CN112396029B - 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 - Google Patents
一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 Download PDFInfo
- Publication number
- CN112396029B CN112396029B CN202011396445.8A CN202011396445A CN112396029B CN 112396029 B CN112396029 B CN 112396029B CN 202011396445 A CN202011396445 A CN 202011396445A CN 112396029 B CN112396029 B CN 112396029B
- Authority
- CN
- China
- Prior art keywords
- abundance
- image
- end member
- hyperspectral
- map
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法,包括:步骤1、对两时相高光谱数据进行预处理;步骤2、利用光谱特征、几何特征和纹理特征对拼接后的影像进行多特征提取。本发明的有益效果是:首先通过多特征提取对影像大类进行聚类分割得到地物分割图,利用高光谱遥感数据,通过地物的光谱特征、几何特征、纹理特征精细分割出地物类型;针对同类地物不同端元进行精细分类研究:利用耦合非负矩阵分解的方法提取纯净度较高的精细端元,然后基于稀疏解混方法求解得到端元丰度,进而通过两时相的丰度检测滨海湿地变化情况,实现滨海湿地在亚像元尺度上的精细变化检测。具有简易的操作性和较强的实用性。
Description
技术领域
本发明属于遥感图像应用技术领域,尤其涉及一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法。
背景技术
近年来,随着遥感技术的飞速发展,高光谱遥感凭借其丰富精细的光谱信息得到广泛应用,不同于基于多光谱数据的变化检测,通过高光谱影像可以进一步探究地物的潜在变化信息。但由于高光谱传感器硬件的限制,在获取高光谱分辨率的同时,其空间分辨率一般较低,因此高光谱传感器在成像过程中出现两种及以上地物同时出现在同一个像元内的现象,既为混合像元,大大影响了高光谱影像对地物进行精细变化监测的潜力。因此在解混的基础上研究影像的变化情况,利用遥感手段对地物监测现已得到广泛应用,可以揭示地物的潜在变化,相应的提高变化检测的精度。
滨海湿地作为一种典型的地物类型,在水源涵养,调节径流以及维持生物多样性方面发挥着重要的作用,对滨海湿地的监测在湿地开发、利用、管理与保护政策的制定中至关重要,其中湿地植被在维持生态平衡中更是发挥着重要作用,同时也是较难监测的地物类型。目前由于滨海植被的多样性导致对其混合像元的分解存在诸多问题,具体包括以下几点:一是由于高光谱影像本身较低的空间分辨率,获取的滨海湿地影像往往存在大量混合像元;二是滨海湿地地物复杂多样性导致常规解混方法难以完整提取出光谱差异较小的地物端元,且极易出现不同光谱特征相似的地物类型发生错分的现象,实现滨海湿地的精细变化检测存在较大挑战。
发明内容
本发明的目的是克服现有技术中的不足,提供一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法。
这种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法,包括以下步骤:
步骤1、对两时相高光谱数据进行预处理;
步骤2、利用光谱特征、几何特征和纹理特征(LBP)对拼接后的影像进行多特征提取,利用K-means聚类对多特征提取后的影像进行多特征分割:其中光谱特征由独立主成分分析PCA计算前五个光谱分量得到;几何特征由Canny算子在matlab中直接对影像计算得到;
纹理特征(LBP)为:
上式中,P表示邻域像素的个数,(xc,yc)是中心像素;LBP(xc,yc)为中心像素(xc,yc)的纹理特征;ic是中心像素的强度,iP是相邻像素的强度;S(·)为符号函数,定义为:
步骤3、多特征分割后得到地物分割图,通过高斯滤波对影像进行降采样和模糊处理,分别通过耦合非负矩阵分解的方法对高斯滤波前后影像进行地物精细端元的提取;通过比较两者之间端元光谱角差异来确定最终端元;
步骤4、通过得到的端元矩阵对整幅影像进行稀疏解混SUNSAL,求解端元对应的丰度矩阵:
上式中,λ为拉格朗日乘数,HS为高光谱影像,E为端元,A为原高光谱图像的丰度;
步骤5、根据原始图像的像素大小来切割图像的丰度图,得到时相T1和时相T2的丰度图,并通过T1丰度图的丰度和T2丰度图的丰度相减得到差异图(端元丰度变化图),此差异图中的每个波段对应每个端元的成分比率变化图像:
CD=AT1-AT2 (11)
上式中,CD=[cd1,cd2,…,cdj]为差分影像,AT1表示T1时刻的丰度图,j表示端元的数量,AT2表示T2时刻的丰度图;最后将每个端元的差分丰度相加得到整体的变化丰度图:
CDoverall=cd1+cd2+…+cdj (14)。
作为优选,步骤1中的预处理方式包括:正射校正、辐射定标、FLAASH大气校正、影像配准和影像拼接。
作为优选,步骤3具体包括以下步骤:
步骤3.1、对高光谱图像进行降采样和模糊处理,模糊核的大小为3×3像素窗口,降采样因子为4,模糊核和降采样因子是固定的:HS=EA+N
(3)
HSL=EmAm+Nm (4)
上式(3)至式(4)中,HS为高光谱影像,HSL为降采样高光谱图像,E为端元,A为原高光谱图像的丰度,N为原高光谱图像的残差,Em、Am、Nm分别为降采样高光谱图像的端元、丰度和残差;
将空间降采样丰度矩阵定义为R,则:
E=R*Em (5)
上式中,E为端元,Em为降采样高光谱图像的端元,R为空间降采样丰度矩阵;
步骤3.2、采用非负矩阵分解算法进行HSL初始化端元提取:
步骤3.3、将提取的初始端元的坐标位置映射到原始图像中得到对应的像素:
上式中,ε为阈值,Pure endmember表示纯端元;通过设定端元光谱角距离的阈值,来评估所提取端元的准确性。
作为优选,步骤3中多特征分割后得到植被、水体、农田和未利用地的地物分割图。
本发明的有益效果是:本发明首先通过多特征提取对影像大类进行聚类分割得到地物分割图,本发明利用高光谱遥感数据,通过地物的光谱特征、几何特征、纹理特征精细分割出地物类型;针对同类地物不同端元进行精细分类研究:利用耦合非负矩阵分解的方法提取纯净度较高的精细端元,然后基于稀疏解混方法求解得到端元丰度,进而通过两时相的丰度检测滨海湿地变化情况,实现滨海湿地在亚像元尺度上的精细变化检测。具有简易的操作性和较强的实用性。
附图说明
图1(a)为本发明的影像解混流程图,图1(b)为本发明的变化检测流程图;
图2(a)为采用USGS光谱库所合成的高光谱影像,图2(b)为端元USGS光谱曲线,图2(c)为丰度图;
图3为本发明提取的端元光谱曲线与参考光谱曲线的对比图;图3(a)对比图选用中长石,图3(b)对比图选用钙长石;图3(c)对比图选用蒙脱石;图3(d)对比图选用黝帘石;图3(e)对比图选用高岭石;图3(f)对比图选用黄铁矿。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
作为一种实施例,一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法,其流程如图1所示,具体包括以下步骤:
步骤1、对两时相高光谱数据进行预处理,所述预处理包括:辐射定标、FLAASH大气校正、正射校正、影像配准、影像拼接。
步骤2、利用光谱特征、几何特征及纹理特征对拼接后影像进行多特征提取,根据多特征提取后影像利用K-means聚类对影像进行多特征分割。其中光谱特征由独立主成分分析PCA计算前五个光谱分量得到;几何特征由Canny算子在matlab中直接对影像计算得到;
纹理特征(LBP)为:
上式中,P表示邻域像素的个数,(xc,yc)是中心像素;LBP(xc,yc)为中心像素(xc,yc)的纹理特征;ic是中心像素的强度,iP是相邻像素的强度;S(·)为符号函数,定义为:
步骤3、分割后得到四种大类的地物分割图,分别对四种类型通过耦合非负矩阵分解进行地物的精细端元提取,其解决方式为:
步骤3.1、对高光谱图像进行降采样和模糊处理,模糊核的大小为3×3像素窗口,降采样因子为4,模糊核和降采样因子是固定的:HS=EA+N (3)
HSL=EmAm+Nm (4)
上式(3)至式(4)中,HS为高光谱影像,HSL为降采样高光谱图像,E为端元,A为原高光谱图像的丰度,N为原高光谱图像的残差,Em、Am、Nm分别为降采样高光谱图像的端元、丰度和残差;
将空间降采样丰度矩阵定义为R,则:
E=R*Em (5)
上式中,E为端元,Em为降采样高光谱图像的端元,R为空间降采样丰度矩阵;
步骤3.2、采用非负矩阵分解算法进行HSL初始化端元提取:
步骤3.3、将提取的初始端元的坐标位置映射到原始图像中得到对应的像素:
上式中,ε为阈值,Pure endmember表示纯端元;通过设定端元光谱角距离的阈值,来评估所提取端元的准确性。
步骤4、通过得到的端元矩阵对整幅影像进行解混求解端元对应的丰度矩阵,求解端元对应的丰度矩阵:
上式中,λ为拉格朗日乘数,HS为高光谱影像,E为端元,A为原高光谱图像的丰度;
步骤5、根据原始图像的像素大小来切割图像的丰度图,得到时相T1和时相T2的丰度图,并通过T1丰度图的丰度和T2丰度图的丰度相减得到差异图(端元丰度变化图),此差异
图中的每个波段对应每个端元的成分比率变化图像:CD=AT1-AT2 (11)
上式中,CD=[cd1,cd2,…,cdj]为差分影像,AT1表示T1时刻的丰度图,j表示端元的数量,AT2表示T2时刻的丰度图;最后将每个端元的差分丰度相加得到整体的变化丰度图:
CDoverall=cd1+cd2+…+cdj (14)。
实验结果:
本实施例采用2018年11月份的高分五号高光谱数据和2019年12月份的资源一号02D数据作为研究数据集,图2至图3和表1展示了本方法的结果图,其中图2展示了采用USGS光谱库所合成的高光谱影像,参考端元光谱曲线和丰度图。图3展示了本方法提取的端元光谱曲线与参考光谱曲线的对比图,可以看出本方法所提取的端元取得了很好的精度。下表1使用VCA、N-FINDR、SISAL、NMF提取的端元与本方法CNMF所提取的端元进行了对比,并通过SAM、SID和CC对各种方法的结果进行了定量评估,CNMF获得了最佳的结果。
表1端元评估结果表
本发明的有益效果是:本发明充分利用了高光谱数据的光谱分辨率、通过多特征对影像聚类分割的有效性、基于分割图进行耦合非负矩阵端元提取保障了端元提取的精细度,从而达到精准变化检测的目的;首先对影像采用基于多特征的分割可以将大类地物准确的提取出来,之后在此基础上对地物分割图进行耦合非负矩阵分解可提取光谱差异相对较小的纯净端元,对提取的端元通过稀疏解混的方法得到端元对应的丰度,最后计算两时相端元丰度差并将其进行矩阵相加即可得到整体变化检测图像。该方法在提升计算效率的基础上,将光谱差异较小的、常规解混无法提取到的端元以较高精度提取出来,大大提升解混及后续变化检测的精度,实现对滨海湿地的亚像元精细变化检测,且操作简易,实用性较强。
Claims (2)
1.一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法,其特征在于,包括以下步骤:
步骤1、对两时相高光谱数据进行预处理;预处理方式包括:正射校正、辐射定标、FLAASH大气校正、影像配准和影像拼接;
步骤2、利用光谱特征、几何特征和纹理特征对拼接后的影像进行多特征提取,利用K-means聚类对多特征提取后的影像进行多特征分割:其中光谱特征由独立主成分分析PCA计算前五个光谱分量得到;几何特征由Canny算子在matlab中直接对影像计算得到;
纹理特征为:
上式中,P表示邻域像素的个数,(xc,yc)是中心像素;LBP(xc,yc)为中心像素(xc,yc)的纹理特征;ic是中心像素的强度,iP是相邻像素的强度;S(·)为符号函数,定义为:
步骤3、多特征分割后得到地物分割图,通过高斯滤波对影像进行降采样和模糊处理,分别通过耦合非负矩阵分解的方法对高斯滤波前后影像进行地物精细端元的提取;通过比较两者之间端元光谱角差异来确定最终端元;
步骤3.1、对高光谱图像进行降采样和模糊处理,模糊核的大小为3×3像素窗口,降采样因子为4:
HS=EA+N (3)
HSL=EmAm+Nm (4)
上式(3)至式(4)中,HS为高光谱影像,HSL为降采样高光谱图像,E为端元,A为原高光谱图像的丰度,N为原高光谱图像的残差,Em、Am、Nm分别为降采样高光谱图像的端元、丰度和残差;
将空间降采样丰度矩阵定义为R,则:
E=R*Em (5)
上式中,E为端元,Em为降采样高光谱图像的端元,R为空间降采样丰度矩阵;
步骤3.2、采用非负矩阵分解算法进行HSL初始化端元提取:
步骤3.3、将提取的初始端元的坐标位置映射到原始图像中得到对应的像素:
上式中,ε为阈值,Pure endmember表示纯端元;通过设定端元光谱角距离的阈值,来评估所提取端元的准确性;
步骤4、通过得到的端元矩阵对整幅影像进行稀疏解混SUNSAL,求解端元对应的丰度矩阵:
上式中,λ为拉格朗日乘数,HS为高光谱影像,E为端元,A为原高光谱图像的丰度;
步骤5、根据原始图像的像素大小来切割图像的丰度图,得到时相T1和时相T2的丰度图,并通过T1丰度图的丰度和T2丰度图的丰度相减得到差异图,此差异图中的每个波段对应每个端元的成分比率变化图像:
CD=AT1-AT2 (11)
上式中,CD=[cd1,cd2,…,cdj]为差分影像,AT1表示T1时刻的丰度图,j表示端元的数量,AT2表示T2时刻的丰度图;最后将每个端元的差分丰度相加得到整体的变化丰度图:
CDoverall=cd1+cd2+…+cdj (14)。
2.根据权利要求1所述聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法,其特征在于:步骤3中多特征分割后得到植被、水体、农田和未利用地的地物分割图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011396445.8A CN112396029B (zh) | 2020-12-03 | 2020-12-03 | 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011396445.8A CN112396029B (zh) | 2020-12-03 | 2020-12-03 | 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396029A CN112396029A (zh) | 2021-02-23 |
CN112396029B true CN112396029B (zh) | 2022-02-18 |
Family
ID=74605738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011396445.8A Active CN112396029B (zh) | 2020-12-03 | 2020-12-03 | 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396029B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689414B (zh) * | 2021-08-30 | 2023-12-15 | 扎赉诺尔煤业有限责任公司 | 一种高寒地区长时间序列高频率ndvi生成方法和装置 |
CN113780168B (zh) * | 2021-09-10 | 2023-09-15 | 中国石油大学(华东) | 一种高光谱遥感影像端元束自动提取方法 |
CN113902717B (zh) * | 2021-10-13 | 2022-04-26 | 自然资源部国土卫星遥感应用中心 | 一种基于光谱库的星载高光谱农田裸土目标识别方法 |
CN114612787B (zh) * | 2022-03-21 | 2024-05-10 | 南京市测绘勘察研究院股份有限公司 | 一种尺度变化策略支持的城市绿地深度学习提取方法 |
CN116469016A (zh) * | 2023-04-28 | 2023-07-21 | 银河航天(成都)通信有限公司 | 基于丰度值的植被状态监控方法、装置和存储介质 |
CN116757925B (zh) * | 2023-05-16 | 2024-07-02 | 宁波大学 | 一种生成高时空谱分辨率卫星遥感影像的方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208118A (zh) * | 2013-03-25 | 2013-07-17 | 河海大学 | 一种高光谱遥感影像端元提取方法 |
CN104463224A (zh) * | 2014-12-24 | 2015-03-25 | 武汉大学 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
CN105320959A (zh) * | 2015-09-30 | 2016-02-10 | 西安电子科技大学 | 基于端元学习的高光谱图像稀疏解混方法 |
WO2017041842A1 (en) * | 2015-09-09 | 2017-03-16 | Planetek Hellas E.P.E | Methods of compressing and decompressing spectral data |
CN107590800A (zh) * | 2017-09-04 | 2018-01-16 | 东华理工大学 | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 |
CN109035154A (zh) * | 2018-06-07 | 2018-12-18 | 复旦大学 | 一种考虑光谱变异性的高光谱图像非线性解混方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6608931B2 (en) * | 2001-07-11 | 2003-08-19 | Science Applications International Corporation | Method for selecting representative endmember components from spectral data |
AUPS155202A0 (en) * | 2002-04-05 | 2002-05-16 | Commonwealth Scientific And Industrial Research Organisation | Methods of identifying endmember spectral values for hyperspectral image data |
CN102540271B (zh) * | 2011-12-27 | 2014-03-19 | 南京理工大学 | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 |
CN105261000B (zh) * | 2015-09-17 | 2018-04-24 | 哈尔滨工程大学 | 一种基于端元提取与光谱解混的高光谱图像融合方法 |
CN111598045B (zh) * | 2020-05-27 | 2021-05-18 | 中国科学院地理科学与资源研究所 | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 |
-
2020
- 2020-12-03 CN CN202011396445.8A patent/CN112396029B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208118A (zh) * | 2013-03-25 | 2013-07-17 | 河海大学 | 一种高光谱遥感影像端元提取方法 |
CN104463224A (zh) * | 2014-12-24 | 2015-03-25 | 武汉大学 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
WO2017041842A1 (en) * | 2015-09-09 | 2017-03-16 | Planetek Hellas E.P.E | Methods of compressing and decompressing spectral data |
CN105320959A (zh) * | 2015-09-30 | 2016-02-10 | 西安电子科技大学 | 基于端元学习的高光谱图像稀疏解混方法 |
CN107590800A (zh) * | 2017-09-04 | 2018-01-16 | 东华理工大学 | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 |
CN109035154A (zh) * | 2018-06-07 | 2018-12-18 | 复旦大学 | 一种考虑光谱变异性的高光谱图像非线性解混方法 |
Non-Patent Citations (3)
Title |
---|
Joint Local Block Grouping with Noise-Adjusted Principal Component Analysis for Hyperspectral Remote-Sensing Imagery Sparse Unmixing;Ruyi Feng et al;《remote sensing》;20190523;1-25页 * |
Lateral-Slice Sparse Tensor Robust Principal Component Analysis for Hyperspectral Image Classification;Weiwei Sun et al;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20200131;第17卷(第1期);107-111页 * |
高光谱遥感图像混合像元分解的理论与算法研究;李二森;《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》;20120715;第2012年卷(第7期);A008-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396029A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396029B (zh) | 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 | |
Hong et al. | SULoRA: Subspace unmixing with low-rank attribute embedding for hyperspectral data analysis | |
Kampffmeyer et al. | Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks | |
Nath et al. | A survey of image classification methods and techniques | |
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
Lv et al. | Novel adaptive region spectral–spatial features for land cover classification with high spatial resolution remotely sensed imagery | |
Dao et al. | Improving hyperspectral image segmentation by applying inverse noise weighting and outlier removal for optimal scale selection | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
Zhang et al. | Object-oriented subspace analysis for airborne hyperspectral remote sensing imagery | |
Huang et al. | Automatic extraction of urban impervious surfaces based on deep learning and multi-source remote sensing data | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
Lone et al. | Object detection in hyperspectral images | |
CN112990314A (zh) | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 | |
CN105512670B (zh) | 基于keca特征降维和聚类的hrct周围神经分割 | |
Xu et al. | Subpixel component analysis for hyperspectral image classification | |
Chen et al. | Scene segmentation of remotely sensed images with data augmentation using U-net++ | |
CN112883823A (zh) | 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法 | |
Yang et al. | Hyperspectral image classification based on spatial and spectral features and sparse representation | |
Song et al. | Hyperspectral anomaly detection based on anomalous component extraction framework | |
CN110889358A (zh) | 一种基于相关系数和联合稀疏表示的高光谱图像分类方法及装置 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 |
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 |