CN111079850A - 波段显著度的深度空谱联合高光谱图像分类方法 - Google Patents
波段显著度的深度空谱联合高光谱图像分类方法 Download PDFInfo
- Publication number
- CN111079850A CN111079850A CN201911335020.3A CN201911335020A CN111079850A CN 111079850 A CN111079850 A CN 111079850A CN 201911335020 A CN201911335020 A CN 201911335020A CN 111079850 A CN111079850 A CN 111079850A
- Authority
- CN
- China
- Prior art keywords
- depth
- band
- spectrum
- wave band
- matrix
- 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
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
- G06F18/21—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明公开波段显著度的深度空谱联合高光谱图像分类方法,步骤:(1)读入高光谱图像;(2)基于流行保持弱冗余波段评价估计出各波段的显著度;(3)选取显著度高的波段形成优质波段集;(4)对优质波段集进行连续随机抽取,得到N组波段数目相同的低维子集;(5)将N组波段子集并行到深度随机块网络进行特征提取;(6)提取到N组多尺度深度显著空谱联合特征;(7)将N组特征进行级联,构成多尺度深度显著空‑谱联合特征集;(8)输入到支持向量机进行分类,实现基于数目有限的训练样本,且不需耗时训练深度网络的情况下并行地提取出可分性强的深度光谱‑空间融合特征,从而能够实现少样本量、低耗时、高精度的高光谱图像分类。
Description
技术领域
本发明涉及高光谱图像分析与理解领域,具体地说,本发明涉及一种基于波段显著度的深度空谱联合高光谱图像分类方法。
背景技术
高光谱成像技术的发展,为我们提供了大量的具有“图谱合一”特点的高光谱图像。由于高光谱图像的数百精细光谱波段和丰富的空间结构信息,使其在土地利用情况调查、海洋监测、森林监测以及精细农业等领域具有巨大的应用潜力。为此,基于高光谱图像的分类技术成为研究热点。
近几年随着深度学习技术的发展,许多基于深度学习的高光谱图像分类技术相继被提出。这些方法的核心是通过大量的训练样本,力求训练出能够较好表达各类地物特征的深层网络,来提高图像的分类精度。因此,训练过程不仅耗时、而且将所有光谱同等地处理,忽略了噪声波段对所提特征的干扰。此外,对于遥感图像而言,样本的标注需要实地勘察,因此训练样本有限,难以满足训练深层结构网络的需求,从而不可避免的造成所训练模型的过拟合。
发明内容
为克服上述技术的缺陷与不足,本发明提出了一种基于波段显著度的深度空谱联合高光谱图像分类方法,旨在解决现有技术分类精度低、训练时间长、运算效率低、所需训练样本数目高的问题。
本发明为解决技术问题采用如下技术方案:
波段显著度的深度空谱联合高光谱图像分类方法,其特征在于,包括以下步骤:
步骤2:通过基于流行保持-弱冗余波段评价方法,估计出各波段的显著度u=[u1,u2,...,ud],其中,ui代表第i(1≤i≤d)个波段的显著度;
(2-1)根据式(1)计算出波段间相似度矩阵S:
其中,sij表示位于矩阵S第i行、第j列的元素,xi、xj分别为X中第i个与第j
个像元,ei,k+1表示遍历X所有波段,距离xi第k+1个最小欧氏距离,ei,t表示距离xi第t个最小欧式距离,eij描述的是xi与xj间的欧氏距离;
(2-2)依据式(2)计算图矩阵L:
L=(I-S)T(I-S) (2)
其中,I为d×d的单位矩阵;
(2-3)对L+αI-αXT(XXT)-1X进行特征值分解,其中,α为正则化参数;
(2-4)取特征值最大的前n个特征向量构成矩阵Z,其中,n通常设为0.9*d;
(2-5)依据式(3)得到矩阵A;
A=(XXT)-1XZT (3)
(2-6)依据式(4)计算出刻画各波段显著度的向量u:
u=||A||2,1 (4)
其中,||A||2,1表示矩阵A的l2,1范数。
步骤3:将d个光谱波段按显著度由高至低的顺序排列,从中选取显著度高的b个波段组成优质波段集;
步骤5:将N个优质波段子集,并行地输入到深度随机块网络进行特征提取,具体如步骤(5-1)至(5-12);
(5-1)针对第l(l≤1≤N)个优质波段子集Xl,初始化窗口尺寸win、卷积网络最终层数Laynum、卷积核个数K,初始化当前层数lay=1;
(5-2)计算Xl的协方差矩阵,并进行奇异值分解,得到白化矩阵W_Xs;
(5-5)将K个随机块分别作为卷积核分别与Xl进行遍历卷积操作,得到K个卷积图;
(5-6)对K个卷积图进行池化操作,得到第lay层深度显著光谱-空间特征Fealay;
(5-7)lay=lay+1;
(5-8)计算Fealay的协方差矩阵,并进行奇异值分解,得到白化矩阵W_Xs;
(5-12)对K个更新的卷积图进行池化操作,得到第lay层深度显著光谱-空间特征Fealay;
(5-13)若lay<Laynum,则继续步骤(5-7)至步骤(5-13),
否则,得到多尺度深度显著空-谱联合特征,并跳出所述步骤5转入所述步骤6;
步骤6:将各组特征进行级联,得到多尺度深度显著空-谱联合特征集;
步骤7:将所得特征集输入到支持向量机进行分类,并得到分类结果。
与现有技术相比,本发明的有益效果在于:
(1)提出融合波段显著度的基础上进行深度显著光谱-空间特征提取。它在保证充分利用有限优质波段的同时,也能够有效地避免含噪波段的干扰,从而有助于提取到可分性强的深度显著光谱-空间融合特征,进而提高分类精度;
(2)提出随机多组优质波段子集的深度显著光谱-空间特征提取。多组化处理便于并行运算,在减少耗时同时,也能由于优质波段的整合而保证较高的分类精度;
(3)提出的方法不需要训练深度网络,因此,不仅能节省大量的训练时间,而且可以有效地避免传统深度学习技术依赖大量训练样本的问题。
附图说明
图1是本发明实施例的流程图。
图2是基于Indian Pines数据,本发明所提方法与其它四种著名的高光谱图像分类方法所得的分类结果图。其中,(a)真实参考图;(b)基于RF的分类结果图;(c)基于LFDA-GMM-MRF的分类结果图;(d)基于RPNet-5的分类结果图;(e)本发明方法的分类结果图。
具体实施方式
本发明基于波段显著度的深度空-谱联合高光谱图像分类方法,步骤如下:(1)读入高光谱图像;(2)基于流行保持-弱冗余波段评价方法,估计出各波段的显著度;(3)选取显著度高的波段形成优质波段集;(4)对优质波段集进行连续随机抽取,得到N组波段数目相同的低维子集;(5)将N组波段子集,并行输入到深度随机块网络进行特征提取;(6)提取到N组多尺度深度显著空-谱联合特征;(7)将N组特征进行级联,构成多尺度深度显著空-谱联合特征集;(8)输入到支持向量机进行分类。
本发明方法的实质性特点在于基于流行保持-弱冗余波段评价方法获得各波段的显著度进而将显著度高的波段形成优质波段集,进一步的,在融合波段显著度的基础上进行深度显著光谱-空间特征提取,提取到可分性强的深度显著光谱-空间融合特征,进而提高分类精度,即通过数目有限的训练样本且不需耗时训练深度网络的情况下,能够从多组优质波段中并行地提取出可分性强的深度光谱-空间融合特征,从而能够实现少样本量、低耗时、高精度的高光谱图像分类。而且,本发明所提出的方法不需要训练深度网络,能节省大量的训练时间,而且可以有效地避免传统深度学习技术依赖大量训练样本的问题,通过多组化处理便于并行运算,在减少耗时同时,也能由于优质波段的整合而保证较高的分类精度。
下面结合附图和实施例对本发明进行进一步的说明。
为了验证本发明所提方法的有效性,实施例选取的真实数据是常用的含有16类地物的Indian Pines高光谱图像。该数据的空间尺寸是145×145,包含0.4~2.5μm的220个光谱波段,除去20个水吸收的波段,剩下200个波段。
此外,我们将所提方法与四种著名的高光谱图像分类方法:随机森林(RF)、高斯混合模型与马尔可夫随机场模型结合的高光谱图像分类方法(LFDA-GMM-MRF)、以及基于随机块网络的高光谱图像分类方法(RPNet-5),进行分类精度的比较。
此外,为了进一步比较所提分类方法的有效性,表1还列出了本专利方法及四种对比方法对于IndianPines高光谱图像进行分类的总体精度(OA)、各类平均精度(AA)和Kappa系数(κ)。
具体实施时,本发明技术方案可采用C++、Matlab、Python等编程软件技术自动运行实现。
实施例执行步骤如下:
步骤1:输入大小为145×145,含有200个光谱波段的Indian Pines高光谱图像X;
步骤2:通过基于流行保持-弱冗余波段评价方法,估计出各波段的显著度u=[u1,u2,...,ud],其中,ui代表第i(1≤i≤d)个波段的显著度;具体步骤如下所述:
(2-1)根据式(1)计算出波段间相似度矩阵S:
其中,sij表示位于矩阵S第i行、第j列的元素,xi、xj分别为X中第i个与第j个像元,ei,k+1表示遍历X所有波段,距离xi第k+1个最小欧氏距离,ei,t表示距离xi第t个最小欧式距离,eij描述的是xi与xj间的欧氏距离;
(2-2)依据式(2)计算图矩阵L:
L=(I-S)T(I-S) (2)
其中,I为d×d的单位矩阵;
(2-3)对L+αI-αXT(XXT)-1X进行特征值分解,其中,α为正则化参数;
(2-4)取特征值最大的前n个特征向量构成矩阵Z,其中,n通常设为0.9*d;
(2-5)依据式(3)得到矩阵A;
A=(XXT)-1XZT (3)
(2-6)依据式(4)计算出刻画各波段显著度的向量u:
u=||A||2,1 (4)
其中,||A||2,1表示矩阵A的l2,1范数。
步骤3:从200个波段中,仅选取显著度较高的前60个波段形成优质波段集;
步骤4:对优质波段集进行连续随机抽取,得到6组波段数目均为3,空间尺寸仍为145×145的6个优质波段子集{X1,X2,...,X6},其中Xj表示第j个优质波段子集,且每个子集的波段数目均为3;
步骤5:将6个优质波段子集,并行地输入到深度随机块网络进行特征提取,具体如步骤5-1至5-13;
(5-1)对于第l(l≤1≤6)个优质波段子集Xl,初始化窗口尺寸21,卷积网络层数为5,卷积核个数为20,当前层数设为lay=1;
(5-2)计算Xl的协方差矩阵,并进行奇异值分解,得到白化矩阵W_Xs;
(5-5)将20个随机块分别作为卷积核分别与Xl进行遍历卷积操作,得到20个卷积图;
(5-6)对20个卷积图进行池化操作,得到第lay层深度显著光谱-空间特征Fealay;
(5-7)lay=lay+1;
(5-8)计算Fealay的协方差矩阵,并进行奇异值分解,得到白化矩阵W_Xs;
(5-12)对20个更新卷积图进行池化操作,得到第lay层深度显著光谱-空间特征Fealay;
(5-13)若lay<5,则继续步骤(5-7)至步骤(5-13),否则,得到多尺度深度显著空-谱联合特征,并跳出所述步骤5,转入所述步骤6;
步骤6:将各组特征进行级联,得到多尺度深度显著空-谱联合特征集;
步骤7:将所得特征集输入到支持向量机利用有限的训练样本进行训练,得到分类模型,并将测试样本输入到分类模型中进行测试,得到最终的分类结果。
此外,本例从IndianPines中通过随机的形式得到表1所示训练样本与测试样本,并基于表1的样本,将本发明方法与三种著名的高光谱图像分类方法:随机森林(RF)、高斯混合模型与马尔可夫随机场模型结合的高光谱图像分类方法(LFDA-GMM-MRF)、以及基于随机块网络的高光谱图像分类方法(RPNet-5),进行分类精度的比较。
表1训练样本与测试样本数目
序号 | 地物类别 | 训练样本数目 | 测试样本数目 |
1 | Alfalfa | 30 | 16 |
2 | Corn-notill | 150 | 1278 |
3 | Corn-mintill | 150 | 680 |
4 | Corn | 100 | 137 |
5 | Grass-pasture | 150 | 333 |
6 | Grass-trees | 150 | 580 |
7 | Grass-pasture-mowed | 20 | 8 |
8 | Hay-windrowed | 150 | 328 |
9 | Oats | 15 | 5 |
10 | Soybean-notill | 150 | 822 |
11 | Soybean-mintill | 150 | 2305 |
12 | Soybean-clean | 150 | 443 |
13 | Wheat | 150 | 55 |
14 | Woods | 150 | 1115 |
15 | Buildings-Grass-Trees-Drives | 50 | 336 |
16 | Stone-Steel-Towers | 50 | 43 |
图2给出了本发明方法与其它三种方法的分类结果图。由图2不难看出,LFDA-GMM-MRF由于考虑到高光谱图像的空间结构信息,能够取得比RF更好的分类结果。然而,由于缺乏对深度特征的提取,LFDA-GMM-MRF的性能不及RPNet-5及本专利所提方法。
值得注意的是,由于本发明方法可有效地利用优质波段,同时避免含噪波段的干扰,因此,相同的测试条件下能够取得比RPNet-5更好的性能。
为了定量地比较本发明方法与其它三种代表性方法的性能优势,表2列出了Indian Pines高光谱图像上各类的分类精度,其中加粗表示精度最高。
表2 Indian Pines高光谱图像上各类的分类精度
由表2明显可看出,LFDA-GMM-MRF能够对于第4、7、13、16这四类地物实现100%的分类准确率,优于RF,而RPNet-5能够进一步对第1、7、8、9、13这五类地物取得100%的分类准确率,优于LFDA-GMM-MRF的四类,而本发明方法能够对第1、4、6、7、8、9、14、16这八类均取得100%的分类准确率,几乎整合了LFDA-GMM-MRF及RPNet-5的最佳性能,分析原因在于本发明的方法通过优质波段子集的选取能够有效地利用优势波段避免无用甚至含噪波段的干扰,进而提高分类性能。
另外,为了对本发明方法与其它三种著名方法从整体上进行定量比较,表3给出了四种方法的总体精度,平均精度及Kappa系数,其中,加粗表示性能最优。
表3 IndianPines高光谱图像上的总体精度(OA)、平均精度(AA)及Kappa系数(κ)
由表3明显可看出,本发明方法的性能最佳。此外,尽管RPNet-5能够达到0.97的分类精度,然而许多实际应用对误检的容忍度很低,例如,基于高光谱图像的土地利用调查中,0.03的误检能够可能导致地面几百平方公里的调查误差。相较而言,本发明方法能够进一步提升性能,取得最接近于1的总体精度、平均精度及Kappa系数,使得基于高光谱图像开展诸如土地利用调查、海洋监测及军事目标检测等工作的实用性与可靠性得到进一步提高。因此,结合图2、表2、表3可知,本发明方法由于提出通过预测各波段的显著度,能够得到优质波段子集,从而在降低数据量、提高运算效率的同时,有效地规避噪声波段的干扰,进而能够得到最佳的分类精度。
另外,由于本发明方法提出通过随机选取的方式建立多组低维优质波段子集,能够充分利用优质波段便于并行化实现,因此,对于尺寸大的高光谱遥感图像而言,相比RP-Net5,本发明方法不仅能够进一步提高分类精度,而且重要的是通过降低波段子集维数和并行化处理能够大大节约运算的运行时间,从而为实时分类提供了可能。
本发明基于波段显著度的深度空谱联合高光谱图像分类方法,旨在解决现有技术分类精度低、训练时间长、运算效率低、所需训练样本数目高的问题,首先,通过融合波段显著度,既可以保证有限优质波段的充分利用,也能够有效地避免含噪波段的干扰,从而有助于提取到可分性强的深度显著光谱-空间融合特征,进而提高分类精度;其次,本发明提出随机多组优质波段子集的深度显著光谱-空间特征提取,通过多组化处理便于并行运算,在减少耗时同时,也能由于优质波段的整合而保证较高的分类精度;最后,本发明所提出的方法不需要训练深度网络,因此,不仅能节省大量的训练时间,而且可以有效地避免传统深度学习技术依赖大量训练样本的问题。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.波段显著度的深度空谱联合高光谱图像分类方法,其特征在于包括以下步骤:
步骤2:通过基于流行保持-弱冗余波段评价获得出各波段的显著度u=[u1,u2,...,ud],其中,ui代表第i(1≤i≤d)个波段的显著度;
步骤3:将d个光谱波段按显著度由高至低的顺序排列,选取显著度高的b个波段组成优质波段集;
步骤5:将N个优质波段子集,并行输入到深度随机块网络进行特征提取,得到N组多尺度深度显著空-谱联合特征;
步骤6:将N组特征进行级联,得到多尺度深度显著空-谱联合特征集;
步骤7:将所得特征集输入到支持向量机进行分类,并得到分类结果。
2.根据权利要求1所述波段显著度的深度空谱联合高光谱图像分类方法,其特征在于,所述步骤2的流行保持-弱冗余波段评价包括以下步骤:
(2-1)根据式(1)计算出波段间相似度矩阵S:
其中,sij表示位于矩阵S第i行、第j列的元素,xi、xj分别为X中第i个与第j
个像元,ei,k+1表示遍历X所有波段距离xi第k+1个最小欧氏距离,ei,t表示距离xi
第t个最小欧式距离,eij描述的是xi与xj间的欧氏距离;
(2-2)依据式(2)计算图矩阵L:
L=(I-S)T(I-S) (2)
其中,I为d×d的单位矩阵;
(2-3)对L+αI-αXT(XXT)-1X进行特征值分解,其中,α为正则化参数;
(2-4)取特征值最大的前n个特征向量构成矩阵Z,其中,n设为0.9*d;
(2-5)依据式(3)得到矩阵A;
A=(XXT)-1XZT (3)
(2-6)依据式(4)计算出刻画各波段显著度的向量u,
u=||A||2,1 (4)
其中,||A||2,1表示矩阵A的l2,1范数。
3.根据权利要求1所述波段显著度的深度空谱联合高光谱图像分类方法,其特征在于,所述步骤5深度随机块网络进行特征提取包括以下步骤:
(5-1)针对第l(l≤1≤N)个优质波段子集Xl,初始化窗口尺寸win、卷积网络最终层数Laynum、卷积核个数K,初始化当前层数lay=1;
(5-2)计算Xl的协方差矩阵,并进行奇异值分解,得到白化矩阵W_Xs;
(5-5)将K个随机块分别作为卷积核分别与Xl进行遍历卷积操作,得到K个卷积图;
(5-6)对K个卷积图进行池化操作,得到第lay层深度显著光谱-空间特征Fealay;
(5-7)lay=lay+1;
(5-8)计算Fealay的协方差矩阵,并进行奇异值分解,得到白化矩阵W_Xs;
(5-12)对K个更新的卷积图进行池化操作,得到第lay层深度显著光谱-空间特征Fealay;
(5-13)若lay<Laynum,则继续步骤(5-7)至步骤(5-13),否则,得到多尺度深度显著空-谱联合特征,并跳出所述步骤5转入所述步骤6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335020.3A CN111079850B (zh) | 2019-12-20 | 2019-12-20 | 波段显著度的深度空谱联合高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335020.3A CN111079850B (zh) | 2019-12-20 | 2019-12-20 | 波段显著度的深度空谱联合高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079850A true CN111079850A (zh) | 2020-04-28 |
CN111079850B CN111079850B (zh) | 2023-09-05 |
Family
ID=70316989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335020.3A Active CN111079850B (zh) | 2019-12-20 | 2019-12-20 | 波段显著度的深度空谱联合高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079850B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819077A (zh) * | 2021-02-02 | 2021-05-18 | 河南大学 | 基于新型激活函数的高光谱图像分类方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7400772B1 (en) * | 2003-05-20 | 2008-07-15 | Sandia Corporation | Spatial compression algorithm for the analysis of very large multivariate images |
CN102521605A (zh) * | 2011-11-25 | 2012-06-27 | 河海大学 | 一种高光谱遥感图像波段选择方法 |
CN104318243A (zh) * | 2014-10-14 | 2015-01-28 | 西安电子科技大学 | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 |
CN104484681A (zh) * | 2014-10-24 | 2015-04-01 | 西安电子科技大学 | 基于空间信息和集成学习的高光谱遥感影像分类方法 |
CN105760900A (zh) * | 2016-04-08 | 2016-07-13 | 西安电子科技大学 | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 |
CN107203779A (zh) * | 2017-05-11 | 2017-09-26 | 中国科学院西安光学精密机械研究所 | 基于空谱信息保持的高光谱降维方法 |
CN108256557A (zh) * | 2017-12-25 | 2018-07-06 | 西安电子科技大学 | 结合深度学习和邻域集成的高光谱图像分类方法 |
CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN109886870A (zh) * | 2018-12-29 | 2019-06-14 | 西北大学 | 基于双通道神经网络的遥感图像融合方法 |
CN110110596A (zh) * | 2019-03-29 | 2019-08-09 | 西北大学 | 高光谱图像特征提取、分类模型构建及分类方法 |
CN110210313A (zh) * | 2019-05-06 | 2019-09-06 | 河海大学 | 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法 |
-
2019
- 2019-12-20 CN CN201911335020.3A patent/CN111079850B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7400772B1 (en) * | 2003-05-20 | 2008-07-15 | Sandia Corporation | Spatial compression algorithm for the analysis of very large multivariate images |
CN102521605A (zh) * | 2011-11-25 | 2012-06-27 | 河海大学 | 一种高光谱遥感图像波段选择方法 |
CN104318243A (zh) * | 2014-10-14 | 2015-01-28 | 西安电子科技大学 | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 |
CN104484681A (zh) * | 2014-10-24 | 2015-04-01 | 西安电子科技大学 | 基于空间信息和集成学习的高光谱遥感影像分类方法 |
CN105760900A (zh) * | 2016-04-08 | 2016-07-13 | 西安电子科技大学 | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 |
CN107203779A (zh) * | 2017-05-11 | 2017-09-26 | 中国科学院西安光学精密机械研究所 | 基于空谱信息保持的高光谱降维方法 |
CN108256557A (zh) * | 2017-12-25 | 2018-07-06 | 西安电子科技大学 | 结合深度学习和邻域集成的高光谱图像分类方法 |
CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN109886870A (zh) * | 2018-12-29 | 2019-06-14 | 西北大学 | 基于双通道神经网络的遥感图像融合方法 |
CN110110596A (zh) * | 2019-03-29 | 2019-08-09 | 西北大学 | 高光谱图像特征提取、分类模型构建及分类方法 |
CN110210313A (zh) * | 2019-05-06 | 2019-09-06 | 河海大学 | 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法 |
Non-Patent Citations (2)
Title |
---|
CHENHONG SUI: "Weighted Spectral-Spatial Classification of Hyperspectral Images via Class-Specific Band Contribution" * |
隋晨红: "基于分类精度预测的高光谱图像分类研" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819077A (zh) * | 2021-02-02 | 2021-05-18 | 河南大学 | 基于新型激活函数的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111079850B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN109389080B (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
CN108846426B (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN108229551B (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 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN111639719B (zh) | 基于时空运动和特征融合的足迹图像检索方法 | |
CN108734199B (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN110298414B (zh) | 基于去噪组合降维和引导滤波的高光谱图像分类方法 | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN113139512B (zh) | 基于残差和注意力的深度网络高光谱影像分类方法 | |
CN104820840B (zh) | 基于字典和波段重组的最近邻高光谱图像分类方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN107292258A (zh) | 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
CN107273919A (zh) | 一种基于置信度构造类属字典的高光谱无监督分类方法 | |
CN113052130B (zh) | 基于深度残差网络和边缘保护滤波的高光谱影像分类方法 | |
CN111079850B (zh) | 波段显著度的深度空谱联合高光谱图像分类方法 | |
CN115578632A (zh) | 基于膨胀卷积的高光谱图像分类方法 | |
CN106156728A (zh) | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
CN113421198A (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 | |
CN113449603A (zh) | 一种高分辨率遥感影像地表要素识别方法及存储介质 |
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 |