CN112785583A - 基于超像素分割的高光谱遥感图像反射率恢复方法 - Google Patents
基于超像素分割的高光谱遥感图像反射率恢复方法 Download PDFInfo
- Publication number
- CN112785583A CN112785583A CN202110136395.8A CN202110136395A CN112785583A CN 112785583 A CN112785583 A CN 112785583A CN 202110136395 A CN202110136395 A CN 202110136395A CN 112785583 A CN112785583 A CN 112785583A
- Authority
- CN
- China
- Prior art keywords
- matrix
- segmentation
- remote sensing
- superpixel
- sensing 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/76—Arrangements for rearranging, permuting or selecting data according to predetermined rules, independently of the content of the data
- G06F7/78—Arrangements for rearranging, permuting or selecting data according to predetermined rules, independently of the content of the data for changing the order of data flow, e.g. matrix transposition or LIFO buffers; Overflow or underflow handling therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
基于超像素分割的高光谱遥感图像反射率恢复方法,属于遥感图像处理领域,涉及高光谱图像的反射率恢复方法。解决了现有基于对象的反射率恢复方法存在对高光谱图像的反射率恢复精度差的问题,本发明利用输入的高光谱遥感图像做精细超像素分割,获得精细分割的分割矩阵;对输入的高光谱遥感图像做粗略超像素分割,获得粗略分割结果集合;利用精细分割的分割矩阵和粗略分割结果集合,计算约束矩阵;利用精细分割的分割矩阵和约束矩阵迭代求解输入的高光谱遥感图像的反射率。本发明适用于图像反射率恢复。
Description
技术领域
本发明属于遥感图像处理领域,涉及高光谱图像的反射率恢复方法。
背景技术
近年来,随着遥感成像技术不断发展,越来越多的高光谱相机被发射升空,携带高光谱成像仪的遥感系统能采集大量不同波长的地表反射率数据,对目标检测、图像分割和地物分类等应用具有重要意义。高光谱传感器获取的丰富的光谱信息可以进一步分离为明暗信息和反射率信息两部分,明暗信息与环境光照、阴影等信息相关,而反射率信息则反应特定物质的自身属性。通过从原始遥感图像中去除明暗信息的方法可以恢复反射率信息,能够一定程度上提升高光谱图像的分类性能。
目前现有的反射率恢复方法有基于像素的和基于对象两大类,随着遥感图像空间分辨率的不断提高,基于的像素处理的方法已经不再适用,基于超像素分割的面向对象方法在此显示出了其必要性和优越性;基于对象的反射率恢复方法可以实现对像素的均匀划分,不仅可以大大降低后续反射率恢复的复杂度,同时可以有效地解决基于像素的方法带来的椒盐噪声的问题,但是,现有的基于对象的反射率恢复方法存在对高光谱图像的反射率恢复精度差的问题。
发明内容
本发明目的是为了解决现有基于对象的反射率恢复方法存在对高光谱图像的反射率恢复精度差的问题,提出了一种基于超像素分割的高光谱遥感图像反射率恢复方法。
本发明所述基于超像素分割的高光谱遥感图像反射率恢复方法,具体包括:
步骤一、利用输入的高光谱遥感图像做精细超像素分割,计算精细分割的分割矩阵;
步骤二、对输入的高光谱遥感图像做粗略超像素分割,获得粗略分割结果集合;
步骤三、利用精细分割的分割矩阵和粗略分割结果集合,计算约束矩阵;
步骤四、利用精细分割的分割矩阵和约束矩阵迭代求解输入的高光谱遥感图像的反射率。
进一步地,本发明中,步骤一中对输入的高光谱遥感图像做精细超像素分割,计算精细分割的分割矩阵的具体方法为:
利用分割矩阵A对输入的高光谱图像H进行精细超像素分割:
分割矩阵A为:
A=[A1,A2,…,AK]∈Rn×K`
其中,n为像素个数,A1和A2分别为第1个和第2个精细超像素分割的分割矩阵,AK为第K个精细超像素分割的分割矩阵,分割矩阵中的元素为:
A(i,j)为分割矩阵A中第i行第j列的元素;所述分割矩阵A(i,j)中行数与像素个数对应相同,分割矩阵A(i,j)中列数与超像素分割结果个数对应相同;Vj为精细分割结果集合中的第j列元素,所述精细分割是将输入的高光谱遥感图像中的超像素分割为K个不相交的超像素集合:
进一步地,本发明中,输入高光谱图像H为:H=[H1,H2,…,Hn]∈Rd×n;
其中,n为像素总数,d表示高光谱图像矩阵H的光谱维度,Hi=[Hi(λ1),Hi(λ2),…,Hi(λd)]T表示第i个像素Hi的d维光谱特征,i=1,2,…,n。
进一步地,本发明中,步骤三中计算的约束矩阵为:
W(u,v)=(ω(u,v)+ω'(u,v))/2
其中,约束矩阵W∈RK×K,
Z'是ω'(u,v)的归一化系数,Va′是粗略超像素分割结果集合中第a个超像素集合,a=1,2,...,K′,K′为粗略超像素分割结果集合中超像素的总个数,Vv和Vu表示输入图像中的第u个和第v个超像素;u=1,2,...,K,v=1,2,...,K;
ω(u,v)值越大表示超像素Vu和Vv越相似,当超像素Vu和Vv不相似,则ω(u,v)=0,其中,和分别表示超像素Vu和Vv的强度,表示超像素Vu的精细分割图的第u列向量向量和超像素Vv精细分割图的第v列向量之间的夹角;和分别是与超像素Vu相关的像素值方差和角度方差,Z是ω(u,v)的归一化系数,是高光谱遥感图像的精细超像素分割图中第u列向量,是高光谱遥感图像的精细超像素分割图图中第v列向量。
进一步地,本发明中,步骤四中利用分割矩阵和约束矩阵迭代求解输入的高光谱遥感图像的反射率的方法为:
设定照度矩阵E和方向矩阵β为两个对角矩阵:
β=Diag([β1,β2,...,βn]T)
其中,Diag(·)表示由其向量变形得到的对角阵,diag(·)是以列向量的形式返回矩阵对角线上的元素,E(λ1)表示在λ1波段下的照度,E(λd)表示在λd波段下的照度,表示超像素分割下的方向矩阵,β1,β2,...,βn分别表示第1个到第n个像素的方向值;为照度矩阵;
其中,1K是大小为K×1的全1列向量,为第0次迭代的反射率矩阵,为第0次迭代的方向矩阵,为第0次迭代的超像素分割下的方向矩阵,为第0次迭代的超像素分割下的照度矩阵,为第0次迭代的照度矩阵,矩阵下角标0代表迭代次数为第0次,d表示高光谱遥感图像的光谱特征的维数;
其中,diago(·)返回对角矩阵中的对角线元素,其中,m代表迭代次数,矩阵的上角标T表示矩阵的转置,表示第m+1次迭代得到的反射率矩阵,表示第m次迭代得到的照度矩阵,和分别表示第m+1次和第m次迭代后得到的方向矩阵。
由于本发明所述方法对高光谱遥感图像做了两个不同尺度的超像素分割,其中精细尺度的超像素分割具有较高的分割精度,而粗略尺度的超像素分割能保留图像的客观性,二者结合下,能够获得更合理的反射率恢复结果,有效的提高了恢复精度。为了验证本发明所提出算法的性能,针对机载ROSIS传感器拍摄的一组高光谱数据集进行了实验,如图2至图4所示,实验结果验证了本发明提出的基于超像素分割的高光谱遥感图像反射率恢复方法的有效性和精确性。
附图说明
图1是本发明的实现流程示意图;
图2是实验原始图像;
图3是实验真值图像;
图4是本发明提出方法恢复的反射率在5%训练样本下的SVM分类结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于超像素分割的高光谱遥感图像反射率恢复方法,具体包括:
步骤一、利用输入的高光谱遥感图像做精细超像素分割,计算精细分割的分割矩阵;
步骤二、对输入的高光谱遥感图像做粗略超像素分割,获得粗略分割结果集合;
步骤三、利用精细分割的分割矩阵和粗略分割结果集合,计算约束矩阵;
步骤四、利用精细分割的分割矩阵和约束矩阵迭代求解输入的高光谱遥感图像的反射率。
进一步地,本发明中,步骤一中对输入的高光谱遥感图像做精细超像素分割,计算精细分割的分割矩阵的具体方法为:
利用分割矩阵A对输入的高光谱图像H进行精细超像素分割:
分割矩阵A为:
A=[A1,A2,…,AK]∈Rn×K`
其中,n为像素个数,A1和A2分别为第1个和第2个精细超像素分割的分割矩阵,AK为第K个精细超像素分割的分割矩阵,分割矩阵中的元素为:
A(i,j)为分割矩阵A中第i行第j列的元素;所述分割矩阵A(i,j)中行数与像素个数对应相同,分割矩阵A(i,j)中列数与超像素分割结果个数对应相同;Vj为精细分割结果集合中的第j列元素,所述精细分割是将输入的高光谱遥感图像中的超像素分割为K个不相交的超像素集合:
进一步地,本发明中,输入高光谱图像H为:H=[H1,H2,…,Hn]∈Rd×n
其中,n为像素总数,d表示高光谱图像矩阵H的光谱维度,Hi=[Hi(λ1),Hi(λ2),…,Hi(λd)]T表示第i个像素Hi的d维光谱特征,i=1,2,…,n。
进一步地,本发明中,
步骤三中计算的约束矩阵为:
W(u,v)=(ω(u,v)+ω'(u,v))/2
其中,约束矩阵W∈RK×K,
Z'是ω'(u,v)的归一化系数,Va′是粗略超像素分割结果集合中第a个超像素集合,a=1,2,...,K′,K′为粗略超像素分割结果集合中超像素的总个数,Vv和Vu表示输入图像中的第u个和第v个超像素;u=1,2,…,K,v=1,2,…,K,
ω(u,v)值越大表示超像素Vu和Vv越相似,当超像素Vu和Vv不相似,则ω(u,v)=0,其中,和分别表示超像素Vu和Vv的强度,表示超像素Vu的精细分割图的第u列向量向量和超像素Vv精细分割图的第v列向量之间的夹角;和分别是与超像素Vu相关的像素值方差和角度方差,Z是ω(u,v)的归一化系数,是高光谱遥感图像的精细超像素分割图中第u列向量,是高光谱遥感图像的精细超像素分割图图中第v列向量。
进一步地,本实施方式中,步骤四中利用分割矩阵和约束矩阵迭代求解输入的高光谱遥感图像的反射率的方法为:
设定照度矩阵E和方向矩阵β为两个对角矩阵:
β=Diag([β1,β2,...,βn]T)
其中,Diag(·)表示由其向量变形得到的对角阵,diag(·)是以列向量的形式返回矩阵对角线上的元素,E(λ1)表示在λ1波段下的照度,E(λd)表示在λd波段下的照度,表示超像素分割下的方向矩阵,β1,β2,...,βn分别表示第1个到第n个像素的方向值;为照度矩阵;
其中,1K是大小为K×1的全1列向量,为第0次迭代的反射率矩阵,为第0次迭代的方向矩阵,为第0次迭代的超像素分割下的方向矩阵,为第0次迭代的超像素分割下的照度矩阵,为第0次迭代的照度矩阵,矩阵下角标0代表迭代次数为第0次,d表示高光谱遥感图像的光谱特征的维数;
其中,diago(·)返回对角矩阵中的对角线元素,其中,m代表迭代次数,矩阵的上角标T表示矩阵的转置,表示第m+1次迭代得到的反射率矩阵,表示第m次迭代得到的照度矩阵,和分别表示第m+1次和第m次迭代后得到的方向矩阵。
参照图1,本发明的具体实施如下:
步骤1:对输入的高光谱遥感图像做精细超像素分割,并计算分割矩阵。
首先输入高光谱遥感图像H,其中H=[H1,H2,…,Hn]∈Rd×n,n为像素总数,d表示高光谱图像H的光谱维度,Hi=[Hi(λ1),Hi(λ2),…,Hi(λd)]T表示第i个像素Hi的d维光谱特征,i=1,2,…,n。然后利用线性迭代聚类方法对高光谱图像做精细的超像素分割,得到的是形状和大小都规则的超像素分割图,该分割图可以将原始高光谱图像中像素的网格结构替换为更紧凑的形式。
步骤2:对输入的高光谱遥感图像做粗略超像素分割,并计算约束矩阵。
首先输入高光谱遥感图像H,利用FelzenswalbHuttenlocher方法做粗略的超像素分割,得到的超像素具有不规则的大小,且能够很好地附着在图像的边界上,然后输入精细分割的分割图将粗略分割结果用作额外的约束条件以计算约束矩阵W。
ρi=[ρi(λ1),ρi(λ2),…,ρi(λd)]T
ρ=[ρ1,ρ2,...,ρn]
ρi表示第i个像素的反射率;i=1、2……n,分割图中每个超像素的反射率值为与其相邻的超像素反射率值的线性组合,本发明用约束矩阵来描述该线性关系,具体表达式如下:
其中u=1,2,...,K,v=1,2,...,K,和分别是超像素Vu和Vv的反射率值,ω(u,v)的值度量了超像素Vu和Vv之间的相似性程度,值越大表示二者越相似,如果超像素Vu和Vv不相似,则ω(u,v)=0。具体计算公式如下:
该粗略分割下的K个超像素集合为利用该分割图,可以将不同分割尺度的信息整合进约束矩阵W中,如果精细分割图中的两个超像素与粗略分割的同一个超像素重叠,则认为二者可能属于同一对象,应当设置相对较大的权重,基于此,定义ω'(u,v)的计算公式如下:
其中Z’是归一化系数。最终的约束矩阵W∈RK×K定义式为:
W(u,v)=(ω(u,v)+ω'(u,v))/2
步骤3:迭代优化求解高光谱遥感图像的反射率。定义照度矩阵E和方向矩阵β为两个对角矩阵,定义式如下:
β=Diag([β1,β2,...,βn]T)
其中Diag(·)表示由其向量变形得到的对角阵,diag(·)是以列向量的形式返回矩阵对角线上的元素。
其中1K是大小为K×1的全1列向量,矩阵下角标0代表迭代次数为第0次。
其中,diago(·)返回对角矩阵中的对角线元素。
本发明所设计的实验:
采用机载ROSIS传感器拍摄的一组高光谱图像进行实施,图片大小为1096×715×102,在图2中显示了原始图像,图3真值图像和图4采用本发明方法恢复的反射率在5%训练样本条件下的SVM分类结果,表1是对本发明方法恢复的反射率和采用逐像素方法恢复结果的总体分类精度(OA)对比。从对比结果可以看出经过本发明所提方法生成的反射率能够有效提升高光谱图像的地物分类精度。
表1采用本发明所述方法与逐像素反射率恢复方法
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (5)
1.基于超像素分割的高光谱遥感图像反射率恢复方法,其特征在于,具体包括:
步骤一、利用输入的高光谱遥感图像做精细超像素分割,计算精细分割的分割矩阵;
步骤二、对输入的高光谱遥感图像做粗略超像素分割,获得粗略分割结果集合;
步骤三、利用精细分割的分割矩阵和粗略分割结果集合,计算约束矩阵;
步骤四、利用精细分割的分割矩阵和约束矩阵迭代求解输入的高光谱遥感图像的反射率。
2.根据权利要求1所述的基于超像素分割的高光谱遥感图像反射率恢复方法,其特征在于,步骤一中对输入的高光谱遥感图像做精细超像素分割,计算精细分割的分割矩阵的具体方法为:
利用分割矩阵A对输入的高光谱图像H进行精细超像素分割:
分割矩阵A为:
A=[A1,A2,...,AK]∈Rn×K`
其中,n为像素个数,A1和A2分别为第1个和第2个精细超像素分割的分割矩阵,AK为第K个精细超像素分割的分割矩阵,分割矩阵中的元素为:
A(i,j)为分割矩阵A中第i行第j列的元素;所述分割矩阵A(i,j)中行数与像素个数对应相同,分割矩阵A(i,j)中列数与超像素分割结果个数对应相同;Vj为精细分割结果集合中的第j列元素,所述精细分割是将输入的高光谱遥感图像中的超像素分割为K个不相交的超像素集合:
3.根据权利要求2所述的基于超像素分割的高光谱遥感图像反射率恢复方法,其特征在于,输入高光谱图像H为:H=[H1,H2,…,Hn]∈Rd×n
其中,n为像素总数,d表示高光谱图像矩阵H的光谱维度,Hi=[Hi(λ1),Hi(λ2),…,Hi(λd)]T表示第i个像素Hi的d维光谱特征,i=1,2,…,n。
4.根据权利要求3所述的基于超像素分割的高光谱遥感图像反射率恢复方法,其特征在于,步骤三中计算的约束矩阵为:
W(u,v)=(ω(u,v)+ω'(u,v))/2
其中,约束矩阵W∈RK×K,
Z'是ω'(u,v)的归一化系数,V′a是粗略超像素分割结果集合中第a个超像素集合,a=1,2,...,K′,K′为粗略超像素分割结果集合中超像素的总个数,Vv和Vu表示输入图像中的第u个和第v个超像素;u=1,2,...,K,v=1,2,...,K,
5.根据权利要求4所述的基于超像素分割的高光谱遥感图像反射率恢复方法,其特征在于,步骤四中利用分割矩阵和约束矩阵迭代求解输入的高光谱遥感图像的反射率的方法为:
设定照度矩阵E和方向矩阵β为两个对角矩阵:
β=Diag([β1,β2,…,βn]T)
其中,Diag(·)表示由其向量变形得到的对角阵,diag(·)是以列向量的形式返回矩阵对角线上的元素,E(λ1)表示在λ1波段下的照度,E(λd)表示在λd波段下的照度,表示超像素分割下的方向矩阵,β1,β2,…,βn分别表示第1个到第n个像素的方向值;为照度矩阵;
其中,1K是大小为K×1的全1列向量,为第0次迭代的反射率矩阵,为第0次迭代的方向矩阵,为第0次迭代的超像素分割下的方向矩阵,为第0次迭代的超像素分割下的照度矩阵,为第0次迭代的照度矩阵,矩阵下角标0代表迭代次数为第0次,d表示高光谱遥感图像的光谱特征的维数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136395.8A CN112785583B (zh) | 2021-02-01 | 2021-02-01 | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136395.8A CN112785583B (zh) | 2021-02-01 | 2021-02-01 | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785583A true CN112785583A (zh) | 2021-05-11 |
CN112785583B CN112785583B (zh) | 2022-03-04 |
Family
ID=75760291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110136395.8A Active CN112785583B (zh) | 2021-02-01 | 2021-02-01 | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785583B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627357A (zh) * | 2021-08-13 | 2021-11-09 | 哈尔滨工业大学 | 一种高空间-高光谱分辨率遥感图像本征分解方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN107085708A (zh) * | 2017-04-20 | 2017-08-22 | 哈尔滨工业大学 | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 |
CN110135432A (zh) * | 2019-05-24 | 2019-08-16 | 哈尔滨工程大学 | 一种基于K-means聚类的高光谱遥感图像分割方法 |
US20200019817A1 (en) * | 2018-07-11 | 2020-01-16 | Harbin Institute Of Technology | Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation |
CN111563544A (zh) * | 2020-04-27 | 2020-08-21 | 中国科学院国家空间科学中心 | 一种多尺度超像素分割的最大信噪比高光谱数据降维方法 |
-
2021
- 2021-02-01 CN CN202110136395.8A patent/CN112785583B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN107085708A (zh) * | 2017-04-20 | 2017-08-22 | 哈尔滨工业大学 | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 |
US20200019817A1 (en) * | 2018-07-11 | 2020-01-16 | Harbin Institute Of Technology | Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation |
CN110135432A (zh) * | 2019-05-24 | 2019-08-16 | 哈尔滨工程大学 | 一种基于K-means聚类的高光谱遥感图像分割方法 |
CN111563544A (zh) * | 2020-04-27 | 2020-08-21 | 中国科学院国家空间科学中心 | 一种多尺度超像素分割的最大信噪比高光谱数据降维方法 |
Non-Patent Citations (1)
Title |
---|
XUDONG JIN: "Intrinsic Image Recovery From Remote Sensing Hyperspectral Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627357A (zh) * | 2021-08-13 | 2021-11-09 | 哈尔滨工业大学 | 一种高空间-高光谱分辨率遥感图像本征分解方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112785583B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
Fu et al. | Hyperspectral anomaly detection via deep plug-and-play denoising CNN regularization | |
Lin et al. | Hyperspectral image denoising via matrix factorization and deep prior regularization | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
He et al. | A dual global–local attention network for hyperspectral band selection | |
CN107316309B (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
CA2617119A1 (en) | Service oriented architecture for earth observation image processing | |
US9449395B2 (en) | Methods and systems for image matting and foreground estimation based on hierarchical graphs | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN113344103B (zh) | 基于超图卷积神经网络的高光谱遥感图像地物分类方法 | |
CN115496662A (zh) | 基于光谱信息融合的高阶张量光谱图像超分辨率重建方法 | |
CN111783865B (zh) | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 | |
CN111340697A (zh) | 一种基于聚类回归的图像超分辨方法 | |
CN115908924A (zh) | 一种基于多分类器的小样本高光谱图像语义分割方法及系统 | |
CN112785583B (zh) | 基于超像素分割的高光谱遥感图像反射率恢复方法 | |
CN113449658A (zh) | 基于空域、频域、时域的夜间视频序列显著性检测方法 | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN114331976A (zh) | 一种基于多级张量先验约束的高光谱异常检测方法 | |
CN112330639A (zh) | 一种用于彩色-热红外图像的显著性检测方法 | |
Xie et al. | Efficient coarse-to-fine spectral rectification for hyperspectral image | |
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 | |
CN110717485A (zh) | 一种基于局部保留投影的高光谱图像稀疏表示分类方法 | |
Kalaivani et al. | Enhancing Endmember Extraction using K-means clustering and Pixel Purity Index |
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 |