CN111144214B - 基于多层堆栈式自动编码器的高光谱图像解混方法 - Google Patents
基于多层堆栈式自动编码器的高光谱图像解混方法 Download PDFInfo
- Publication number
- CN111144214B CN111144214B CN201911182498.7A CN201911182498A CN111144214B CN 111144214 B CN111144214 B CN 111144214B CN 201911182498 A CN201911182498 A CN 201911182498A CN 111144214 B CN111144214 B CN 111144214B
- Authority
- CN
- China
- Prior art keywords
- layer
- automatic encoder
- network
- multilayer
- automatic
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于多层堆栈式自动编码器的高光谱图像解混方法,包括以下步骤:逐个训练三个自动编码器,组成堆栈自动编码器,提取图像高阶光谱特征;构造多层自动编码器网络,并利用步骤一中训练好的参数初始化该多层自动编码器网络;利用梯度下降算法训练多层自动编码器网络,直至多层自动编码器网络的输入层与输出层之间的重构误差最小;本发明通过利用堆栈自动编码器实现对高光谱图像高阶光谱特征的学习,为多层自动编码器提供更好的初始化,在多层自动编码器损失函数中加入稀疏项和正则化项约束端元和丰度,以此来提高解混精度,本方法不需要任何先验知识,进行无监督学习,泛化能力强,在端元提取和丰度估计方面都取得了良好的效果。
Description
技术领域
本发明涉及高光谱图像解混技术领域,尤其涉及基于多层堆栈式自动编码器的高光谱图像解混方法。
背景技术
混合像元的广泛存在已经成为制约高光谱遥感应用的突出问题,它不仅影响了基于高光谱图像的地物识别精度,而且对图像的目标检测和亚像元分类等也产生较大影响,因此,如何有效地解决混合像元问题是高光谱图像处理技术面临的难题之一;
目前解决混合像元问题最为有效的方法为混合像元分解,解混技术已经有几十年的发展历史,国内外传统的解混方法主要分为4类:几何分析方法、统计分析方法、稀疏回归分析方法以及光谱-空间联合分析方法,传统方法存在依赖于先验知识、解混精度低等问题,在实际应用中有较多限制;
近年来,深度学习算法发展较快,已经应用到遥感领域,在图像分类、图像识别等方面取得了较好的效果。自动编码器通过减少重构误差来自动学习数据的特征,解码过程与解混过程相匹配,从而使其成为解决混合像元问题的理想模型;然而,较多自动编码器算法解混以单个自动编码器为模型,这不利于图像高阶特征的学习从而影响解混精度;
现有的高光谱图像解混方法大多利用传统算法,分为线性解混模型和非线性解混模型,虽然能得到较好的解混效果,但同时具有以下几个缺点:1)基于非线性的解混模型解混需要先验知识或者相应的特征信息,且模型普适性差,同时还需要众多的输入参数,给实际应用带来了困难;2)基于线性的解混模型将端元提取和丰度估计分步进行,容易在第一步产生误差影响丰度估计,进而导致低的解混精度对目标检测和亚像元分类等产生不利影响,因此,本发明提出基于多层堆栈式自动编码器的高光谱图像解混方法,以解决现有技术中的不足之处。
发明内容
针对上述问题,本发明提出基于多层堆栈式自动编码器的高光谱图像解混方法,通过利用堆栈自动编码器实现对高光谱图像高阶光谱特征的学习,为多层自动编码器提供更好的初始化,在多层自动编码器损失函数中加入稀疏项和正则化项约束端元和丰度,以此来提高解混精度,本方法不需要任何先验知识,进行无监督学习,不仅可以提高解混精度,而且泛化能力强,本发明方法较好的实现了高光谱图像解混,在端元提取和丰度估计方面都取得了良好的效果。
本发明提出基于多层堆栈式自动编码器的高光谱图像解混方法,包括以下步骤:
步骤一:逐个训练三个自动编码器,组成堆栈自动编码器,提取图像高阶光谱特征,得到特征层1、特征层2和特征层3;
步骤二:构造多层自动编码器网络,逐个训练且组成堆栈自动编码器的三个自动编码器中每个网络的特征层均作为多层自动编码器网络的特征层,形成深度学习网络,并利用步骤一中训练好的参数初始化该多层自动编码器网络;
步骤三:利用梯度下降算法训练多层自动编码器网络,在多层自动编码器网络引入非负和稀疏性,去除多层自动编码器网络中的自动编码器的偏置项,在多层自动编码器网络的解码层中掉激活函数,并对预测的端元和丰度进行非负约束,对丰度单独进行和为一约束,直至多层自动编码器网络的输入层与输出层之间的重构误差最小,即完成多层自动编码器网络训练。
进一步改进在于:所述步骤一中的三个自动编码器组成堆栈自动编码器时,在网络结构上,视为一种前馈神经网络,由一个输入层,一个或多个特征层以及输出层组成,用数学的方式表示为:输入数据x∈Rm*n,将其映射到特征层a∈Rm*h,然后a通过解码到输出层x'∈Rm*n,该过程的表达式如公式(1)、(2)、(3)、(4)所示:
z1=w1x+b1 (1)
a=f(z1) (2)
z2=w2a+b2 (3)
x'=f(z2) (4)
其中,w1,b1为输入层与特征层之间的权重和偏置;w2,b2为特征层与输出层之间的权重和偏置;特征层神经元个数为h,f(·)为其激活函数。
进一步改进在于:所述步骤一中特征层1、特征层2和特征层3的激活函数为带泄露整流函数,数学表达公式如公式(5)所示:
其中,x为输入数据,a为固定的参数。
进一步改进在于:所述步骤一中堆栈自动编码器的单个样本其损失函数如公式(6)所示:
当输入样本个数为m,其损失函数如公式(7)所示:
公式(7)中用欧式距离表示重构误差,避免网络训练过拟合对w1,w2进行约束。
进一步改进在于:所述步骤二中利用步骤一中训练好的参数初始化多层自动编码器网络时,多层自动编码器网络的输入层到特征层1、特征层1到特征层2以及特征层2到特征层3之间的权值系数矩阵由步骤一训练得到,特征层3与多层自动编码器网络的输出层之间的权值系数矩阵随机产生。
进一步改进在于:所述步骤三中在多层自动编码器网络中引入稀疏性,用L1正则化约束丰度估计以及K-L散度约束样本的相似性分数表示,样本相似性分数的计算方法如公式(8)和(9)所示:
SAD(x,x')=cos-1(θ(x,x')) (8)
其中,公式(8)中计算输入数据与输出数据之间的SAD范围为[0,π];当SAD为0时则表示误差最小,将SAD进行归一化,然后得到样本相似性分数,分数越高则证明相似性越高,数学表达如公式(10)所示,公式(10)中参数x’的数学表达式如公式(11)所示:
x'=f3*wn (11)
其中,f3代表特征层3的输出。
进一步改进在于:所述公式(11)中通过反向传播算法对wn进行优化,并对wn进行L2正则化约束。
进一步改进在于:所述步骤三中多层自动编码器网络的损失函数表示如公式(12)所示:
其中,λ1为控制欧式范数影响的参数;λ2为控制SAD影响的参数;DKL为最大化输入数据与输出数据之间的SAD;λ3为其影响参数;λ4,λ5分别为L1正则化和L2正则化影响参数。
本发明的有益效果为:本发明方法通过利用堆栈自动编码器实现对高光谱图像高阶光谱特征的学习,为多层自动编码器提供更好的初始化,在多层自动编码器损失函数中加入稀疏项和正则化项约束端元和丰度,以此来提高解混精度,通过利用带泄露整流函数作为激活函数,解决了计算过程中分母出现零值的问题,同时对预测的端元和丰度进行非负约束,对丰度单独进行和为一约束,将稀疏约束和正则化加入到网络训练中得到了更好的端元提取和丰度估计效果,本方法不需要任何先验知识,进行无监督学习,不仅可以提高解混精度,而且泛化能力强,本发明方法较好的实现了高光谱图像解混,在端元提取和丰度估计方面都取得了良好的效果。
附图说明
图1为本发明多层堆栈式自动编码器解混方法流程示意图;
图2为本发明多层堆栈式自动编码器解混方法示意图;
图3为本发明实施例中多种解混方法进行高光谱图像解混后的解混效果对比示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2、3所示,本实施例提出基于多层堆栈式自动编码器的高光谱图像解混方法,包括以下步骤:
步骤一:逐个训练三个自动编码器,组成堆栈自动编码器,提取图像高阶光谱特征,得到特征层1、特征层2和特征层3,三个自动编码器在网络结构上,视为一种前馈神经网络,由一个输入层,一个或多个特征层以及输出层组成,用数学的方式表示为:输入数据x∈Rm*n,将其映射到特征层a∈Rm*h,然后a通过解码到输出层x'∈Rm*n,该过程的表达式如公式(1)、(2)、(3)、(4)所示:
z1=w1x+b1 (1)
a=f(z1) (2)
z2=w2a+b2 (3)
x'=f(z2) (4)
其中,w1,b1为输入层与特征层之间的权重和偏置;w2,b2为特征层与输出层之间的权重和偏置;特征层神经元个数为h,f(·)为其激活函数;
特征层1、特征层2和特征层3的激活函数为带泄露整流函数,数学表达公式如公式(5)所示:
其中,x为输入数据,a为固定的参数,本实施例中a取值为0.2;
堆栈自动编码器的单个样本其损失函数如公式(6)所示:
当输入样本个数为m,其损失函数如公式(7)所示:
公式(7)中用欧式距离表示重构误差,避免网络训练过拟合对w1,w2进行约束;
步骤二:构造多层自动编码器网络,逐个训练且组成堆栈自动编码器的三个自动编码器中每个网络的特征层均作为多层自动编码器网络的特征层,形成深度学习网络,并利用步骤一中训练好的参数初始化该多层自动编码器网络,多层自动编码器网络的输入层到特征层1、特征层1到特征层2以及特征层2到特征层3之间的权值系数矩阵由步骤一训练得到,特征层3与多层自动编码器网络的输出层之间的权值系数矩阵随机产生;
步骤三:利用梯度下降算法训练多层自动编码器网络,在多层自动编码器网络引入非负和稀疏性,去除多层自动编码器网络中的自动编码器的偏置项,在多层自动编码器网络的解码层中掉激活函数,并对预测的端元和丰度进行非负约束,对丰度单独进行和为一约束,直至多层自动编码器网络的输入层与输出层之间的重构误差最小,即完成多层自动编码器网络训练;
稀疏性表现在L1正则化约束丰度估计以及K-L散度约束样本的相似性分数表示,样本相似性分数的计算方法如公式(8)和(9)所示:
SAD(x,x')=cos-1(θ(x,x')) (8)
其中,公式(8)中计算输入数据与输出数据之间的SAD范围为[0,π];当SAD为0时则表示误差最小,将SAD进行归一化,然后得到样本相似性分数,分数越高则证明相似性越高,数学表达如公式(10)所示,公式(10)中参数x’的数学表达式如公式(11)所示:
x'=f3*wn (11)
其中,f3代表特征层3的输出;
公式(11)中通过反向传播算法对wn进行优化,并对wn进行L2正则化约束;
多层自动编码器网络的损失函数表示如公式(12)所示:
其中,λ1为控制欧式范数影响的参数;λ2为控制SAD影响的参数;DKL为最大化输入数据与输出数据之间的SAD;λ3为其影响参数;λ4,λ5分别为L1正则化和L2正则化影响参数,本实施例中通过多次训练,最终确定达到最优结果的影响参数:λ1为0.1,λ2为8,λ3为10,λ4为8,λ5为3。
将本发明方法与基于单层自动编码器解混方法以及传统方法(N-FINDR)进行对比,得到的丰度图对比如图3所示(图3中从左到右依次为道路、草地、沥青、树木丰度图像),得到的精度评定结果如表1所示:
表1本方法与单层自动编码器解混方法、N-FINDR算法效果对比
其中,SAD(Spectral angular distance)代表基于某一种方法提取的端元光谱与标准端元光谱之间的光谱角距,该值越小越好;RMSE(Root Mean Square Error)代表基于某一种方法估计的丰度与标准丰度之间的均方根误差,该值越小越好;
从图3和表1的数据可以看出,传统的解混方法解混效果较差,而深度学习算法却能达到较好的结果;很明显,在每个丰度图中多层堆栈自动编码器的丰度估算结果均优于单层自动编码器;从精度评价结果来看,与单层自动编码器相比,多层堆栈自动编码器将解混误差降低了10%左右,与传统算法相比,解混误差降低了40%左右,本发明方法较好的实现了高光谱图像解混,在端元提取和丰度估计方面都取得了良好的效果
本发明方法通过利用堆栈自动编码器实现对高光谱图像高阶光谱特征的学习,为多层自动编码器提供更好的初始化,在多层自动编码器损失函数中加入稀疏项和正则化项约束端元和丰度,以此来提高解混精度,通过利用带泄露整流函数作为激活函数,解决了计算过程中分母出现零值的问题,同时对预测的端元和丰度进行非负约束,对丰度单独进行和为一约束,将稀疏约束和正则化加入到网络训练中得到了更好的端元提取和丰度估计效果,本方法不需要任何先验知识,进行无监督学习,不仅可以提高解混精度,而且泛化能力强,本发明方法较好的实现了高光谱图像解混,在端元提取和丰度估计方面都取得了良好的效果。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于多层堆栈式自动编码器的高光谱图像解混方法,其特征在于,包括以下步骤:
步骤一:逐个训练三个自动编码器,组成堆栈自动编码器,提取图像高阶光谱特征,得到特征层1、特征层2和特征层3;
步骤二:构造多层自动编码器网络,逐个训练且组成堆栈自动编码器的三个自动编码器中每个网络的特征层均作为多层自动编码器网络的特征层,形成深度学习网络,并利用步骤一中训练好的所述特征层1、特征层2和特征层3初始化该多层自动编码器网络;
步骤三:利用梯度下降算法训练多层自动编码器网络,在多层自动编码器网络引入非负和稀疏性,去除多层自动编码器网络中的自动编码器的偏置项,在多层自动编码器网络的解码层中去掉激活函数,并对预测的端元和丰度进行非负约束,对丰度单独进行和为一约束,直至多层自动编码器网络的输入层与输出层之间的重构误差最小,即完成多层自动编码器网络训练。
2.根据权利要求1所述的基于多层堆栈式自动编码器的高光谱图像解混方法,其特征在于:所述步骤一中的三个自动编码器组成堆栈自动编码器时,在网络结构上,视为一种前馈神经网络,由一个输入层,一个或多个特征层以及输出层组成,用数学的方式表示为:输入数据x∈Rm×n,将其映射到特征层a∈Rm×h,然后a通过解码到输出层x'∈Rm×n,该过程的表达式如公式(1)、(2)、(3)、(4)所示:
z1=w1x+b1 (1)
a=f(z1) (2)
z2=w2a+b2 (3)
x'=f(z2) (4)
其中,w1,b1为输入层与特征层之间的权重和偏置;w2,b2为特征层与输出层之间的权重和偏置;特征层神经元个数为h,f(·)为其激活函数。
5.根据权利要求1所述的基于多层堆栈式自动编码器的高光谱图像解混方法,其特征在于:所述步骤二中利用步骤一中训练好的参数初始化多层自动编码器网络时,多层自动编码器网络的输入层到特征层1、特征层1到特征层2以及特征层2到特征层3之间的权值系数矩阵由步骤一训练得到,特征层3与多层自动编码器网络的输出层之间的权值系数矩阵随机产生。
6.根据权利要求1所述的基于多层堆栈式自动编码器的高光谱图像解混方法,其特征在于:所述步骤三中在多层自动编码器网络中引入稀疏性,用L1正则化约束丰度估计以及K-L散度约束样本的相似性分数表示,样本相似性分数的计算方法如公式(8)和(9)所示:
SAD(x,x')=cos-1(θ(x,x')) (8)
其中,SAD代表基于某一种方法提取的端元光谱与标准端元光谱之间的光谱角距,公式(8)中计算输入数据与输出数据之间的SAD范围为[0,π];当SAD为0时则表示误差最小,将SAD进行归一化,然后得到样本相似性分数,分数越高则证明相似性越高,数学表达如公式(10)所示,公式(10)中参数x′的数学表达式如公式(11)所示:
x′=f3×wn (11)
其中,f3代表特征层3的输出。
7.根据权利要求6所述的基于多层堆栈式自动编码器的高光谱图像解混方法,其特征在于:所述公式(11)中通过反向传播算法对wn进行优化,并对wn进行L2正则化约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182498.7A CN111144214B (zh) | 2019-11-27 | 2019-11-27 | 基于多层堆栈式自动编码器的高光谱图像解混方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182498.7A CN111144214B (zh) | 2019-11-27 | 2019-11-27 | 基于多层堆栈式自动编码器的高光谱图像解混方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144214A CN111144214A (zh) | 2020-05-12 |
CN111144214B true CN111144214B (zh) | 2021-06-15 |
Family
ID=70516708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911182498.7A Expired - Fee Related CN111144214B (zh) | 2019-11-27 | 2019-11-27 | 基于多层堆栈式自动编码器的高光谱图像解混方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144214B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270650B (zh) * | 2020-10-12 | 2023-04-07 | 西南大学 | 基于稀疏自编码器的图像处理方法、系统、介质、设备 |
CN112183561B (zh) * | 2020-11-09 | 2024-04-30 | 山东中医药大学 | 一种用于图像特征提取的联合融减自动编码器算法 |
CN113673300A (zh) * | 2021-06-24 | 2021-11-19 | 核工业北京地质研究院 | 一种基于非监督训练的高光谱图像智能解混方法 |
CN113469189B (zh) * | 2021-09-02 | 2021-11-19 | 国网江西省电力有限公司供电服务管理中心 | 一种用电采集数据缺失值填充方法、系统及装置 |
CN115439388B (zh) * | 2022-11-08 | 2024-02-06 | 杭州倚澜科技有限公司 | 基于多层神经表面表达的自由视点图像合成方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8659656B1 (en) * | 2010-10-12 | 2014-02-25 | The Boeing Company | Hyperspectral imaging unmixing |
KR101425159B1 (ko) * | 2013-05-31 | 2014-08-05 | 한국지질자원연구원 | 초분광 영상의 최적 엔드멤버 개수 고속 추정방법 |
CN105809185A (zh) * | 2015-12-31 | 2016-07-27 | 天津大学 | 基于神经网络和差分搜索的高光谱图像非线性解混方法 |
CN105809105B (zh) * | 2016-02-06 | 2019-05-21 | 黑龙江科技大学 | 基于端元约束非负矩阵分解的高光谱图像解混方法 |
CN105844619B (zh) * | 2016-03-18 | 2018-06-29 | 武汉大学 | 一种高光谱遥感影像端元提取方法 |
CN105975912B (zh) * | 2016-04-27 | 2019-10-25 | 天津大学 | 基于神经网络的高光谱图像非线性解混方法 |
CN110199300A (zh) * | 2016-12-02 | 2019-09-03 | 福特全球技术公司 | 用于自动编码器的模糊输入 |
US10861143B2 (en) * | 2017-09-27 | 2020-12-08 | Korea Advanced Institute Of Science And Technology | Method and apparatus for reconstructing hyperspectral image using artificial intelligence |
CN108446766A (zh) * | 2018-03-21 | 2018-08-24 | 北京理工大学 | 一种快速训练堆栈自编码深度神经网络的方法 |
CN109346084A (zh) * | 2018-09-19 | 2019-02-15 | 湖北工业大学 | 基于深度堆栈自编码网络的说话人识别方法 |
CN109389106B (zh) * | 2018-12-20 | 2021-06-08 | 中国地质大学(武汉) | 一种基于3d卷积神经网络的高光谱图像解混方法及系统 |
-
2019
- 2019-11-27 CN CN201911182498.7A patent/CN111144214B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111144214A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144214B (zh) | 基于多层堆栈式自动编码器的高光谱图像解混方法 | |
US11537849B2 (en) | Computer-implemented method of training convolutional neural network, convolutional neural network, computer-implemented method using convolutional neural network, apparatus for training convolutional neural network, and computer-program product | |
Lin et al. | Hyperspectral image denoising via matrix factorization and deep prior regularization | |
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
Kavukcuoglu et al. | Fast inference in sparse coding algorithms with applications to object recognition | |
CN110516095B (zh) | 基于语义迁移的弱监督深度哈希社交图像检索方法和系统 | |
US9400918B2 (en) | Compact face representation | |
CN109344731B (zh) | 基于神经网络的轻量级的人脸识别方法 | |
CN109978041B (zh) | 一种基于交替更新卷积神经网络的高光谱图像分类方法 | |
KR101183391B1 (ko) | 메트릭 임베딩에 의한 이미지 비교 | |
US20160140425A1 (en) | Method and apparatus for image classification with joint feature adaptation and classifier learning | |
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 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
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 | |
CN112949416A (zh) | 一种监督的高光谱多尺度图卷积分类方法 | |
CN107292855B (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN115457311A (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
CN113627240B (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
CN111062888B (zh) | 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
Wang et al. | Dynamic super-pixel normalization for robust hyperspectral image classification | |
CN116205863A (zh) | 一种检测高光谱图像异常目标的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210615 Termination date: 20211127 |