CN112907484B - 基于人工免疫算法的遥感影像色彩克隆方法 - Google Patents
基于人工免疫算法的遥感影像色彩克隆方法 Download PDFInfo
- Publication number
- CN112907484B CN112907484B CN202110292869.8A CN202110292869A CN112907484B CN 112907484 B CN112907484 B CN 112907484B CN 202110292869 A CN202110292869 A CN 202110292869A CN 112907484 B CN112907484 B CN 112907484B
- Authority
- CN
- China
- Prior art keywords
- antibody
- antibody population
- value
- pixel
- population
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010367 cloning Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 239000000427 antigen Substances 0.000 claims abstract description 11
- 102000036639 antigens Human genes 0.000 claims abstract description 11
- 108091007433 antigens Proteins 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 7
- 210000000987 immune system Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 230000016784 immunoglobulin production Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037125 natural defense Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于人工免疫算法的遥感影像色彩克隆方法,包括以下步骤:S1、抗原识别Ag;S2、生成初始抗体种群,并对抗体种群进行聚类,形成聚类抗体种群G;S3、通过隶属度矩阵D查找对应隶属度最高的抗体种群类别,在此类别抗体元素中进行亲和度计算;S4、免疫选择,根据亲和度的值判断抗体种群中是否存在对应的抗体,如果存在则进行克隆操作,将对应抗体的R、G、B值复制给像元i。如果不存在就进行变异操作,并更新抗体种群。本发明以参考影像和目标影像在重叠区域的色彩匹配关系为基础建立初始抗体种群,在目标影像的其他区域通过亲和度计算和寻优变异操作,实现抗体种群的不断进化,进而实现色彩信息的克隆和复制。
Description
技术领域
本发明属于遥感影像处理技术领域,尤其是涉及一种基于人工免疫算法的遥感影像色彩克隆方法。
背景技术
随着航空航天技术的蓬勃发展,遥感影像已成为很多行业重要的数据源。在遥感影像产品实际的生产和应用过程中,较大的目标区域会涉及到多景影像。而由于不同的影像获取时间、传感器类型、环境对象和处理方式等因素的不同,会导致相邻影像之间普遍存在颜色差异。这种颜色差异的存在会影响影像判读准确性和影像图件产品质量。为了消除相邻影像间色彩的差异,获得大范围色调均匀、反差适中、灰度协调的拼接影像,就需要对遥感影像进行调色拼接处理。
传统的影像调色主要依靠相关图像处理软件手工解决,由于影像色彩处理的主观性较强,当多幅影像拼接时,很难把握整体的处理效果。近年来随着遥感影像空间分辨率和获取效率的逐渐提高,影像数据量呈现几何级增长,研发自动化、智能化的遥感影像调色方法,快速获取质量可靠的遥感影像产品成为亟需解决的问题。
目前,业内在遥感影像调色技术方面也已开展了大量研究工作,包括基于直方图匹配的方法、基于MASK和HIS模型的方法、基于Wallis滤波器的方法、基于特征地物色彩匹配的方法和基于不同色彩空间处理的颜色迁移方法等,这些方法为影像调色提供了技术思路,部分方法已被商业软件采用。但这些方法中有的在处理不同时相和不同传感器影像时会出现色彩过渡不自然,有的会需要较多的人工参与才能实现理想的效果。因此需要在影像调色的自动化、智能化方向进行探索、改进和提高。
本申请提供了一种基于人工免疫算法的遥感影像色彩克隆方法,人工免疫系统AIS(Artificial Immune System)是模仿自然免疫系统功能的一种人工智能方法,它通过实现外界物质的自然防御机理的学习技术,提供了噪声忍耐、自学习、自组织、记忆等进化学习机理,结合了分类器、神经网络和机器推理等系统的优点。目前,AIS已在故障诊断、模式识别、数据挖掘等领域得到了成功的应用。本申请的技术方案拟借鉴人工免疫系统的思想,开展相邻影像间自动化调色方法设计。
发明内容
有鉴于此,为克服现有技术的缺陷,本发明旨在提出一种基于人工免疫算法的遥感影像色彩克隆方法。
为达到上述目的,本发明的技术方案是这样实现的:
基于人工免疫算法的遥感影像色彩克隆方法,包括以下步骤:
S1、抗原识别Ag;依据目标影像IMGt和参考影像IMGr在重叠区域IMGtr内R、G、B三通道光谱值,构建对应关系;
S2、生成初始抗体种群,并对抗体种群进行聚类,形成聚类抗体种群G;
S3、取目标影像除重叠区域外的像元i,计算该像元i与聚类抗体种群G的V类抗体中心元素的隶属度矩阵D,通过隶属度矩阵D查找对应隶属度最高的抗体种群类别,在此类别抗体元素中进行亲和度计算;
S4、免疫选择,根据亲和度的值判断抗体种群中是否存在对应的抗体,如果存在则进行克隆操作,将对应抗体的R、G、B值复制给像元i;
如果不存在对应的抗体,进行变异算子设计,执行变异操作,生成新的抗体种群,更新抗体种群;
S5、依据新的抗体种群,对于第i+1个像素重复步骤S2-步骤S4,目标影像遍历结束输出结果影像。
进一步的,所述步骤S1中,构建对应关系的具体公式如下:
进一步的,所述步骤S2中,生成初始抗体种群的方法如下:
S201、计算获取目标影像和参考影像的重叠区域IMGtr;
S202、查找重叠区内目标影像R波段R=l(l∈[0,255])的像素位置,建立位置索引数组Locm,m为所有R=l像素个数;
S203、遍历目标影像G波段和B波段的G(Locm)和B(Locm)灰度值,创建重复值筛选数组A;
S204、过滤数组A中的重复元素,按照位置查找保留下来元素所对应的参考影像的灰度值,得到初始抗体种群S。
进一步的,所述步骤S203中,创建重复值筛选数组A的公式如下:
所述步骤S204的执行公式如下:
式中,N为在重叠区域按照行列号排序的抗体个数,S为初始抗体种群类别。
进一步的,所述步骤S2中,对抗体种群聚类的具体方法如下:
采用K-Means聚类算法将抗体种群S中的元素依据R、G、B灰度值相近度划分为V类,并记录每一类的RGB均值,作为聚类抗体种群每一类的中心元素Midv,形成聚类抗体种群G,具体公式如下:
进一步的,所述步骤S3中,隶属度矩阵D的计算公式如下:
进一步的,所述步骤S3中,亲和度Affi的计算公式如下:
式中,f(xi)为像元i与抗体之间的距离,该距离为像元i与最相近聚类抗体种群类别中所有个体像元之间距离的最小值;其中,
式中,K为最相近聚类抗体种群类别类内抗体数量。
进一步的,所述步骤S4中,如果亲和度Affi的值为1,则说明抗体种群中存有对应的抗体;
如果亲和度Affi的值小于1,则说明抗体种群中不存在对应的抗体;
更新抗体种群的公式如下:
M=S+C*
其中,C*为根据变异算子生成新的抗体种群,S为初始抗体种群类别。
相对于现有技术,本发明所述的基于人工免疫算法的遥感影像色彩克隆方法具有以下优势:
本发明提供的基于人工免疫算法的遥感影像色彩克隆方法以参考影像和目标影像在重叠区域的色彩匹配关系为基础建立初始抗体种群,在目标影像的其他区域通过亲和度计算和寻优变异操作,实现抗体种群的不断进化,进而实现色彩信息的克隆和复制,可实现具有重叠区的相邻影像间色彩的自动化、精准化调整处理,有效克服现有技术存在的缺陷。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解,本发明创造的示意性实施例及其说明用于解释本发明创造,并不构成对本发明创造的不当限定。在附图中:
图1为本发明创造实施例所述的基于人工免疫算法的遥感影像色彩克隆方法流程图;
图2为本发明创造实施例所述的种群聚类示意图.
具体实施方式
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。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“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”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,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,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,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,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明创造。
基于人工免疫算法的遥感影像色彩克隆方法,基于人工免疫算法,通过抗原识别,抗体增殖、分化、选择和变异等一系列过程,逐步达到抗体亲和度最高的过程。如果将人工免疫算法和具体的待求解优化问题相对应,那么抗原就可以看作是待求解的实际问题的目标函数和约束条件,抗体就是待求解问题的候选可行解,抗原和抗体间的亲和力大小就可以视作可行解与目标函数之间的匹配程度,抗体间的亲和力大小表示可行解的相似度。人工免疫算法主要包含以下几大模块:
(1)抗原识别与初始抗体产生:根据待优化问题的特点设计合适的抗体编码规则,并在此编码规则下利用问题的先验知识产生初始抗体种群;
(2)抗体评价:对抗体的质量进行评价,评价准则主要为抗体亲和度和个体浓度,评价得出的优质抗体将进行进化操作,劣质抗体将会被更新;
(3)克隆选择:利用免疫选择、克隆、变异、克隆抑制、种群刷新等算子模拟生物免疫应答中的各种免疫操作,形成基于生物免疫系统克隆选择原理的进化规则和方法,实现对各种最优化问题的寻优搜索。
如图1所示,基于人工免疫算法的遥感影像色彩克隆方法的具体步骤如下:
步骤1:抗原识别Ag。依据目标影像IMGt和参考影像IMGr在重叠区域IMGtr内R、G、B三通道光谱值,构建对应关系。具体形式为:
步骤2:生成初始抗体种群。
2-1:计算获取目标影像和参考影像的重叠区域IMGtr;
2-2:查找重叠区内目标影像R波段R=l(l∈[0,255])的像素位置,建立位置索引数组Locm,m为所有R=l像素个数;
2-3:遍历目标影像G波段和B波段的G(Locm)和B(Locm)灰度值,按以下公式创建重复值筛选数组A;
2-4:过滤A数组中的重复元素,按照位置查找保留下来元素所对应的参考影像的灰度值,得到初始抗体种群S。
式中,N为在重叠区域按照行列号排序的抗体个数,S为初始抗体种群类别。
2-5:抗体种群聚类。采用K-Means聚类算法将抗体种群S中的元素依据R、G、B灰度值相近度划分为V类,并记录每一类的RGB均值,作为聚类抗体种群每一类的中心元素Midv,形成聚类抗体种群G,如图2所示。
步骤3:亲和度计算。
3-1:取目标影像除重叠区域外(剩余群体Sr)的像元i,计算该像元与聚类抗体种群G的V类抗体中心元素的隶属度矩阵D。
3-2:计算该像元与最相近类别中所有抗体的亲和度Affi。
式中,f(xi)为像元i与抗体之间的距离,该距离为像元i与最相近聚类抗体种群类别中所有个体像元之间距离的最小值。
式中,K为最相近聚类抗体种群类别类内抗体数量。
步骤4:免疫选择。
4-1:Affi的值为1,则像元i在已有抗体种群中有对应的抗体,进行克隆操作,将对应抗体的R、G、B值复制给像元i。
4-2:Affi的值小于1,则像元i在已有抗体种群中找不到对应抗体,需要进行变异操作,采用实数编码进行变异算子设计,具体如下:
式中,为待变异的目标影像像元某波段值,为参考影像中亲和度Affi最小时待变异像元最近邻的波段值,为目标影像中亲和度Affi最小时最近邻的波段值,δr为统计的参考影像值域范围,δt为统计的目标影像值域范围。
步骤5:更新抗体种群。依据变异算子,生成新的抗体种群C*,对抗体种群进行更新。
M=S+C*
其中M为更新的抗体种群,S为初始抗体种群类别。
步骤6:依据新的抗体种群M,对于第i+1个像素重复步骤2-步骤5,目标影像遍历结束输出结果影像。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于人工免疫算法的遥感影像色彩克隆方法,其特征在于,包括以下步骤:
S1、抗原识别Ag;依据目标影像IMGt和参考影像IMGr在重叠区域IMGtr内R、G、B三通道光谱值,构建对应关系;
S2、生成初始抗体种群,并对抗体种群进行聚类,形成聚类抗体种群G;
S3、取目标影像除重叠区域外的像元i,计算该像元i与聚类抗体种群G的V类抗体中心元素的隶属度矩阵D,通过隶属度矩阵D查找对应隶属度最高的抗体种群类别,在此类别抗体元素中进行亲和度计算;
S4、免疫选择,根据亲和度的值判断抗体种群中是否存在对应的抗体,如果存在则进行克隆操作,将对应抗体的R、G、B值复制给像元i;
如果不存在对应的抗体,进行变异算子设计,执行变异操作,生成新的抗体种群,更新抗体种群;
S5、依据更新后的抗体种群,对于第i+1个像素重复步骤S2-步骤S4,目标影像遍历结束输出结果影像。
3.根据权利要求1所述的基于人工免疫算法的遥感影像色彩克隆方法,其特征在于,所述步骤S2中,生成初始抗体种群的方法如下:
S201、计算获取目标影像和参考影像的重叠区域IMGtr;
S202、查找重叠区内目标影像R波段R=L(L∈[0,255])的像素位置,建立位置索引数组Locm,m为所有R=L像素个数;
S203、遍历目标影像G波段和B波段的G(Locm)和B(Locm)灰度值,创建重复值筛选数组A;
S204、过滤数组A中的重复元素,按照位置查找保留下来元素所对应的参考影像的灰度值,得到初始抗体种群S。
8.根据权利要求7所述的基于人工免疫算法的遥感影像色彩克隆方法,其特征在于:所述步骤S4中,如果亲和度Affi的值为1,则说明抗体种群中存有对应的抗体;
如果亲和度Affi的值小于1,则说明抗体种群中不存在对应的抗体;
更新抗体种群的公式如下:
M=S+C*
其中,M为更新的抗体种群,C*为根据变异算子生成的新的抗体种群,S为初始抗体种群类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292869.8A CN112907484B (zh) | 2021-03-18 | 2021-03-18 | 基于人工免疫算法的遥感影像色彩克隆方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292869.8A CN112907484B (zh) | 2021-03-18 | 2021-03-18 | 基于人工免疫算法的遥感影像色彩克隆方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907484A CN112907484A (zh) | 2021-06-04 |
CN112907484B true CN112907484B (zh) | 2022-08-12 |
Family
ID=76105548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110292869.8A Expired - Fee Related CN112907484B (zh) | 2021-03-18 | 2021-03-18 | 基于人工免疫算法的遥感影像色彩克隆方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907484B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873661A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫非监督分类方法 |
CN101699515A (zh) * | 2009-10-30 | 2010-04-28 | 西安电子科技大学 | 基于多精英免疫量子聚类的医学影像分割系统及分割方法 |
CN101866483A (zh) * | 2010-05-31 | 2010-10-20 | 西安电子科技大学 | 基于拉马克多目标免疫算法的纹理图像分割方法 |
CN101908213A (zh) * | 2010-07-16 | 2010-12-08 | 西安电子科技大学 | 基于量子免疫克隆的sar图像变化检测方法 |
CN104794732A (zh) * | 2015-05-12 | 2015-07-22 | 西安电子科技大学 | 基于人工免疫网络聚类的灰度图像分割方法 |
CN105654498A (zh) * | 2016-01-27 | 2016-06-08 | 西安电子科技大学 | 基于动态局部搜索和免疫克隆自动聚类的图像分割方法 |
CN107516133A (zh) * | 2017-03-27 | 2017-12-26 | 九次方大数据信息集团有限公司 | 一种基于csa的混和属性特征大数据集聚类算法 |
CN108595499A (zh) * | 2018-03-18 | 2018-09-28 | 西安财经学院 | 一种克隆优化的粒子群聚类高维数据分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003301143A1 (en) * | 2002-12-19 | 2004-07-14 | Drexel University | Apparatus and method for removing non-discriminatory indices of an indexed dataset |
-
2021
- 2021-03-18 CN CN202110292869.8A patent/CN112907484B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873661A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫非监督分类方法 |
CN101699515A (zh) * | 2009-10-30 | 2010-04-28 | 西安电子科技大学 | 基于多精英免疫量子聚类的医学影像分割系统及分割方法 |
CN101866483A (zh) * | 2010-05-31 | 2010-10-20 | 西安电子科技大学 | 基于拉马克多目标免疫算法的纹理图像分割方法 |
CN101908213A (zh) * | 2010-07-16 | 2010-12-08 | 西安电子科技大学 | 基于量子免疫克隆的sar图像变化检测方法 |
CN104794732A (zh) * | 2015-05-12 | 2015-07-22 | 西安电子科技大学 | 基于人工免疫网络聚类的灰度图像分割方法 |
CN105654498A (zh) * | 2016-01-27 | 2016-06-08 | 西安电子科技大学 | 基于动态局部搜索和免疫克隆自动聚类的图像分割方法 |
CN107516133A (zh) * | 2017-03-27 | 2017-12-26 | 九次方大数据信息集团有限公司 | 一种基于csa的混和属性特征大数据集聚类算法 |
CN108595499A (zh) * | 2018-03-18 | 2018-09-28 | 西安财经学院 | 一种克隆优化的粒子群聚类高维数据分析方法 |
Non-Patent Citations (4)
Title |
---|
Polarimetric synthetic aperture radar image unsupervised classification method based on artificial immune system;Yu Jie 等;《Journal of Applied Remote Sensing》;20140213;第1-15页 * |
一种人工免疫算法优化的高有效性模糊聚类图像分割;刘云龙 等;《控制与决策》;20101130;第1-5页 * |
基于人工免疫系统的克隆-K均值算法;詹海亮 等;《计算机仿真》;20081130;第1-4页 * |
基于人工免疫系统的遥感图像分类;钟燕飞 等;《遥感学报》;20050731;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112907484A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
Elngar et al. | Image classification based on CNN: a survey | |
EP3663975B1 (en) | Method and system for learning pixel visual context from object characteristics to generate rich semantic images | |
CN112381788B (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
CN107451616A (zh) | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 | |
CN109740560B (zh) | 基于卷积神经网络的人体细胞蛋白质自动识别方法及系统 | |
CN109461149A (zh) | 喷漆表面缺陷的智能检测系统及方法 | |
CN109344891A (zh) | 一种基于深度神经网络的高光谱遥感数据分类方法 | |
AU2020351825A1 (en) | Method and system for performing non-invasive genetic testing using an artificial intelligence (AI) model | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN112884675B (zh) | 一种批量遥感影像调色工程化实现方法 | |
CN115761240B (zh) | 一种混沌反向传播图神经网络的图像语义分割方法及装置 | |
CN112861672B (zh) | 一种基于光学-sar异源遥感图像匹配方法 | |
CN110287798B (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
CN111161244B (zh) | 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法 | |
CN109509196A (zh) | 一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法 | |
CN112419278B (zh) | 一种基于深度学习的实木地板分类方法 | |
CN109344898A (zh) | 基于稀疏编码预训练的卷积神经网络图像分类方法 | |
KR20210127069A (ko) | 융합 모델 신경망의 성능 제어 방법 | |
CN115661652A (zh) | 一种面向对象的图神经网络非监督遥感影像变化检测方法 | |
CN112529025A (zh) | 一种数据处理方法及装置 | |
CN112907484B (zh) | 基于人工免疫算法的遥感影像色彩克隆方法 | |
CN114926420A (zh) | 一种基于跨级特征增强的目标馕的识别及计数方法 | |
CN115019144A (zh) | 一种基于电成像测井图像的页岩气储层岩性智能识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220812 |