CN110619370A - 一种高光谱图像超像素局部线性嵌入降维方法 - Google Patents
一种高光谱图像超像素局部线性嵌入降维方法 Download PDFInfo
- Publication number
- CN110619370A CN110619370A CN201910900111.0A CN201910900111A CN110619370A CN 110619370 A CN110619370 A CN 110619370A CN 201910900111 A CN201910900111 A CN 201910900111A CN 110619370 A CN110619370 A CN 110619370A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- hyperspectral
- image data
- sample
- spectral
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000012549 training Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 7
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 4
- 235000011613 Pinus brutia Nutrition 0.000 description 4
- 241000018646 Pinus brutia Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000242757 Anthozoa Species 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241001275815 Hoplocarida Species 0.000 description 1
- 241001275767 Stomatopoda Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
- G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请涉及图像处理技术领域，尤其涉及一种高光谱图像超像素局部线性嵌入降维方法。所述方法包括：获取高光谱图像数据并进行预处理；然后进行空‑谱协方差特征提取、分割；寻找样本近邻点；基于样本邻近关系，对高光谱图像数据进行降维得到初级降维结果；对超像素高光谱图像的数量、邻近点以及初级降维结果进行选择得到终级降维结果；用分类器对得到的高光谱图像降维结果进行分类。所述方法结合了高光谱图像的空‑谱协方差特征和超像素分割策略，充分利用了图像的空间信息，使降维后的特征更具判别性，促进高光谱图像的分类。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种高光谱图像超像素局部线性嵌入降维方法。
背景技术
高光谱成像遥感技术起源于20世纪80年代，是一种集计算机信息处理、精密光学机械、高速信号处理和微弱信号检测于一体的前沿遥感技术。高光谱成像仪可以在可见光至热红外光谱段同时对地面物体成像，得到包含丰富的空间信息和光谱信息的高光谱图像，打破了传统的单波段遥感图像和多光谱遥感图像在精细表达、波段范围等方面的局限，为地物的高精度辨识提供了有力的工具。
高光谱图像包含成十上百个光谱波段，给地物的高精度辨识提供了丰富的光谱信息，但也带来了维数灾难的问题,即在训练样本数目一定的条件下，高光谱图像的分类准确率会随着特征数目的增加而出现先增后减的现象。如何减小高光谱图像的维度，并尽可能地保留其有用信息，提高高光谱图像的分类准确率成了近年来的研究热点。流形学习方法由于能够在降低数据维数的同时很好地挖掘高维数据潜在的非线性结构，有效地保留最重要的信息，广泛应用于高光谱图像的降维。其中，局部线性嵌入是最经典的流形学习方法。
但局部线性嵌入应用于高光谱图像的降维时存在着以下两个问题：把高光谱图像的像素看作是高维空间中孤立的点，忽略了图像的空间信息；利用光谱特征在欧氏距离尺度下寻找样本近邻点时，容易受到“异物同谱”现象的影响，得到畸形的流形局部特性。
发明内容
本申请提供了一种高光谱图像超像素局部线性嵌入降维方法，以解决高光谱图像降维时存在的不足，没有充分利用高光谱图像空间信息及相似性度量易受“异物同谱”现象的影响的问题。
一种高光谱图像超像素局部线性嵌入降维方法，所述方法包括：
获取高光谱图像数据；
对所述高光谱图像数据进行预处理；
提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征；
分割所述高光谱图像数据得到超像素高光谱图像的数量；
寻找所述高光谱图像数据的样本近邻点；
根据所述样本邻近点，得到所述样本的邻近关系；
基于所述样本邻近关系，对所述高光谱图像数据进行降维得到初级降维结果；
对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择得到终级降维结果；
用分类器对得到的高光谱图像降维结果进行分类。
可选的，对所述高光谱图像数据进行预处理包括：删除低信噪比的、影响分类性能的光谱波段。
可选的，提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征包括：用局域协方差描述子提取高光谱图像的空-谱协方差特征。
可选的，分割所述高光谱图像数据得到超像素高光谱图像的数量包括：用超像素分割算法对高光谱图像进行分割。
可选的，寻找所述高光谱图像数据的样本近邻点包括：用空-谱协方差特征和Log-Euclidean距离尺度寻找样本近邻点。
可选的，基于所述样本邻近关系，对所述高光谱图像数据进行降维得到初级降维结果包括：用局部线性嵌入方法对所述高光谱图像进行降维。
可选的，对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择得到终级降维结果包括：用交叉验证方法对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择。
本申请提供的技术方案包括以下有益技术效果：
本申请提供了一种高光谱图像超像素局部线性嵌入降维方法，方法包括：获取高光谱图像数据；对高光谱图像数据进行预处理；提取处理后的高光谱图像数据的高光谱图像的空-谱协方差特征；分割高光谱图像数据得到超像素高光谱图像的数量；寻找高光谱图像数据的样本近邻点；根据样本邻近点，得到样本的邻近关系；基于样本邻近关系，对高光谱图像数据进行降维得到初级降维结果；对超像素高光谱图像的数量、邻近点以及初级降维结果进行选择得到终级降维结果；用分类器对得到的高光谱图像降维结果进行分类。方法用协方差描述子提取高光谱图像的空-谱协方差特征，既考虑到高光谱图像的空间信息，也考虑到其光谱信息；空谱协方差特征落在黎曼流形上，对应的Log-Euclidean距离(测地线距离)能更准确地描述样本间的相似性，从而找到合理的近邻点。同一个超像素里的像素大概率属于同一个类别，在里面寻找到的近邻点既是空间相邻，在流形上也是相邻的。结合了高光谱图像的空-谱协方差特征和超像素分割策略，充分利用了图像的空间信息，使降维后的特征更具判别性，促进高光谱图像的分类。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种高光谱图像超像素局部线性嵌入降维方法流程图。
图2(a)-图2(d)分别为本发明实施例中当图像中的像素点被分为16类时抽取的训练样本数目分别为每类5个、10个、30个、50个的训练样本标签。
图3(a)-图3(d)分别为本发明实施例中当图像中的像素点被分为16类时抽取的训练样本数目分别为每类5个、10个、30个、50个的测试样本标签。
图4(a)-图4(d)分别为本发明实施例中当图像中的像素点被分为16类时抽取的训练样本数目分别为每类5个、10个、30个、50个，采用局部线性嵌入方法和最近邻分类器相结合的方法得到的全体样本分类标签。
图5(a)-图5(d)分别为本发明实施例中当图像中的像素点被分为16类时抽取的训练样本数目分别为每类5个、10个、30个、50个，采用基于空-谱协方差特征的超像素局部线性嵌入方法和最近邻分类器相结合的方法得到的全体样本分类标签。
图6(a)-图6(d)分别为本发明实施例中当图像中的像素点被分为16类时抽取的训练样本数目分别为每类5个、10个、30个、50个，采用局部线性嵌入方法和支持向量机分类器相结合的方法得到的全体样本分类标签。
图7(a)-图7(d)分别为本发明实施例中当图像中的像素点被分为16类时抽取的训练样本数目分别为每类5个、10个、30个、50个，采用基于空-谱协方差特征的超像素局部线性嵌入方法和支持向量机分类器相结合的方法得到的全体样本分类标签。
具体实施方式
本申请提供了一种高光谱图像超像素局部线性嵌入降维方法，所述方法包括：
S1：获取高光谱图像数据。
本申请提供的方法是针对高光谱图像提出的一种降维方法，所以我们首先需要获取高光谱图像数据。高光谱图像技术在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。
高光谱图像集样本的图像信息与光谱信息于一身。图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收也不同，在某个特定波长下图像对某个缺陷会有较显著的反映，而光谱信息能充分反映样品内部的物理结构、化学成分的差异。这些特点决定了高光谱图像技术在农产品内外部品质的检测方面的独特优势。高光谱影像是收集及处理整个跨电磁波谱的信息，不像是人类的眼睛，只能接触到可见光。而高光谱的接触机制、比如虾蛄的眼睛它的光谱能够接触到红外线延伸到紫外线的范围。高光谱的能力能够使虾蛄分辨出不同的珊瑚、猎物，或则猎食者，而这些正是人类所缺少的。正因为高光谱图像应用深远，极具影响力，所以高光谱图像的处理技术成了近年来的研究热点。
S2：对所述高光谱图像数据进行预处理。
高光谱图像预处理方法在高光谱图像处理中具有重要的意义，有效的预处理方法可以尽可能的减少甚至消除无关信息(如样品背景、电噪音和杂散光等)对高光谱图像的影响，加强图像的某些对进一步处理和分析有用的特征，抑制图像数据中不希望的失真，通过对图像的几何变换，如平移、旋转、尺度变化等，来获得高质量的图像，为后续基于高光谱图像的数据分析提供可靠的数据来源。本申请中对高光谱图像数据的处理包括删除低信噪比的、影响分类性能的光谱波段。
S3：提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征。
高光谱图像的空-谱协方差特征及对应的Log-Euclidean距离尺度能更准确、更鲁棒地衡量样本间的相似性，提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征是为了利用高光谱图像的空-谱协方差特征及对应的Log-Euclidean距离尺度来寻找样本的近邻点，接着基于得到的样本近邻关系，通过局部线性嵌入方法对数据降维。
S4：分割所述高光谱图像数据得到超像素高光谱图像的数量。
利用基于熵率的超像素分割策略将图像分割成许多个超像素，并在每个超像素里利用高光谱图像的空-谱协方差特征及对应的Log-Euclidean距离尺度来寻找样本的近邻点，接着基于得到的样本近邻关系，通过局部线性嵌入方法对数据降维。超像素分割策略考虑到了高光谱图像的局域同质性，使同类样本间的联系更加紧密。
S5：寻找所述高光谱图像数据的样本近邻点。
在每个超像素内部，用空-谱协方差特征和Log-Euclidean距离尺度寻找样本近邻点，用协方差描述子提取高光谱图像的空-谱协方差特征，既考虑到高光谱图像的空间信息，也考虑到其光谱信息；该空谱协方差特征落在黎曼流形上，对应的Log-Euclidean距离(测地线距离)能更准确地描述样本间的相似性，从而找到的近邻点更合理。另外，同一个超像素里的像素大概率属于同一个类别，在里面寻找到的近邻点既是空间相邻，在流形上也是相邻的。
S6：根据所述样本邻近点，得到所述样本的邻近关系。
S5中获得了样本的邻近点后，就可以获知样本的邻近关系，得到了样本邻近关系就可以用局部线性嵌入方法对高光谱图像进行降维。
S7：基于所述样本邻近关系，对所述高光谱图像数据进行降维得到初级降维结果。
对高光谱图像降维的目的是通过单幅图像数据的高维化，将单幅图像转化为高维空间中的数据集合，对其进行非线性降维。寻求其高维数据流形本征结构的一维表示向量，将其作为图像数据的特征表达向量。大大降低了计算的复杂程度,减少了冗余信息所造成的识别误差,提高了识别的精度。降维方法分为线性和非线性降维，本申请选用线性降维对高光谱图像进行降维，具体的为局部线性嵌入，包括：寻找每个样本点的k个近邻点(k是一个预先给定的值)；由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，定义一个误差函数。
S8：对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择得到终级降维结果。
高光谱图像超像素局部线性嵌入降维方法具有超像素数目、近邻点数目、降维维度三个可调参数，不同超像素数目、不同近邻点数目、不同降维维数下的高光谱图像超像素局部线性嵌入降维方法可以得到不同的高光谱图像低维特征，本申请通过交叉验证的方法获得最优参数，并将最优参数下的降维结果作为最终的降维结果。使用最优参数下的高光谱图像超像素局部线性嵌入降维方法可以获得判别性较强的低维特征，有利于高光谱图像的分类。
S9：用分类器对得到的高光谱图像降维结果进行分类。
高光谱图像数据是光谱波段数据与空间位置数据的综合体，其包含的地物类别信息丰富而复杂，高光谱图像分类的目的是利用分类相关技术去充分挖掘地物信息，提高高光谱图像的分类精度，为后续的高光谱图像应用提供坚实可靠的地物信息基础。目前，高光谱图像分类技术已经深深影响了现代生活的方方面面，其在农林、军事、海洋和地质等领域的应用已经越来越广泛、越来越成熟。本申请通过用最近邻分类器贝叶斯分类器，稀疏表示分类器，人工神经网络或支持向量机分类器等对得到的高光谱图像降维结果进行分类。
利用图2(a)-图2(d)所示的训练样本标签，以及图3(a)-图3(d)所示的测试样本标签对本实施例所述的方法进行测试，图像中的像素点被分为16类，抽取的训练样本数目分别为每类5个、10个、30个、50个，采用局部线性嵌入方法和最近邻分类器相结合的方法得到的全体样本分类标签如图4(a)-图4(d)所示，采用基于空-谱协方差特征的超像素局部线性嵌入方法和最近邻分类器相结合的方法得到的全体样本分类标签如图5(a)-图5(d)所示，采用局部线性嵌入方法和支持向量机分类器相结合的方法得到的全体样本分类标签如图6(a)-图6(d)所示，采用基于空-谱协方差特征的超像素局部线性嵌入方法和支持向量机分类器相结合的方法得到的全体样本分类标签如图7(a)-图7(d)所示。
具体地，利用局部线性嵌入方法和最近邻分类方法对高光谱图像AVIRIS IndianPines分类，得到的准确率如表1所示。其中，待分类的像素来自于16个类。
表1
利用基于空-谱协方差特征的超像素局部线性嵌入方法和最近邻分类方法对高光谱图像AVIRIS Indian Pines分类，得到的准确率如表2所示。其中，待分类的像素来自于16个类。
表2
利用局部线性嵌入方法和支持向量机分类方法对高光谱图像AVIRIS IndianPines分类，得到的准确率如表3所示。其中，待分类的像素来自于16个类。
表3
利用基于空-谱协方差特征的超像素局部线性嵌入方法和支持向量机分类方法对高光谱图像AVIRIS Indian Pines分类，得到的准确率如表4所示。其中，待分类的像素来自于16个类。
表4
本申请提供了一种高光谱图像超像素局部线性嵌入降维方法，方法包括：获取高光谱图像数据；对高光谱图像数据进行预处理；提取处理后的高光谱图像数据的高光谱图像的空-谱协方差特征；分割高光谱图像数据得到超像素高光谱图像的数量；寻找高光谱图像数据的样本近邻点；根据样本邻近点，得到样本的邻近关系；基于样本邻近关系，对高光谱图像数据进行降维得到初级降维结果；对超像素高光谱图像的数量、邻近点以及初级降维结果进行选择得到终级降维结果；用分类器对得到的高光谱图像降维结果进行分类。方法用协方差描述子提取高光谱图像的空-谱协方差特征，既考虑到高光谱图像的空间信息，也考虑到其光谱信息；空谱协方差特征落在黎曼流形上，对应的Log-Euclidean距离(测地线距离)能更准确地描述样本间的相似性，从而找到合理的近邻点。同一个超像素里的像素大概率属于同一个类别，在里面寻找到的近邻点既是空间相邻，在流形上也是相邻的。结合了高光谱图像的空-谱协方差特征和超像素分割策略，充分利用了图像的空间信息，使降维后的特征更具判别性，促进高光谱图像的分类。
需要说明的是，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (7)
1.一种高光谱图像超像素局部线性嵌入降维方法，其特征在于，所述方法包括：
获取高光谱图像数据；
对所述高光谱图像数据进行预处理；
提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征；
分割所述高光谱图像数据得到超像素高光谱图像的数量；
寻找所述高光谱图像数据的样本近邻点；
根据所述样本邻近点，得到所述样本的邻近关系；
基于所述样本邻近关系，对所述高光谱图像数据进行降维得到初级降维结果；
对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择得到终级降维结果；
用分类器对得到的高光谱图像降维结果进行分类。
2.根据权利要求1所述的一种高光谱图像超像素局部线性嵌入降维方法，其特征在于，对所述高光谱图像数据进行预处理包括：删除低信噪比的、影响分类性能的光谱波段。
3.根据权利要求1所述的一种高光谱图像超像素局部线性嵌入降维方法，其特征在于，提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征包括：用局域协方差描述子提取高光谱图像的空-谱协方差特征。
4.根据权利要求1所述的一种高光谱图像超像素局部线性嵌入降维方法，其特征在于，分割所述高光谱图像数据得到超像素高光谱图像的数量包括：用超像素分割算法对高光谱图像进行分割。
5.根据权利要求1所述的一种高光谱图像超像素局部线性嵌入降维方法，其特征在于，寻找所述高光谱图像数据的样本近邻点包括：用空-谱协方差特征和Log-Euclidean距离尺度寻找样本近邻点。
6.根据权利要求1所述的一种高光谱图像超像素局部线性嵌入降维方法，其特征在于，基于所述样本邻近关系，对所述高光谱图像数据进行降维得到初级降维结果包括：用局部线性嵌入方法对所述高光谱图像进行降维。
7.根据权利要求1所述的一种高光谱图像超像素局部线性嵌入降维方法，其特征在于，对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择得到终级降维结果包括：用交叉验证方法对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910900111.0A CN110619370A (zh) | 2019-09-23 | 2019-09-23 | 一种高光谱图像超像素局部线性嵌入降维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910900111.0A CN110619370A (zh) | 2019-09-23 | 2019-09-23 | 一种高光谱图像超像素局部线性嵌入降维方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110619370A true CN110619370A (zh) | 2019-12-27 |
Family
ID=68924114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910900111.0A Pending CN110619370A (zh) | 2019-09-23 | 2019-09-23 | 一种高光谱图像超像素局部线性嵌入降维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110619370A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695636A (zh) * | 2020-06-15 | 2020-09-22 | 北京师范大学 | 一种基于图神经网络的高光谱图像分类方法 |
| CN113537252A (zh) * | 2021-08-23 | 2021-10-22 | 海南大学 | 基于空间谱群协方差特征的高光谱图像识别方法及装置 |
Citations (7)
| 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 |
| CN105069482A (zh) * | 2015-08-21 | 2015-11-18 | 中国地质大学（武汉） | 基于空间正则化流形学习算法的高光谱遥感图像分类方法 |
| 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 |
| CN106778885A (zh) * | 2016-12-26 | 2017-05-31 | 重庆大学 | 基于局部流形嵌入的高光谱图像分类方法 |
| CN107153839A (zh) * | 2017-04-20 | 2017-09-12 | 电子科技大学 | 一种高光谱图像降维处理方法 |
| CN110070485A (zh) * | 2019-04-04 | 2019-07-30 | 南京信息工程大学 | 一种高光谱图像降维方法 |
-
2019
- 2019-09-23 CN CN201910900111.0A patent/CN110619370A/zh active Pending
Patent Citations (7)
| 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 |
| 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 |
| CN105069482A (zh) * | 2015-08-21 | 2015-11-18 | 中国地质大学（武汉） | 基于空间正则化流形学习算法的高光谱遥感图像分类方法 |
| CN106778885A (zh) * | 2016-12-26 | 2017-05-31 | 重庆大学 | 基于局部流形嵌入的高光谱图像分类方法 |
| CN107153839A (zh) * | 2017-04-20 | 2017-09-12 | 电子科技大学 | 一种高光谱图像降维处理方法 |
| CN110070485A (zh) * | 2019-04-04 | 2019-07-30 | 南京信息工程大学 | 一种高光谱图像降维方法 |
Non-Patent Citations (3)
| Title |
|---|
| HUILIN XU 等: "Superpixed-based spatial-spectral dimension reduction for hyperspectral imagery classification", 《NEUROCOMPUTING》 * |
| LIN HE 等: "Multiscale Superpixelwise Locality Preserving Projection for Hyperspectral Image Classification", 《APPLIED SCIENCES》 * |
| 陈显军: "基于空-谱协方差特征的高光谱图像流形降维方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695636A (zh) * | 2020-06-15 | 2020-09-22 | 北京师范大学 | 一种基于图神经网络的高光谱图像分类方法 |
| CN111695636B (zh) * | 2020-06-15 | 2023-07-14 | 北京师范大学 | 一种基于图神经网络的高光谱图像分类方法 |
| CN113537252A (zh) * | 2021-08-23 | 2021-10-22 | 海南大学 | 基于空间谱群协方差特征的高光谱图像识别方法及装置 |
| CN113537252B (zh) * | 2021-08-23 | 2022-05-10 | 海南大学 | 基于空间谱群协方差特征的高光谱图像识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images | |
| CN110717354B (zh) | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 | |
| Song et al. | Hyperspectral image classification based on KNN sparse representation | |
| CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
| Zeng et al. | Multi-scale CNN based garbage detection of airborne hyperspectral data | |
| CN111160396B (zh) | 一种基于多图结构的图卷积网络的高光谱图像分类方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN113920376B (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
| Ganesh Babu et al. | Different stages of disease detection in squash plant based on machine learning | |
| CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
| CN105678342B (zh) | 基于联合偏度的玉米种子高光谱图像波段选择方法 | |
| CN110619370A (zh) | 一种高光谱图像超像素局部线性嵌入降维方法 | |
| CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
| CN109145950B (zh) | 一种基于图信号采样的高光谱图像主动学习方法 | |
| CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
| CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
| CN111047616B (zh) | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 | |
| CN113920345B (zh) | 一种基于聚类多重流形测度学习的高光谱影像降维方法 | |
| CN108171270A (zh) | 一种基于哈希学习的高光谱图像分类方法 | |
| Chen et al. | Spectral Query Spatial: Revisiting the Role of Center Pixel in Transformer for Hyperspectral Image Classification | |
| CN112966781A (zh) | 基于三元组损失和卷积神经网络的高光谱图像分类方法 | |
| Zhang et al. | Multi-feature classification of hyperspectral image via probabilistic SVM and guided filter | |
| CN114187477A (zh) | 一种基于监督自对比学习的小样本高光谱图像分类方法 | |
| CN109145945B (zh) | 一种非局部加权联合稀疏表示的高光谱图像分类方法 | |
| Yu et al. | Distinguishing tea stalks of Wuyuan green tea using hyperspectral imaging analysis and Convolutional Neural Network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |
|
| RJ01 | Rejection of invention patent application after publication |