CN112990316B - 基于多显著性特征融合的高光谱遥感图像分类方法及系统 - Google Patents

基于多显著性特征融合的高光谱遥感图像分类方法及系统 Download PDF

Info

Publication number
CN112990316B
CN112990316B CN202110289048.9A CN202110289048A CN112990316B CN 112990316 B CN112990316 B CN 112990316B CN 202110289048 A CN202110289048 A CN 202110289048A CN 112990316 B CN112990316 B CN 112990316B
Authority
CN
China
Prior art keywords
fusion
feature
features
remote sensing
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.)
Active
Application number
CN202110289048.9A
Other languages
English (en)
Other versions
CN112990316A (zh
Inventor
张睿智
孙思清
翟盛龙
赵志航
王东伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Cloud Information Technology Co Ltd
Original Assignee
Inspur Cloud Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inspur Cloud Information Technology Co Ltd filed Critical Inspur Cloud Information Technology Co Ltd
Priority to CN202110289048.9A priority Critical patent/CN112990316B/zh
Publication of CN112990316A publication Critical patent/CN112990316A/zh
Application granted granted Critical
Publication of CN112990316B publication Critical patent/CN112990316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于多显著性特征融合的高光谱遥感图像分类方法及系统，涉及图像分类技术领域，采用技术方案包括：对原始高光谱遥感图像进行降维；利用扩展形态学方法EMP得到降维图像的形态学特征图；针对降维图像和形态学特征图，分别利用局部二值模式LBP和梯度直方图HOG提取纹理特征和梯度特征，再分别利用基于布尔映射的显著性BMS得到基于纹理和梯度的显著性特征，并执行先融合基于纹理和梯度的显著性特征、再整体融合所有显著性特征的操作，针对融合的最后结果，利用随机森林分类算法进行像素点的分类。本发明可以提高分类过程中的特征利用率，解决当前基于深度神经网络的高光谱遥感图像分类方法中模型调参困难、容易过拟合、训练代价高等问题。

Description

基于多显著性特征融合的高光谱遥感图像分类方法及系统
技术领域
本发明涉及图像分类技术领域，具体的说是一种基于多显著性特征融合的高光谱遥感图像分类方法及系统。
背景技术
高光谱遥感技术其可以同时利用数十甚至数百个极窄的光谱波段采集数据，捕获更多的数据并提供更有价值的信息。通过高光谱遥感技术采集得到的高光谱遥感图像通常简称为高光谱遥感图像，其分类任务对于国防、农业、气候以及海洋监测等领域具有重要意义，随着设备的更新换代，所采集的高光谱遥感图像质量越来越高，对于高光谱遥感图像的利用、处理及分类是实现该产业落地及价值作用发挥的关键步骤。
特征提取是高光谱遥感图像分类关键步骤，如果不进行特征的有效提取，直接将原始的高光谱数据用于模型的训练，那么模型的分类性能将受到影响。传统的特征提取方法，一般将原始高光谱数据进行降维，然后进行光谱向量的分类。但仅仅通过降维所起到的作用是不够的，降维后的数据仍具有极大的挖掘空间。近年来，随着深度学习的火热发展，以卷积神经网络为代表的深度神经网络模型在高光谱遥感图像分类中得到广泛应用。然而，利用深度神经网络进行特征提取不但需要花费大量的精力调参，而且有监督的特征提取速度较慢，特征提取的方式也没有明确的物理意义。
发明内容
本发明针对当前流行的基于深度神经网络的高光谱遥感图像分类方法中存在调参困难、训练时间长的问题，提供一种基于多显著性特征融合的高光谱遥感图像分类方法及系统，来提高分类过程中的特征利用率。
首先，本发明提供一种基于多显著性特征融合的高光谱遥感图像分类方法，解决上述技术问题采用的技术方案如下：
一种基于多显著性特征融合的高光谱遥感图像分类方法，其实现内容包括：
步骤S1、对获取的原始高光谱遥感图像进行降维；
步骤S2、针对降维后的高光谱遥感图像，首先利用扩展形态学方法EMP得到多幅形态学特征图，随后利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征，再随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，融合显著性特征Ⅰ和显著性特征Ⅱ，得到融合特征A；
步骤S3、针对降维后的高光谱遥感图像，首先利用局部二值模式LBP和梯度直方图HOG提取纹理特征和梯度特征，随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅲ和基于梯度特征的显著性特征IV，融合显著性特征Ⅲ和显著性特征IV，得到融合特征B；
步骤S4、对融合特征A和融合特征B进一步融合，得到融合特征C，随机森林分类算法根据融合特征C进行像素点的分类。
进一步的，执行步骤S1时，利用主成分分析法PCA对原始高光谱遥感图像进行降维。
进一步的，执行步骤S2时，针对降维后的高光谱遥感图像，利用扩展形态学方法EMP得到多幅形态学特征图，具体过程为：
步骤S2.1.1、针对降维后的高光谱遥感图像的像素x，执行“开运算”操作，此时，像素x处的“开运算”是先进行腐蚀后进行膨胀的过程，操作定义如下：
Openi(x)＝γ(i)(x),i∈[0,n]
其中，γ(i)表示结构元素大小为i的“开运算”，n为开运算的次数；
步骤S2.1.2、针对降维后的高光谱遥感图像的像素x，执行“闭运算”操作，此时，像素x处的“闭运算”是先膨胀后腐蚀的过程，操作定义如下：
Closei(x)＝φ(i)(x),i∈[0,n]
其中，φ(i)(x)表示结构元素大小为i的“闭运算”，n为闭运算的次数；
步骤S2.1.3、对于降维后高光谱遥感图像中的单个像素，形态学轮廓是长度为2n+1的矢量，具体定义如下：
MP(x)＝{Closen(x),...,I(x),...,Openn(x)}
其中，I(x)表示原始像素；
步骤S2.1.4、基于“开运算”和“闭运算”后的形态特征，选定主成分构建形态学轮廓，此时，像素x的形态学轮廓是m×(2n+1)维的矢量，其中m为主成分的个数，扩展形态学方法EMP的操作表示为如下公式：
EMP(x)＝{MPPC1(x),...,MPPCm(x)}
利用扩展形态学方法EMP的操作表示公式对多个主成分波段进行形态学特征的提取，得到形态学特征图。
进一步的，利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征后，利用基于布尔映射的显著性BMS，构建布尔图像，利用阈值分割的方法对构建的布尔图像进行区域连通与噪点消除，完成注意力图的构建，将构建的注意力图叠加后进行均值化处理，随后针对均值化处理后的注意力图，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ。
更进一步的，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，具体过程为：
首先，利用二值图像处理技术计算均值化处理后的注意力图，以激活给定布尔图像上具有封闭的外部轮廓所对应的像素区域，
随后根据给定的随机采样布尔映射集，将显著性建模为期望目标，最后根据多个布尔子图像获得最终的显著性特征Ⅰ/显著性特征Ⅱ。
进一步的，执行步骤S2时，针对融合显著性特征Ⅰ和显著性特征Ⅱ，通过对应像素值的逐位取平均值，得到融合特征A。
进一步的，执行步骤S4时，对融合特征A和融合特征B采用光谱维度的像素值连接，得到特征提取完成后的融合特征C。
其次，本发明提供一种基于多显著性特征融合的高光谱遥感图像分类系统，解决上述技术问题采用的技术方案如下：
一种基于多显著性特征融合的高光谱遥感图像分类系统，其包括降维模块、EMP模块、LBP模块、HOG模块、BMS模块、融合模块一、融合模块二、融合模块三、随机森林模块；
降维模块采用主成分分析法PCA对原始高光谱遥感图像进行降维；
EMP模块利用扩展形态学方法得到降维后原始高光谱遥感图像的形态学特征图；
LBP模块一方面接收降维后的原始高光谱遥感图像，并利用局部二值模式提取降维后原始高光谱遥感图像的纹理特征，LBP模块另一方面接收形态学特征图，并利用局部二值模式提取形态学特征图的纹理特征；
HOG模块一方面接收降维后的原始高光谱遥感图像，并利用梯度直方图提取降维后原始高光谱遥感图像的梯度特征，HOG模块另一方面接收形态学特征图，并利用梯度直方图提取形态学特征图的梯度特征；
针对LBP模块提取的纹理特征和HOG模块提取的梯度特征，BMS模块采用基于布尔映射的显著性，一方面得到形态学特征图基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，另一方面得到降维后原始高光谱遥感图像基于纹理特征的显著性特征Ⅲ和基于梯度特征的显著性特征IV；
融合模块一融合显著性特征Ⅰ和显著性特征Ⅱ，得到融合特征A；
融合模块二融合显著性特征Ⅲ和显著性特征IV，得到融合特征B；
融合模块三对融合特征A和融合特征B进一步融合，得到融合特征C；
基于得到的融合特征C，随机森林模块利用随机森林分类算法进行像素点的分类。
进一步的，针对融合显著性特征Ⅰ和显著性特征Ⅱ，融合模块一通过对应像素值的逐位取平均值，得到融合特征A。
进一步的，融合模块三对融合特征A和融合特征B采用光谱维度的像素值连接，得到特征提取完成后的融合特征C。
本发明的一种基于多显著性特征融合的高光谱遥感图像分类方法及系统，与现有技术相比具有的有益效果是：
(1)本发明针对降维后高光谱遥感图像的提取特征和形态学特征图的提取特征，利用基于布尔映射的显著性BMS，分别得到基于纹理和梯度的显著性特征，随后通过先融合基于纹理和梯度的显著性特征、再整体融合所有显著性特征的方法，利用随机森林分类算法进行像素点的分类，提高了分类过程中的特征利用率，增加了空间细节信息的分类主导作用；
(2)本发明有效弥补了传统的高光谱图像分类方法中，分类性能差、精度低等问题，同时也有效弥补了当前流行的基于深度神经网络的高光谱遥感图像分类方法中模型调参困难、容易过拟合、训练代价高等问题。
附图说明
附图1是本发明实施例一的方法流程示意图；
附图2是本发明实施例二的架构连接框图。
附图中各标号信息表示：
1、降维模块，2、EMP模块，3、LBP模块，4、HOG模块，5、BMS模块，6、融合模块一，7、融合模块二，8、融合模块三，9、随机森林模块。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述。
实施例一：
结合附图1，本实施例提出一种基于多显著性特征融合的高光谱遥感图像分类方法，其实现内容包括：
步骤S1、利用主成分分析法PCA对原始高光谱遥感图像进行降维。
步骤S2、针对降维后的高光谱遥感图像，首先利用扩展形态学方法EMP得到多幅形态学特征图，随后利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征，再随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，融合显著性特征Ⅰ和显著性特征Ⅱ，通过对应像素值的逐位取平均值，得到融合特征A。
执行步骤S2时，针对降维后的高光谱遥感图像，利用扩展形态学方法EMP得到多幅形态学特征图，具体过程为：
步骤S2.1.1、针对降维后的高光谱遥感图像的像素x，执行“开运算”操作，此时，像素x处的“开运算”是先进行腐蚀后进行膨胀的过程，操作定义如下：
Openi(x)＝γ(i)(x),i∈[0,n]
其中，γ(i)表示结构元素大小为i的“开运算”，n为开运算的次数；
步骤S2.1.2、针对降维后的高光谱遥感图像的像素x，执行“闭运算”操作，此时，像素x处的“闭运算”是先膨胀后腐蚀的过程，操作定义如下：
Closei(x)＝φ(i)(x),i∈[0,n]
其中，φ(i)(x)表示结构元素大小为i的“闭运算”，n为闭运算的次数；
步骤S2.1.3、对于降维后高光谱遥感图像中的单个像素，形态学轮廓是长度为2n+1的矢量，具体定义如下：
MP(x)＝{Closen(x),...,I(x),...,Openn(x)}
其中，I(x)表示原始像素；
步骤S2.1.4、基于“开运算”和“闭运算”后的形态特征，选定主成分构建形态学轮廓，此时，像素x的形态学轮廓是m×(2n+1)维的矢量，其中m为主成分的个数，扩展形态学方法EMP的操作表示为如下公式：
EMP(x)＝{MPPC1(x),...,MPPCm(x)}
利用扩展形态学方法EMP的操作表示公式对多个主成分波段进行形态学特征的提取，得到形态学特征图。
步骤S3、针对降维后的高光谱遥感图像，首先利用局部二值模式LBP和梯度直方图HOG提取纹理特征和梯度特征，随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅲ和基于梯度特征的显著性特征IV，融合显著性特征Ⅲ和显著性特征IV，得到融合特征B。
执行步骤S2和步骤S3时，利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征后，利用基于布尔映射的显著性BMS，构建布尔图像，利用阈值分割的方法对构建的布尔图像进行区域连通与噪点消除，完成注意力图的构建，将构建的注意力图叠加后进行均值化处理，随后利用二值图像处理技术计算均值化处理后的注意力图，以激活给定布尔图像上具有封闭的外部轮廓所对应的像素区域，再随后根据给定的随机采样布尔映射集，将显著性建模为期望目标，最后根据多个布尔子图像获得最终的显著性特征Ⅰ/显著性特征Ⅱ。
步骤S4、对融合特征A和融合特征B采用光谱维度的像素值连接，得到特征提取完成后的融合特征C，随机森林分类算法根据融合特征C进行像素点的分类。
实施例二：
本实施例提出一种基于多显著性特征融合的高光谱遥感图像分类系统，其包括降维模块1、EMP模块2、LBP模块3、HOG模块4、BMS模块5、融合模块一6、融合模块二7、融合模块三8、随机森林模块9。结合附图2，为了更好的描述各个模块之间的数据传递过程，附图2中画出了两个LBP模块3和两个HOG模块4，实际上，本系统中只有一个LBP模块3和一个HOG模块4，附图2中的实心箭头和空心箭头分别表示对原始高光谱遥感图像的不同处理过程，双空心箭头表示融合模块三8最终输出的融合特征C。
降维模块1采用主成分分析法PCA对原始高光谱遥感图像进行降维；
EMP模块2利用扩展形态学方法得到降维后原始高光谱遥感图像的形态学特征图；
LBP模块3一方面接收降维后的原始高光谱遥感图像，并利用局部二值模式提取降维后原始高光谱遥感图像的纹理特征，LBP模块3另一方面接收形态学特征图，并利用局部二值模式提取形态学特征图的纹理特征；
HOG模块4一方面接收降维后的原始高光谱遥感图像，并利用梯度直方图提取降维后原始高光谱遥感图像的梯度特征，HOG模块4另一方面接收形态学特征图，并利用梯度直方图提取形态学特征图的梯度特征；
针对LBP模块3提取的纹理特征和HOG模块4提取的梯度特征，BMS模块5采用基于布尔映射的显著性，一方面得到形态学特征图基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，另一方面得到降维后原始高光谱遥感图像基于纹理特征的显著性特征Ⅲ和基于梯度特征的显著性特征IV；
融合模块一6通过对应像素值的逐位取平均值，融合显著性特征Ⅰ和显著性特征Ⅱ，得到融合特征A；
融合模块二7融合显著性特征Ⅲ和显著性特征IV，得到融合特征B；
融合模块三8采用光谱维度的像素值连接对融合特征A和融合特征B进一步融合，得到特征提取完成后的融合特征C；
基于得到的融合特征C，随机森林模块9利用随机森林分类算法进行像素点的分类。
综上可知，采用本发明的一种基于多显著性特征融合的高光谱遥感图像分类方法及系统，可以提高分类过程中的特征利用率，解决当前基于深度神经网络的高光谱遥感图像分类方法中模型调参困难、容易过拟合、训练代价高等问题。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

Claims (10)

1.一种基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于,其实现内容包括：
步骤S1、对获取的原始高光谱遥感图像进行降维；
步骤S2、针对降维后的高光谱遥感图像，首先利用扩展形态学方法EMP得到多幅形态学特征图，随后利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征，再随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，融合显著性特征Ⅰ和显著性特征Ⅱ，得到融合特征A；
步骤S3、针对降维后的高光谱遥感图像，首先利用局部二值模式LBP和梯度直方图HOG提取纹理特征和梯度特征，随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅲ和基于梯度特征的显著性特征IV，融合显著性特征Ⅲ和显著性特征IV，得到融合特征B；
步骤S4、对融合特征A和融合特征B进一步融合，得到融合特征C，随机森林分类算法根据融合特征C进行像素点的分类。
2.根据权利要求1所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，执行步骤S1时，利用主成分分析法PCA对原始高光谱遥感图像进行降维。
3.根据权利要求2所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，执行步骤S2时，针对降维后的高光谱遥感图像，利用扩展形态学方法EMP得到多幅形态学特征图，具体过程为：
步骤S2.1.1、针对降维后的高光谱遥感图像的像素x，执行“开运算”操作，此时，像素x处的“开运算”是先进行腐蚀后进行膨胀的过程，操作定义如下：
Openi(x)＝γ(i)(x),i∈[0,n]
其中，γ(i)表示结构元素大小为i的“开运算”，n为开运算的次数；
步骤S2.1.2、针对降维后的高光谱遥感图像的像素x，执行“闭运算”操作，此时，像素x处的“闭运算”是先膨胀后腐蚀的过程，操作定义如下：
Closei(x)＝φ(i)(x),i∈[0,n]
其中，φ(i)(x)表示结构元素大小为i的“闭运算”，n为闭运算的次数；
步骤S2.1.3、对于降维后高光谱遥感图像中的单个像素，形态学轮廓是长度为2n+1的矢量，具体定义如下：
MP(x)＝{Closen(x),...,I(x),...,Openn(x)}
其中，I(x)表示原始像素；
步骤S2.1.4、基于“开运算”和“闭运算”后的形态特征，选定主成分构建形态学轮廓，此时，像素x的形态学轮廓是m×(2n+1)维的矢量，其中m为主成分的个数，扩展形态学方法EMP的操作表示为如下公式：
EMP(x)＝{MPPC1(x),...,MPPCm(x)}
利用扩展形态学方法EMP的操作表示公式对多个主成分波段进行形态学特征的提取，得到形态学特征图。
4.根据权利要求1所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征后，利用基于布尔映射的显著性BMS，构建布尔图像，利用阈值分割的方法对构建的布尔图像进行区域连通与噪点消除，完成注意力图的构建，将构建的注意力图叠加后进行均值化处理，随后针对均值化处理后的注意力图，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ。
5.根据权利要求4所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，具体过程为：
首先，利用二值图像处理技术计算均值化处理后的注意力图，以激活给定布尔图像上具有封闭的外部轮廓所对应的像素区域，
随后根据给定的随机采样布尔映射集，将显著性建模为期望目标，最后根据多个布尔子图像获得最终的显著性特征Ⅰ/显著性特征Ⅱ。
6.根据权利要求1所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，执行步骤S2时，针对融合显著性特征Ⅰ和显著性特征Ⅱ，通过对应像素值的逐位取平均值，得到融合特征A。
7.根据权利要求1所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，执行步骤S4时，对融合特征A和融合特征B采用光谱维度的像素值连接，得到特征提取完成后的融合特征C。
8.一种基于多显著性特征融合的高光谱遥感图像分类系统，其特征在于，其包括降维模块、EMP模块、LBP模块、HOG模块、BMS模块、融合模块一、融合模块二、融合模块三、随机森林模块；
所述降维模块采用主成分分析法PCA对原始高光谱遥感图像进行降维；
所述EMP模块利用扩展形态学方法得到降维后原始高光谱遥感图像的形态学特征图；
所述LBP模块一方面接收降维后的原始高光谱遥感图像，并利用局部二值模式提取降维后原始高光谱遥感图像的纹理特征，所述LBP模块另一方面接收形态学特征图，并利用局部二值模式提取形态学特征图的纹理特征；
所述HOG模块一方面接收降维后的原始高光谱遥感图像，并利用梯度直方图提取降维后原始高光谱遥感图像的梯度特征，所述HOG模块另一方面接收形态学特征图，并利用梯度直方图提取形态学特征图的梯度特征；
针对所述LBP模块提取的纹理特征和HOG模块提取的梯度特征，所述BMS模块采用基于布尔映射的显著性，一方面得到形态学特征图基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，另一方面得到降维后原始高光谱遥感图像基于纹理特征的显著性特征Ⅲ和基于梯度特征的显著性特征IV；
所述融合模块一融合显著性特征Ⅰ和显著性特征Ⅱ，得到融合特征A；
所述融合模块二融合显著性特征Ⅲ和显著性特征IV，得到融合特征B；
所述融合模块三对融合特征A和融合特征B进一步融合，得到融合特征C；
基于得到的融合特征C，所述随机森林模块利用随机森林分类算法进行像素点的分类。
9.根据权利要求8所述的基于多显著性特征融合的高光谱遥感图像分类系统，其特征在于，针对融合显著性特征Ⅰ和显著性特征Ⅱ，所述融合模块一通过对应像素值的逐位取平均值，得到融合特征A。
10.根据权利要求8所述的基于多显著性特征融合的高光谱遥感图像分类系统，其特征在于，所述融合模块三对融合特征A和融合特征B采用光谱维度的像素值连接，得到特征提取完成后的融合特征C。
CN202110289048.9A 2021-03-18 2021-03-18 基于多显著性特征融合的高光谱遥感图像分类方法及系统 Active CN112990316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110289048.9A CN112990316B (zh) 2021-03-18 2021-03-18 基于多显著性特征融合的高光谱遥感图像分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110289048.9A CN112990316B (zh) 2021-03-18 2021-03-18 基于多显著性特征融合的高光谱遥感图像分类方法及系统

Publications (2)

Publication Number Publication Date
CN112990316A CN112990316A (zh) 2021-06-18
CN112990316B true CN112990316B (zh) 2023-04-18

Family

ID=76332912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110289048.9A Active CN112990316B (zh) 2021-03-18 2021-03-18 基于多显著性特征融合的高光谱遥感图像分类方法及系统

Country Status (1)

Country Link
CN (1) CN112990316B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420640B (zh) * 2021-06-21 2023-06-20 深圳大学 红树林高光谱图像分类方法、装置、电子设备及存储介质
CN114462512B (zh) * 2022-01-18 2023-02-10 自然资源部国土卫星遥感应用中心 一种系统性的高光谱草原群落划分方法
CN114067122B (zh) * 2022-01-18 2022-04-08 深圳市绿洲光生物技术有限公司 一种两级式二值化图像处理方法
CN114998614B (zh) * 2022-08-08 2023-01-24 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN116912502B (zh) * 2023-09-08 2024-01-16 南方医科大学珠江医院 全局视角辅助下图像关键解剖结构的分割方法及其设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318252A (zh) * 2014-11-02 2015-01-28 西安电子科技大学 基于分层概率模型的高光谱图像分类方法
CN104915636A (zh) * 2015-04-15 2015-09-16 北京工业大学 基于多级框架显著性特征的遥感影像道路识别方法
CN108614992A (zh) * 2018-03-19 2018-10-02 中国地质大学（武汉） 一种高光谱遥感图像的分类方法、设备及存储设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845417B (zh) * 2017-01-20 2019-11-08 上海交通大学 基于特征池化与除归一化表示的高分辨率遥感图像分类方法
CN108427913B (zh) * 2018-02-05 2021-12-28 中国地质大学（武汉） 联合光谱、空间和层次结构信息的高光谱影像分类方法
CN108985360B (zh) * 2018-06-29 2022-04-08 西安电子科技大学 基于扩展形态学与主动学习的高光谱分类方法
CN109325507B (zh) * 2018-10-11 2020-10-16 湖北工业大学 结合超像素显著性特征与hog特征图像分类方法和系统
CN110458192B (zh) * 2019-07-05 2022-06-14 中国地质大学（武汉） 基于视觉显著性的高光谱遥感图像分类方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318252A (zh) * 2014-11-02 2015-01-28 西安电子科技大学 基于分层概率模型的高光谱图像分类方法
CN104915636A (zh) * 2015-04-15 2015-09-16 北京工业大学 基于多级框架显著性特征的遥感影像道路识别方法
CN108614992A (zh) * 2018-03-19 2018-10-02 中国地质大学（武汉） 一种高光谱遥感图像的分类方法、设备及存储设备

Also Published As

Publication number Publication date
CN112990316A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112990316B (zh) 基于多显著性特征融合的高光谱遥感图像分类方法及系统
CN110135366B (zh) 基于多尺度生成对抗网络的遮挡行人重识别方法
CN111639564B (zh) 一种基于多注意力异构网络的视频行人重识别方法
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN112232325B (zh) 样本数据处理方法和装置、存储介质及电子设备
CN112132145B (zh) 一种基于模型扩展卷积神经网络的图像分类方法及系统
CN108595558B (zh) 一种数据均衡策略和多特征融合的图像标注方法
CN112801019B (zh) 基于合成数据消除无监督车辆再识别偏差的方法及系统
CN111898566B (zh) 姿态估计方法、装置、电子设备和存储介质
Yang Research on lane recognition algorithm based on deep learning
CN114445651A (zh) 一种语义分割模型的训练集构建方法、装置及电子设备
CN112507778A (zh) 一种基于线特征的改进词袋模型的回环检测方法
CN115439715A (zh) 基于反标签学习的半监督少样本图像分类学习方法及系统
CN111563542A (zh) 一种基于卷积神经网络的植物自动分类方法
CN117611838A (zh) 一种基于自适应超图卷积网络的多标签图像分类方法
CN113627481A (zh) 一种面向智慧园林的多模型组合的无人机垃圾分类方法
CN106650814B (zh) 一种基于车载单目视觉室外道路自适应分类器生成方法
CN117115616A (zh) 一种基于卷积神经网络的实时低照度图像目标检测方法
CN113392786B (zh) 基于归一化和特征增强的跨域行人重识别方法
CN115001937B (zh) 面向智慧城市物联网的故障预测方法及装置
CN114818785A (zh) 基于多模型融合的信号调制方式识别方法
Ran et al. Adaptive fusion and mask refinement instance segmentation network for high resolution remote sensing images
Cao et al. A multi-label classification method for vehicle video
Yanqin et al. Crowd density estimation based on conditional random field and convolutional neural networks
He et al. Multiple camera styles learning for unsupervised person re-identification

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