CN111161199A - 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 - Google Patents
一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 Download PDFInfo
- Publication number
- CN111161199A CN111161199A CN201911280557.4A CN201911280557A CN111161199A CN 111161199 A CN111161199 A CN 111161199A CN 201911280557 A CN201911280557 A CN 201911280557A CN 111161199 A CN111161199 A CN 111161199A
- Authority
- CN
- China
- Prior art keywords
- optimization problem
- pixel
- auxiliary variable
- abundance
- hyperspectral image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 title description 4
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000012790 confirmation Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000003416 augmentation Effects 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,该方法包括以下步骤:归一化高光谱影像数据,采用线性迭代聚类法,生成超像素;查找超像素的局部块的丰度矩阵,构造低秩约束表达项,加入全变分空间正则项,加入数据保真项,获得目标函数;引入若干辅助变量构建分裂目标函数,采用增广拉格朗日转化有约束的优化问题为无约束的优化问题;采用交替迭代算法求解目标函数,获得评估确认的丰度图。通过采用该方法,得到的空间信息比像元间简单的位置关系更加准确,提取出了丰度矩阵的局部细节特征,促进丰度矩阵的平滑性,使得整个丰度图具备全局特征,使得目标函数分裂,同时使得算法快速收敛,获得更精确的目标解。
Description
技术领域
本发明涉及高光谱遥感图像混合像元分解技术领域,具体来说,涉及一种空谱融合的高光谱影像混合像元低秩稀疏分解方法。
背景技术
随着遥感成像技术的发展,高光谱遥感影像能收集到上百个波段的光谱特征,已经被广泛地应用在农业监测、军事预警、地物探测等领域。然而,由于空间分辨率较低以及地物的复杂分布,混合像元广泛地出现在高光谱影像中,很大程度地阻碍了对高光谱图像地进一步地探索。混合像元分解技术的出现极大地克服了这一弊端,为定量遥感和像素级分类打下基础。为了避免获得无物理意义的虚拟端元,通过引入标准光谱库的混合像元稀疏分解的方法成为了研究热门。
最近越来越多基于稀疏表达理论的高光谱影像混合像元分解的方法开始关注高光谱图像的空间信息以来提高分解得到丰度图的精度。然而,现有的方法,存在以下缺点:(1)缺少有效的空间信息的利用,大多方法关注局部窗口或者一阶邻域作为空间先验信息,导致分解精度不高;(2)在丰度图上缺少有效的相关性的约束项,导致很多细节信息损失;(3)引入了很多的正则化参数,导致这些参数难以调节,影响最终的结果。
发明内容
针对相关技术中的上述技术问题,本发明提出一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,能够克服现有技术的上述不足。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,该方法包括以下步骤:
归一化高光谱影像数据,采用线性迭代聚类法,生成超像素;
查找超像素的局部块的丰度矩阵,构造低秩约束表达项,加入全变分空间正则项,加入数据保真项,获得目标函数;
引入若干辅助变量分裂目标函数,采用增广拉格朗日转化有约束的优化问题为无约束的优化问题;
采用交替迭代算法求解目标函数,获得评估确认的丰度图。
进一步的,所述归一化高光谱影像数据,采用线性迭代聚类法,生成超像素的步骤包括以下步骤:
确认期望获得的超像素数量k及欧氏距离与光谱距离的权重m,在高光谱图像对应空间尺寸的特征图上,均匀地等间距地初始化k个种子点,调整种子点到周围3×3邻域内光谱梯度变化缓慢的像素位置;
获取以种子点为中心,与相邻种子点两个步长为边长的方形邻域,计算种子点与待聚类像素的光谱距离和空间距离;
筛选出满足阈值要求的像素;
聚类满足阈值要求的所述像素,并标记为已聚类;
反映结果信息到特征图,具体的距离度量如下:
(xi,yi),(xj,yj)分别是第i,j个像素的空间坐标,yi,yj是第i,j 个像素对应的光谱向量。S=(r×c)/(k2),r,c分别是高光谱图像空间维度上的长和宽;
查找并合并未聚类的像素点,重新平均同一个超像素点的光谱,获取新的聚类中心;
获取连续两次聚类中心光谱不发生明显变化的信息,获得特征图,分割完成。
进一步的,所述查找超像素的局部块的丰度矩阵,构造低秩约束表达项,加入全变分空间正则项,加入数据保真项,获得目标函数的步骤包括以下步骤:
获取并转化归一化后高光谱立方体数据为二维矩阵,转化后 Y∈Rr×c,bands,ηi(X)代表第i个超像素的丰度矩阵,其中,N=r×c代表高光谱图像中的像素数,bands是高光谱图像的波段数,ηi(g)代表第 i个超像素的位置信息;
按照列矩阵划分超像素的丰度矩阵,ηi(X)=[ηi(X)1;ηi(X)2;...;ηi(X)s],其中ηi(X)j第i个超像素的丰度矩阵中的第j子矩阵;
转化二维丰度矩阵为三维丰度矩阵,转化后X∈Rr,c,m,其中m是字典中的端元数;
进一步的,所述引入若干辅助变量分裂目标函数,采用增广拉格朗日转化有约束的优化问题为无约束的优化问题的步骤包括以下步骤:
分裂目标函数的变量,引入辅助变量矩阵V1,V2,V3,V4,V5和U 转化目标函数为有约束的优化问题;
对目标函数拉格朗日增广,转化有约束的优化问题为无约束的优化问题,其中,增广后的目标函数为
V≡(V1,V2,V3,V4,V5),D≡(D1,D2,D3,D4,D5)T
进一步的,所述采用交替迭代算法求解目标函数,获得评估确认的丰度图的步骤包括以下步骤:
获得辅助变量以及拉格朗日乘子;
初始化辅助变量以及拉格朗日乘子,设置迭代停止的阈值和迭代次数;
计算子优化问题得到最小值时对应的辅助变量值;
更新对应辅助变量的拉格朗日乘子D(k+1)←D(k)-GU(k+1)-BV(k+1),迭代次数加一;
计算残差res=GU(k+1)+BV(k+1),取res的F范数,对比分析设置的阈值或者迭代次数k,停止算法,输出最终的丰度矩阵U;
所述计算子优化问题得到最小值时对应的辅助变量值进一步包括以下步骤:
求解辅助变量U,其中,是为了解决下列优化问题
求出U的偏导以及偏导为零的值,其中,结果为
U(k+1)←(ATA+3I)-1(ATξ1+ξ2+ξ4+ξ5)
求解辅助变量V1,其中,即求解下列优化问题
求解辅助变量V2,其中,即求解下列优化问题
求解辅助变量V3,其中,即求解下列优化问题
soft(·,τ)代表是软阈值函数soft(u,a)≡sign(u)max{|u|-a,0};
求解辅助变量V4,其中,即求解下列优化问题
求解辅助变量V4,其中,求解下列优化问题
本发明的有益效果:通过整合了光谱和位置信息的超像素分割得到的空间信息比像元间简单的位置关系更加准确;
通过利用每个超像素内部像元的丰度向量相关性有效地提取出丰度矩阵的局部细节特征;
额外引入全变分空间正则器可以进一步促进丰度矩阵的平滑性使得整个丰度图具备全局特征;
通过引入辅助变量使得目标函数分裂,同时对多个子优化问题的求解可以使得算法快速收敛,获得更精确的目标解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,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是根据本发明实施例所述的一种空谱融合的高光谱影像混合像元低秩稀疏分解方法的步骤流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,根据本发明实施例所述的一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,包括以下步骤:
步骤S1,归一化高光谱影像数据,采用线性迭代聚类法,生成超像素;
步骤S2,查找超像素的局部块的丰度矩阵,构造低秩约束表达项,加入全变分空间正则项,加入数据保真项,获得目标函数;
步骤S3,引入若干辅助变量分裂目标函数,采用增广拉格朗日转化有约束的优化问题为无约束的优化问题;
步骤S4,采用交替迭代算法求解目标函数,获得评估确认的丰度图。
步骤S1包括以下步骤:
步骤S11,确认期望获得的超像素数量k及欧氏距离与光谱距离的权重m,在高光谱图像对应空间尺寸的特征图上,均匀地等间距地初始化k个种子点,调整种子点到周围3×3邻域内光谱梯度变化缓慢的像素位置;
步骤S12,获取以种子点为中心,与相邻种子点两个步长为边长的方形邻域,计算种子点与待聚类像素的光谱距离和空间距离;
步骤S13,筛选出满足阈值要求的像素;
步骤S14,聚类满足阈值要求的所述像素,并标记为已聚类;
步骤S15,反映结果信息到特征图,具体的距离度量如下:
(xi,yi),(xj,yj)分别是第i,j个像素的空间坐标,yi,yj是第i,j 个像素对应的光谱向量。S=(r×c)/(k2),r,c分别是高光谱图像空间维度上的长和宽;
步骤S16,查找并合并未聚类的像素点,重新平均同一个超像素点的光谱,获取新的聚类中心;
步骤S17,获取连续两次聚类中心光谱不发生明显变化的信息,获得特征图,分割完成。
步骤S2包括以下步骤:
步骤S21,获取并转化归一化后高光谱立方体数据为二维矩阵,转化后Y∈Rr ×c,bands,ηi(X)代表第i个超像素的丰度矩阵,其中,N=r×c 代表高光谱图像中的像素数,bands是高光谱图像的波段数,ηi(g)代表第i个超像素的位置信息;
步骤S22,按照列矩阵划分超像素的丰度矩阵,ηi(X)=[ηi(X)1;ηi(X)2;...;ηi(X)s],其中ηi(X)j第i个超像素的丰度矩阵中的第j子矩阵;
步骤S24,转化二维丰富度矩阵为三维丰度矩阵,转化后X∈Rr,c,m,其中m是字典中的端元数;
步骤S3包括以下步骤:
步骤S31,分裂目标函数的变量,引入辅助变量矩阵V1,V2,V3,V4, V5和U转化目标函数为有约束的优化问题;
步骤S32,对目标函数拉格朗日增广,转化有约束的优化问题为无约束的优化问题,其中,增广后的目标函数为
V≡(V1,V2,V3,V4,V5),D≡(D1,D2,D3,D4,D5)T
步骤S4,包括以下步骤:
步骤S41,获得辅助变量以及拉格朗日乘子;
步骤S42,初始化辅助变量以及拉格朗日乘子,设置迭代停止的阈值和迭代次数;
步骤S43,计算子优化问题得到最小值时对应的辅助变量值;
步骤S44,更新对应辅助变量的拉格朗日乘子 D(k+1)←D(k)-GU(k+1)-BV(k+1),迭代次数加一;
步骤S45,计算残差res=GU(k+1)+BV(k+1),取res的F范数,对比分析设置的阈值或者迭代次数k,停止算法,输出最终的丰度矩阵U;
步骤S43进一步包括以下步骤:
步骤S431,求解辅助变量U,其中,是为了解决下列优化问题
步骤S432,求出U的偏导以及偏导为零的值,其中,结果为
U(k+1)←(ATA+3I)-1(ATξ1+ξ2+ξ4+ξ5)
步骤S433,求解辅助变量V1,其中,即求解下列优化问题
步骤S434,求解辅助变量V2,其中,即求解下列优化问题
步骤S435,求解辅助变量V3,其中,即求解下列优化问题
soft(·,τ)代表是软阈值函数soft(u,a)≡sign(u)max{|u|-a,0};
步骤S436,求解辅助变量V4,其中,即求解下列优化问题
步骤S437,求解辅助变量V4,其中,求解下列优化问题
综上所述,借助于本发明的上述技术方案,通过整合了光谱和位置信息的超像素分割得到的空间信息比像元间简单的位置关系更加准确;通过利用每个超像素内部像元的丰度向量相关性有效地提取出丰度矩阵的局部细节特征;额外引入全变分空间正则器可以进一步促进丰度矩阵的平滑性使得整个丰度图具备全局特征;通过引入辅助变量使得目标函数分裂,同时对多各子优化问题的求解可以使得算法快速收敛,获得更精确的目标解。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,其特征在于,包括以下步骤:
归一化高光谱影像数据,采用线性迭代聚类法,生成超像素;
查找超像素的局部块的丰度矩阵,构造低秩约束表达项,加入全变分空间正则项,加入数据保真项,获得目标函数;
引入若干辅助变量分裂目标函数,采用增广拉格朗日转化有约束的优化问题为无约束的优化问题;
采用交替迭代算法求解目标函数,获得评估确认的丰度图。
2.根据权利要求1所述的一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,其特征在于,所述归一化高光谱影像数据,采用线性迭代聚类法,生成超像素的步骤包括以下步骤:
确认期望获得的超像素数量k及欧氏距离与光谱距离的权重m,在高光谱图像对应空间尺寸的特征图上,均匀地等间距地初始化k个种子点,调整种子点到周围3×3邻域内光谱梯度变化缓慢的像素位置;
获取以种子点为中心,与相邻种子点两个步长为边长的方形邻域,计算种子点与待聚类像素的光谱距离和空间距离;
筛选出满足阈值要求的像素;
聚类满足阈值要求的所述像素,并标记为已聚类;
反映结果信息到特征图,具体的距离度量如下:
(xi,yi),(xj,yj)分别是第i,j个像素的空间坐标,yi,yj是第i,j个像素对应的光谱向量。S=(r×c)/(k2),r,c分别是高光谱图像空间维度上的长和宽;
查找并合并未聚类的像素点,重新平均同一个超像素点的光谱,获取新的聚类中心;
获取连续两次聚类中心光谱不发生明显变化的信息,获得特征图,分割完成。
3.根据权利要求1所述的一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,其特征在于,所述查找超像素的局部块的丰度矩阵,构造低秩约束表达项,加入全变分空间正则项,加入数据保真项,获得目标函数的步骤包括以下步骤:
获取并转化归一化后高光谱立方体数据为二维矩阵,转化后Y∈Rr×c,bands,ηi(X)代表第i个超像素的丰度矩阵,其中,N=r×c代表高光谱图像中的像素数,bands是高光谱图像的波段数,ηi(g)代表第i个超像素的位置信息;
按照列矩阵划分超像素的丰度矩阵,ηi(X)=[ηi(X)1;ηi(X)2;...;ηi(X)s],其中ηi(X)j第i个超像素的丰度矩阵中的第j子矩阵;
转化二维丰度矩阵为三维丰度矩阵,转化后X∈Rr,c,m,其中m是字典中的端元数;
5.根据权利要求1所述的一种空谱融合的高光谱影像混合像元低秩稀疏分解方法,其特征在于,所述采用交替迭代算法求解目标函数,获得评估确认的丰度图的步骤包括以下步骤:
获得辅助变量以及拉格朗日乘子;
初始化辅助变量以及拉格朗日乘子,设置迭代停止的阈值和迭代次数;
计算子优化问题得到最小值时对应的辅助变量值;
更新对应辅助变量的拉格朗日乘子D(k+1)←D(k)-GU(k+1)-BV(k+1),迭代次数加一;
计算残差res=GU(k+1)+BV(k+1),取res的F范数,对比分析设置的阈值或者迭代次数k,停止算法,输出最终的丰度矩阵U;
所述计算子优化问题得到最小值时对应的辅助变量值进一步包括以下步骤:
求解辅助变量U,其中,是为了解决下列优化问题
求出U的偏导以及偏导为零的值,其中,结果为
U(k+1)←(ATA+3I)-1(ATξ1+ξ2+ξ4+ξ5)
求解辅助变量V2,其中,即求解下列优化问题
求解辅助变量V3,其中,即求解下列优化问题
soft(·,τ)代表是软阈值函数soft(u,a)≡sign(u)max{|u|-a,0};
求解辅助变量V4,其中,即求解下列优化问题
求解辅助变量V4,其中,求解下列优化问题
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280557.4A CN111161199B (zh) | 2019-12-13 | 2019-12-13 | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280557.4A CN111161199B (zh) | 2019-12-13 | 2019-12-13 | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161199A true CN111161199A (zh) | 2020-05-15 |
CN111161199B CN111161199B (zh) | 2023-09-19 |
Family
ID=70557067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911280557.4A Active CN111161199B (zh) | 2019-12-13 | 2019-12-13 | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161199B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364730A (zh) * | 2020-10-29 | 2021-02-12 | 济南大学 | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
CN113446998A (zh) * | 2021-06-29 | 2021-09-28 | 哈尔滨工业大学 | 一种基于高光谱目标探测数据的动态解混方法 |
CN114743009A (zh) * | 2022-06-10 | 2022-07-12 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、系统及电子设备 |
CN115855839A (zh) * | 2023-02-22 | 2023-03-28 | 湖南大学 | 一种基于admm框架的改进空谱融合高光谱计算重构方法 |
CN116433534A (zh) * | 2023-06-09 | 2023-07-14 | 四川工程职业技术学院 | 一种高光谱图像修复方法、装置、存储介质及电子设备 |
CN116485694A (zh) * | 2023-04-25 | 2023-07-25 | 中国矿业大学 | 一种基于变分原理的红外与可见光图像融合方法、系统 |
CN117934975A (zh) * | 2024-03-21 | 2024-04-26 | 安徽大学 | 一种全变分正则引导图卷积的无监督高光谱图像分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029276A1 (en) * | 2014-08-29 | 2016-03-03 | Commonwealth Scientific And Industrial Research Organisation | Imaging method and apparatus |
CN109190511A (zh) * | 2018-08-14 | 2019-01-11 | 西北工业大学 | 基于局部与结构约束低秩表示的高光谱分类方法 |
CN110148096A (zh) * | 2019-05-23 | 2019-08-20 | 湖州师范学院 | 一种通用集成的高光谱图像混合像元解混框架 |
-
2019
- 2019-12-13 CN CN201911280557.4A patent/CN111161199B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029276A1 (en) * | 2014-08-29 | 2016-03-03 | Commonwealth Scientific And Industrial Research Organisation | Imaging method and apparatus |
CN109190511A (zh) * | 2018-08-14 | 2019-01-11 | 西北工业大学 | 基于局部与结构约束低秩表示的高光谱分类方法 |
CN110148096A (zh) * | 2019-05-23 | 2019-08-20 | 湖州师范学院 | 一种通用集成的高光谱图像混合像元解混框架 |
Non-Patent Citations (2)
Title |
---|
BITAR A W: ""Sparse and Low-Rank Matrix Decomposition for Automatic Target Detection in Hyperspectral Imagery"" * |
张晓慧: ""基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测"" * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364730A (zh) * | 2020-10-29 | 2021-02-12 | 济南大学 | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
CN112541933B (zh) * | 2020-12-09 | 2024-06-04 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
CN113446998A (zh) * | 2021-06-29 | 2021-09-28 | 哈尔滨工业大学 | 一种基于高光谱目标探测数据的动态解混方法 |
CN114743009A (zh) * | 2022-06-10 | 2022-07-12 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、系统及电子设备 |
CN114743009B (zh) * | 2022-06-10 | 2022-09-02 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、系统及电子设备 |
CN115855839A (zh) * | 2023-02-22 | 2023-03-28 | 湖南大学 | 一种基于admm框架的改进空谱融合高光谱计算重构方法 |
CN116485694B (zh) * | 2023-04-25 | 2023-11-07 | 中国矿业大学 | 一种基于变分原理的红外与可见光图像融合方法、系统 |
CN116485694A (zh) * | 2023-04-25 | 2023-07-25 | 中国矿业大学 | 一种基于变分原理的红外与可见光图像融合方法、系统 |
CN116433534B (zh) * | 2023-06-09 | 2023-08-22 | 四川工程职业技术学院 | 一种高光谱图像修复方法、装置、存储介质及电子设备 |
CN116433534A (zh) * | 2023-06-09 | 2023-07-14 | 四川工程职业技术学院 | 一种高光谱图像修复方法、装置、存储介质及电子设备 |
CN117934975A (zh) * | 2024-03-21 | 2024-04-26 | 安徽大学 | 一种全变分正则引导图卷积的无监督高光谱图像分类方法 |
CN117934975B (zh) * | 2024-03-21 | 2024-06-07 | 安徽大学 | 一种全变分正则引导图卷积的无监督高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111161199B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161199A (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
Han et al. | A deep learning method for bias correction of ECMWF 24–240 h forecasts | |
CN111738329B (zh) | 一种面向时间序列遥感影像的土地利用分类方法 | |
US9317929B2 (en) | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images | |
Wang et al. | Land cover change detection at subpixel resolution with a Hopfield neural network | |
Wang et al. | Indicator cokriging-based subpixel mapping without prior spatial structure information | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
Zhang et al. | Learning-based spatial–temporal superresolution mapping of forest cover with MODIS images | |
Ge et al. | Improved semisupervised unet deep learning model for forest height mapping with satellite sar and optical data | |
Cao et al. | A full-level fused cross-task transfer learning method for building change detection using noise-robust pretrained networks on crowdsourced labels | |
CN116188996A (zh) | 一种多尺度语义信息和边界信息的遥感图像语义分割方法 | |
Yu et al. | LFPNet: Lightweight network on real point sets for fruit classification and segmentation | |
Li et al. | Improved YOLOv3 model for vehicle detection in high-resolution remote sensing images | |
Jing et al. | Cloud removal for optical remote sensing imagery using the SPA-CycleGAN network | |
CN116933141B (zh) | 一种基于多核图学习的多光谱激光雷达点云分类方法 | |
Hu et al. | Cross-domain meta-learning under dual adjustment mode for few-shot hyperspectral image classification | |
Chen et al. | A superpixel-guided unsupervised fast semantic segmentation method of remote sensing images | |
Wang et al. | Producing subpixel resolution thematic map from coarse imagery: MAP algorithm-based super-resolution recovery | |
CN114511787A (zh) | 一种基于神经网络的遥感图像地物信息生成方法及其系统 | |
Hou et al. | RFSDAF: A new spatiotemporal fusion method robust to registration errors | |
Chen et al. | Towards deep and efficient: A deep Siamese self-attention fully efficient convolutional network for change detection in VHR images | |
Jing et al. | A Rigorously-Incremental Spatiotemporal Data Fusion Method for Fusing Remote Sensing Images | |
Chandola et al. | Analyzing big spatial and big spatiotemporal data: A case study of methods and applications | |
Jing et al. | Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks | |
Wang et al. | Hyperspectral unmixing using deep learning |
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 |