CN110516754A - 一种基于多尺度超像元分割的高光谱图像分类方法 - Google Patents

一种基于多尺度超像元分割的高光谱图像分类方法 Download PDF

Info

Publication number
CN110516754A
CN110516754A CN201910817383.4A CN201910817383A CN110516754A CN 110516754 A CN110516754 A CN 110516754A CN 201910817383 A CN201910817383 A CN 201910817383A CN 110516754 A CN110516754 A CN 110516754A
Authority
CN
China
Prior art keywords
image
pixel
classification
super pixel
segmentation
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
Application number
CN201910817383.4A
Other languages
English (en)
Other versions
CN110516754B (zh
Inventor
于浩洋
胡姣婵
宋梅萍
于纯妍
王玉磊
张建祎
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910817383.4A priority Critical patent/CN110516754B/zh
Publication of CN110516754A publication Critical patent/CN110516754A/zh
Application granted granted Critical
Publication of CN110516754B publication Critical patent/CN110516754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/214—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
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多尺度超像元分割的高光谱图像分类方法，包括：设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；将原始图像与超像元分割图像集合进行光谱‑空间特征融合获得多组融合图像；采用支持向量机对每组融合图像进行分类得到分类图像集合；采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。该方法作为一种融合光谱‑空间信息的分类模型，可以有效地解决因单一分割尺度所导致的类别精度分布不均等问题，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

一种基于多尺度超像元分割的高光谱图像分类方法
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种基于多尺度超像元分割的高光谱图像分类方法。
背景技术
高光谱遥感是遥感对地观测领域中的一项前沿技术，其特点是既能成像，又能测谱。其图像数据是一个三维的数据立方体，包含丰富的光谱和空间信息，在遥感图像分类等应用领域带了新的技术突破和发展前景。近年来，结合光谱和空间信息的高光谱图像分类框架得到了广泛的应用，但是目前大多数方法主要采用空间信息后处理的方式，侧重于使用空间信息对光谱信息的处理结果进行调整和修正，并没有将具有高度一致性的局部光谱和空间信息作为一个整体来进行考虑和处理。
针对这一现状，面向对象的图像分类框架带了新的研究思路，即在图像分割的基础上再进行图像分类，从而将分类的基本单元转换为融合了光谱和空间特征的图像对象，而不再是单个像元，从而实现分类效果的提升。因此这类方法的核心是图像分割，目前应用效果稳定且快速有效的是超像元分割，但是在应用超像元分割于高光谱图像分类时，面临的一个主要问题是受到地物不同空间尺寸和分布的影响，超像元分割的尺度难以确定，即单一尺度的超像元分割会带来类别精度分布不均等问题。
发明内容
根据现有技术存在的问题，本发明公开了一种基于多尺度超像元分割的高光谱图像分类方法，具体包括如下步骤：
设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；
将原始图像与超像元分割图像集合进行光谱-空间特征融合获得多组融合图像；
采用支持向量机对每组融合图像进行分类得到分类图像集合；
采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。
所述采用简单线性迭代聚类算法SLIC对超像元进行分割时具体采用如下方式：
在原始图像中选取若干个聚类中心，计算并衡量不同像元距各个聚类中心的距离，将各像元关联至距离最近的聚类中心生成不同的聚类簇，计算每个聚类簇的均值向量，将该均值向量更新为各聚类簇的新聚类中心，当新聚类中心与原聚类中心位置一致时，则完成分割，否则返回进行下一次象元间的距离衡量和聚类，完成新的聚类中心更新，如此循环最终输出分割结果图像。
采用简单线性迭代聚类算法SLIC在衡量像元间的距离时，其中衡量的搜索范围是在各个超像元定义的局部区域范围内，其中像元间的距离计算方式为：
其中Dspectral表示光谱距离项，具体定义为：
其中和表示像元xi和xj在第b个波段的值，B表示波段总数；
其中Dspatial表示空间距离项，具体定义为：
其中(ai,bi)和(aj,bj)表示像元xi和xj在超像元中的位置，公式(1)中，m是平衡空间和颜色信息的比重参数，d＝N/C表示分割尺度参数，N表示像元总数，C表示超像元尺寸参数。
进一步的，通过设定像元间的距离计算方式中不同的分割尺度参数d设计多尺度处理框架模型。即通过设定公式(1)中不同的分割尺度d来实现的，为了配合下述过程中的“主投票法”的判定准则和过分割原则，通常设定奇数个分割尺度，避免投票时出现票数相同的情况。
进一步的，公式(3)中采用支持向量机(Support Vector Machine,SVM)对每个尺度下融合后的图像进行分类，对于任意像元xi，SVM的判别函数为：
其中yi∈{-1,1}表示类别标签，当xi属于类别k时，满足且其中c∈[1,K]且c≠k，sgn(·)定义了一个符号函数，返回值为参数的正负，n表示训练样本数量，0≤αj≤C表示软间隔参数，b定义了偏移量。
所述将原始图像与超像元分割图像集合进行光谱-空间特征融合时过计算分割图像中每块超像元对应原图位置的像元的均值向量，将该均值向量作为融合后图像中对应位置的像元值，从而完成光谱-空间特征的融合。
所述主投票法的方式为：统计各尺度分类结果图像中各像元位置出现次数最多的类别，其中主投票法的具体表示形式为：
其中mod是众数函数，表示将中出现次数最多的类别赋值给yi。
由于采用了上述技术方案，本发明提供的一种基于多尺度超像元分割的高光谱图像分类方法，该方法基于高光谱图像局部光谱和空间信息所具有的高度一致特性，重点针对基于超像元分割的分类方法中，因不同类别地物的空间尺度和分布等影响，导致分割尺度难以确定等问题，设计了一种多尺度的超像元分割处理框架，在各个尺度下，首先分别进行超像元分割，根据获取的超像元图像集合与原始图像进行光谱和空间特征的融合，再采用支持向量机模型对融合后的图像集合进行分类，得到分类图像集合，最后通过“主投票法”的决策融合方式判定并得到最终的分类结果图像。该方法作为一种融合光谱-空间信息的分类模型，可以有效地解决因单一分割尺度所导致的类别精度分布不均等问题，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多尺度超像元分割的高光谱图像分类方法的具体技术流程图；
图2a-图2b为本发明中AVIRIS Indian Pines数据集假彩色合成图像以及地面参考信息图像；
图3为本发明中AVIRIS Indian Pines数据集多尺度超像元分割图像；
图4为本发明中光谱-空间特征融合原理示意图；
图5为本发明中“主投票法”决策融合原理示意图；
图6为本发明中AVIRIS Indian Pines数据集分类结果图像；
图7a-图7c为本发明中ROSIS University of Pavia数据集假彩色合成图像、地面参考信息图像和分类结果图像。
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所示的一种基于多尺度超像元分割的高光谱图像分类方法，通过调整超像元分割算法中的尺度参数，设定多尺度的并行处理框架，在各尺度下分别融合光谱和空间特征，采用支持向量机模型得到多组分类结果，通过决策融合得到最终分类结果。具体包括以下步骤：
(1):设定多尺度处理框架，分别进行超像元分割，得到分割图像集合；
(2):原始图像与超像元图像集合分别进行光谱-空间特征融合；
(3):支持向量机对每组融合后的图像进行分类，得到分类图像集合；
(4):主投票法对每组分类结果进行决策融合，得到最终分类结果。
实施例：
采用两组真实公开的高光谱图像数据集，重点以其中第一组数据AVIRIS IndianPines图像为例，说明本发明中的具体的实施方式，其中涉及关于分类结果的评价指标定义如下：
(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)
本发明中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2a展示了该数据集的假彩色合成图像，附图2b是对应的地面参考图像，共包含16种真实地物类别。
首先，对于该数据集，记原始图像为其中则总像元个数N＝21025，波段总数d＝220，总类别数K＝16，不同的超像元分割尺度设定如下表1所示：
表1
尺度 d1 d2 d3 d4 d5 d6 d7
参数 N/8 N/16 N/24 N/32 N/40 N/48 N/52
根据表1中设定的尺度参数，分别对原始图像X采用SLIC算法在不同尺度下进行超像元分割，得到如图3所示的超像元分割结果图像集合，记为
对原始图像X与超像元图像集合S中的各个图像Sd分别进行光谱-空间特征融合。这里以图4为例，具体说明融合的过程与方式。
如图4为Sd中的某个超像元区域例，其中包含p个像元(此例中p＝14)，根据这些像元所在的位置，首先确定原始图像X中对应位置的像元光谱特征值，并计算它们的均值向量，计算方式如下所示：
其中xj表示该超像元区域中第j个像元。
根据公式(3)中计算得到的均值向量将其赋值给融合后的图像中对应超像元区域的全部像元位置，进而完成该区域的光谱-特征融合。以此类推，完成原始图像X与各尺度下的超像元图像Sd的融合，记融合后的图像集合为
从融合后的图像集合中，根据地面参考信息，随机选取一定数量的训练数据记为其中xs是选自Xs的训练样本，yi∈{-1,1}表示类别索引变量，当像元属于类别k时，满足且其中c∈[1,K]且c≠k。
接下来，根据各尺度下确定的训练样本集合，采用支持向量机模型(SVM)分别对其进行分类，对于像元SVM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。
记SVM对各尺度下的融合图像Xs的分类结果图像集合为接下来，采用“主投票法”的决策融合方式，统计判定各像元的最终类别。如图5所示，以图像中的像元i为例，在7组分类结果图像中，判定其为类别2的次数为5次，判定其为其他类别的次数为2次，则根据以下公式，判定其最终类别标记为类别2。
其中mod是众数函数，表示将中出现次数最多的类别赋予yi。
以此类推，根据公式(5)，完成对图像所有位置像元的类别判定，得到如图6所示的最终分类结果图像y。
为了分析和评价本发明提供的一种基于多尺度超像元分割的高光谱图像分类方法的分类效果(以下简称“多尺度超像元分割”)，实验中引入了传统的支持向量机方法(以下简称“支持向量机”)，采用空间信息后处理的经典模型——马尔可夫随机场方法(以下简称“马尔可夫随机场”)，以及单尺度的超像元分割方法(以下简称“单尺度超像元分割”)。实验得到的AVIRIS Indian Pines数据集的分类结果如下表2所示。
表2 AVIRIS Indian Pines数据集分类结果(每类20个训练样本)
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。图7a展示了该数据集的假彩色合成图像，图7b是对应的地面参考图像，共包含9种真实地物类别，表3以及图7c展示了根据本发明提供的方法的分类结果及分类图像。
表3 ROSIS University of Pavia数据集分类结果(每类20个训练样本)
根据表2-表3，以及图6-图7中提供的本发明方法的分类结果，可以进行分析评价并得到以下结论：
1、相较于支持向量机，马尔科夫随机场、单尺度超像元分割和多尺度超像元分割方法均取得更好的分类效果，首先证明了空间信息的加入，对于光谱信息分类效果的提升。
2、相较于马尔可夫随机场，单尺度超像元分割和多尺度超像元分割方法均取得了更高的分类精度，说明了相较于空间信息后处理的分类方式，采用面向对象的分类方法，更加充分地考虑了局部光谱空间一致性，对于高光谱图像分类应用是可行且有效的。
3、相较于单尺度超像元分割和其他几个对比方法，多尺度超像元分割方法取得了最佳的分类结果，其他对比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，证明了该方法对于因单一分割尺度所导致的类别精度分布不均等问题的解决能力，及其在分类应用中的有效性。
本发明基于高光谱图像局部光谱和空间信息所具有的高度一致特性，重点针对基于超像元分割的分类方法中，因不同类别地物的空间尺度和分布等影响，导致分割尺度难以确定等问题，提供了一种基于多尺度超像元分割的高光谱图像分类方法，该方法首先通过设定不同的分割尺度，在各尺度下采用SLIC算法进行超像元分割，根据获取的超像元图像集合与原始图像分别进行光谱和空间特征的融合，再采用支持向量机模型对每个尺度下融合后的图像进行分类，得到分类图像集合，最后采用“主投票法”的决策融合方式判定并得到最终的分类结果图像。该方法可以有效地解决因单一分割尺度所导致的分类类别精度分布不均等问题，同时带来分类效果的提升。两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多尺度超像元分割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 (6)

1.一种基于多尺度超像元分割的高光谱图像分类方法，其特征在于包括：
设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；
将原始图像与超像元分割图像集合进行光谱-空间特征融合获得多组融合图像；
采用支持向量机对每组融合图像进行分类得到分类图像集合；
采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。
2.根据权利要求1所述的方法，其特征还在于：所述采用简单线性迭代聚类算法SLIC对超像元进行分割时具体采用如下方式：
在原始图像中选取若干个聚类中心，计算并衡量不同像元距各个聚类中心的距离，将各像元关联至距离最近的聚类中心生成不同的聚类簇，计算每个聚类簇的均值向量，将该均值向量更新为各聚类簇的新聚类中心，当新聚类中心与原聚类中心位置一致时，则完成分割，否则返回进行下一次象元间的距离衡量和聚类，完成新的聚类中心更新，如此循环最终输出分割结果图像。
3.根据权利要求2所述的方法，其特征还在于：采用简单线性迭代聚类算法SLIC在衡量像元间的距离时，其中衡量的搜索范围是在各个超像元定义的局部区域范围内，其中像元间的距离计算方式为：
其中Dspectral表示光谱距离项，具体定义为：
其中和表示像元xi和xj在第b个波段的值，B表示波段总数；
其中Dspatial表示空间距离项，具体定义为：
其中(ai,bi)和(aj,bj)表示像元xi和xj在超像元中的位置，公式(1)中，m是平衡空间和颜色信息的比重参数，d＝N/C表示分割尺度参数，N表示像元总数，C表示超像元尺寸参数。
4.根据权利要求2所述的方法，其特征还在于：通过设定像元间的距离计算方式中不同的分割尺度参数d设计多尺度处理框架模型。
5.根据权利要求1所述的方法，其特征还在于：所述将原始图像与超像元分割图像集合进行光谱-空间特征融合时过计算分割图像中每块超像元对应原图位置的像元的均值向量，将该均值向量作为融合后图像中对应位置的像元值，从而完成光谱-空间特征的融合。
6.根据权利要求1所述的方法，其特征还在于：所述主投票法的方式为：统计各尺度分类结果图像中各像元位置出现次数最多的类别，其中主投票法的具体表示形式为：
其中yi表示像元xi的最终分类结果，表示在分割尺度参数为d时，所判定的像元xi的类别，mod是众数函数，表示将中出现次数最多的类别赋值给yi。
CN201910817383.4A 2019-08-30 2019-08-30 一种基于多尺度超像元分割的高光谱图像分类方法 Active CN110516754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910817383.4A CN110516754B (zh) 2019-08-30 2019-08-30 一种基于多尺度超像元分割的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910817383.4A CN110516754B (zh) 2019-08-30 2019-08-30 一种基于多尺度超像元分割的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN110516754A true CN110516754A (zh) 2019-11-29
CN110516754B CN110516754B (zh) 2022-11-01

Family

ID=68628609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910817383.4A Active CN110516754B (zh) 2019-08-30 2019-08-30 一种基于多尺度超像元分割的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN110516754B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767376A (zh) * 2021-01-27 2021-05-07 三峡大学 引力模型优化条件随机场的多尺度融合图像变化检测方法
CN113222948A (zh) * 2021-05-19 2021-08-06 大连海事大学 基于多尺度多特征的高光谱图像亚像元定位方法
CN113240689A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种洪涝灾害区域快速提取方法
CN113516194A (zh) * 2021-07-20 2021-10-19 海南长光卫星信息技术有限公司 高光谱遥感影像半监督分类方法、装置、设备及存储介质
WO2023000160A1 (zh) * 2021-07-20 2023-01-26 海南长光卫星信息技术有限公司 高光谱遥感影像半监督分类方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
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
CN108447065A (zh) * 2018-03-12 2018-08-24 哈尔滨工业大学 基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN108447065A (zh) * 2018-03-12 2018-08-24 哈尔滨工业大学 基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于文博等: "整合超像元分割和峰值密度的高光谱图像聚类", 《中国图象图形学报》 *
冉琼等: "结合超像元和子空间投影支持向量机的高光谱图像分类", 《中国图象图形学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767376A (zh) * 2021-01-27 2021-05-07 三峡大学 引力模型优化条件随机场的多尺度融合图像变化检测方法
CN113222948A (zh) * 2021-05-19 2021-08-06 大连海事大学 基于多尺度多特征的高光谱图像亚像元定位方法
CN113222948B (zh) * 2021-05-19 2024-04-05 大连海事大学 基于多尺度多特征的高光谱图像亚像元定位方法
CN113240689A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种洪涝灾害区域快速提取方法
CN113516194A (zh) * 2021-07-20 2021-10-19 海南长光卫星信息技术有限公司 高光谱遥感影像半监督分类方法、装置、设备及存储介质
WO2023000160A1 (zh) * 2021-07-20 2023-01-26 海南长光卫星信息技术有限公司 高光谱遥感影像半监督分类方法、装置、设备及存储介质
CN113516194B (zh) * 2021-07-20 2023-08-08 海南长光卫星信息技术有限公司 高光谱遥感影像半监督分类方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110516754B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN110516754A (zh) 一种基于多尺度超像元分割的高光谱图像分类方法
CN109523520B (zh) 一种基于深度学习的染色体自动计数方法
CN111666900B (zh) 基于多源遥感影像的土地覆盖分类图的获取方法和装置
CN109472199B (zh) 一种图像融合分类的方法及装置
CN105138970B (zh) 基于空间信息的极化sar图像分类方法
CN113574534A (zh) 使用基于距离的相似性标签的机器学习
CN105718942B (zh) 基于均值漂移和过采样的高光谱图像不平衡分类方法
US11348231B2 (en) Deep learning method for predicting patient response to a therapy
CN104021396A (zh) 基于集成学习的高光谱遥感数据分类方法
CN110532894A (zh) 基于边界约束CenterNet的遥感目标检测方法
CN113298137B (zh) 一种基于局部相似度数据引力的高光谱影像分类方法
CN104463203B (zh) 基于地物类别隶属度评分的高光谱遥感图像半监督分类方法
CN104282008B (zh) 对图像进行纹理分割的方法和装置
Peng et al. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion
Yang et al. A feature-metric-based affinity propagation technique for feature selection in hyperspectral image classification
JPWO2012111236A1 (ja) 画像識別装置およびプログラム
Leyk et al. Colors of the past: color image segmentation in historical topographic maps based on homogeneity
CN104392454B (zh) 高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评分的合并方法
CN109003266A (zh) 一种基于模糊聚类统计图像质量主观评价结果的方法
CN108229551A (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
Pan et al. Generative adversarial networks and radiomics supervision for lung lesion synthesis
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
Naeini et al. Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis
CN114882306A (zh) 地形图比例尺鉴别方法、装置、存储介质及电子设备
CN113496260A (zh) 基于改进YOLOv3算法的粮库人员不规范作业检测法

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