类别选择15个样本作为随机森林的分类样本集，从所述分类样本集中将高光谱遥感影像的光谱波段作为的随机森林的特征变量，Salinas AVIRIS高光谱遥感影像中的224个光谱波段对应有224个特征变量；
然后，基于所述分类样本集和特征变量，通过迭代方法得到多个决策树，并基于Gini指数进行所述多个决策树中各节点的属性选择；对于所述多个决策树中的每一个节点，先从该节点的属性集合中随机选择一个属性子集，然后基于Gini指数从该属性子集中选择最优划分属性，从而迭代生成决策树。同理生成的50棵决策树聚合组成了随机森林。可使用多数投票法聚合所述多个决策树的预测值确定所述随机森林的最终的分类结果。
求取输入到所述随机森林中各个光谱波段的重要性，所述光谱波段的重要性为所述随机森林中所有决策树节点不纯度减少量的平均值，节点不纯度减少量通过到达该节点的概率进行加权得到，该概率可通过到达该节点的训练样本占总训练样本的比例近似得到；光谱波段Xm的重要性Imp(Xm)是通过在类别标记Y的过程中对所有使用光谱波段Xm的节点t在决策树T上的不纯度减少量进行加权平均得到的，即：
Figure BDA0002120677520000071
其中，T为决策树的集合，NT为随机森林中决策树的数量；p(t)为样本到达该节点t的概率，st为树链剖分，v(st)为所述树链剖分st中使用的变量，Δi(st,t)为所述树链剖分st在节点t处的不纯度减少量。
在分类过程中重要性相对较低的光谱波段由于在分类中发挥的作用较小，可以认为是含有地物判别信息少且严重的噪声波段，通过选取光谱波段的重要性阈值，分别计算某一高光谱遥感影像中的N个光谱波段的重要性后，将各个光谱波段的重要性与所述光谱波段的重要性阈值进行比较；如果某一光谱波段的重要性小于所述光谱波段的重要性阈值，则认为所述某一光谱波段是严重噪声波段，需要进行剔除，以便减少噪声，为地物分类提供支持；如果某一光谱波段的重要性大于所述光谱波段的重要性阈值，则所述某一光谱波段含有大量地物判别信息，需要进行保留，以便进行地物判别；通过上述方法即可完成面向分类任务的高光谱遥感影像中严重噪声波段的探测与去除。
本实施例中通过对Salinas AVIRIS数据集中探测的噪声波段和人工标注的噪声波段数进行对比，得到如表1所示的对比结果图：
表1噪声波段对比结果图
Figure BDA0002120677520000072
Salinas AVIRIS数据中有224个光谱波段，其中20个水吸收波段是大多数分类工作中经常被丢弃的噪声波段，这些波段即为人工标注的噪声波段，这些波段为108-112、154-167和224。由表1可知，与通过人工标注选取的噪声波段相比，基于波段重要性的自动探测噪声波段的方法能够获得较为相近的噪声波段探测结果，探测出的噪声波段有108–112、154–166和224，占被丢弃的噪声波段(即波段108-112、154-167和224)的95％；所述基于波段重要性的自动探测噪声波段的方法即为本发明提供的所述高光谱影像噪声波段探测方法。由表1还可知，采用本发明提供的所述高光谱影像噪声波段探测方法还得到了1–3、107、153和222–223噪声波段，通过对探测的这些噪声波段进行目视解译，相比较于通过人工标注得到的噪声波段167，本发明提供的所述高光谱影像噪声波段探测方法能够探测到更为严重的噪声污染，从而说明了本发明提供的所述探测方法可以达到较好的探测效果，在一定程度上弥补了人工标注选取噪声波段的不确定性。
本发明的有益效果是：
1.本噪声波段探测方法针对高光谱遥感影像分类任务，具有任务驱动的特点，避免了传统非监督噪声探测方法的盲目性，有利于提高后续分类任务的精度；
2.本方法基于随机森林分类算法构建光谱波段重要性，具有高维数据处理能力和噪声鲁棒性强的优点；
3.本方法通过构建波段重要性L型曲线，设计了自动获取波段重要性阈值的方法，方法自动化程度高，无需人工调参，避免了人工阈值的误差，可以提高效率和准确性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种面向分类的高光谱遥感影像噪声波段探测方法，其特征在于：包括以下步骤：
S1：基于给定的高光谱遥感影像，结合Google Earth对应区域的高空间分辨率遥感影像，采用目视解译方法得到高光谱遥感影像中某一类别纯净地物的样本；
S2：获取所述样本的光谱信息，所有的样本连同对应的光谱信息组成具有光谱信息的训练样本集；所述光谱信息对应不同的光谱波段；
S3：以所述光谱波段作为随机森林的特征变量，通过所述训练样本集训练得到多个决策树，聚合所述多个决策树即构成了随机森林；
S4：计算所述光谱波段的重要性，并按照由小到大的顺序进行排序，形成L型曲线，将所述L型曲线的拐点位置对应的光谱波段的重要性确定为所述随机森林的光谱波段的重要性阈值P；
S5：计算实际输入到所述随机森林中的某一高光谱遥感影像中Q个光谱波段的重要性，从所述Q个光谱波段的重要性中选择任一光谱波段的重要性，判断所述任一光谱波段的重要性与所述光谱波段的重要性阈值P的大小，若所述任一光谱波段的重要性小于所述光谱波段的重要性阈值P，则所述任一光谱波段的重要性对应的光谱波段即为探测出的严重噪声波段。
2.如权利要求1所述的一种面向分类的高光谱遥感影像噪声波段探测方法，其特征在于：步骤S3中的具体步骤为：
步骤3.1：从大小为M的所述训练样本集中有放回的随机抽取S个样本，组成分类样本集，作为决策树的训练样本；将训练样本的光谱波段作为随机森林的特征变量；对于具有N个光谱波段的训练样本，对应有N个特征变量；
步骤3.2：根据所述分类样本集的特征向量，采用迭代方法，得到所述高光谱遥感影像的多个决策树，并基于Gini指数进行所述多个决策树中各节点的属性选择，将选择的属性作为所述多个决策树中各节点的分裂属性；直到分裂的某一节点包含的样本全属于同一类别、不再需要进一步划分、当前属性集合或者样本集合为空，不能继续划分为止；
步骤3.3：将所述多个决策树聚合，组成随机森林。
3.如权利要求1所述的一种面向分类的高光谱遥感影像噪声波段探测方法，其特征在于：步骤S4中所述光谱波段的重要性为所述随机森林中所有决策树节点不纯度减少量的平均值，节点不纯度减少量通过到达该节点的概率进行加权得到，该概率为到达该节点的训练样本占总训练样本的比例；光谱波段Xm的重要性Im p(Xm)是通过在类别标记Y的过程中对所有使用光谱波段Xm的节点t在决策树T上的不纯度减少量进行加权平均得到的，即：
Figure FDA0002120677510000021
其中，T为决策树的集合，NT为随机森林中决策树的数量；p(t)为样本到达该节点t的概率，st为树链剖分，v(st)为所述树链剖分st中使用的变量，Δi(st,t)为所述树链剖分st在节点t处的不纯度减少量。
4.如权利要求3所述的一种面向分类的高光谱遥感影像噪声波段探测方法，其特征在于：步骤S5中所述的严重噪声波段，含有的地物判别信息少，对所述的严重噪声波段进行剔除。
5.如权利要求1所述的一种面向分类的高光谱遥感影像噪声波段探测方法，其特征在于：步骤S5中，若所述任一光谱波段的重要性大于所述光谱波段的重要性阈值T，则说明所述任一光谱波段对应的光谱波段含有大量地物判别信息，对所述任一光谱波段对应的光谱波段进行保留。
CN201910605561.7A 2019-07-05 2019-07-05 一种面向分类的高光谱遥感影像噪声波段探测方法 Active CN110443139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910605561.7A CN110443139B (zh) 2019-07-05 2019-07-05 一种面向分类的高光谱遥感影像噪声波段探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910605561.7A CN110443139B (zh) 2019-07-05 2019-07-05 一种面向分类的高光谱遥感影像噪声波段探测方法

Publications (2)

Publication Number Publication Date
CN110443139A CN110443139A (zh) 2019-11-12
CN110443139B true CN110443139B (zh) 2023-01-03

Family

ID=68429233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910605561.7A Active CN110443139B (zh) 2019-07-05 2019-07-05 一种面向分类的高光谱遥感影像噪声波段探测方法

Country Status (1)

Country Link
CN (1) CN110443139B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105417B (zh) * 2020-03-17 2023-07-07 珠海欧比特宇航科技股份有限公司 影像噪声定位方法及系统
CN112542020A (zh) * 2020-12-03 2021-03-23 合肥科大立安安全技术有限责任公司 一种基于双波段的红外火焰探测方法及系统
CN112749648B (zh) * 2020-12-31 2022-08-02 河海大学 一种多光谱遥感提取农田燃烧痕迹的快速识别方法
CN112733775A (zh) * 2021-01-18 2021-04-30 苏州大学 基于深度学习的高光谱影像分类方法
CN114111724A (zh) * 2021-12-14 2022-03-01 江苏省地质勘查技术院 基于航空高光谱遥感的江岸稳定性评价方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置
CN108038448A (zh) * 2017-12-13 2018-05-15 河南理工大学 基于加权熵的半监督随机森林高光谱遥感影像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置
CN108038448A (zh) * 2017-12-13 2018-05-15 河南理工大学 基于加权熵的半监督随机森林高光谱遥感影像分类方法

Also Published As

Publication number Publication date
CN110443139A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110443139B (zh) 一种面向分类的高光谱遥感影像噪声波段探测方法
Li et al. Hyperspectral anomaly detection with kernel isolation forest
Xiang et al. Hyperspectral anomaly detection by local joint subspace process and support vector machine
Hasanlou et al. Comparative study of intrinsic dimensionality estimation and dimension reduction techniques on hyperspectral images using K-NN classifier
CN110929643B (zh) 一种基于多特征和孤立树的高光谱异常检测方法
Song et al. Spectral–spatial anomaly detection of hyperspectral data based on improved isolation forest
CN105989597B (zh) 基于像素选择过程的高光谱图像异常目标检测方法
CN112990314B (zh) 基于改进孤立森林算法的高光谱图像异常检测方法及装置
Imani Anomaly detection using morphology-based collaborative representation in hyperspectral imagery
Zhao et al. Sparsity-guided saliency detection for remote sensing images
Su A filter-based post-processing technique for improving homogeneity of pixel-wise classification data
Zhang et al. Hyperspectral anomaly detection via dual collaborative representation
Ma et al. Multiscale 2-D singular spectrum analysis and principal component analysis for spatial–spectral noise-robust feature extraction and classification of hyperspectral images
CN112733736A (zh) 基于增强过采样的类别不平衡高光谱图像分类方法
Shang et al. Interference-suppressed and cluster-optimized hyperspectral target extraction based on density peak clustering
CN115082781A (zh) 一种舰船图像检测方法、装置以及存储介质
Wohlfarth et al. Dense cloud classification on multispectral satellite imagery
Zhang et al. Contour structural profiles: An edge-aware feature extractor for hyperspectral image classification
Khanday et al. Change detection in hyper spectral images
CN111666999A (zh) 一种遥感图像的分类方法
Ettabaa et al. Anomaly detection in hyperspectral imagery: an overview
Hong et al. Random forest fusion classification of remote sensing PolSAR and optical image based on LASSO and IM factor
Padrón-Hidalgo et al. Unsupervised anomaly and change detection with multivariate gaussianization
Wang et al. Automatic framework for semi-supervised hyperspectral image classification using self-training with data editing
Sun et al. Feature space fusion classification of remote sensing image based on ant colony optimisation 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