CN110781831A - 基于自适应的高光谱最优波段选择方法和装置 - Google Patents

基于自适应的高光谱最优波段选择方法和装置 Download PDF

Info

Publication number
CN110781831A
CN110781831A CN201911027959.3A CN201911027959A CN110781831A CN 110781831 A CN110781831 A CN 110781831A CN 201911027959 A CN201911027959 A CN 201911027959A CN 110781831 A CN110781831 A CN 110781831A
Authority
CN
China
Prior art keywords
image
band
hyperspectral
ith
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
Application number
CN201911027959.3A
Other languages
English (en)
Inventor
刘畅
王广平
王静
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.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
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 Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN201911027959.3A priority Critical patent/CN110781831A/zh
Publication of CN110781831A publication Critical patent/CN110781831A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于自适应的高光谱最优波段选择方法、装置、设备和计算机可存储介质，其中方法包括以下步骤：获取高光谱图像数据；计算高光谱图像数据中每个波段图像与前后波段图像的相关系数，以及每个波段的图像像素标准差，并根据所述相关系数和图像像素标准差计算波段指数；将各个波段指数进行由大到小的排列，选出排列在前面的预设数量的波段作为最优波段。本发明有效解决样本有限的前提下高光谱波段间冗余信息大的问题。

Description

基于自适应的高光谱最优波段选择方法和装置
技术领域
本发明涉及高光谱数据处理领域，尤其涉及一种基于自适应的高光谱最优波段选择方法、装置、设备和计算机可读存储介质。
背景技术
由于高光谱图像数据维数高、数据量大、波段间数据冗余性大，会出现休斯(Hughes)现象，即在样本点数目一定的前提下，随着特征维数的增加分类精度会“先增后降”，这是影响分类精度的一个重要因素。所以如何抑制Hughes现象的出现成为高光谱数据处理的重要内容，这就需要研究如何在样本有限的前提下减少波段间的冗余信息，亦即如何进行高光谱最优波段选择。
发明内容
本发明要解决的技术问题在于，针对现有技术中存在的上述一个或多个缺陷，提供一种基于自适应的高光谱最优波段选择方法、装置、设备和计算机可读存储介质，解决样本有限的前提下高光谱波段间冗余信息大的问题。
为了解决上述技术问题，本发明第一方面提供了一种基于自适应的高光谱最优波段选择方法，该方法包括以下步骤：
获取高光谱图像数据；
计算高光谱图像数据中每个波段图像与前后波段图像的相关系数，以及每个波段的图像像素标准差，并根据所述相关系数和图像像素标准差计算波段指数；
将各个波段指数进行由大到小的排列，选出排列在前面的预设数量的波段作为最优波段。
在根据本发明所述的基于自适应的高光谱最优波段选择方法中，所述计算高光谱图像数据中每个波段图像与前后波段图像的相关系数具体包括：
通过以下公式计算第i个波段图像与第i-1个波段图像的相关系数Ri-1,i，以及第i个波段图像与第i+1个波段图像的相关系数Ri,i+1；
其中，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000022
是第i幅图像的像素平均值；fj(x,y)是第j幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000023
是第j幅图像的像素平均值；E{}为数学期望。
在根据本发明所述的基于自适应的高光谱最优波段选择方法中，所述方法通过以下公式计算每个波段的图像像素标准差：
Figure BDA0002249219430000024
其中，M、N分别是图像的行、列像素数，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000025
是第i幅图像的像素平均值。
在根据本发明所述的基于自适应的高光谱最优波段选择方法中，所述方法通过以下公式根据所述相关系数和图像像素标准差计算波段指数：
Figure BDA0002249219430000026
其中，σi为第i个波段的图像像素标准差，Ri-1,i为第i个波段图像与第i-1个波段图像的相关系数，Ri,i+1为第i个波段图像与第i+1个波段图像的相关系数。
本发明第二方面还提供了一种基于自适应的高光谱最优波段选择装置，包括：
图像数据获取单元，用于获取高光谱图像数据；
波段指数计算单元，用于计算高光谱图像数据中每个波段图像与前后波段图像的相关系数，以及每个波段的图像像素标准差，并根据所述相关系数和图像像素标准差计算波段指数；
波段选择单元，用于将各个波段指数进行由大到小的排列，选出排列在前面的预设数量的波段作为最优波段。
在根据本发明所述的基于自适应的高光谱最优波段选择装置中，所述波段指数计算单元通过以下公式计算第i个波段图像与第i-1个波段图像的相关系数Ri-1,i，以及第i个波段图像与第i+1个波段图像的相关系数Ri,i+1：
Figure BDA0002249219430000031
其中，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000032
是第i幅图像的像素平均值；fj(x,y)是第j幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000033
是第j幅图像的像素平均值；E{}为数学期望。
在根据本发明所述的基于自适应的高光谱最优波段选择装置中，所述波段指数计算单元通过以下公式计算每个波段的图像像素标准差：
Figure BDA0002249219430000034
其中，M、N分别是图像的行、列像素数，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000035
是第i幅图像的像素平均值。
在根据本发明所述的基于自适应的高光谱最优波段选择装置中，所述波段指数计算单元通过以下公式根据所述相关系数和图像像素标准差计算波段指数：
其中，σi为第i个波段的图像像素标准差，Ri-1,i为第i个波段图像与第i-1个波段图像的相关系数，Ri,i+1为第i个波段图像与第i+1个波段图像的相关系数。
本发明第三方面还提供了一种执行基于自适应的高光谱最优波段选择方法的设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上所述的方法。
本发明第四方面还提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如前所述的方法。
实施本发明的基于自适应的高光谱最优波段选择方法、装置、设备和计算机可读存储介质，具有以下有益效果：本发明充分结合了波段间的光谱相关性和空间相关性，计算的波段指数充分考虑了每幅影像的信息富集程度和相邻波段的相似性，指数越大，相应图像的信息量就越大，越具有代表性，最后对各个波段指数进行由大到小的排列，选出前面的波段作为最优波段，有效地解决了样本有限的前提下高光谱波段间冗余信息大的问题。
附图说明
图1为根据本发明优选实施例的基于自适应的高光谱最优波段选择方法的流程图；
图2为根据本发明优选实施例的基于自适应的高光谱最优波段选择装置的模块框图；
图3a-3c分别为原始高光谱图像、目标分布图和地面真实图像；
图4为高光谱图像中十种地物的连续光谱曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，为根据本发明优选实施例的基于自适应的高光谱最优波段选择方法的流程图。如图1所示，该实施例提供基于自适应的高光谱最优波段选择方法包括以下步骤：
首先，在步骤S101中，执行图像数据获取步骤，获取高光谱图像数据。
随后，在步骤S102中，执行波段指数计算步骤，将计算高光谱图像数据中每个波段图像与前后波段图像的相关系数，以及每个波段的图像像素标准差，并根据所述相关系数和图像像素标准差计算波段指数。
本发明方法充分结合了波段间的光谱相关性和空间相关性，构造了相应的数学模型。具体地，该步骤中计算高光谱图像数据中每个波段图像与前后波段图像的相关系数具体包括：
通过以下公式计算第i个波段图像与第i-1个波段图像的相关系数Ri-1,i，以及第i个波段图像与第i+1个波段图像的相关系数Ri,i+1；
Figure BDA0002249219430000051
其中，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000052
是第i幅图像的像素平均值；fj(x,y)是第j幅图像中像素点(x,y)的像素值，是第j幅图像的像素平均值；E{}为数学期望。
图像的相关系数值越小，则两个波段之间的独立性越高、冗余度也越小。
该步骤中还通过以下公式计算每个波段的图像像素标准差：
其中，M、N分别是图像的行、列像素数，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure BDA0002249219430000055
是第i幅图像的像素平均值。
该步骤中通过以下公式根据所述相关系数和图像像素标准差计算波段指数：
其中，σi为第i个波段的图像像素标准差，Ri-1,i为第i个波段图像与第i-1个波段图像的相关系数，Ri,i+1为第i个波段图像与第i+1个波段图像的相关系数。
最后，在步骤S103中，执行波段选择步骤，将各个波段指数进行由大到小的排列，选出排列在前面的预设数量N的波段作为最优波段。本发明波段自适应选择方法获得的指数Ii充分考虑了每幅影像的信息富集程度和相邻波段的相似性，指数越大，相应图像的信息量就越大，越具有代表性。因此根据以上公式求出各个波段指数，然后对各个波段指数进行由大到小的排列，选出前N个波段作为最优波段。
更优选地，上述步骤S103还可以根据选取的最优波段从原始的高光谱图像数据中提取这些最优波段对应的图像数据，利用经过降维之后的图像数据，可以进一步进行高光谱混合像元分解、分类和检测识别等操作。因此，本发明的基于自适应的高光谱最优波段选择方法还可以称为高光谱图像数据处理方法。
基于同一发明构思，本发明实施例还提供一种基于自适应的高光谱最优波段选择装置。请参阅图2，为根据本发明优选实施例的基于自适应的高光谱最优波段选择装置的模块框图。如图2所示，该实施例提供的装置200包括：图像数据获取单元201、波段指数计算单元202和波段选择单元203。
图像数据获取单元201，用于获取高光谱图像数据。
波段指数计算单元202，用于计算高光谱图像数据中每个波段图像与前后波段图像的相关系数，以及每个波段的图像像素标准差，并根据所述相关系数和图像像素标准差计算波段指数。该波段指数计算单元202的运算过程与前述方法中波段指数计算步骤一致，在此不再赘述。
波段选择单元203，用于将各个波段指数进行由大到小的排列，选出排列在前面的预设数量的波段作为最优波段。该波段选择单元203的运算过程与前述方法中波段选择步骤一致，在此不再赘述。
本发明实施例还提供了一种执行基于自适应的高光谱最优波段选择方法的设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于自适应的高光谱最优波段选择方法。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于自适应的高光谱最优波段选择方法。
本发明利用AVIRIS高光谱数据92AV3C对算法进行验证。请参阅图3a-3c，分别为原始高光谱图像、目标分布图和地面真实图像。图3b的目标分布图为采用本发明方法选择的最优波段后，去掉其他波段仅保留降维后的35个最优波段之后的图像。该实验图像拍摄于1992年6月美国印第安纳州印度松树测试地。图像数据有145×145个像素，空间分辨率为20m。真实的地物由10366个像素组成。该数据有220个波段，其中水吸收波段104～108和150～162去除，剩余202个波段用于分析。此图像中有16种不同的地物类别，其中6种样本过少，不具代表性，所以数据中选择了Corn-notill，Corn-min，Corn-Pasture，Grass/Tress，Hay-windrowed，Soybeans-notill，Soybeans-min，Soybeans-clean，Woods，Stone-steeltowers共十个类别。由于Stone-steeltowers占据的像元个数相对较少(95个)，其光谱与植被光谱有较大差别，可以作为图像的目标地物。
请参阅图4，为高光谱图像中十种地物的连续光谱曲线。其中横轴为波段编号，纵轴为原始数据电平(DN)值。
下表1所示为本发明自适应波段选择后的35个最佳波段及波段指数值，按从大到小排列。
表1自适应波段选择的35个波段
Figure BDA0002249219430000081
从表中可以看出，本发明选取了波段指数排列在前面的35个波段作为最优波段，并提取这些最优波段的图像数据构建出了图3b。从图3b与图3c可以看出，通过本发明的方法选择后的图像中可以很好地复原出10种地物目标的位置，并且其选择的波段编号与图4中的光谱曲线相匹配，即在这些波段中，10种地物的响应最强。
综上所述，本发明的自适应最优波段选择方法是依据所选择波段信息量大，所选波段与其他波段之间的相关性小的原则提出的一种新的波段选择方法，该方法充分结合了波段间的光谱相关性和空间相关性，构造了相应的计算模型，波段自适应选择方法获得的指数Ii充分考虑了每幅影像的信息富集程度和相邻波段的相似性，指数越大，相应图像的信息量就越大，越具有代表性，最后对各个波段指数进行由大到小的排列，选出前N个波段作为最优波段。本发明能够解决样本有限的前提下高光谱波段间冗余信息大的问题。
应该理解地是，本发明中基于自适应的高光谱最优波段选择方法及装置的原理相同，因此对基于自适应的高光谱最优波段选择方法的实施例的详细阐述也适用于基于自适应的高光谱最优波段选择装置。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于自适应的高光谱最优波段选择方法，其特征在于，该方法包括以下步骤：
获取高光谱图像数据；
计算高光谱图像数据中每个波段图像与前后波段图像的相关系数，以及每个波段的图像像素标准差，并根据所述相关系数和图像像素标准差计算波段指数；
将各个波段指数进行由大到小的排列，选出排列在前面的预设数量的波段作为最优波段。
2.根据权利要求1所述的基于自适应的高光谱最优波段选择方法，其特征在于，所述计算高光谱图像数据中每个波段图像与前后波段图像的相关系数具体包括：
通过以下公式计算第i个波段图像与第i-1个波段图像的相关系数Ri-1,i，以及第i个波段图像与第i+1个波段图像的相关系数Ri,i+1；
Figure FDA0002249219420000011
其中，fi(x,y)是第i幅图像中像素点(x,y)的像素值，是第i幅图像的像素平均值；fj(x,y)是第j幅图像中像素点(x,y)的像素值，
Figure FDA0002249219420000013
是第j幅图像的像素平均值；E{}为数学期望。
3.根据权利要求2所述的基于自适应的高光谱最优波段选择方法，其特征在于，所述方法通过以下公式计算每个波段的图像像素标准差：
其中，M、N分别是图像的行、列像素数，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure FDA0002249219420000015
是第i幅图像的像素平均值。
4.根据权利要求1或2所述的基于自适应的高光谱最优波段选择方法，其特征在于，所述方法通过以下公式根据所述相关系数和图像像素标准差计算波段指数：
Figure FDA0002249219420000021
其中，σi为第i个波段的图像像素标准差，Ri-1,i为第i个波段图像与第i-1个波段图像的相关系数，Ri,i+1为第i个波段图像与第i+1个波段图像的相关系数。
5.一种基于自适应的高光谱最优波段选择装置，其特征在于，包括：
图像数据获取单元，用于获取高光谱图像数据；
波段指数计算单元，用于计算高光谱图像数据中每个波段图像与前后波段图像的相关系数，以及每个波段的图像像素标准差，并根据所述相关系数和图像像素标准差计算波段指数；
波段选择单元，用于将各个波段指数进行由大到小的排列，选出排列在前面的预设数量的波段作为最优波段。
6.根据权利要求5所述的基于自适应的高光谱最优波段选择装置，其特征在于，所述波段指数计算单元通过以下公式计算第i个波段图像与第i-1个波段图像的相关系数Ri-1,i，以及第i个波段图像与第i+1个波段图像的相关系数Ri,i+1：
Figure FDA0002249219420000022
其中，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure FDA0002249219420000023
是第i幅图像的像素平均值；fj(x,y)是第j幅图像中像素点(x,y)的像素值，是第j幅图像的像素平均值；E{}为数学期望。
7.根据权利要求6或7所述的基于自适应的高光谱最优波段选择装置，其特征在于，所述波段指数计算单元通过以下公式计算每个波段的图像像素标准差：
Figure FDA0002249219420000031
其中，M、N分别是图像的行、列像素数，fi(x,y)是第i幅图像中像素点(x,y)的像素值，
Figure FDA0002249219420000032
是第i幅图像的像素平均值。
8.根据权利要求6或7所述的基于自适应的高光谱最优波段选择装置，其特征在于，所述波段指数计算单元通过以下公式根据所述相关系数和图像像素标准差计算波段指数：
Figure FDA0002249219420000033
其中，σi为第i个波段的图像像素标准差，Ri-1,i为第i个波段图像与第i-1个波段图像的相关系数，Ri,i+1为第i个波段图像与第i+1个波段图像的相关系数。
9.一种执行基于自适应的高光谱最优波段选择方法的设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，其特征在于，当计算机程序指令被处理器执行时实现如权利要求1～4中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如权利要求1～4中任一项所述的方法。
CN201911027959.3A 2019-10-28 2019-10-28 基于自适应的高光谱最优波段选择方法和装置 Pending CN110781831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911027959.3A CN110781831A (zh) 2019-10-28 2019-10-28 基于自适应的高光谱最优波段选择方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911027959.3A CN110781831A (zh) 2019-10-28 2019-10-28 基于自适应的高光谱最优波段选择方法和装置

Publications (1)

Publication Number Publication Date
CN110781831A true CN110781831A (zh) 2020-02-11

Family

ID=69386846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911027959.3A Pending CN110781831A (zh) 2019-10-28 2019-10-28 基于自适应的高光谱最优波段选择方法和装置

Country Status (1)

Country Link
CN (1) CN110781831A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163523A (zh) * 2020-09-29 2021-01-01 北京环境特性研究所 一种异常目标检测方法、装置和计算机可读介质
CN112525346A (zh) * 2020-12-03 2021-03-19 安徽理工大学 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质
CN113177488A (zh) * 2021-05-07 2021-07-27 华北理工大学 基于最佳指数波段组合的高光谱图像波段选择方法
CN113281270A (zh) * 2021-04-26 2021-08-20 中国自然资源航空物探遥感中心 一种高光谱波段选择方法、装置、设备及存储介质
CN114863291A (zh) * 2022-04-20 2022-08-05 重庆市地理信息和遥感应用中心 基于mcl和光谱差异度量的高光谱影像波段选择方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131734A (zh) * 2007-06-25 2008-02-27 北京航空航天大学 适用于高光谱遥感图像的自动波段选择方法
CN108596077A (zh) * 2018-04-20 2018-09-28 南阳理工学院 高光谱图像自适应光谱聚焦波段选择方法
US20190204831A1 (en) * 2018-01-03 2019-07-04 Denso International America, Inc. Vehicle Localization System

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131734A (zh) * 2007-06-25 2008-02-27 北京航空航天大学 适用于高光谱遥感图像的自动波段选择方法
US20190204831A1 (en) * 2018-01-03 2019-07-04 Denso International America, Inc. Vehicle Localization System
CN108596077A (zh) * 2018-04-20 2018-09-28 南阳理工学院 高光谱图像自适应光谱聚焦波段选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘春红 等: "一种新的高光谱遥感图像降维方法", 《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
CN112163523A (zh) * 2020-09-29 2021-01-01 北京环境特性研究所 一种异常目标检测方法、装置和计算机可读介质
CN112525346A (zh) * 2020-12-03 2021-03-19 安徽理工大学 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质
CN112525346B (zh) * 2020-12-03 2022-10-11 安徽理工大学 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质
CN113281270A (zh) * 2021-04-26 2021-08-20 中国自然资源航空物探遥感中心 一种高光谱波段选择方法、装置、设备及存储介质
CN113177488A (zh) * 2021-05-07 2021-07-27 华北理工大学 基于最佳指数波段组合的高光谱图像波段选择方法
CN114863291A (zh) * 2022-04-20 2022-08-05 重庆市地理信息和遥感应用中心 基于mcl和光谱差异度量的高光谱影像波段选择方法
CN114863291B (zh) * 2022-04-20 2023-08-08 重庆市地理信息和遥感应用中心 基于mcl和光谱差异度量的高光谱影像波段选择方法

Similar Documents

Publication Publication Date Title
CN110781831A (zh) 基于自适应的高光谱最优波段选择方法和装置
CN111723860B (zh) 一种目标检测方法及装置
CN111985543B (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN110110596B (zh) 高光谱图像特征提取、分类模型构建及分类方法
CN108765414B (zh) 基于小波分解和自然场景统计的无参考立体图像质量评价方法
US20140037209A1 (en) System and method for reduced incremental spectral clustering
CN114766041A (zh) 用于确定作物损害的系统和方法
Lu et al. No reference quality assessment for multiply-distorted images based on an improved bag-of-words model
CN111881933A (zh) 一种高光谱图像分类方法及系统
Wang et al. A new blind image quality framework based on natural color statistic
CN109657081A (zh) 高光谱卫星遥感数据的分布式处理方法、系统及介质
CN112597855B (zh) 农作物倒伏程度识别方法及装置
WO2016145571A1 (zh) 基于条件直方图码书的盲图像质量评价方法
CN112507763A (zh) 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质
CN111767943A (zh) 地膜识别方法、装置、电子设备及存储介质
CN117115669B (zh) 双条件质量约束的对象级地物样本自适应生成方法及系统
CN113421198B (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
Zhang et al. Two-step ResUp&Down generative adversarial network to reconstruct multispectral image from aerial RGB image
CN113298086A (zh) 基于U-Net网络的赤潮多光谱检测方法
CN117115685A (zh) 一种基于深度学习的经济作物信息识别方法及系统
CN111666914A (zh) 基于曲线间距离的耕地识别方法、系统、设备及存储介质
He et al. A night low‐illumination image enhancement model based on small probability area filtering and lossless mapping enhancement
CN109460788B (zh) 基于低秩-稀疏信息组合网络的高光谱图像分类方法
CN115908907A (zh) 一种高光谱遥感图像分类方法及系统
Yi et al. No-reference quality assessment of underwater image enhancement

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211