CN112348097A - 一种高光谱图像分类方法 - Google Patents
一种高光谱图像分类方法 Download PDFInfo
- Publication number
- CN112348097A CN112348097A CN202011261395.2A CN202011261395A CN112348097A CN 112348097 A CN112348097 A CN 112348097A CN 202011261395 A CN202011261395 A CN 202011261395A CN 112348097 A CN112348097 A CN 112348097A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- dimensional
- classification
- hyperspectral
- cnn
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 abstract description 20
- 230000000717 retained effect Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 7
- 235000011613 Pinus brutia Nutrition 0.000 description 7
- 241000018646 Pinus brutia Species 0.000 description 7
- 241001466077 Salina Species 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241000488988 Monotropa Species 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高光谱图像分类方法,其包括以下步骤:(S1)采用三维Gabor滤波器对高光谱图像进行滤波,得到纹理特征;(S2)将纹理特征输入到三维卷积神经网络中,根据纹理特征进行分类;在步骤(S2)中将所述三维卷积神经网络与残差学习框架相结合,得到分类结果。本方法可保留高光谱影像原始数据格式,可以更好地利用数据中的空间特征、光谱特征;在提取图像纹理特征的同时也保留了图像的空间‑光谱特征,从而提高了分类精度。
Description
技术领域
本发明涉及遥感领域,具体涉及一种高光谱图像分类方法。
背景技术
近年来,高光谱图像在遥感领域应用十分广泛。高光谱图像(Hyperspectralimagery,HSI)提供了成百上千个相邻的波段,与传统的全色和多光谱遥感图像相比,可以更准确地分辨不同的物质[1]。高光谱图像具有光谱分辨率高、分类精度高的独特优势,可以分辨传统图像无法解决的细微光谱特征,能够获取地物近似连续的波谱曲线,得到地物的诊断性光谱特征,从而提高地物的分类识别能力,给大部分领域的分类方法提供了重要技术支持,因此在农业、军事、航空航天、食品安全以及救灾抢险方面起到了积极的影响[2]。
传统的高光谱影像分类方法如K近邻[3]、支持向量机(SVM)[4]一般仅考虑图像中的光谱信息,没有考虑其中的空间相关性,一般很难得到较为满意的分类结果。近年来深度学习越来越受到人们的重视,高光谱影像地物分类同样也有了新的方法和思路[5]。卷积神经网络(Convolutional Neural Networks,CNN)[6]可以直接处理三通道图像数据,避免了大量人工设计特征的复杂过程,从而提高了分类精度和效率。一维卷积神经网络(1D-CNN)[7]可以利用高光谱图像中的光谱信息,实现地物分类,但无法考虑其空间相关性,分类效果较差。二维卷积神经网络(2D-CNN)[8]能够同时提取空谱信息,但其需要对原始数据进行降维处理,会造成数据的完整性缺失。三维卷积神经网络(3D-CNN)[9]避免了2D-CNN需要的降维步骤,可以直接对原始数据立方体进行处理,避免了数据缺失的情况,但在样本数量不足的情况下,如果网络深度不断加深,网络的性能就会下降,分类的精度会达到饱和甚至下降。在加入了残差学习的三维卷积神经网络(Res-3D-CNN)[10]中,可以在不引入额外参数的情况下,解决3D-CNN的网络退化现象,提高高光谱影像地物分类的准确度,但其对原始数据的处理,不包含高光谱影像的纹理特征,对最终分类精度有一定影响。
Gabor滤波器[11]能够提取影像的纹理信息,能够提高CNN特征提取的完善性。冯逍等[12]将三维Gabor滤波器与SVM融合用于高光谱影像分类,由于用到波段选择,损失了部分光谱信息,造成精度的损失。魏祥坡等[13]提出了一种双通道CNN和三维Gabor滤波器融合的高光谱影像分类方法Gabor-DC-CNN,使用三维Gabor滤波器提取其纹理特征,对原始高光谱立方体数据进行降维处理后使用2D-CNN提取其空间信息和光谱信息,使用1D-CNN对三维Gabor滤波器处理后的三维纹理特征进行处理,最后将两种特征进行融合,2D-CNN模型需要实施降维处理,会损失部分光谱信息。付青等[14]首先对高光谱影像实施降维,之后使用Log-Gabor在各个角度上提取其纹理特征,将其应用到2D-CNN用于分类,但是Log-Gabor依旧存在二维Gabor滤波器的缺点,即仅包含图像的纹理信息[15]。而三维Gabor滤波器能够在提取纹理信息的同时,保留高光谱影像的光谱信息和空间信息[16]。
参考文献:
[1]Li,Yu,et al.“Subpixel-Pixel-Superpixel-Based Multiview ActiveLearning for Hyperspectral Images Classification.”IEEE Transactions onGeoscience and Remote Sensing,vol.58,no.7,2020,pp.4976–4988.
[2]Chan,Raymond H.,et al.“A Two-Stage Method for Spectral–spatialClassification of Hyperspectral Images.”Journal of Mathematical Imaging andVision,2020,pp.1–18.
[3]Zhang,Min-Ling,and Zhi-Hua Zhou.“ML-KNN:A Lazy Learning Approachto Multi-Label Learning.”Pattern Recognition,vol.40,no.7,2007,pp.2038–2048.[4]Ghamisi P,Plaza J,Chen Y,et al.Advanced spectral classifiers forhyperspectral images:A review[J].IEEE Geoscience and Remote Sensing Magazine,2017,5(1):8-32.
[5]Zhao,Wenzhi,and Shihong Du.“Spectral–Spatial Feature Extractionfor Hyperspectral Image Classification:A Dimension Reduction and DeepLearning Approach.”IEEE Transactions on Geoscience and Remote Sensing,vol.54,no.8,2016,pp.4544–4554.
[6]Krizhevsky,Alex,et al.“ImageNet Classification with DeepConvolutional Neural Networks.”Communications of The ACM,vol.60,no.6,2017,pp.84–90.
[7]Hu,Wei,et al.“Deep Convolutional Neural Networks for HyperspectralImage Classification.”Journal of Sensors,vol.2015,no.2015,2015,pp.1–12.
[8]Hara,Kensho,et al.“Can Spatiotemporal 3D CNNs Retrace the Historyof 2D CNNs and ImageNet.”2018IEEE/CVF Conference on Computer Vision andPattern Recognition,2018,pp.6546–6555.
[9]Ji,Shuiwang,et al.“3D Convolutional Neural Networks for HumanAction Recognition.”IEEE Transactions on Pattern Analysis and MachineIntelligence,vol.35,no.1,2013,pp.221–231.
[10]Chen,Yicheng,et al.“Toward Automatic Detection of Radiation-Induced Cerebral Microbleeds Using a 3D Deep Residual Network.”Journal ofDigital Imaging,vol.32,no.5,2019,pp.766–772.
[11]Liu,Chengjun,and H.Wechsler.“Gabor Feature Based ClassificationUsing the Enhanced Fisher Linear Discriminant Model for Face Recognition.”IEEE Transactions on Image Processing,vol.11,no.4,2002,pp.467–476.
[12]冯逍,肖鹏峰,李琦,et al.三维Gabor滤波器与支持向量机的高光谱遥感图像分类[J].光谱学与光谱分析,2014(08):2218-2224.
[13]魏祥坡,余旭初,谭熊,et al.CNN和三维Gabor滤波器的高光谱图像分类[J].计算机辅助设计与图形学学报,2020.
[14]付青,郭晨,罗文浪.一种利用空谱联合特征的高光谱图像分类方法研究[J/OL].激光与光电子学进展:1-11[2020-07-12].
[15]Soares,J.V.B.,et al.“Retinal Vessel Segmentation Using the 2-DGabor Wavelet and Supervised Classification.”IEEE Transactions on MedicalImaging,vol.25,no.9,2006,pp.1214–1222.
[16]Shen,Linlin,and Songhao Zheng.“Hyperspectral Face RecognitionUsing 3D Gabor Wavelets.”Proceedings of the 21st International Conference onPattern Recognition(ICPR2012),2012,pp.1574–1577.
发明内容
本发明的目的是根据上述现有技术的不足之处,提供一种高光谱图像分类方法,该方法将残差3D-CNN和三维Gabor滤波器组合使用,直接对原始高光谱图像进行处理,解决了高光谱影像数据通过降维处理导致的数据丢失问题。
本发明目的实现由以下技术方案完成:
一种高光谱图像分类方法,其包括以下步骤:
(S1)采用三维Gabor滤波器对高光谱图像进行滤波,得到纹理特征;
(S2)将纹理特征输入到三维卷积神经网络中,根据纹理特征进行分类;
在步骤(S2)中将所述三维卷积神经网络与残差学习框架相结合,得到分类结果。
本发明的进一步改进在于:三维Gabor滤波器的表达式为:
式中:(σx,σy,σb)为高斯包络在空间-光谱维度x-y-b轴的宽度,用于确定高斯包络的大小;滤波器的方向由θ和来表示;[x,y,b]为高光谱立方体数据中某一数据点[x′,y′,b′]经过角度θ、旋转后的坐标,f为频率;(fx,fy,fb)分别表示频率在空间-光谱维的分量;θ和以π/4的步长在[0,π)范围内取值,θ、分别选择(-45°,0°,45°,90°),当θ取0°时也取0°。
本发明的进一步改进在于:使用三维Gabor滤波器对高光谱图像进行滤波的过程中,将高光谱图像与三维Gabor滤波器进行卷积处理,提取卷积结果的实部作为滤波结果。
本发明的进一步改进在于:所述三维卷积神经网络中卷积核数量为16至32。
本发明的优点是:保留高光谱影像原始数据格式,可以更好地利用数据中的空间特征、光谱特征;在提取图像纹理特征的同时也保留了图像的空间-光谱特征,从而提高了分类精度。
附图说明
图1为高光谱图像分类方法的流程图;
图2为三维Gabor滤波器方向的示意图;
图3为三维卷积神经网络示意图;
图4为残差学习框架的示意图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明,以便于同行业技术人员的理解:
实施例:如图1所示,本发明的实施例包括一种高光谱图像分类方法,基于残差3D-CNN和三维Gabor滤波器。高光谱与普通图像最大的不同之处在于光谱波段多且相关性强、像元之间具有空间相关性以及具有二维图像的一些共性比如纹理信息和边缘信息。该如何提取图像的纹理特征以及保留图像的空谱特征是一直待解决的。同时为了解决上述问题,本实施例针对Pavia大学、印度松树、萨利纳斯山谷这三个高光谱图像数据集,结合Gabor滤波器和残差三维神经网络框架分类模型对高光谱图像进行分类。分类方法具体包括以下步骤:
(S1)采用三维Gabor滤波器对高光谱图像进行滤波,得到纹理特征;
(S2)将纹理特征输入到三维卷积神经网络中,根据纹理特征进行分类;
在步骤(S2)中将所述三维卷积神经网络与残差学习框架相结合,得到分类结果。
Gabor滤波器能够在频域和空间域找到最好的组合定位,对于空间信息和光谱信息拥有较好的识别能力,可以更好地提取图像中的纹理特征。通过在二维Gabor滤波器中添加光谱维度,拓展出的三维Gabor滤波器,可以直接高光谱图像立方体数据中提取纹理特征。具体如公式1所示。三维Gabor滤波器中心频率的方向如图2所示。
式中:G(x,y,b)表示三维Gabor滤波器。(σx,σy,σb)为高斯包络在空间-光谱维度x-y-b轴的宽度,用于确定高斯包络的大小。滤波器的方向由θ和来表示。[x,y,b]为高光谱立方体数据中某一数据点[x′,y′,b′]经过角度θ、旋转后的坐标,f为频率。(fx,fy,fb)分别表示频率在空间-光谱维的分量。θ和通常以π/4的步长在[0,π)范围内取值,θ、分别选择(-45°,0°,45°,90°),但当θ取0°时,也只能取0°。因此三维Gabor滤波器的总个数为13个。
高光谱图像立方体数据为HSI(x,y,b),使用高光谱图像原始立方体数据输入三维Gabor滤波器,经过卷积处理后,提取实部部分作为滤波结果。从而组成不仅含有空间特征和光谱特征,也含有新的纹理特征的新数据立方体。如公式2所示。
相比于传统的2D-CNN一般只能在二维图像上进行特征提取,3D-CNN可以通过三维卷积核,提取三个维度的特征信息,适用于高光谱影像的三维立方体数据,利用空间相关性,同时提取其空间特征和光谱特征。3D-CNN卷积公式3所示。3D-CNN示意图如图3所示。
式中:i表示神经网络序号,j表示特征样本序号,Pi和Qi表示二维空间上卷积核的长和宽,Ri表示卷积核在第三个维度上的高度,m为上一阶段网络的连接特征数,g为神经元的激活函数,表示神经元在(x,y,z)处的值,表示和第m个特征的第(p,q,r)个神经元传递权重,bij表示第i层第j个特征偏移量。
为了避免随着网络深度的增加,从而出现的网络退化现象,在3D-CNN的基础上,增加了残差学习,可以在训练样本不足的情况下,解决网络退化的情况。残差学习的主要内容是在神经网络的结构上,增加一条捷径,从而跳过一些网络模块后,再与主路径结合。增加一条捷径,可以使得一些训练过程中所产生的误差,从捷径路径向上传播,从而解决了网络中过多的模块造成的梯度弥散问题,驱动网络训练更加高效。残差映射如公式4所示。残差学习示意图如图4所示。
H(x)=F(x)-x (4)
式中:x表示神经网络的输入,F(x)表示函数映射,H(x)为残差映射。
本实施例的方法的有效性已经在Pavia大学、印度松树、萨利纳斯山谷这三个高光谱图像数据集进行测试,与Gabor-SVM、Log-Gabor-CNN、3D-CNN、Res-3D-CNN、Gabor-DC-CNN进行对比实验,并对其中的总体精度(Overall Accuracy,OA)、平均精度(AverageAccuracy,AA)以及Kappa系数进行了对比。
(1)不同卷积核数量分类结果
为了验证提出的高光谱影像分类方法的有效性和准确性,将原始高光谱影像的三维数据,输入到三维Gabor滤波器中,用于提取其空谱特征以及纹理特征,然后将提取出的特征输入到残差三维神经网络中提取更深层次特征,使用不同卷积核进行分类,从而判断卷积核数量。表二显示了不同数量卷积核下的总体分类精度,表三显示了不同数量卷积核下的训练时间。
表1不同卷积核数量对应的总体分类精度(%)
Tab.1 Overall accuracy with different number of kernels(%)
表2不同卷积核数量对应的训练时间(s)
Tab.2 Overall accuracy with different number of kernels(s)
从表1的对比结果可以看出,在第一个卷积层内,卷积核数量为32时,对于University of Pavia数据集的总体分类精度最高;而卷积核数量为16时,对于IndianPines和Salinas数据集的总体分类精度最高。由此可以得出,并不是卷积核数量越高,数据集的总体分类精度就越高。从表2的对比结果可以看出,在University of Pavia、IndianPines以及Salinas数据集上,当卷积核数量达到64时,整体的训练时间比卷积核数量为32时的训练时间有大幅度的增加。因此,以下实验根据该实验得出的结果,对于Universityof Pavia数据集,采用32个卷积核,而对于Indian Pines以及Salinas数据集,采用16个卷积核进行训练。
(2)本方法与其他方法对比实验结果
表3不同算法在University of Pavia数据集的分类结果(%)
Tab.3 The classification results with different methods on theUniversity of Pavia dataset(%)
表4不同算法在Indian Pines数据集的分类结果(%)
Tab.4 The classification results with different methods on the IndianPines dataset(%)
表5不同算法在Salinas数据集的分类结果(%)
Tab.5 The classification results with different methods on thesalinas dataset(%)
从实验结果可以看出,分别在University of Pavia、Indian Pines以及Salinas数据集的实验结果上,使用3D-CNN方法均比使用Gabor-SVM、Log-Gabor-CNN方法的总体精度、平均精度以及Kappa系数较高,这是因为在Gabor-SVM以及Log-Gabor-CNN方法中,虽然都使用了Gabor滤波器提取了纹理特征,但都损失了部分光谱信息,使得分类效果并不理想。而在使用3D-CNN方法时,输入的是完整的高光谱的三维立方体结构,确保空间-光谱信息的完整性以及丰富性,所以可以提高对其分类效果,所以使用该方法的分类效果比Gabor-SVM、Log-Gabor-CNN方法的分类效果更好。
为了解决3D-CNN的方法中网络的退化问题,引入残差学习思想,利用反向传播提取更加抽象的特征来提高高光谱图像的分类精度。在三组数据集上使用了Res-3D-CNN方法的实验结果可以看出,相比于Gabor-SVM、Log-Gabor-CNN以及未引入残差学习的3D-CNN方法,Res-3D-CNN方法在总体精度、平均精度以及Kappa系数都有了较为明显的提升,比3D-CNN方法平均都提升了约3%。
Gabor-DC-CNN使用三维Gabor滤波器进行纹理特征的提取,对原始高光谱立方体数据实施降维后使用2D-CNN提取其空间特征和光谱特征,使用1D-CNN对三维Gabor滤波器处理后的三维纹理特征进行处理,最后将两种特征进行融合。这样处理过后的分类精度有了明显的提升,比Res-3D-CNN方法精度提高了约2%。但其使用的2D-CNN模型需要进行降维处理,会损失部分光谱信息。
而本发明采用的Gabor-Res-3D-CNN方法,在Res-3D-CNN方法基础上,先对原始高光谱图像数据立方体使用三维Gabor滤波器进行处理,提取出其中的纹理特征,组合成新的既包含原始立方体的光谱特征和空间特征,也包含新的纹理特征的新高光谱图像立方体数据,并且其数据维度与原数据立方体相同。分别在三组数据集上使用了Gabor-Res-3D-CNN方法的实验结果可以看出,与Gabor-SVM、Log-Gabor-CNN、3D-CNN、Res-3D-CNN和Gabor-DC-CNN方法相比,总体精度、平均精度以及Kappa系数都有了较为可观的提升,比不使用三维Gabor滤波器的Res-3D-CNN方法平均都提升了约3%,比Gabor-DC-CNN方法平均都提升了约2%,分类效果更佳。
本发明针对高光谱影像数据的高维度以及样本少的特点,提出了一种利用三维Gabor滤波器提取其中的纹理特征,并使用残差三维卷积神经网络对高光谱影像进行地物分类的方法。可以直接将原始高光谱影像数据作为数据立方体输入,提取其纹理信息同时保留空间信息和光谱信息,避免了降维所带来的数据缺失问题的同时由于利用了纹理特征,可以有效提高高光谱影像的地物分类的精度。
在训练样本数量较少的情况下,本文使用的三维Gabor-Res-3D-CNN方法对比其他方法,仍然可以保持较好的总体分类精度。在训练样本数量增加时,依然在总体分类精度上比其他方法效果更好。
首先使用三维Gabor滤波器,对原始高光谱图像数据立方体进行处理,形成既包含纹理特征又包含空间光谱特征的三维立方体数据。将处理好的数据立方体,输入到加入了残差学习的3D-CNN中进行特征提取。最后采用激活函数生成分类图。本实施例中,激活函数为softmax函数。
以上的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种高光谱图像分类方法,其特征在于包括以下步骤:
(S1)采用三维Gabor滤波器对高光谱图像进行滤波,得到纹理特征;
(S2)将纹理特征输入到三维卷积神经网络中,根据纹理特征进行分类;
在步骤(S2)中将所述三维卷积神经网络与残差学习框架相结合,得到分类结果。
3.根据权利要求1所述的一种高光谱图像分类方法,其特征在于:使用三维Gabor滤波器对高光谱图像进行滤波的过程中,将高光谱图像与三维Gabor滤波器进行卷积处理,提取卷积结果的实部作为滤波结果。
4.根据权利要求1所述的一种高光谱图像分类方法,其特征在于:所述三维卷积神经网络中卷积核数量为16至32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261395.2A CN112348097A (zh) | 2020-11-12 | 2020-11-12 | 一种高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261395.2A CN112348097A (zh) | 2020-11-12 | 2020-11-12 | 一种高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348097A true CN112348097A (zh) | 2021-02-09 |
Family
ID=74362683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011261395.2A Pending CN112348097A (zh) | 2020-11-12 | 2020-11-12 | 一种高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348097A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052216A (zh) * | 2021-03-15 | 2021-06-29 | 中国石油大学(华东) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 |
CN115195757A (zh) * | 2022-09-07 | 2022-10-18 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017128799A1 (zh) * | 2016-01-27 | 2017-08-03 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
WO2018192023A1 (zh) * | 2017-04-21 | 2018-10-25 | 深圳大学 | 一种高光谱遥感图像分类方法及装置 |
CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
CN111353463A (zh) * | 2020-03-12 | 2020-06-30 | 北京工业大学 | 基于随机深度残差网络的高光谱图像分类方法 |
-
2020
- 2020-11-12 CN CN202011261395.2A patent/CN112348097A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017128799A1 (zh) * | 2016-01-27 | 2017-08-03 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
WO2018192023A1 (zh) * | 2017-04-21 | 2018-10-25 | 深圳大学 | 一种高光谱遥感图像分类方法及装置 |
CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
CN111353463A (zh) * | 2020-03-12 | 2020-06-30 | 北京工业大学 | 基于随机深度残差网络的高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
丁杰,陈苏婷: "基于残差三维卷积神经网络的高光谱遥感图像分类", 激光杂志, vol. 40, no. 12, pages 45 - 52 * |
尹明,谭熊,张鹏强,徐卫霄: "一种基于纹理和光谱特征的高光谱影像信息向量机分类方法", 测绘科学技术学报, vol. 32, no. 4, pages 368 - 372 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052216A (zh) * | 2021-03-15 | 2021-06-29 | 中国石油大学(华东) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 |
CN115195757A (zh) * | 2022-09-07 | 2022-10-18 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
CN115195757B (zh) * | 2022-09-07 | 2023-08-04 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Semi-supervised locality preserving dense graph neural network with ARMA filters and context-aware learning for hyperspectral image classification | |
Zhao et al. | Superpixel-based multiple local CNN for panchromatic and multispectral image classification | |
Li et al. | Gaussian pyramid based multiscale feature fusion for hyperspectral image classification | |
Su et al. | Region segmentation in histopathological breast cancer images using deep convolutional neural network | |
Li et al. | Saliency and gist features for target detection in satellite images | |
CN111160273B (zh) | 一种高光谱图像空谱联合分类方法及装置 | |
Elmahdy et al. | Low quality dermal image classification using transfer learning | |
Fu et al. | A novel spectral-spatial singular spectrum analysis technique for near real-time in situ feature extraction in hyperspectral imaging | |
CN112348097A (zh) | 一种高光谱图像分类方法 | |
CN111860689A (zh) | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 | |
Zheng et al. | Edge-conditioned feature transform network for hyperspectral and multispectral image fusion | |
CN115527056A (zh) | 基于双混合卷积生成对抗网络的高光谱图像分类方法 | |
CN113935433B (zh) | 基于深度光谱空间倒残差网络的高光谱图像分类方法 | |
Rifai et al. | Learning invariant features through local space contraction | |
Guo et al. | Multi-focus image fusion based on fully convolutional networks | |
Isaac et al. | Multiscale local gabor phase quantization for image forgery detection | |
Beirami et al. | Spatial-Spectral Random Patches Network for Classification of Hyperspectral Images. | |
Zheng et al. | Multi-feature collaborative fusion network with deep supervision for sar ship classification | |
Zhong et al. | Multiscale feature extraction based on convolutional sparse decomposition for hyperspectral image classification | |
Bannier et al. | Deepcomics: Saliency estimation for comics | |
Xu et al. | MDTL-NET: Computer-generated image detection based on multi-scale deep texture learning | |
Aswathy et al. | Hyperspectral image denoising using low pass sparse banded filter matrix for improved sparsity based classification | |
CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
Zhao et al. | Gabor-modulated grouped separable convolutional network for hyperspectral image classification | |
CN114781548B (zh) | 图像场景分类方法、装置、设备及存储介质 |
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 |