CN111652041A - 基于深度子空间聚类的高光谱波段选择方法、设备和装置 - Google Patents

基于深度子空间聚类的高光谱波段选择方法、设备和装置 Download PDF

Info

Publication number
CN111652041A
CN111652041A CN202010291447.4A CN202010291447A CN111652041A CN 111652041 A CN111652041 A CN 111652041A CN 202010291447 A CN202010291447 A CN 202010291447A CN 111652041 A CN111652041 A CN 111652041A
Authority
CN
China
Prior art keywords
hyperspectral
clustering
subspace clustering
model
depth subspace
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
CN202010291447.4A
Other languages
English (en)
Inventor
汪海城
任钰
袁兆宪
张生元
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.)
Hebei GEO University
Original Assignee
Hebei GEO University
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 Hebei GEO University filed Critical Hebei GEO University
Priority to CN202010291447.4A priority Critical patent/CN111652041A/zh
Publication of CN111652041A publication Critical patent/CN111652041A/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
    • G06F2218/12—Classification; Matching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理技术领域，具体涉及一种基于深度子空间聚类的高光谱波段选择方法、设备和装置。一种基于深度子空间聚类的高光谱波段选择方法，包括以下步骤：S1、建立一个深度子空间聚类模型，得到波段间相似度矩阵；S2、利用步骤S1所得的矩阵进行谱聚类，进而得到高光谱图像的波段选择结果；S3、对步骤S2所得的高光谱图像进行分类。本发明提出了一种可提高高光谱遥感后续处理效率及精度的基于深度子空间聚类的高光谱波段选择方法。

Description

基于深度子空间聚类的高光谱波段选择方法、设备和装置
技术领域
本发明属于图像处理技术领域，具体涉及一种基于深度子空间聚类的高光谱波段选择方法。
背景技术
高光谱遥感图像将表征地物属性特征的光谱信息及表征地物几何位置关系的空间信息有机结合，实现“图谱合一”(A.Sedaghat,M.Mokhtarzade,H.Ebadi,“UniformRobust Scale-Invariant Feature Matching for Optical Remote Sensing Images,”IEEE Transactions on Geoscience and Remote Sensing,2011,49(11):4516-4527.Available:https://doi.org/10.1109/TGRS.2011.2144607)，具有近乎连续的光谱特征以及纳米级的光谱分辨率。然而，高光谱图像较高的谱间相关性导致了大量信息冗余，导致数据分析时易产生较高的计算复杂度及“Hughes”现象(M.Pal,G.M.Foody,“FeatureSelection for Classification of Hyperspectral Data by SVM,”IEEE Transactionson Geoscience and Remote Sensing,2010,48(5):2297-2307.Available:https://doi.org/10.1109/tgrs.2009.2039484)。高光谱波段选择旨在保留遥感数据海量信息的基础上，降低光谱特征维度，减少计算复杂度，提高高光谱图像的处理和利用效率。
常见的波段选择方法有：基于波段排序的方法，如最大方差主成分分析、自适应波段选择(Adaptive Band Selection,ABS)、基于信息离散度的波段选择以及基于稀疏表示的波段选择(刘春红,赵春晖,张凌雁,“一种新的高光谱遥感图像降维方法,”中国图象图形学报,2005,(02):218-222.Available:https://doi.org/CNKI:SUN:ZGTB.0.2005-02-00E)等，该类方法对波段信息量或相关性进行排序，选出最优波段子集，计算复杂度低，但容易选出连续波段，造成信息冗余；基于聚类的方法，如K均值、谱聚类(Spectral Clustering,SC)、改进的稀疏子空间聚类、仿射传播(秦方普,张爱武,和王书民等,“基于谱聚类与类间可分性因子的高光谱波段选择,”光谱学与光谱分析,2015,35(05):1357-1364.Available:https://doi.org/10.3964/j.issn.1000-0593(2015)05-1357-08；W.Sun,L.Zhang,B.Du,et al.,“Band Selection Using Improved Sparse Subspace Clustering forHyperspectral Image ry Classification,”Selected Topics in Applied EarthObservations an d Remote Sensing,2015,8(6):2784-2797.Available:https://doi.org/10.1109/JSTARS.2015.2417156)等，该类方法根据某种衡量准则将波段聚为多个子集，根据聚类结果选出波段子集，充分考虑了波段整体之间的相关性，受到较为广泛的关注，然而当波段维度较高时，聚类的方式难以准确度量其相关性。
此外，神经网络、自编码器、基于注意力机制的卷积神经网络、深度对抗子空间聚类等基于神经网络的方法也被广泛应用于高光谱波段选择研究中(M.Habermann,V.Fremont,E.H.Shiguemori,“Supervised band selection in hyperspectral imagesusing single-layer neural networks,”International Journal of Remote Sensing,2018,1-27.Available:https://doi.org/10.1080/01431161.2018.1553322；P.R.Lorenzo,L.Tulczyjew,M.Marcinkiewicz,et al.,“Band Selection fromHyperspectral Images Using Attention-based Convolutional Neural Networks,”IEEE ACCESS,2020,3:1-5.)，相较于传统波段选择方法，该类算法通过多次非线性变换更准确地拟合数据，所选波段代表性更佳，但存在忽略波段空间特征导致特征提取不足、引入过多复杂计算导致过拟合等问题。
发明内容
为克服现有技术中的不足，本发明实施提出一种可提高高光谱遥感后续处理效率及精度的基于深度子空间聚类的高光谱波段选择方法。
为达到上述目的，本发明所采用的技术方案是：
一种基于深度子空间聚类的高光谱波段选择方法，包括以下步骤：
S1、建立一个深度子空间聚类模型，得到波段间相似度矩阵；
S2、利用步骤S1所得的矩阵进行谱聚类，进而得到高光谱图像的波段选择结果；
S3、对步骤S2所得的高光谱图像进行分类。
在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：
所述步骤S1还包括：
S11、建立一个卷积自编码器的预训练模型；
S12、将步骤S11所得的预训练模型的参数迁移至深度子空间聚类模型中，进行模型参数初始化；
S13、引入Leaky ReLU函数及小卷积核，训练深度子空间聚类模型，得到波段间的相似度矩阵。
所述步骤S11中的预训练模型由卷积编码器与反卷积解码器两部分构成，为了充分利用不同层次的特征信息，所述模型将底层特征图与高层特征图跨层融合，对融合后的特征图进行反卷积操作，增强模型对复杂图像的表现能力，获得较传统方式更好的图像重建效果，准确快速地得到输入数据潜在特征表示。
所述步骤S12和步骤S13中的深度子空间聚类模型包括卷积编码器、反卷积解码器与自表达层。所述卷积编码器用于提取输入图像的深层特征；所述反卷积解码器用于对提取的深层特征进行重建；所述编码器与解码器间的自表达层即一个无偏置和非线性激活函数的全连接层，用于获取谱聚类所需相似度矩阵。
所述步骤S2还包括：
S21、对输入的N个样本的相似度矩阵W计算出对应度矩阵D；
S22、计算拉普拉斯矩阵L，L＝D-W；
S23、标准化拉普拉斯矩阵L，L＝D-1/2LD-1/2；
S24、计算L的特征值，取前K小个特征值，得到对应特征向量u1,u2,…,uK；
S25、对U＝{u1,u2,…,uK}进行聚类，其中U∈RN×K，每行代表一个样本；
S26、输出聚类结果A1,A2,…,AK；
S27、选取距离聚类中心最近的波段作为波段子集，即波段选择结果。
所述对波段选择后的高光谱图像进行分类包括：将波段选择后的高光谱图像利用SVM分类器或KNN分类器验证其分类效果。
进一步地，本发明还提供以下技术方案：
一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
进一步地，本发明还提供以下技术方案：
一种计算机可读存储装置，所述计算机可读存储装置存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明的优点是：本模型将底层特征图与高层特征图跨层融合，对融合后的特征图进行反卷积操作，增强模型对复杂图像的表现能力，获得较传统方式更好的图像重建效果，并引入Leaky ReLU与小卷积核准确快速地得到输入数据潜在特征表示。
附图说明
图1是本发明一种基于深度子空间聚类的高光谱波段选择方法的实施例一流程示意图。
图2是本发明一种基于深度子空间聚类的高光谱波段选择方法的预训练模型示意图。
图3是本发明一种基于深度子空间聚类的高光谱波段选择方法的深度子空间聚类模型示意图。
图4是本发明一种基于深度子空间聚类的高光谱波段选择方法的Indian Pines数据集验证图。
图5是发明一种基于深度子空间聚类的高光谱波段选择方法的KNN分类器的分类结果对比。
图6是发明一种基于深度子空间聚类的高光谱波段选择方法的SVM分类器的分类结果对比。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案。
实施例一，如图1所示，是本发明所述基于深度子空间聚类的高光谱波段选择方法流程示意图，主要包括如下步骤：
S110：建立一个深度子空间聚类模型。包括预训练模型的训练以及深度子空间模型的训练两个步骤：
对于预训练模型的训练，其模型示意图如图2所示，该预训练模型为一个卷积自编码器，由卷积编码器与反卷积解码器两部分构成。传统反卷积解码器直接对卷积编码器提取到的特征进行反卷积操作，将卷积特征图恢复到原图大小，实现图像的重建。该过程只对图像的深层特征进行利用，而没有很好的利用图像底层特征。卷积编码器中底层特征图对图像本身的纹理、边缘等特征进行较好的刻画，高层特征图能够对图像中目标物的形状、类别等进行较好的刻画。为了充分利用不同层次的特征信息，本模型将底层特征图与高层特征图跨层融合，对融合后的特征图进行反卷积操作，增强模型对复杂图像的表现能力，获得较传统方式更好的图像重建效果，准确快速地得到输入数据潜在特征表示。
对于深度子空间模型的训练，其模型示意图如图3所示，利用预训练模型的参数初始化DSC模型中的参数，进行整个DSC模型的微调，加快收敛速度，提高整个网络模型训练效率。深度子空间聚类模型中的卷积自编码器包括卷积编码器、反卷积解码器与自表达层，即一个无偏置和非线性激活函数的全连接层。其中卷积编码器旨在提取输入图像的深层特征，反卷积解码器旨在对提取的深层特征进行重建，编码器与解码器间的自表达层获取谱聚类所需相似度矩阵。卷积编码器将数据样本点X＝{Xi|i＝1,...,N}非线性地映射到潜在空间，得到潜在表示Z＝{Zi|i＝1,...,N}，Z通过自表达层得到自我表示数据Z'＝{Z'i|i＝1,...,N}，反卷积解码器对Z'重构得到X'＝{X'i|i＝1,...,N}。DSC的损失函数Loss如公式1所示：
Figure BDA0002450542400000071
其中，Loss(C)第一项为自编码器重建损失，后两项为自表达层的损失，λ1、λ2为平衡系数。
在卷积编码器与反卷积解码器中引入多个小卷积核(3×3)替代大卷积核(7×7)，若干连续的小卷积核堆叠，在拥有与大卷积核相同感受野情况下减少了模型参数量，引入更多非线性变换，提取图像更深层特征。同时在卷积编码器最后一层与反卷积解码器第一层引入1×1小卷积核进行特征融合，更好地拟合数据。并且利用Leaky ReLU激活函数代替ReLU激活函数，避免反向更新梯度时产生大面积神经元坏死最终易导致大面积神经元坏死。
其中，ReLU表示线性整流函数(Rectified Linear Unit)，又称修正线性单元，是一种人工神经网络中常用的激活函数(activation function)，通常指代以斜坡函数及其变种为代表的非线性函数；
Leaky ReLU表示带泄露线性整流函数。
经过训练，得到数据样本的自表达系数矩阵C，并构造出所对应的波段间相似度矩阵W＝|C|+|CT|。
S120：利用所得波段间相似度矩阵进行谱聚类，得到聚类结果，包括：
对输入的N个样本的相似度矩阵W计算出对应度矩阵D；
计算拉普拉斯矩阵L＝D-W；
标准化拉普拉斯矩阵L＝D-1/2LD-1/2；
计算L的特征值，取前K小个特征值，得到对应特征向量
u1,u2,…,uK；
对U＝{u1,u2,…,uK}进行聚类，其中U∈RN×K，每行代表一个样本；
输出聚类结果A1,A2,…,AK；
选取距离聚类中心最近的波段作为波段子集，即波段选择结果。
S130：对波段选择后的高光谱图像进行SVM、KNN分类，验证其分类结果。
其中，SVM表示支持向量机，是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)；
KNN表示邻近算法，KNN分类算法分类算法是数据挖掘分类技术中最简单的方法之一。KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。
利用Indian Pines数据集进行验证，其数据集如图4所示，其中(a)为IndianPines数据集伪彩色图，(b)为Indian Pines数据集真实地物情况。
利用KNN与SVM两种分类器测试本文改进DSC、SC与ABS三种波段选择方法在高光谱图像分类中的效果，评价分类精度指标采用总体分类精度(Overall Accuracy,OA)、平均分类精度(Average Accuracy,AA)以及卡帕系数(Kappa Coefficient)。
Figure BDA0002450542400000091
Figure BDA0002450542400000092
Figure BDA0002450542400000093
其中M表示正确分类的总样本数，N表示总样本数，C表示类别数，Mi表示每类正确分类样本数，Ni表示第i类样本个数，FNi表示预测出的第i类样本个数。
得到实验结果如图5、图6所示，其中：
图5是KNN分类器对深度子空间聚类、谱聚类和自适应波段选择三种方法波段选择后高光谱图像的分类结果对比，(a)为总体分类精度，(b)为平均分类精度，(c)为Kappa系数；
图6是SVM分类器对深度子空间聚类、谱聚类和自适应波段选择三种方法波段选择后高光谱图像的分类结果对比，(a)为总体分类精度，(b)为平均分类精度，(c)为Kappa系数。
从图中可以看出，改进DSC在两种分类器下均优于其它两种波段选择方法，在KNN分类器下OA、AA和Kappa系数分别达到85.26％、86.74％和0.83，在SVM分类器下OA、AA和Kappa系数分别达到89.95％、93.58％和0.88。改进DSC中的卷积自编码器通过非线性变换更好地提取波段潜在特征，解决了其它传统波段选择方法对相似度度量不准确的问题，所选波段更具有代表性，因此分类精度较其它方法高。同时SVM在高光谱图像分类中表现出色，这得益于它对小样本高维数据优秀的处理能力。
通过设置不同的波段选择数目进行实验，不仅验证了算法可行性，也表明随着波段数增多，分类精度可能呈现下降趋势，或达到了一个相对稳定的状态，这符合高光谱图像的“Hughes”现象的特征。
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述方法实施例中的步骤，例如图1所示的步骤S110至S130。
本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上、述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度子空间聚类的高光谱波段选择方法，其特征在于，包括以下步骤：
S1、建立一个深度子空间聚类模型，得到波段间相似度矩阵；
S2、利用步骤S1所得的矩阵进行谱聚类，进而得到高光谱图像的波段选择结果；
S3、对步骤S2所得的高光谱图像进行分类。
2.根据权利要求1所述的一种基于深度子空间聚类的高光谱波段选择方法，其特征在于，所述步骤S1还包括：
S11、建立一个卷积自编码器的预训练模型；
S12、将步骤S11所得的预训练模型的参数迁移至深度子空间聚类模型中，进行模型参数初始化；
S13、引入Leaky ReLU函数及小卷积核，训练深度子空间聚类模型，得到波段间的相似度矩阵。
3.根据权利要求2所述的一种基于深度子空间聚类的高光谱波段选择方法，其特征在于，所述步骤S11中的预训练模型由卷积编码器与反卷积解码器两部分构成；所述模型将底层特征图与高层特征图跨层融合，对融合后的特征图进行反卷积操作。
4.根据权利要求2所述的一种基于深度子空间聚类的高光谱波段选择方法，其特征在于，所述步骤S12和步骤S13中的深度子空间聚类模型包括卷积编码器、反卷积解码器与自表达层；
所述卷积编码器，用于提取输入图像的深层特征；
所述反卷积解码器，用于对提取的深层特征进行重建；
所述自表达层设于卷积编码器与反卷积解码器之间，用于获取谱聚类所需的相似度矩阵。
5.根据权利要求1所述的一种基于深度子空间聚类的高光谱波段选择方法，其特征在于，所述步骤S2还包括：
S21、对输入的N个样本的相似度矩阵W计算出对应度矩阵D；
S22、计算拉普拉斯矩阵L，L＝D-W；
S23、标准化拉普拉斯矩阵L，L＝D-1/2LD-1/2；
S24、计算L的特征值，取前K个最小的特征值，得到对应特征向量u1,u2,…,uK；
S25、对U＝{u1,u2,…,uK}进行聚类，其中U∈RN×K，每行代表一个样本；
S26、输出聚类结果A1,A2,…,AK；
S27、选取距离聚类中心最近的波段作为波段子集，即波段选择结果。
6.根据权利要求1所述的一种基于深度子空间聚类的高光谱波段选择方法，其特征在于，所述步骤S3还包括利用K近邻分类器或支持向量机分类器对波段选择后的高光谱特征波段进行分类效果验证。
7.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述的基于深度子空间聚类的高光谱波段选择方法。
8.一种计算机可读存储装置，所述计算机可读存储装置存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的基于深度子空间聚类的高光谱波段选择方法。
CN202010291447.4A 2020-04-14 2020-04-14 基于深度子空间聚类的高光谱波段选择方法、设备和装置 Pending CN111652041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010291447.4A CN111652041A (zh) 2020-04-14 2020-04-14 基于深度子空间聚类的高光谱波段选择方法、设备和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010291447.4A CN111652041A (zh) 2020-04-14 2020-04-14 基于深度子空间聚类的高光谱波段选择方法、设备和装置

Publications (1)

Publication Number Publication Date
CN111652041A true CN111652041A (zh) 2020-09-11

Family

ID=72345533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010291447.4A Pending CN111652041A (zh) 2020-04-14 2020-04-14 基于深度子空间聚类的高光谱波段选择方法、设备和装置

Country Status (1)

Country Link
CN (1) CN111652041A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164429A (zh) * 2020-09-21 2021-01-01 河北地质大学 一种元素形成原生晕能力的定量评价方法
CN112884035A (zh) * 2021-02-07 2021-06-01 山东科技大学 一种噪声鲁棒的高光谱图像波段选择方法
CN114548282A (zh) * 2022-02-23 2022-05-27 杭州师范大学 基于荧光光谱的分类方法、装置及可读存储介质
TWI806613B (zh) * 2022-05-18 2023-06-21 臺中榮民總醫院 高光譜特徵波段選擇方法及利用該方法之主動式高光譜成像裝置
CN116310459A (zh) * 2023-03-28 2023-06-23 中国地质大学（武汉） 基于多视图空谱联合的高光谱图像子空间聚类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169510A (zh) * 2017-04-27 2017-09-15 河海大学 基于遗传蜂群算法的高光谱遥感影像波段选择方法
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法
CN108875592A (zh) * 2018-04-13 2018-11-23 哈尔滨工程大学 一种基于注意力的卷积神经网络优化方法
CN110309851A (zh) * 2019-05-16 2019-10-08 中国科学院西安光学精密机械研究所 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169510A (zh) * 2017-04-27 2017-09-15 河海大学 基于遗传蜂群算法的高光谱遥感影像波段选择方法
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法
CN108875592A (zh) * 2018-04-13 2018-11-23 哈尔滨工程大学 一种基于注意力的卷积神经网络优化方法
CN110309851A (zh) * 2019-05-16 2019-10-08 中国科学院西安光学精密机械研究所 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
MENG ZENG ET AL.: "Spectral-Spatial Clustering of Hyperspectral Image Based on Laplacian Regularized Deep Subspace Clustering", 《IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
MENG ZENG ET AL.: "Unsupervised Hyperspectral Image Band Selection Based on Deep Subspace Clustering", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
PAN JI ET AL.: "Deep subspace clustering networks", 《31ST CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 *
司马海峰 等: "《遥感图像分类中的智能计算方法》", 31 January 2018, 吉林大学出版社 *
曾梦 等: "使用深度对抗子空间聚类实现高光谱波段选择", 《计算机应用》 *
牟少敏 等: "《模式识别与机器学习技术》", 30 June 2019, 冶金工业出版社 *
管涛: "《数据分析基础及模型》", 31 July 2015, 合肥工业大学出版社 *
赵小敏 等: "《土地利用变化及其生态环境效应研究》", 31 December 2006, 地质出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164429A (zh) * 2020-09-21 2021-01-01 河北地质大学 一种元素形成原生晕能力的定量评价方法
CN112884035A (zh) * 2021-02-07 2021-06-01 山东科技大学 一种噪声鲁棒的高光谱图像波段选择方法
CN114548282A (zh) * 2022-02-23 2022-05-27 杭州师范大学 基于荧光光谱的分类方法、装置及可读存储介质
TWI806613B (zh) * 2022-05-18 2023-06-21 臺中榮民總醫院 高光譜特徵波段選擇方法及利用該方法之主動式高光譜成像裝置
CN116310459A (zh) * 2023-03-28 2023-06-23 中国地质大学（武汉） 基于多视图空谱联合的高光谱图像子空间聚类方法
CN116310459B (zh) * 2023-03-28 2024-01-19 中国地质大学（武汉） 基于多视图空谱联合的高光谱图像子空间聚类方法

Similar Documents

Publication Publication Date Title
Zebari et al. A comprehensive review of dimensionality reduction techniques for feature selection and feature extraction
Rashid et al. Object detection and classification: a joint selection and fusion strategy of deep convolutional neural network and SIFT point features
CN111652041A (zh) 基于深度子空间聚类的高光谱波段选择方法、设备和装置
Karlinsky et al. Repmet: Representative-based metric learning for classification and few-shot object detection
Hammer et al. Generalized relevance learning vector quantization
Wu et al. Semi-supervised dimensionality reduction of hyperspectral imagery using pseudo-labels
Kong et al. Spectral–spatial feature extraction for HSI classification based on supervised hypergraph and sample expanded CNN
CN111353463A (zh) 基于随机深度残差网络的高光谱图像分类方法
Sundara Sobitha Raj et al. DDLA: dual deep learning architecture for classification of plant species
Li et al. Fuzzy bag of words for social image description
Kishorjit Singh et al. Image classification using SLIC superpixel and FAAGKFCM image segmentation
Ding Spectral and Wavelet-based Feature Selection with Particle Swarm Optimization for Hyperspectral Classification.
Cheung et al. Local kernel regression score for selecting features of high-dimensional data
Liu et al. Unsupervised automatic attribute discovery method via multi-graph clustering
Lejbølle et al. Enhancing person re‐identification by late fusion of low‐, mid‐and high‐level features
CN112560949B (zh) 基于多级统计学特征提取的高光谱分类方法
Ukai et al. This looks like it rather than that: ProtoKNN for similarity-based classifiers
Yu et al. Target recognition in SAR image based on robust locality discriminant projection
Zhang et al. Scene categorization by deeply learning gaze behavior in a semisupervised context
Ye et al. Enhancement of ELM by clustering discrimination manifold regularization and multiobjective FOA for semisupervised classification
Li et al. Genetic algorithm optimized SVM in object-based classification of quickbird imagery
Peng et al. Data-independent feature learning with Markov random fields in convolutional neural networks
CN109934270B (zh) 一种基于局部流形判别分析投影网络的分类方法
CN111401485A (zh) 实用的纹理分类方法
Jin et al. CSKNN: Cost-sensitive K-Nearest Neighbor using hyperspectral imaging for identification of wheat varieties

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: 20200911