CN110490270B - 一种基于空间信息自适应处理的高光谱图像分类方法 - Google Patents
一种基于空间信息自适应处理的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN110490270B CN110490270B CN201910797540.XA CN201910797540A CN110490270B CN 110490270 B CN110490270 B CN 110490270B CN 201910797540 A CN201910797540 A CN 201910797540A CN 110490270 B CN110490270 B CN 110490270B
- Authority
- CN
- China
- Prior art keywords
- adaptive
- self
- pixel
- random field
- markov random
- 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
Links
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
- 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
- G06V20/00—Scenes; Scene-specific elements
-
- 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)
- 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)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间信息自适应处理的高光谱图像分类方法,包括:采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果,将初分类结果作为光谱项并构建传统马尔科夫随机场模型;计算各像元的相对同质性指数,将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数,根据像元空间项权重系数的自适应调整,采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型,采用该自适应马尔可夫随机场模型对高光谱图像进行分类。该方法可以作为一种高光谱图像基于空间信息分类的有效手段,在高光谱图像地表精细分类等方面具有重要的应用价值。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种基于空间信息自适应处理的高光谱图像分类方法。
背景技术
高光谱遥感是遥感科学的一项前沿技术手段,既成像又能测谱,其图像数据中包含了丰富的光谱和空间信息,为解决遥感科学中图像分类这一关键问题带来了新的机遇与挑战。高光谱图像分类的依据是光谱信息和空间信息,基于光谱特征的分类方法是将高光谱数据作为一种无序的信号集合进行分类。但实际上,高光谱图像的像元是二维空间中有序排列的特殊集合,其直接体现就是图像的空间特征。随着同类地物的光谱复杂性程度的增加,仅使用光谱信息已不能满足分类应用的需要。
目前高光谱图像分类领域中,光谱-空间(谱空)结合的技术框架得到了普遍的认可,以及较为广泛的应用。这类技术方法通常是先对光谱信息进行分析,根据空间位置相邻的两个像元通常属于同种类别的假设,采用空间信息后处理的方式,利用空间相关性修正和调整谱信息分类的结果。这类方法中较为具有代表性的是马尔可夫随机场模型等,但这类方法通常是对像元的空间邻域信息无差别的进行使用,在面对边界等复杂地况时,往往会出现“过纠正”等问题,进而影响分类的效果和准确性。
发明内容
根据现有技术中针对高光谱图像在利用空间相关性信息进行分类时,容易出现“过纠正”的问题,本发明公开了一种基于空间信息自适应处理的高光谱图像分类方法,具体包括如下步骤:
采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果,将初分类结果作为光谱项并构建传统马尔科夫随机场模型;
计算各像元的相对同质性指数,将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数,根据像元空间项权重系数的自适应调整,对位于不同空间位置的像元采用不同的空间信息纠正力度去除同质性区域内部的噪声、保持图像的边缘细节;
采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型,采用该自适应马尔可夫随机场模型对高光谱图像进行分类。
进一步的,将相对同质性指数加入到传统马尔科夫随机场模型的空间项权重常系数中,即
其中βi表示像元xi的自适应权重系数,β0为初始设定的权重常数,RHIi表示像元xi的相对同质性指数,vark表示xi的邻域决策类方差,是根据初分类结果,统计xi的邻域像元标记里,个数最多的类别方差确定。vari表示像元xi的局部方差。
进一步的,所述自适应马尔可夫随机场模型的表达方式为:
p(xi)=ai(k)+βibi(k) (8)
其中p(xi)表示像元xi的属于类别k的概率,ai(k)为光谱项,表示根据光谱信息判定xi属于类别k的概率;bi(k)为空间项,表示根据空间信息判定xi属于类别k的概率。
由于采用了上述技术方案,本发明提供的一种基于空间信息自适应处理的高光谱图像分类方法,该方法基于空间位置上相邻的两个像元具有很大可能属于同种类别的假设,首先引入马尔可夫随机场模型,利用像元间的空间相关性,解决分类应用中同质性区域内部可能出现的“同物异谱”现象所带来的相关问题。重点引入相对同质性指数的概念,并以此定义空间项的自适应权重系数,解决在利用空间相关性处理边界等复杂地况时可能出现的“过纠正”问题,进而形成一套完整的基于空间信息自适应处理的高光谱图像分类方法,通过空间项权重系数的自适应调整,使得同质性区域内的噪声得到有效去除且边缘细节得到保持,同时带来分类效果的提升。该方法可以作为一种高光谱图像基于空间信息分类的有效手段,在高光谱图像地表精细分类等方面具有重要的应用价值。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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为本发明提供的一种基于空间信息自适应处理的高光谱图像分类方法的流程示意图;
图2为本发明中支持向量机原理示意图;
图3为本发明中同质性区域空间信息自适应处理示意图;
图4为本发明中边界区域空间信息自适应处理示意图;
图5a-图5c为本发明中AVIRIS Indian Pines数据集以及分类结果示意图;
图6a-图6c为本发明中ROSIS University of Pavia数据集以及分类结果示意图;
图7a-图7c为本发明中AVIRIS Salinas数据集以及分类结果示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
如图1所示的一种基于空间信息自适应处理的高光谱图像分类方法,具体包括如下步骤:
步骤101:支持向量机对光谱信息初分类;
具体来说,根据地面参考信息,随机选取一定数量的训练数据记为(x1,y1),...,(xn,yn),其中是训练样本,yi∈{-1,1}表示类别索引变量,当像元xi属于类别k时,满足且其中c∈[1,K]且c≠k。
支持向量机模型是一种线性二分类模型,它是根据一个带有类别标记的训练集合,通过学习一个最优分类面,不仅满足将两类训练样本分开,而且分类间隔最大,从而对数据按照类别进行划分。线性分类面函数定义为f(x)=wTx+b,其中为系数,定义了偏移量。如附图3所示,两类样本的分类间隔可以表示为Margin=2/||w||。因此,最优分类面的求解问题可以表示为约束优化问题:
对于上式问题的求解,可以通过定义拉格朗日函数,并引入对偶理论简化约束条件,即Karush-Kuhn-Tucker(KKT)互补条件进行求解,获得系数,代入线性分类面函数得到支持向量机的目标函数形式为:
其中0≤αj≤C为软间隔参数,sgn(·)表示符号函数,返回值为参数的正负。
步骤102:构建马尔科夫随机场模型;
具体来说,马尔科夫随机场模型可以抽象为一种概率模型,即:
p(xi)=ai(k)+βbi(k) (3)
其中p(xi)表示像元xi的属于类别k的概率,ai(k)为光谱项,表示根据光谱信息判定xi属于类别k的概率,根据上述步骤中对于光谱信息的处理方式,采用Platt’s提出的后验概率形式,将支持向量机模型处理得到的初分类结果表示为后验概率分布形式:
ai(k)=-ln(1+exp[Af(xi)+B]) (4)
其中A和B为参数,通过最小化交叉熵误差函数获取。
β为空间项权重常系数,bi(k)为空间项,表示根据空间信息判定xi属于类别k的概率,定义为:
步骤103:计算像元相对同质性指数,获得自适应权重系数;
具体来说,根据步骤101中支持向量机模型对光谱信息处理得到的初分类结果,计算各像元的相对同质性指数RHI,具体定义为:
其中RHIi表示像元xi的相对同质性指数,vark表示xi的邻域决策类方差,是根据初分类结果,统计xi的邻域像元标记里,个数最多的类别方差确定。vari表示像元xi的局部方差,通过计算邻域内所有像元的方差来确定。这里需要说明的是,根据RHI的定义,其表征的就是像元所处的位置,RHI越大,即说明同质性越高,则该像元很可能位于同质性区域内部;反之RHI越小,即说明同质性越差,则该像元很可能位于边界区域;
接下来将相对同质性指数加入到原始的空间项权重常系数中,定义自适应权重系数,则对于任意像元xi,其空间项权重系数表示为:
其中βi表示像元xi的自适应权重系数,β0为初始设定的权重常数,这里需要说明的是,β0通常设定为1/t,其中t表示xi邻域像元个数。
步骤104:构建自适应马尔科夫随机场模型;
根据公式(3)中传统马尔科夫随机模型的表示形式,将空间项权重常系数替换为自适应权重系数,构建自适应马尔科夫随机场模型,表示形式为:
p(xi)=ai(k)+βibi(k) (9)
再结合公式(4)和公式(5),即可得到本发明中基于空间信息自适应处理的高光谱图像分类方法的判别函数:
最后根据像元xi属于各类别的概率最大值,判定其类别,得到分类结果。
下面将结合附图3和附图4所示的两种不同场景,举例说明本发明提供的实施步骤中空间信息的自适应处理方式。
如附图3所示,属于类别k的像元i位于该类别同质性区域内部,根据光谱信息的初分类结果,判定像元i属于各类别的概率如下表1所示:
表1
类别 | … | k-1 | k | k+1 | … |
概率 | … | P1 | P2 | P3 | … |
其中P1>P2>P3,表明像元i本应属于类别k,但由于存在“同物异谱”现象或者噪声的干扰等原因,导致根据光谱信息初步判定的结果中,像元i并没有在正确的类别k上取得最高的概率。但根据本发明中提出的方法,通过公式(7)计算像元i的相对同质性指数RHI,可以发现,它的RHI很高(RHIi≈1),说明了它极有可能位于同质性区域内部。因此,根据公式(8)-(9)可知,此时βi≈β0·RHIi,即本发明中提供的自适应马尔科夫随机场模型会在光谱信息初分类的结果基础上,提供一个正常力度的空间信息纠正和调整,调整后的像元i属于各类别的概率如下表2所示:
表2
类别 | … | k-1 | k | k+1 | … |
概率 | … | P4 | P5 | P6 |
其中P5>P6,P4,表明经过空间信息纠正,像元i划分到了正确类别。
如附图4所示,属于类别k+1的像元j位于该类别与其他类别的边界区域,根据光谱信息初分类结果,判定像元j属于各类别概率如表3所示:
表3
类别 | … | k-1 | k | k+1 | … |
概率 | … | P1 | P2 | P3 | … |
其中P1<P2<P3,表明像元j根光谱信息的初步判定,划分到了正确类别,但由于其位于地物分布情况较为复杂的边界区域,其邻域范围内相同类别的像元个数并不占多数,若直接采用正常力度的空间信息纠正,会导致光谱信息初分类结果中,正确类别的概率被抑制,邻域中占多数的其他类别概率被提升,进而导致该像元的错分。但根据本发明中提出的方法,通过公式(7)计算像元j的RHI,可以发现,它的RHI较低(RHIj<<1),说明它极有可能位于边界区域。因此,根据公式(8)-(9),此时βi<<β0,即本发明中提供的自适应马尔科夫随机场会尽可能保留光谱信息初分类的结果,削弱空间信息的纠正力度,调整后的各类别概率如下表4所示:
表4
类别 | … | k-1 | k | k+1 | … |
概率 | … | P4 | P5 | P6 |
其中P6>P5,P4,表明经过自适应处理,像元j依然划分到了正确类别。
真实高光谱数据实验
下面将采用三组公开真实的高光谱图像数据集,对本发明提供的一种基于空间信息自适应处理的高光谱图像分类方法进行应用效果分析和评价。
1.数据集及参数设定
(1)AVIRIS Indian Pines数据集
本实验所采用的第一组数据集是由AVIRIS(Airborne Visible/InfraredImaging Spectrometer)传感器于1992年在美国印第安纳州西北区域获取的高光谱数据集。图像尺寸为145×145,空间分辨率为20m,波段范围为0.25~2.4μm,共计220个波段。附图5a展示了该数据集的假彩色合成图像,附图5b是对应的地面参考图像,共包含16种真实地物类别。
(2)ROSIS University of Pavia数据集
本实验所采用的第二组数据集是由ROSIS(Reflective Optics System ImagingSpectrometer)传感器于2001年在意大利帕维亚地区获取的帕维亚大学高光谱数据集。图像尺寸为610×340,空间分辨率为1.3m,波段范围为0.43~0.86μm,共计103个波段。附图5a展示了该数据集的假彩色合成图像,附图5b是对应的地面参考图像,共包含9种真实地物类别。
(3)AVIRIS Salinsa数据集
本实验所采用的第三组数据集是由AVIRIS传感器于美国加利福尼亚州获取的Salinas高光谱数据。图像尺寸为512×217,空间分辨率为3.7m,共计224个波段。附图5a展示了该数据集的假彩色合成图像,附图5b是对应的地面参考图像,共包含16种真实地物类别。
2.实验评价指标
(1)整体精度(Overall Accuracy,OA)
整体精度OA的定义形式为:
其中Yi表示分类结果中标记为第i类,且地面参考图像中同样属于第i类的像元个数;Ni表示地面参考图像中第i类的样本总数。
(2)类别精度(Class-dependent Accuracy,CA)
类别精度CA的定义形式为:
CA=Yi/Ni (2)
(3)Kappa系数(κ statistic)
Kappa系数是一种定量评价遥感分类结果图像与地面参考图像之间一致性的方法,能够体现整体图像的分类误差性,定义形式为:
3.实验结果分析及评价
本发明提供的一种基于空间信息自适应处理的高光谱图像分类方法(以下简称“自适应马尔可夫随机场”)在使用三组真实高光谱图像数据实验的结果如表5-7所示,对应的分类结果图像如附图5c、6c和7c所示。
本实验引入了传统的支持向量机方法(以下简称“支持向量机”),以及传统的马尔可夫随机场方法(以下简称“马尔可夫随机场”)。根据分类结果,可以分析得到以下结论:
(1)相较于支持向量机,马尔科夫随机场和自适应马尔科夫随机场均取得更好的分类效果,证明了空间信息的加入,对于提升光谱信息分类的效果,同时说明了本发明中提供的技术框架的有效性。
(2)相较于两种对比方法,本发明提供的自适应马尔可夫随机场方法取得了更高的整体精度,并且在马尔科夫随机场方法中类别精度较差的某些类别同样带来了一定程度的提升,以及细节更好的分类结果图像,证明了该方法对于空间信息处理过程中,“同物异谱”现象和“过纠正”等问题的解决能力,及其在分类应用中的有效性。
表5AVIRIS Indian Pines数据集分类结果(每类20个训练样本)
表6ROSIS University of Pavia数据集分类结果(每类30个训练样本)
表7AVIRIS Salinas数据集分类结果(每类30个训练样本)
本发明针对高光谱图像中的“同物异谱”现象,以及利用空间相关性进行分类时存在的空间信息“过纠正”等问题,提供了一种基于空间信息自适应处理的高光谱图像分类方法。该方法首先采用支持向量机模型对光谱信息初分类,将初分类的后验概率形式作为光谱项,构建马尔科夫随机场模型。同时计算初分类结果中各像元的相对同质性指数,以此定义自适应权重系数,并替换原模型中空间项的常系数,构建自适应马尔科夫随机场模型。后者通过空间项权重系数的自适应调整,使得同质性区域内的噪声得到有效去除且边缘细节得到保持,同时带来分类效果的提升。三组真实公开的高光谱数据集的实验结果证明了本发明提供的一种基于空间信息自适应处理的高光谱图像分类方法的有效性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于空间信息自适应处理的高光谱图像分类方法,其特征在于包括:
采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果,将初分类结果作为光谱项并构建传统马尔科夫随机场模型;
计算各像元的相对同质性指数,将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数,根据像元空间项权重系数的自适应调整,对位于不同空间位置的像元采用不同的空间信息纠正力度去除同质性区域内部的噪声、保持图像的边缘细节;
采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型,采用该自适应马尔可夫随机场模型对高光谱图像进行分类。
3.根据权利要求1所述的方法,其特征还在于:所述自适应权重系数采用如下方式获取:所述自适应马尔可夫随机场模型的表达方式为:
p(xi)=ai(k)+βibi(k) (8)
其中p(xi)表示像元xi的属于类别k的概率,ai(k)为光谱项,表示根据光谱信息判定xi属于类别k的概率;bi(k)为空间项,表示根据空间信息判定xi属于类别k的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797540.XA CN110490270B (zh) | 2019-08-27 | 2019-08-27 | 一种基于空间信息自适应处理的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797540.XA CN110490270B (zh) | 2019-08-27 | 2019-08-27 | 一种基于空间信息自适应处理的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490270A CN110490270A (zh) | 2019-11-22 |
CN110490270B true CN110490270B (zh) | 2022-11-04 |
Family
ID=68554566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910797540.XA Active CN110490270B (zh) | 2019-08-27 | 2019-08-27 | 一种基于空间信息自适应处理的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490270B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733888B (zh) * | 2020-12-25 | 2022-11-18 | 河南大学 | 一种基于多层mrf聚类的深空探测影像形貌分析方法 |
CN113837123A (zh) * | 2021-09-28 | 2021-12-24 | 大连海事大学 | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 |
CN117977587B (zh) * | 2024-04-02 | 2024-06-07 | 南京鼎研电力科技有限公司 | 基于深度神经网络的电力负荷预测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145831A (zh) * | 2017-04-11 | 2017-09-08 | 中国地质大学(武汉) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 |
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
-
2019
- 2019-08-27 CN CN201910797540.XA patent/CN110490270B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN107145831A (zh) * | 2017-04-11 | 2017-09-08 | 中国地质大学(武汉) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 |
Non-Patent Citations (1)
Title |
---|
基于优势集聚类和马尔科夫随机场的高光谱图像分类算法;曲海成等;《国土资源遥感》;20190524(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490270A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490270B (zh) | 一种基于空间信息自适应处理的高光谱图像分类方法 | |
Duan et al. | Noise-robust hyperspectral image classification via multi-scale total variation | |
Kang et al. | Spectral–spatial hyperspectral image classification with edge-preserving filtering | |
US8437054B2 (en) | Methods and systems for identifying regions of substantially uniform color in a digital image | |
Song et al. | Hyperspectral image classification based on KNN sparse representation | |
Zhang et al. | Cloud detection in high-resolution remote sensing images using multi-features of ground objects | |
US20110096993A1 (en) | Methods and Systems for Segmenting a Digital Image into Regions | |
CN110008844B (zh) | 一种融合slic算法的kcf长期手势跟踪方法 | |
CN110516754B (zh) | 一种基于多尺度超像元分割的高光谱图像分类方法 | |
CN113269201A (zh) | 一种基于潜在特征融合的高光谱影像波段选择方法及系统 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN109711466B (zh) | 一种基于边缘保留滤波的cnn高光谱图像分类方法 | |
CN111881933A (zh) | 一种高光谱图像分类方法及系统 | |
Trivedi et al. | Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering | |
Lu et al. | Comparison between several feature extraction/classification methods for mapping complicated agricultural land use patches using airborne hyperspectral data | |
CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
CN108985357B (zh) | 基于图像特征的集合经验模态分解的高光谱图像分类方法 | |
CN110147725A (zh) | 一种基于正交指数局保投影的高光谱图像特征提取方法 | |
CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
Li et al. | Spatial kernel K-harmonic means clustering for multi-spectral image segmentation | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
Zhao et al. | Enhanced total variation regularized representation model with endmember background dictionary for hyperspectral anomaly detection | |
CN104637060B (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
Fernández-Michelli et al. | Unsupervised Polarimetric SAR Image Classification Using $\mathcal {G} _ {p}^{0} $ Mixture Model | |
CN105989592A (zh) | 基于双聚类及邻域分析的高光谱图像波段选择方法 |
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 |