CN111783865A - 基于空谱邻域嵌入和最优相似图的高光谱分类方法 - Google Patents
基于空谱邻域嵌入和最优相似图的高光谱分类方法 Download PDFInfo
- Publication number
- CN111783865A CN111783865A CN202010595151.1A CN202010595151A CN111783865A CN 111783865 A CN111783865 A CN 111783865A CN 202010595151 A CN202010595151 A CN 202010595151A CN 111783865 A CN111783865 A CN 111783865A
- Authority
- CN
- China
- Prior art keywords
- matrix
- representing
- pixel
- hyperspectral image
- pixel point
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
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
本发明提供了一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。首先,基于邻域保留嵌入法使用新的空间光谱组合距离融合空间结构和光谱信息,以选择高光谱图像像元的有效空间光谱近邻;然后,通过利用空间距离来调整像元与其相邻像元之间的重构权重,来增强嵌入特征的辨别能力,得到投影矩阵及其对应的低维高光谱图像;最后,基于低维高光谱图像构建锚点图,得到原始点到锚点的连接矩阵,再利用谱聚类方法由连接矩阵获得最优相似矩阵,进而得到分类结果。本发明方法通过更深入地挖掘高光谱图像的内在结构,获得有效的空间光谱邻居,并利用锚点图和谱聚类方法得到最优相似图,能够同时提高分类精度和算法效率。
Description
技术领域
本发明属机器学习、高光谱图像处理技术领域,具体涉及一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。
背景技术
高光谱图像包含详细的空间结构和丰富的光谱波段信息,由于其具有更好的区分地面覆盖类别之间细微差异的能力,而被广泛地应用于环境监测、地质勘探、精准农业、军事探测和大气遥感等领域。因此,高光谱图像中每个像素的分类问题在实际应用中具有至关重要的作用。但是传统的分类方法在处理高光谱图像时,只考虑空间结构或光谱信息,不能充分利用其固有的信息,使得分类精度较低。因此,在处理分类任务时融合高光谱图像的空间结构和光谱信息具有重要意义。
文献“Y.C.Zhou,J.T.Peng,and C.L.P.Chen.Dimension Reduction UsingSpatial and Spectral Regularized Local Discriminant Embedding forHyperspectral Image Classification[J].IEEE Transactions on Geoscience andRemote Sensing,vol.53,no.2,pp.1082–1095,Jul.2015.”融合了空间相关性和光谱信息,使用空间域局部像元邻域保留嵌入法,通过寻找线性投影矩阵,使得局部像元邻域保留散度最小,同时总散度在投影空间中最大。但该方法仅使用空间信息来表示相似关系或揭示特定窗口内的空间邻域关系,忽略了空间信息在邻接图构造中的影响。
许多空间光谱结合的方法均存在计算复杂度高的问题,所以,如何保持分类精度的同时提高算法效率具有实际研究意义。文献“R.Wang,F.Nie,and W.Yu,Fast spectralclustering with anchor graph for large hyperspectral images[J].IEEEGeosci.Remote Sens.Lett.,vol.14,no.11,pp.2003–2007,Nov.2017.”针对高光谱图像信息的大规模性提出基于锚点图的谱聚类方法,在锚点图的重建过程中联合空间-光谱特性,利用谱聚类方法最优化相似图对应的矩阵,降低了算法的计算复杂度。虽然提高了算法效率,但该方法在融合空间-光谱特性时,仅通过均值滤波使用空间信息,未充分利用其特性。
发明内容
为克服现有技术的不足,本发明提供一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。首先,基于邻域保留嵌入法使用新的空间光谱组合距离融合空间结构和光谱信息,以选择高光谱图像像元的有效空间光谱近邻;然后,通过利用空间距离来调整像元与其相邻像元之间的重构权重,来增强嵌入特征的辨别能力,得到投影矩阵及其对应的低维高光谱图像;最后,基于低维高光谱图像构建锚点图,得到原始点到锚点的连接矩阵,再利用谱聚类方法由连接矩阵获得最优相似矩阵,进而得到分类结果。本发明方法通过更深入地挖掘高光谱图像的内在结构,获得有效的空间光谱近邻,并利用锚点图和谱聚类方法得到最优相似图,能够同时提高分类精度和算法效率。
一种基于空谱邻域嵌入和最优相似图的高光谱分类方法,其特征在于步骤如下:
步骤2:按照下式构建高光谱图像中任意两个像素点之间的空间光谱联合距离dSS(xi,xj):
其中,xi表示高光谱图像中的第i个像素点,xj表示高光谱图像中的第j个像素点,表示xj对应的滤波后的像素点,i=1,2,…,N,j=1,2,…,N,N为高光谱图像中的像素总数;xih表示像素点xi的w邻域窗口内的第h个像素点;w表示邻域窗口大小,取值为正奇数;Ω(xi)是xi的邻域空间,Ω(xi)={xi1,xi2,...,xi(w2-1)};vih表示像素点xih的权重,按照计算,σj表示权重vih核函数的方差,按照计算;
对于每个像素点xi,i=1,…,N,取与其空间光谱联合距离值最小的k个像素点构成其k近邻点集合N(xi),k=5、10、20或50;
然后,求解下式得到降维后的高光谱图像矩阵Y:
其中,I表示单位矩阵;
步骤4:由降维后的高光谱图像矩阵Y中随机选择n个像素点构成锚点矩阵U,0<n<N;
然后,求解下式得到测量矩阵Z:
其中,zi表示测量矩阵Z中的第i行向量,i=1,…,N,zij表示测量矩阵Z中的第i行j列元素,yi表示图像矩阵Y中的第j个像素点,uj表示锚点矩阵U中的第j个像素点;η为平衡参数,取值范围为[0,1];表示按照步骤2所述过程对图像矩阵Y中的像素点yi计算得到的其k个近邻点的均值;γ为正则参数,取值范围为[0,1];
本发明的有益效果是:由于采用的空间光谱组合距离可以选择更有效的近邻,该有效近邻被用于构建空间光谱邻接图以发现高光谱数据的内在流形结构,通过调整空间近邻的重构权重以聚合高光谱数据,进一步提高了所提取特征的辨别力,增强分类效果;由于加入了基于锚点图的谱聚类方法,通过最优化相似矩阵,提高了分类计算的速度。
附图说明
图1是本发明的基于空谱邻域嵌入和最优相似图的高光谱分类方法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
如图1所示,本发明提供了一种基于空谱邻域嵌入和最优相似图的高光谱分类方法,其具体实现过程如下:
1、为了减少噪声、平滑高光谱图像中的同质区域,使用空间加权均值滤波预处理高光谱图像中的每个像素点xi(xi∈RD),得到处理后的像素点其中,i=1,2,…,N,D为波段数,N为高光谱图像中的像素总数。具体滤波公式如下:
Ω(xi)={xi(p,q)|p∈[pi-t,pi+t],q∈[qi-t,qi+t]} (6)
t=(w-1)/2 (7)
其中,Ω(xi)是像素点xi的邻域空间,xik表示像素点xi邻域内的第k个像素点,k=1,2,…,w2-1,w一般取正奇数,表示空间邻域窗口大小;(pi,qi)是xi的空间坐标;vk=exp{-γ0||xi-xik||2}表示邻域像素点xik的权重,γ0为常系数,本发明设置γ0=0.2。
2、利用空间光谱联合距离公式获得高光谱图像不同像素之间的距离,并根据该距离找到每个像素的k近邻。具体如下:
按照下式计算得到高光谱图像中任意两个像素点之间的空间光谱联合距离dSS(xi,xj):
其中,xi表示高光谱图像中的第i个像素点,xj表示高光谱图像中的第j个像素点,表示xj对应的滤波后的像素点,i=1,2,…,N,j=1,2,…,N,N为高光谱图像中的像素总数;xih表示像素点xi的w邻域窗口内的第h个像素点;w表示邻域窗口大小,取值为正奇数;Ω(xi)是xi的邻域空间且;vih表示像素点xih的权重,按照计算,σj表示权重vih核函数的方差,按照计算;
所有像素点之间的空间光谱联合距离dSS(xi,xj)(,i=1,2,…,N,j=1,2,…,N)构成矩阵dSS,且dSS∈RN×N。dSS的第i行表示像素点xi与图像中各个像素点的距离,对dSS每行按从小到大排序,取最小的k个值对应的像素点构成像素点xi的k近邻点集合N(xi),k取正整数,本发明中k=5、10、20或50。
3、构建邻接图G={X,WSS},X是图G的顶点即高光谱图像的N个像素点集合,第i个顶点对应于样本点xi,WSS是权重矩阵,wij表示像素点xi和xj的权重,如果xi和xj之间没有这样的边,则wij=0;否则,可以通过最小化以下重建损失函数进行计算得到:
其中,Y=ATX,AT(A∈RD×d)是投影矩阵,d表示降维后的波段数,I表示单位矩阵,yi表示图像矩阵Y中的第i个像素点,ye表示yi的最近邻像素。
公式(10)等价于:
4、根据降维后的高光谱数据Y构建锚点图U(U∈Rd×n),n远小于N,U中的像素点是从Y中随机选择生成的。
然后,构建测量矩阵Z(Z∈RN×n),矩阵中的元素zij表示降维图像Y中的像素点yi和锚点uj之间的相似程度,文献“F.Nie,W.Zhu,and X.Li,Unsupervised large graphembedding[J].in Proc.AAAI,2017,pp.2422–2428.”提出zij满足以下目标函数:
其中,zi表示测量矩阵Z中的第i行向量,i=1,…,N,γ为正则参数,取值范围为[0,1]。
融合空间光谱信息之后的目标函数如下:
其中,η为平衡参数,取值范围为[0,1];N(yi)是按照步骤2的方法求得的yi的k近邻点集合。求解公式(13)即可得到测量矩阵Z。
再由文献“W.Liu,J.He,and S.F.Chang,Large graph construction forscalable semi-supervised learning[J].in Proc.ICML,2010,pp.679–686.”可知,Y中像素点之间的相似度矩阵S可表示为:
S=ZΛ-1ZT (15)
5、构建谱聚类目标函数:
其中,F为聚类标签矩阵,给出了每个像素点属于哪个类别,F∈RN×c,c为类别数。拉普拉斯矩阵L=I-S。由于S可以表示为S=BBT,所以结合公式(15)得到B=ZΛ-(12),利用奇异值分解得B=UΣVT,可知U的列向量是相似矩阵S的特征向量,由此获得F的松弛连续解,对其进行k-means聚类,得到最终的分类结果。其中,类别数由所处理的高光谱图像数据集给出,是已知的,由比如Salinas数据集中有16个类别标签。
为验证本发明方法的效果,在中央处理器为i7-9700F 3.0GHz CPU、内存16G、WINDOWS 10操作系统上,运用MATLAB软件进行仿真实验。实验中使用的Salinas数据集由AVIRIS传感器获取。图像场景包含512×217像素和224个光谱带。从最初的224个波段中删除了20个吸水波段(108-112、154-167和224),留下204个光谱特征。样本总数为111104,数据集中有16个类别。
为了验证方法的有效性,选择三种算法与本发明方法进行对比,分别为k-means算法、结合空间信息的快速谱聚类算法(FSCS)和基于锚点图的快速谱聚类算法(FSCAG)。k-means算法记载在文献“J.A.Hartigan and M.A.Wong,A k-means clustering algorithm[J].Appl.Stat.,vol.28,no.1,pp.100–108,1979.”中;FSCS算法记载在文献“Y.WEI,C.NIU,Y.WANG,H.WANG,and D.LIU,The fast spectral clustering based on spatialinformation for large scale hyperspectral image[J].IEEE Access,vol.7,pp.141045-141054,2019.”中;FSCAG算法记载在文献“R.Wang,F.Nie,and W.Yu,Fastspectral clustering with anchor graph for large hyperspectral images[J].IEEEGeosci.Remote Sens.Lett.,vol.14,no.11,pp.2003–2007,Nov.2017.”中。
分别计算三种指标:AA(average accuracy)表示分类的平均精度,OA(overallaccuracy)是整体精度,Kappa是Kappa系数。计算结果数据如表1所示。可以看出,本发明方法的分类结果相较于其他算法显现更好的效果,说明本发明采用的空间光谱组合距离可以选择更有效的邻居,该有效邻居被用于构建空间光谱邻接图以发现高光谱数据的内在流形结构,通过调整空间近邻的重构权重以增强聚合高光谱数据,进一步提高了所提取特征的辨别力,提高分类效果,而基于锚点图的谱聚类方法的加入,也提高了后期分类任务的速度。
表1
k-means | FSCS | FSCAG | 本发明方法 | |
AA | 0.6381 | 0.6903 | 0.6997 | 0.7324 |
OA | 0.6394 | 0.6641 | 0.7462 | 0.7761 |
Kappa | 0.6011 | 0.6334 | 0.7173 | 0.7236 |
Claims (1)
1.一种基于空谱邻域嵌入和最优相似图的高光谱分类方法,其特征在于步骤如下:
步骤2:按照下式构建高光谱图像中任意两个像素点之间的空间光谱联合距离dSS(xi,xj):
其中,xi表示高光谱图像中的第i个像素点,xj表示高光谱图像中的第j个像素点,表示xj对应的滤波后的像素点,i=1,2,…,N,j=1,2,…,N,N为高光谱图像中的像素总数;xih表示像素点xi的w邻域窗口内的第h个像素点;w表示邻域窗口大小,取值为正奇数;Ω(xi)是xi的邻域空间,vih表示像素点xih的权重,按照计算,σj表示权重vih核函数的方差,按照计算;
对于每个像素点xi,i=1,…,N,取与其空间光谱联合距离值最小的k个像素点构成其k近邻点集合N(xi),k=5、10、20或50;
然后,求解下式得到降维后的高光谱图像矩阵Y:
其中,I表示单位矩阵;
步骤4:由降维后的高光谱图像矩阵Y中随机选择n个像素点构成锚点矩阵U,0<n<N;
然后,求解下式得到测量矩阵Z:
其中,zi表示测量矩阵Z中的第i行向量,i=1,…,N,zij表示测量矩阵Z中的第i行j列元素,yi表示图像矩阵Y中的第j个像素点,uj表示锚点矩阵U中的第j个像素点;η为平衡参数,取值范围为[0,1];表示按照步骤2所述过程对图像矩阵Y中的像素点yi计算得到的其k个近邻点的均值;γ为正则参数,取值范围为[0,1];
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595151.1A CN111783865B (zh) | 2020-06-23 | 2020-06-23 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595151.1A CN111783865B (zh) | 2020-06-23 | 2020-06-23 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783865A true CN111783865A (zh) | 2020-10-16 |
CN111783865B CN111783865B (zh) | 2022-03-15 |
Family
ID=72761574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010595151.1A Active CN111783865B (zh) | 2020-06-23 | 2020-06-23 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783865B (zh) |
Cited By (3)
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 |
CN113436090A (zh) * | 2021-06-16 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种遥感影像光谱和纹理特征融合提取方法 |
CN117115662A (zh) * | 2023-09-25 | 2023-11-24 | 中国科学院空天信息创新研究院 | 一种枣树叶螨虫害识别方法和系统 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
CN105160351A (zh) * | 2015-08-12 | 2015-12-16 | 西安电子科技大学 | 基于锚点稀疏图的半监督高光谱分类方法 |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN106778885A (zh) * | 2016-12-26 | 2017-05-31 | 重庆大学 | 基于局部流形嵌入的高光谱图像分类方法 |
CN106815817A (zh) * | 2017-01-16 | 2017-06-09 | 南京师范大学 | 一种改进的高光谱图像去噪方法 |
CN106934400A (zh) * | 2017-02-24 | 2017-07-07 | 西安电子科技大学 | 基于自表示和局部相似性保护的高光谱图像波段选择方法 |
CN107563442A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 |
CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
US9946931B2 (en) * | 2015-04-20 | 2018-04-17 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN107992891A (zh) * | 2017-12-01 | 2018-05-04 | 西安电子科技大学 | 基于光谱矢量分析多光谱遥感图像变化检测方法 |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
WO2018095516A1 (en) * | 2016-11-22 | 2018-05-31 | Universidad De Las Palmas De Gran Canaria | Method of non-invasive detection of tumour and/or healthy tissue and hyperspectral imaging apparatus |
CN108399355A (zh) * | 2017-02-08 | 2018-08-14 | 广东交通职业技术学院 | 一种空间信息自适应融合的高光谱图像分类方法 |
CN108805061A (zh) * | 2018-05-30 | 2018-11-13 | 西北工业大学 | 基于局部自适应判别分析的高光谱图像分类方法 |
US20190293489A1 (en) * | 2017-10-24 | 2019-09-26 | Korea Institute Of Ocean Science & Technology | Method for detecting shipwrecked vessel and drown victims by using aerial hyperspectral image |
CN110363236A (zh) * | 2019-06-29 | 2019-10-22 | 河南大学 | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 |
CN110472682A (zh) * | 2019-08-13 | 2019-11-19 | 辽宁工程技术大学 | 一种顾及空间和局部特征的高光谱遥感影像分类方法 |
CN111126256A (zh) * | 2019-12-23 | 2020-05-08 | 武汉大学 | 一种基于自适应空谱多尺度网络的高光谱图像分类方法 |
CN111160396A (zh) * | 2019-12-06 | 2020-05-15 | 华南理工大学 | 一种基于多图结构的图卷积网络的高光谱图像分类方法 |
CN111199251A (zh) * | 2019-12-27 | 2020-05-26 | 中国地质大学(北京) | 一种基于加权邻域的多尺度高光谱图像分类方法 |
CN111310571A (zh) * | 2020-01-17 | 2020-06-19 | 中国科学院长春光学精密机械与物理研究所 | 一种基于空谱维滤波的高光谱图像分类方法及装置 |
-
2020
- 2020-06-23 CN CN202010595151.1A patent/CN111783865B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
US9946931B2 (en) * | 2015-04-20 | 2018-04-17 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN105160351A (zh) * | 2015-08-12 | 2015-12-16 | 西安电子科技大学 | 基于锚点稀疏图的半监督高光谱分类方法 |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
WO2018095516A1 (en) * | 2016-11-22 | 2018-05-31 | Universidad De Las Palmas De Gran Canaria | Method of non-invasive detection of tumour and/or healthy tissue and hyperspectral imaging apparatus |
CN106778885A (zh) * | 2016-12-26 | 2017-05-31 | 重庆大学 | 基于局部流形嵌入的高光谱图像分类方法 |
CN106815817A (zh) * | 2017-01-16 | 2017-06-09 | 南京师范大学 | 一种改进的高光谱图像去噪方法 |
CN108399355A (zh) * | 2017-02-08 | 2018-08-14 | 广东交通职业技术学院 | 一种空间信息自适应融合的高光谱图像分类方法 |
CN106934400A (zh) * | 2017-02-24 | 2017-07-07 | 西安电子科技大学 | 基于自表示和局部相似性保护的高光谱图像波段选择方法 |
CN107563442A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 |
US20190293489A1 (en) * | 2017-10-24 | 2019-09-26 | Korea Institute Of Ocean Science & Technology | Method for detecting shipwrecked vessel and drown victims by using aerial hyperspectral image |
CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
CN107992891A (zh) * | 2017-12-01 | 2018-05-04 | 西安电子科技大学 | 基于光谱矢量分析多光谱遥感图像变化检测方法 |
CN108805061A (zh) * | 2018-05-30 | 2018-11-13 | 西北工业大学 | 基于局部自适应判别分析的高光谱图像分类方法 |
CN110363236A (zh) * | 2019-06-29 | 2019-10-22 | 河南大学 | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 |
CN110472682A (zh) * | 2019-08-13 | 2019-11-19 | 辽宁工程技术大学 | 一种顾及空间和局部特征的高光谱遥感影像分类方法 |
CN111160396A (zh) * | 2019-12-06 | 2020-05-15 | 华南理工大学 | 一种基于多图结构的图卷积网络的高光谱图像分类方法 |
CN111126256A (zh) * | 2019-12-23 | 2020-05-08 | 武汉大学 | 一种基于自适应空谱多尺度网络的高光谱图像分类方法 |
CN111199251A (zh) * | 2019-12-27 | 2020-05-26 | 中国地质大学(北京) | 一种基于加权邻域的多尺度高光谱图像分类方法 |
CN111310571A (zh) * | 2020-01-17 | 2020-06-19 | 中国科学院长春光学精密机械与物理研究所 | 一种基于空谱维滤波的高光谱图像分类方法及装置 |
Non-Patent Citations (7)
Title |
---|
DANIEL JIWOONG IM 等: "Semisupervised Hyperspectral Image Classification via Neighborhood Graph Learning", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
JIANGTAO PENG 等: "Spatial-Spectral Metric Learning for Hyperspectral Remote Sensing Image Classication", 《SPIE OPTICAL ENGINEERING + APPLICATIONS》 * |
JIAYAN CAO 等: "Embedding Learning on Spectral–Spatial Graph for Semisupervised Hyperspectral Image Classification", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
RONG WANG 等: "Fast Spectral Clustering With Anchor Graph for Large Hyperspectral Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
YICONG ZHOU 等: "Dimension Reduction Using Spatial and Spectral Regularized Local Discriminant Embedding for Hyperspectral Image Classification", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
王彩玲 等: "基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究", 《光谱学与光谱分析》 * |
高暖 等: "基于邻域相似性的空谱联合稀疏表示的高光谱图像分类", 《计算机科学与应用》 * |
Cited By (4)
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 |
CN112364730B (zh) * | 2020-10-29 | 2023-01-17 | 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 |
CN113436090A (zh) * | 2021-06-16 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种遥感影像光谱和纹理特征融合提取方法 |
CN117115662A (zh) * | 2023-09-25 | 2023-11-24 | 中国科学院空天信息创新研究院 | 一种枣树叶螨虫害识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111783865B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Dimensionality reduction of hyperspectral imagery based on spatial–spectral manifold learning | |
Uddin et al. | PCA-based feature reduction for hyperspectral remote sensing image classification | |
CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
Fu et al. | Hyperspectral anomaly detection via deep plug-and-play denoising CNN regularization | |
CN111783865B (zh) | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 | |
Sun et al. | Adjacent superpixel-based multiscale spatial-spectral kernel for hyperspectral classification | |
Peng et al. | Enhanced low-rank representation via sparse manifold adaption for semi-supervised learning | |
He et al. | Low-rank group inspired dictionary learning for hyperspectral image classification | |
Li et al. | Adaptive kernel sparse representation based on multiple feature learning for hyperspectral image classification | |
Chu et al. | Hyperspectral image classification with discriminative manifold broad learning system | |
Li et al. | DLPNet: A deep manifold network for feature extraction of hyperspectral imagery | |
Gandhimathi Alias Usha et al. | Improved segmentation and change detection of multi-spectral satellite imagery using graph cut based clustering and multiclass SVM | |
Guo et al. | Dual graph U-Nets for hyperspectral image classification | |
Yuan et al. | ROBUST PCANet for hyperspectral image change detection | |
Han et al. | Deep low-rank graph convolutional subspace clustering for hyperspectral image | |
Zhao et al. | Hyperspectral time-series target detection based on spectral perception and spatial-temporal tensor decomposition | |
Zhang et al. | Hyperspectral image classification based on joint spectrum of spatial space and spectral space | |
Su et al. | Superpixel-based relaxed collaborative representation with band weighting for hyperspectral image classification | |
Tu et al. | Feature extraction using multidimensional spectral regression whitening for hyperspectral image classification | |
CN108229426B (zh) | 一种基于差分描述子的遥感图像变化向量变化检测法 | |
Gao et al. | SSC-SFN: spectral-spatial non-local segment federated network for hyperspectral image classification with limited labeled samples | |
Cao et al. | LWIR hyperspectral image classification based on a temperature-emissivity residual network and conditional random field model | |
Zhang et al. | Hyperspectral image classification based on optimized convolutional neural networks with 3D stacked blocks | |
Zhang et al. | Spectral-spatial distribution consistent network based on meta-learning for cross-domain hyperspectral image classification | |
Li et al. | Unsupervised double weight graphs based discriminant analysis for dimensionality reduction |
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 |