CN112396066A - 一种适用于高光谱影像的特征提取方法 - Google Patents
一种适用于高光谱影像的特征提取方法 Download PDFInfo
- Publication number
- CN112396066A CN112396066A CN202011359486.XA CN202011359486A CN112396066A CN 112396066 A CN112396066 A CN 112396066A CN 202011359486 A CN202011359486 A CN 202011359486A CN 112396066 A CN112396066 A CN 112396066A
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- matrix
- hyperspectral
- image
- hyperspectral image
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 47
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 25
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及高光谱影像特征提取技术领域，尤其涉及一种适用于高光谱影像的特征提取方法，包括以下步骤：S1、预处理采集的高光谱影像，获得数据集；S2、基于最小二乘支持向量机原则构建特征提取模型，对数据集进行特征提取；S3、分别得到数据集中的光谱特征和空间信息。本发明的适用于高光谱影像的特征提取方法，通过对高光谱影像进行预处理，初步确定待提取的特征数据，利用构建的特征提取模型进行二次提取，并结合贝叶斯策略进行三次判断验证，以确保提取的特征是光谱影像明显的、唯一的识别点，由此，在提高特征提取准确度的同时，也提高了关于光谱影像识别分析的精确度，为进一步研究光谱影像工作带来了积极的意义。
Description
技术领域
本发明涉及高光谱影像特征提取技术领域，尤其涉及一种适用于高光谱影像的特征提取方法。
背景技术
现如今，一系列高光谱成像系统在国际上被研制成功并获得了广泛应用，但是在实际运用中依然存在不少的问题。
中国专利CN110929643A公开了一种基于多特征和孤立树的高光谱异常检测方法，虽然能够进行常规的检测，但是仍然存在光谱影像识别分类不准确的问题。
发明内容
为了解决现有技术所存在的问题，本发明提供了一种适用于高光谱影像的特征提取方法，在提高特征提取准确度的同时，也提高了关于光谱影像识别分析的精确度。
为解决上述技术问题，本发明提供以下技术方案：
一种适用于高光谱影像的特征提取方法，包括以下步骤：
S1、预处理采集的高光谱影像，获得数据集；
S2、基于最小二乘支持向量机原则构建特征提取模型，对数据集进行特征提取；
S3、分别得到数据集中的光谱特征和空间信息。
进一步的，特征提取模型在特征提取之前需进行训练，待满足训练要求时，输出训练完成的目标函数作为所述特征提取模型进行特征提取。
进一步的，构建特征提取模型的步骤为：
利用最小二乘支持向量机选取径向基函数作为特征提取模型的目标函数，如下式：
其中，x＝{x1；x2；L；x14}：采集数据的高光谱影像特性向量组成的光谱特性矩阵，y：高光谱影像的光谱特性向量和空间信息，σ：核宽度，反应了分布、范围特性。
进一步的，还包括以下步骤：
初始化惩罚参数C和核宽度σ，利用数据集对目标函数进行训练和测试；
设定精度要求，若目标函数精度未达到要求，则根据误差对初始化惩罚参数C和核宽度σ进行赋值优化，直到测试数据精度达到精度要求；
设定阈值并输出训练完成的目标函数，将其作为特征提取模型。
进一步的，测试数据精度是否达到精度要求时，基于贝叶斯概率策略构建测试模型，表达公式如下：
其中，j：达到所述精度要求的数据数量，int{x％×365}：向上取整函数，x％：误差发生概率。
进一步的，预处理包括以下步骤：
根据纹理信息将高光谱影像中的每一条扫描线进行重新排列，完成几何校正；
将其反射信息从大气和太阳的信息中分离出来，完成大气辐射校正。
进一步的，还包括以下步骤：
利用高通滤波器对高光谱影像进行滤波处理，得到噪声协方差矩阵CN，将其对角化为矩阵DN，表达公式如下：
DN＝UTCNU
其中，DN为CN的特征值按照降序排列的对角矩阵，U为由特征向量组成的正交矩阵，进一步变换得到：
I＝PTCNP
其中，I为单位矩阵，P为变换矩阵，当P应用于影像数据X时，通过Y＝PX变换，将原始影像投影到新的空间，产生的变换数据中的噪声具有单位方差，且波段间不相关。
进一步的，还包括以下步骤：
对噪声数据进行标准主成分变换，如下：
CD-adj＝PTCDP
其中，CD为影像X的协方差矩阵，CD-adj为经过P变换后的矩阵，进一步将其对角化为矩阵DD-adj，如下：
DD-adj＝VTCD-adjV
其中，DD-adj为CD-adj的特征值按照降序排列的对角矩阵，V为由特征向量组成的正交矩阵，得到MNF的变换矩阵TMNF，TMNF＝PV。
进一步的，提取的特征类型包括点特征、线特征、面特征和多特征融合。
进一步的，特征利用角点、边缘线、同质性区域进行区分提取。
相对于现有技术，本发明的有益效果为：
本发明通过对高光谱影像进行预处理，初步确定待提取的特征数据，利用构建的特征提取模型进行二次提取，并结合贝叶斯策略进行三次判断验证，以确保提取的特征是光谱影像明显的、唯一的识别点，由此，在提高特征提取准确度的同时，也提高了关于光谱影像识别分析的精确度，为进一步研究光谱影像工作带来了积极的意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明的适用于高光谱影像的特征提取方法的流程示意图；
图2为本发明的适用于高光谱影像的特征提取方法的实验误差对比曲线示意图。
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，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明的实施例包括：
实施例1：
如图1所示，一种适用于高光谱影像的特征提取方法，包括以下步骤：
S1：预处理采集的高光谱影像，获得数据集；
其中需要说明的是，预处理包括以下步骤：
根据纹理信息将高光谱影像中的每一条扫描线进行重新排列，完成几何校正；
将其反射信息从大气和太阳的信息中分离出来，完成大气辐射校正。
具体的，还需进行降维降噪处理，包括以下步骤：
利用高通滤波器对高光谱影像进行滤波处理，得到噪声协方差矩阵CN，将其对角化为矩阵DN，表达公式如下：
DN＝UTCNU
其中，DN为CN的特征值按照降序排列的对角矩阵，U为由特征向量组成的正交矩阵，进一步变换得到
I＝PTCNP
其中，I为单位矩阵，P为变换矩阵，当P应用于影像数据X时，通过Y＝PX变换，将原始影像投影到新的空间，产生的变换数据中的噪声具有单位方差，且波段间不相关；
对噪声数据进行标准主成分变换，如下：
CD-adj＝PTCDP
其中，CD为影像X的协方差矩阵，CD-adj为经过P变换后的矩阵，进一步将其对角化为矩阵DD-adj，如下：
DD-adj＝VTCD-adjV
其中，DD-adj为CD-adj的特征值按照降序排列的对角矩阵，V为由特征向量组成的正交矩阵，得到MNF的变换矩阵TMNF，TMNF＝PV。
S2：基于最小二乘支持向量机原则构建特征提取模型，对数据集进行特征提取；
本步骤需要说明的是，构建特征提取模型的步骤为：
利用最小二乘支持向量机选取径向基函数作为特征提取模型的目标函数，如下式：
其中，x＝{x1；x2；L；x14}：采集数据的高光谱影像特性向量组成的光谱特性矩阵，y：高光谱影像的光谱特性向量和空间信息，σ：核宽度，反应了分布、范围特性；
特征提取模型在特征提取之前需进行训练，待满足训练要求时，输出训练完成的目标函数作为特征提取模型进行特征提取；
还包括以下步骤：
初始化惩罚参数C和σ，利用数据集对目标函数进行训练和测试；
设定精度要求，若目标函数精度未达到要求，则根据误差对初始化惩罚参数C和核宽度σ进行赋值优化，直到测试数据精度达到精度要求；
设定阈值并输出训练完成的目标函数，将其作为特征提取模型。
在本实施例中，测试数据精度是否达到精度要求时，基于贝叶斯概率策略构建测试模型，表达公式如下：
其中，j：达到精度要求的数据数量，int{x％×365}：向上取整函数，x％：误差发生概率。
S3：分别得到数据集中的光谱特征和空间信息。
其中还需要说明的是：
提取的特征类型包括，点特征、线特征、面特征和多特征融合；特征利用角点、边缘线、同质性区域进行区分提取。
通俗的说，在地物的每一个像元处，可以得到一条连续的光谱曲线，所有的光谱曲线的集合则构成了光谱空间，不同的地物对应于光谱空间中的一条光谱曲线；因此，通过对光谱曲线进行特征分析，发现不同地物的光谱曲线变化特征，从而达到识别地物的目的。
本实施例需要说明的是，常用的方法包括：(1)光谱角填图法，即光谱角度匹配法，根据像元矢量与已知矢量的广义夹角来区分相似度；(2)光谱解混技术，假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成，解混的目的就是通过某种分析和计算，估计出光谱混合方式和混合像元包含的光谱成分及相应比例；(3)光谱匹配滤波技术(Matched Filter)：匹配滤波技术选定某些感兴趣的端元光谱的情况下，把未知的光谱归为背景光谱(Unknown background)，最大化地突出已知端元光谱而同时尽可能抑制背景光谱，这种方法提供了一种快速探测指定地物种类的技术，而不必知道一幅图像中包含的全部端元光谱；(4)光谱特征匹配(SFT-Spectral Feature Fitting)根据电磁波理论，不同的物质有不同的光谱曲线；人们可以通过分析不同地物的光谱吸收表现，达到识别不同地物的目的。而本实施例则把反射光谱数据的吸收特征突出出来，仅保留了吸收特征的光谱与参考端元光谱逐个波段进行最小二乘匹配，并计算出相应的均方根误差(RMS-RootMean Square)，消除背景影响。
优选的，高光谱的核心思想是光谱分辨率高达纳米数量级，具有波段数众多，连续性强等特点，其传感器在可见光到红外光的波长范围内(0.4um-2.5um)范围内很窄的波段宽度(3-30nm)获得几百个波段的光谱信息，相当于产生了一条完整而连续的光谱曲线，光谱分别率将达到5nm-10nm；高光谱影像包含了丰富的地表空间、光谱和辐射的三重信息，它同时表现了地物的空间分布并获得了以像元为目标的地物光谱信息，区域以高光谱分辨率同时获取连续的地物光谱影像，其超多波段信息使得根据混合光谱模型进行混合像元分解获取，信息的能力得到提高。
实施例2：
如图2所示，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种适用于高光谱影像的特征提取方法的验证，包括以下步骤：
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的光谱影像处理方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明所具有的真实效果。
传统的光谱影像处理方法无法完全提取需要的特征，其会受到自然环境的干扰，从而降低特征提取的准确度，为验证本发明方法相对于传统方法具有较高的特征提取全面性和准确性，本实施例中将采用传统方法与本发明方法分别对南方某一地区采集的遥感高光谱影像进行实时测量对比。
测试环境：
(1)利用MATLB软件进行仿真测试；
(2)随机采取该地区近一年的遥感高光谱影像作为实验样本，并分别利用传统方法和本发明方法对相同的100组实验样本进行预处理；
(3)输入两种方法所需的仿真参数，导入各自编辑的运行程序，开启自动化测试设备进行仿真模拟，直至输出最终的曲线示意图。
如图2所示，实线为本发明方法输出的曲线，虚线为传统方法输出的曲线，根据图2的示意，能够直观的看出，实线与虚线随着实验样本数量的增加，呈现不同的走势，实线相较于虚线，在前期一直呈稳定的上升趋势，虽然后期有所下滑，但是波动不大，且一直在虚线的上方，并保持一定的距离，而虚线则呈现较大的波动趋势，不稳定，由此，实线的准确度一直大于虚线，即验证了本发明方法所具有的真实效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种适用于高光谱影像的特征提取方法，其特征在于，包括以下步骤：
S1、预处理采集的高光谱影像，获得数据集；
S2、基于最小二乘支持向量机原则构建特征提取模型，对数据集进行特征提取；
S3、分别得到数据集中的光谱特征和空间信息。
2.根据权利要求1所述的适用于高光谱影像的特征提取方法，其特征在于，特征提取模型在特征提取之前需进行训练，待满足训练要求时，输出训练完成的目标函数作为所述特征提取模型进行特征提取。
3.根据权利要求2所述的适用于高光谱影像的特征提取方法，其特征在于，构建特征提取模型的步骤为：
利用最小二乘支持向量机选取径向基函数作为特征提取模型的目标函数，如下式：
其中，x＝{x1；x2；L；x14}：采集数据的高光谱影像特性向量组成的光谱特性矩阵，y：高光谱影像的光谱特性向量和空间信息，σ：核宽度，反应了分布、范围特性。
4.根据权利要求3所述的适用于高光谱影像的特征提取方法，其特征在于，还包括以下步骤：
初始化惩罚参数C和核宽度σ，利用数据集对目标函数进行训练和测试；
设定精度要求，若目标函数精度未达到要求，则根据误差对初始化惩罚参数C和核宽度σ进行赋值优化，直到测试数据精度达到精度要求；
设定阈值并输出训练完成的目标函数，将其作为特征提取模型。
5.根据权利要求4所述的适用于高光谱影像的特征提取方法，其特征在于，测试数据精度是否达到精度要求时，基于贝叶斯概率策略构建测试模型，表达公式如下：
其中，j：达到所述精度要求的数据数量，int{x％×365}：向上取整函数，x％：误差发生概率。
6.根据权利要求5所述的适用于高光谱影像的特征提取方法，其特征在于，预处理包括以下步骤：
根据纹理信息将高光谱影像中的每一条扫描线进行重新排列，完成几何校正；
将其反射信息从大气和太阳的信息中分离出来，完成大气辐射校正。
7.根据权利要求6所述的适用于高光谱影像的特征提取方法，其特征在于，还包括以下步骤：
利用高通滤波器对高光谱影像进行滤波处理，得到噪声协方差矩阵CN，将其对角化为矩阵DN，表达公式如下：
DN＝UTCNU
其中，DN为所述CN的特征值按照降序排列的对角矩阵，U为由特征向量组成的正交矩阵，进一步变换得到：
I＝PTCNP
其中，I为单位矩阵，P为变换矩阵，当P应用于影像数据X时，通过Y＝PX变换，将原始影像投影到新的空间，产生的变换数据中的噪声具有单位方差，且波段间不相关。
8.根据权利要求7所述的适用于高光谱影像的特征提取方法，其特征在于，还包括以下步骤：
对噪声数据进行标准主成分变换，如下：
CD-adj＝PTCDP
其中，CD为影像X的协方差矩阵，CD-adj为经过P变换后的矩阵，进一步将其对角化为矩阵DD-adj，如下：
DD-adj＝VTCD-adjV
其中，DD-adj为CD-adj的特征值按照降序排列的对角矩阵，V为由特征向量组成的正交矩阵，得到MNF的变换矩阵TMNF，TMNF＝PV。
9.根据权利要求8所述的适用于高光谱影像的特征提取方法，其特征在于，提取的特征类型包括点特征、线特征、面特征和多特征融合。
10.根据权利要求9所述的适用于高光谱影像的特征提取方法，其特征在于，特征利用角点、边缘线、同质性区域进行区分提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011359486.XA CN112396066B (zh) | 2020-11-27 | 2020-11-27 | 一种适用于高光谱影像的特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011359486.XA CN112396066B (zh) | 2020-11-27 | 2020-11-27 | 一种适用于高光谱影像的特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396066A true CN112396066A (zh) | 2021-02-23 |
| CN112396066B CN112396066B (zh) | 2024-04-30 |
Family
ID=74604660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011359486.XA Active CN112396066B (zh) | 2020-11-27 | 2020-11-27 | 一种适用于高光谱影像的特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396066B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990313A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
| CN111291675A (zh) * | 2020-02-04 | 2020-06-16 | 北京科技大学 | 一种基于深度学习的高光谱古绘画检测识别方法 |
| CN111652292A (zh) * | 2020-05-20 | 2020-09-11 | 贵州电网有限责任公司 | 一种基于ncs、ms的相似物体实时检测方法及系统 |
-
2020
- 2020-11-27 CN CN202011359486.XA patent/CN112396066B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
| CN111291675A (zh) * | 2020-02-04 | 2020-06-16 | 北京科技大学 | 一种基于深度学习的高光谱古绘画检测识别方法 |
| CN111652292A (zh) * | 2020-05-20 | 2020-09-11 | 贵州电网有限责任公司 | 一种基于ncs、ms的相似物体实时检测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990313A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
| CN112990313B (zh) * | 2021-03-16 | 2023-04-07 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396066B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
| CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
| Keshava | A survey of spectral unmixing algorithms | |
| CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
| 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 | |
| CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
| CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
| CN108241871A (zh) | 基于多特征的激光点云与影像融合数据分类方法 | |
| CN104504366A (zh) | 基于光流特征的笑脸识别系统及方法 | |
| CN103761742A (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
| CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
| CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
| CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
| CN115841594B (zh) | 基于注意力机制的煤矸高光谱变图像域数据识别方法 | |
| CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
| CN112733736A (zh) | 基于增强过采样的类别不平衡高光谱图像分类方法 | |
| CN115661069A (zh) | 一种高光谱异常检测方法及计算机装置 | |
| CN105957112A (zh) | 基于快速uncls的高光谱亚像素探测方法 | |
| CN112396066B (zh) | 一种适用于高光谱影像的特征提取方法 | |
| Tu et al. | Feature extraction using multidimensional spectral regression whitening for hyperspectral image classification | |
| WO2007004868A1 (en) | Method and apparatus for image characterization | |
| CN111881965B (zh) | 药材产地等级的高光谱图形分类识别方法、装置及设备 | |
| CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
| 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 | |
| CN109447009B (zh) | 基于子空间核范数正则化回归模型的高光谱图像分类方法 |
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 |