CN111199251B - 一种基于加权邻域的多尺度高光谱图像分类方法 - Google Patents
一种基于加权邻域的多尺度高光谱图像分类方法 Download PDFInfo
- Publication number
- CN111199251B CN111199251B CN201911389999.2A CN201911389999A CN111199251B CN 111199251 B CN111199251 B CN 111199251B CN 201911389999 A CN201911389999 A CN 201911389999A CN 111199251 B CN111199251 B CN 111199251B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- scale
- pixel
- matrix
- hyperspectral
- 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.)
- Active
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于加权邻域的多尺度高光谱图像分类方法,包括以下步骤:(1)、读入高光谱图像数据;(2)、根据高光谱数据选取训练样本,构建字典D;(3)、确定待处理测试样本的多尺度邻域信息;(4)、针对尺度为Ce的邻域集合,确定邻域元素所占的权重;(5)、求解尺度为Ce邻域所对应的系数矩阵Ψe;(6)、重构样本,计算尺度为Ce邻域所对应的重构残差集合Re;(7)、计算不同尺度邻域所对应的重构残差信息;(8)、通过重构残差集合,最终确定高光谱像元类别。本发明通过对邻域元素分配不同的权重,来考虑不同元素之间的差异性;采用多尺度邻域,使不同尺度邻域的丰富信息得到综合的利用;分类图视觉效果好,提高了分类的精度。
Description
技术领域
本发明涉及遥感信息处理技术领域,特别涉及一种基于加权邻域的多尺度高光谱图像分类方法。
背景技术
高光谱图像通过光学传感器所采集,通常高光谱图像具有维数高、信息海量等特点。高光谱图像分类是将每个像元所包含的所有波谱信息作为一个整体,不同类别所对应的波谱信息由于地物反射电磁能量不同而存在一定的差异性,依据这种差异性将每个像元赋予样本类别标号。联合协作表达分类(Joint collaborative representationclassification,JCRC)被成功的引入高光谱图像分类中,并具有一定的优势。
JCRC:假设高光谱图像含有j个不同类别的样本,每个类别中选取出一定的训练样本构成训练数据D。采用一个固定尺寸的正方形窗口作为邻域窗口,其中测试像元x作为中心元素,将邻域中所有像元组成联合矩阵XJ来参与系数ψ的求解。ψ可用获取,||·||F表示Frobenius范数,λ为大于零的数,为平衡因子。最终JCRC通过选取最小残差的类别来标记测试像元x。
JCRC分类方法存在的问题:1、邻域内元素在分类中所占比重相同,没有考虑到元素的差别性。2、邻域尺度单一,没有有效的利用多尺度邻域的丰富信息。
上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。
发明内容
本发明针对现有技术的缺陷,提供了一种基于加权邻域的多尺度高光谱图像分类方法,能有效的解决上述现有技术存在的问题。
为了实现以上发明目的,本发明采取的技术方案如下:
一种基于加权邻域的多尺度高光谱图像分类方法,包括以下步骤:
(1)、读入高光谱图像数据;
(2)、根据高光谱数据选取训练样本,构建字典D;
(3)、确定待处理测试样本的多尺度邻域信息;
(4)、针对尺度为Ce的邻域集合,确定邻域元素所占的权重;
(5)、求解尺度为Ce邻域所对应的系数矩阵Ψe;
(6)、重构样本,计算尺度为Ce邻域所对应的重构残差集合Re;
(7)、计算不同尺度邻域所对应的重构残差信息;
(8)、通过重构残差集合,最终确定高光谱像元类别。
优选的,步骤(1)包括以下过程:
读入三维高光谱数据维数为b*L*q,其中图像大小为b*L,具有q个波段。
优选的,步骤(2)包括以下过程:
高光谱数据一共包含j个类别地物,从各个类别中分别选取一部分像元样本作为训练样本,同时将这些训练样本的集合作为字典D,D=[D1,D2,…,Di,…,Dj],其中Di表示由第i类别的地物所构成的字典子集。
优选的,步骤(3)包括以下过程:
根据高光谱图像给出所需邻域的M个不同尺度信息,
优选的,步骤(4)包括以下过程:
(4.1)提取邻域集合;
假设使用尺度为Ce(e的初始值为1)的邻域,针对待处理的测试像元x,以该测试像元所处的位置为中心点构建一个尺寸为Ce×Ce的方形邻域,邻域窗口大小为Ce;邻域窗口所覆盖的像元集合为像元x的方形邻域集合FCe,其大小为Ce×Ce×q;将FCe进行矩阵维数转换平铺为二维矩阵,成为测试样本x对应的尺度为Ce的邻域测试集合Je;
(4.2)分别确定不同邻域元素所占的权重;详细的步骤为:
(1)、针对邻域集合进行扩充;
首先,确定相似模板大小为(2f+1)×(2f+1),将方形邻域集合(大小为Ce×Ce×q)整体作为中心元素,通过复制手段扩充成为大小为(Ce+2f)×(Ce+2f)×q的处理矩阵集合PU;
(2)、计算邻域元素的邻域像元距离;
方形邻域集合FCe共具有Ce×Ce个邻域元素,下边计算第fang个邻域元素的邻域像元距离,其中1≤fang≤(Ce×Ce);
由于图像具有q个波段,分别针对每个波段进行如下操作;
针对第op波段,其中(1≤op≤q);使用大小为(2f+1)×(2f+1)的观测模板,观测模板中心为处理矩阵集合中心元素中该邻域元素所处位置,被观测模板所覆盖的处理矩阵区域构成该邻域像元的观测矩阵GU;
使用大小为(2f+1)×(2f+1)的相似模板,相似模板的中心点从处理矩阵PU的位置从(1+f,1+f)处开始,以步长为1进行滑动,直到滑动到(Ce+f,Ce+f)处结束;每滑动一次,被相似模板所覆盖的处理矩阵区域均构成一个相似矩阵SUhua,其中的1≤hua≤(Ce×Ce);
每滑动一次都要计算一次对应的相似矩阵与观测矩阵的高斯加权距离,并将这些高斯加权距离进行累计加和操作,最终通过公式(1)得到op波段下所对应的邻域像元距离disop;
对所有波段均进行邻域像元距离求取操作,并将所有波段的邻域像元距离求均值,得到最终第fang个邻域元素的邻域像元距离DSfang,如公式(2);
(3)、计算所包含的邻域元素在该邻域中所占权重,构造对角权重矩阵We;
将这些归一化后的距离分别取倒数,得到初始权重CWfang,如式(4);
将每个邻域像元所对应的权重作为矩阵对角线元素,构造尺度为Ce下的对角权重矩阵We以方便后续处理,如式(6);
优选的,步骤(5)包括以下过程:
根据测试尺度为Ce的样本邻域测试集合Je、权重矩阵We和字典D,依式(7)求解测试像元x的尺度为Ce邻域下所对应的系数矩阵Ψe;
其中,式(7)的最优解可以根据式(8)进行分析和推导;
Ψe=(DTD+λI)-1DTJeWe (8)
其中,Ψe表示Je所对应得系数矩阵;λ为平衡因子,对数据的重构精度和协同度进行平衡,满足λ>0;I表示单位矩阵;||·||F表示Frobenious范数,上标2表示平方。
优选的,步骤(6)包括以下过程:
利用尺度为Ce邻域中的样本邻域测试集合Je乘以权重矩阵We,减去对应尺度下系数矩阵Ψe与字典D相乘得到的重构样本,针对第i类样本所对应的残差计算如式(9):
优选的,步骤(7)包括以下过程:
执行判断,若e小于M则执行e+1的操作,读入对应尺度,再重新执行步骤(3)至(6),若e等于或者大于M,跳转至步骤(8)。
优选的,步骤(8)包括以下过程:
(8.1)不同尺度邻域的重构残差融合;
对不同尺度邻域对应的重构残差集合进行残差融合,得到测试像元x所对应的第i类的最终残差ZRi,如公式(10)所示;
(8.2)确定高光谱像元最终类别;
依据式子(11),根据最终残差ZRi来确定测试像元x的类别,x的类别class(x)被确定具有最小最终残差所对应的那一类;
最终的输出class(x)为基于加权邻域的多尺度高光谱图像分类方法的分类结果。
步骤(4)至步骤(8)针对高光谱图像中的每个测试样本都要运行一遍,最终输出高光谱图像分类结果。
与现有技术相比本发明的优点在于:
本发明通过对邻域元素分配不同的权重,来考虑不同元素之间的差异性。采用多尺度邻域,使不同尺度邻域的丰富信息得到综合的利用。
本发明具有分类图视觉效果好,提高了分类的精度等优点。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例实验中的Indian Pines高光谱数据的真实图像;
图3为本发明实施例实验中在Indian Pines高光谱数据中所选取的原始各类的地物分布图;
图4为Indian Pines数据集的JCRC分类分布图;
图5为Indian Pines数据集的本发明实施例方法分类分布图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明做进一步详细说明。
如图1所示,一种基于加权邻域的多尺度高光谱图像分类方法,包括如下步骤:
1、读入高光谱图像数据。
读入三维高光谱数据维数为b*L*q,其中图像大小为b*L,具有q个波段。
2、根据高光谱数据选取训练样本,构建字典D。
高光谱数据一共包含j个类别地物,从各个类别中分别选取一部分像元样本作为训练样本,同时将这些训练样本的集合作为字典D,D=[D1,D2,…,Di,…,Dj],其中Di表示由第i类别的地物所构成的字典子集。
3、确定待处理测试样本的多尺度邻域信息。
根据高光谱图像给出所需邻域的M个不同尺度信息,
4、针对尺度为Ce的邻域集合,确定邻域元素所占的权重。
具体的步骤为:
(4.1)提取邻域集合。
假设使用尺度为Ce(e的初始值为1)的邻域,针对待处理的测试像元x,以该测试像元所处的位置为中心点构建一个尺寸为Ce×Ce的方形邻域,邻域窗口大小为Ce。邻域窗口所覆盖的像元集合为像元x的方形邻域集合FCe,其大小为Ce×Ce×q。将FCe进行矩阵维数转换平铺为二维矩阵,成为测试样本x对应的尺度为Ce的邻域测试集合Je。
(4.2)分别确定不同邻域元素所占的权重。详细的步骤为:
(1)、针对邻域集合进行扩充。
首先,确定相似模板大小为(2f+1)×(2f+1),将方形邻域集合(大小为Ce×Ce×q)整体作为中心元素,通过复制手段扩充成为大小为(Ce+2f)×(Ce+2f)×q的处理矩阵集合PU。
(2)、计算邻域元素的邻域像元距离。
方形邻域集合FCe共具有Ce×Ce个邻域元素,下边计算第fang个邻域元素的邻域像元距离,其中1≤fang≤(Ce×Ce)。
由于图像具有q个波段,分别针对每个波段进行如下操作。
针对第op波段,其中(1≤op≤q)。使用大小为(2f+1)×(2f+1)的观测模板,观测模板中心为处理矩阵集合中心元素中该邻域元素所处位置,被观测模板所覆盖的处理矩阵区域构成该邻域像元的观测矩阵GU。
使用大小为(2f+1)×(2f+1)的相似模板,相似模板的中心点从处理矩阵PU的位置从(1+f,1+f)处开始,以步长为1进行滑动,直到滑动到(Ce+f,Ce+f)处结束。每滑动一次,被相似模板所覆盖的处理矩阵区域均构成一个相似矩阵SUhua,其中的1≤hua≤(Ce×Ce)。
每滑动一次都要计算一次对应的相似矩阵与观测矩阵的高斯加权距离,并将这些高斯加权距离进行累计加和操作,最终通过公式(1)得到op波段下所对应的邻域像元距离disop。
对所有波段均进行邻域像元距离求取操作,并将所有波段的邻域像元距离求均值,得到最终第fang个邻域元素的邻域像元距离DSfang,如公式(2)。
(3)、计算所包含的邻域元素在该邻域中所占权重,构造对角权重矩阵We。
将这些归一化后的距离分别取倒数,得到初始权重CWfang,如式(4)。
将每个邻域像元所对应的权重作为矩阵对角线元素,构造尺度为Ce下的对角权重矩阵We以方便后续处理,如式(6)。
5、求解尺度为Ce邻域所对应的系数矩阵Ψe;
根据测试尺度为Ce的样本邻域测试集合Je、权重矩阵We和字典D,依式(7)求解测试像元x的尺度为Ce邻域下所对应的系数矩阵Ψe。
其中,式(7)的最优解可以根据式(8)进行分析和推导。
Ψe=(DTD+λI)-1DTJeWe (8)
其中,Ψe表示Je所对应得系数矩阵;λ为平衡因子,对数据的重构精度和协同度进行平衡,满足λ>0;I表示单位矩阵。||·||F表示Frobenious范数,上标2表示平方。
6、重构样本,计算尺度为Ce邻域所对应的重构残差集合Re;
利用尺度为Ce邻域中的样本邻域测试集合Je乘以权重矩阵We,减去对应尺度下系数矩阵Ψe与字典D相乘得到的重构样本,针对第i类样本所对应的残差计算如式(9):
7、计算不同尺度邻域所对应的重构残差信息。
执行判断,若e小于M则执行e+1的操作,读入对应尺度,再重新执行步骤(3)至(6),若e等于或者大于M,跳转至步骤8。
8、通过重构残差集合,最终确定高光谱像元类别。详细的步骤为:
(8.1)不同尺度邻域的重构残差融合。
对不同尺度邻域对应的重构残差集合进行残差融合,得到测试像元x所对应的第i类的最终残差ZRi,如公式(10)所示。
(8.2)确定高光谱像元最终类别。
依据式子(11),根据最终残差ZRi来确定测试像元x的类别,x的类别class(x)被确定具有最小最终残差所对应的那一类。
最终的输出class(x)为基于加权邻域的多尺度高光谱图像分类方法的分类结果。
值得注意的是:步骤4至步骤8针对高光谱图像中的每个测试样本都要运行一遍,最终输出本发明下的高光谱图像分类结果。
为了说明本发明的有效性,特进行如下实验论证:
如图2和图3所示,其中采用Indian Pines高光谱数据集来验证本发明方法的适用性。
美国印第安纳州Indian Pines实验区图像,其于1992年6月用AVIRIS传感器采集得到,空间分辨率为20m。原始图像共有220个波段,大小为145×145,共有16种地物分布,将原始的220个波段中受噪声影响较大的一些波段去除后选取200个波段作为仿真研究对象。从16种实际地物分布样本中每一类别随机抽取约10%的样本作为训练样本。
在对高光谱图像进行分类时,本发明方法与JCRC方法进行对比。
运用两种方法分类后与之对应的各类地物的分类分布图分别如图4和图5所示,可以直观的看到相对JCRC方法分类,本发明的方法分类效果图最好。
两种分类方法的三个分类评价指标即总体分类精度,类别平均分类精度和Kappa系数如表1所示。其中总体分类精度、类别平均分类精度和Kappa系数越高,图像的分类效果就越好。相比于JCRC,本发明方法从总体分类精度,类别平均分类精度和Kappa系数来看要分别高出4.87%,3.76%,5.79%。
表1两种不同方法对Indian Pines数据集分类的评价指标
分类评价指标 | JCRC | 本发明方法 |
总体分类精度(%) | 78.58 | 83.45 |
类别平均分类精度(%) | 59.55 | 63.31 |
Kappa系数(%) | 75.06 | 80.85 |
通过实验的对比分析可以进一步看出本发明方法优势所在:分类图效果好、分类精度高。
Claims (6)
1.一种基于加权邻域的多尺度高光谱图像分类方法,其特征在于,包括以下步骤:
(1)、读入高光谱图像数据;
读入三维高光谱数据维数为b*L*q,其中图像大小为b*L,具有q个波段;
(2)、根据高光谱数据选取训练样本,构建字典D;
包括以下过程:
高光谱数据一共包含j个类别地物,从各个类别中分别选取一部分像元样本作为训练样本,同时将这些训练样本的集合作为字典D,D=[D1,D2,…,Di,…,Dj],其中Di表示由第i类别的地物所构成的字典子集;
(3)、确定待处理测试样本的多尺度邻域信息;
根据高光谱图像给出所需邻域的M个不同尺度信息:
[C1,C2,…,Ce,…CM],1≤e≤M;Ce为尺度的大小,为正的奇整数
(4)、针对尺度为Ce的邻域集合,确定邻域元素所占的权重;
包括以下过程:
(4.1)提取邻域集合;
假设使用尺度为Ce的邻域,e的初始值为1,针对待处理的测试像元x,以该测试像元所处的位置为中心点构建一个尺寸为Ce×Ce的方形邻域,邻域窗口大小为Ce;邻域窗口所覆盖的像元集合为像元x的方形邻域集合FCe,其大小为Ce×Ce×q;将FCe进行矩阵维数转换平铺为二维矩阵,成为测试样本x对应的尺度为Ce的邻域测试集合Je;
(4.2)分别确定不同邻域元素所占的权重;详细的步骤为:
①、针对邻域集合进行扩充;
首先,确定相似模板大小为(2f+1)×(2f+1),将大小为Ce×Ce×q的方形邻域集合整体作为中心元素,通过复制手段扩充成为大小为(Ce+2f)×(Ce+2f)×q的处理矩阵集合PU;
②、计算邻域元素的邻域像元距离;
方形邻域集合FCe共具有Ce×Ce个邻域元素,下边计算第fang个邻域元素的邻域像元距离,其中1≤fang≤(Ce×Ce);
由于图像具有q个波段,分别针对每个波段进行如下操作;
针对第op波段,其中1≤op≤q;使用大小为(2f+1)×(2f+1)的观测模板,观测模板中心为处理矩阵集合中心元素中该邻域元素所处位置,被观测模板所覆盖的处理矩阵区域构成该邻域像元的观测矩阵GU;
使用大小为(2f+1)×(2f+1)的相似模板,相似模板的中心点从处理矩阵PU的位置从(1+f,1+f)处开始,以步长为1进行滑动,直到滑动到(Ce+f,Ce+f)处结束;每滑动一次,被相似模板所覆盖的处理矩阵区域均构成一个相似矩阵SUhua,其中的1≤hua≤(Ce×Ce);
每滑动一次都要计算一次对应的相似矩阵与观测矩阵的高斯加权距离,并将这些高斯加权距离进行累计加和操作,最终通过公式(1)得到op波段下所对应的邻域像元距离disop;
对所有波段均进行邻域像元距离求取操作,并将所有波段的邻域像元距离求均值,得到最终第fang个邻域元素的邻域像元距离DSfang,如公式(2);
③、计算所包含的邻域元素在该邻域中所占权重,构造对角权重矩阵We;
将这些归一化后的距离分别取倒数,得到初始权重CWfang,如式(4);
将每个邻域像元所对应的权重作为矩阵对角线元素,构造尺度为Ce下的对角权重矩阵We以方便后续处理,如式(6);
(5)、求解尺度为Ce邻域所对应的系数矩阵Ψe;
(6)、重构样本,计算尺度为Ce邻域所对应的重构残差集合Re;
(7)、计算不同尺度邻域所对应的重构残差信息;
(8)、通过重构残差集合,最终确定高光谱像元类别。
4.根据权利要求1所述的一种基于加权邻域的多尺度高光谱图像分类方法,其特征在于,步骤(7)包括以下过程:
执行判断,若e小于M则执行e+1的操作,读入对应尺度,再重新执行步骤(3)至(6),若e等于或者大于M,跳转至步骤(8)。
6.根据权利要求1到5任一项所述的一种基于加权邻域的多尺度高光谱图像分类方法,其特征在于,步骤(4)至步骤(8)针对高光谱图像中的每个测试样本都要运行一遍,最终输出高光谱图像分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389999.2A CN111199251B (zh) | 2019-12-27 | 2019-12-27 | 一种基于加权邻域的多尺度高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389999.2A CN111199251B (zh) | 2019-12-27 | 2019-12-27 | 一种基于加权邻域的多尺度高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199251A CN111199251A (zh) | 2020-05-26 |
CN111199251B true CN111199251B (zh) | 2020-11-27 |
Family
ID=70744368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911389999.2A Active CN111199251B (zh) | 2019-12-27 | 2019-12-27 | 一种基于加权邻域的多尺度高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199251B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783865B (zh) * | 2020-06-23 | 2022-03-15 | 西北工业大学 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
CN116977747B (zh) * | 2023-08-28 | 2024-01-23 | 中国地质大学(北京) | 基于多路多尺度特征孪生网络的小样本高光谱分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2546802A2 (en) * | 2011-07-12 | 2013-01-16 | Definiens AG | Generating artificial hyperspectral images using correlated analysis of co-registered images |
CN103336968A (zh) * | 2013-05-28 | 2013-10-02 | 中国矿业大学 | 基于张量距离补丁校准的高光谱数据降维方法 |
CN105095913A (zh) * | 2015-08-11 | 2015-11-25 | 湖北大学 | 基于近邻正则联合稀疏表示的遥感图像分类方法及系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9898682B1 (en) * | 2012-01-22 | 2018-02-20 | Sr2 Group, Llc | System and method for tracking coherently structured feature dynamically defined within migratory medium |
CN103440505B (zh) * | 2013-09-16 | 2016-11-02 | 重庆邮电大学 | 空间邻域信息加权的高光谱遥感图像分类方法 |
CN103810715B (zh) * | 2014-03-12 | 2016-06-29 | 西安电子科技大学 | 基于邻域光谱加权的高光谱图像稀疏解混方法 |
US9858502B2 (en) * | 2014-03-31 | 2018-01-02 | Los Alamos National Security, Llc | Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding |
US9269162B1 (en) * | 2014-08-25 | 2016-02-23 | Raytheon Company | Rapid anomaly detection (RAND) |
CN104239902B (zh) * | 2014-09-12 | 2018-04-24 | 西安电子科技大学 | 基于非局部相似性和稀疏编码的高光谱图像分类方法 |
CN106408009B (zh) * | 2016-09-08 | 2019-04-12 | 哈尔滨工业大学 | 基于深度置信网络的邻域加权平均高光谱图像分类方法 |
CN107944474B (zh) * | 2017-11-06 | 2021-04-09 | 中国地质大学(北京) | 基于局部自适应字典的多尺度协作表达高光谱分类方法 |
CN108009550B (zh) * | 2017-11-09 | 2021-01-22 | 深圳大学 | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 |
CN107742114B (zh) * | 2017-11-09 | 2021-11-19 | 深圳大学 | 高光谱图像特征检测方法及装置 |
CN109543717B (zh) * | 2018-10-25 | 2021-07-20 | 中国地质大学(北京) | 基于自适应邻域及字典的联合协作表达高光谱分类方法 |
CN110570395B (zh) * | 2019-08-06 | 2022-04-29 | 西安电子科技大学 | 基于空谱联合协同表示的高光谱异常检测方法 |
-
2019
- 2019-12-27 CN CN201911389999.2A patent/CN111199251B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2546802A2 (en) * | 2011-07-12 | 2013-01-16 | Definiens AG | Generating artificial hyperspectral images using correlated analysis of co-registered images |
CN103336968A (zh) * | 2013-05-28 | 2013-10-02 | 中国矿业大学 | 基于张量距离补丁校准的高光谱数据降维方法 |
CN105095913A (zh) * | 2015-08-11 | 2015-11-25 | 湖北大学 | 基于近邻正则联合稀疏表示的遥感图像分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于PCA网络的光谱-空间联合的高光谱图像分类;王凡;《计算机仿真》;20181031;第35卷(第10期);第350-353页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111199251A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Xie et al. | Hyperspectral image super-resolution using deep feature matrix factorization | |
Riese et al. | Soil texture classification with 1D convolutional neural networks based on hyperspectral data | |
Charles et al. | Learning sparse codes for hyperspectral imagery | |
Shihavuddin et al. | Image-based coral reef classification and thematic mapping | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
Uezato et al. | A novel endmember bundle extraction and clustering approach for capturing spectral variability within endmember classes | |
CN110100262B (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
JP6945253B2 (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
Thomas et al. | Comparing distances for quality assessment of fused images | |
CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
CN111783884A (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
Li et al. | On spectral unmixing resolution using extended support vector machines | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
Xie et al. | Trainable spectral difference learning with spatial starting for hyperspectral image denoising | |
CN113052216A (zh) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 | |
CN115661069A (zh) | 一种高光谱异常检测方法及计算机装置 | |
CN107944474B (zh) | 基于局部自适应字典的多尺度协作表达高光谱分类方法 | |
Zaman et al. | Analysis of hyperspectral data to develop an approach for document images | |
Mantripragada et al. | The effects of spectral dimensionality reduction on hyperspectral pixel classification: A case study | |
Su et al. | Superpixel-based weighted collaborative sparse regression and reweighted low-rank representation for hyperspectral image unmixing | |
CN113850769A (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
CN109543717B (zh) | 基于自适应邻域及字典的联合协作表达高光谱分类方法 |
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 |