CN113392815B - 一种基于多波段图像地物分类的决策融合方法 - Google Patents

一种基于多波段图像地物分类的决策融合方法 Download PDF

Info

Publication number
CN113392815B
CN113392815B CN202110934171.1A CN202110934171A CN113392815B CN 113392815 B CN113392815 B CN 113392815B CN 202110934171 A CN202110934171 A CN 202110934171A CN 113392815 B CN113392815 B CN 113392815B
Authority
CN
China
Prior art keywords
sensors
bpa
different wave
sensor
probability assignment
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
CN202110934171.1A
Other languages
English (en)
Other versions
CN113392815A (zh
Inventor
丁赤飚
朱金彪
潘洁
吴一戎
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202110934171.1A priority Critical patent/CN113392815B/zh
Publication of CN113392815A publication Critical patent/CN113392815A/zh
Application granted granted Critical
Publication of CN113392815B publication Critical patent/CN113392815B/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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多波段图像地物分类的决策融合方法，包括以下步骤：步骤一、构造基本概率指派函数；步骤二、计算不同波段传感器的权重；步骤三、考虑邻域信息的影响，计算不同波段传感器总权重；步骤四、加权融合各波段传感器的结果，得到最终分类结果。本发明使用自然语言处理中词频‑逆词频的思想结合冲突系数，得到不同波段传感器的权重；同时，考虑不同波段传感器中每一像素点邻域分类情况，得到各传感器的总权重，生成加权平均证据，融合后得到最终地物分类结果。将决策融合中证据理论的思想引入了地物分类过程，融合不同波段传感器地物分类的结果，提高最终的分类准确率。

Description

一种基于多波段图像地物分类的决策融合方法
技术领域
本发明属于遥感图像地物分类领域，具体涉及一种基于多波段图像地物分类的决策融合方法。
背景技术
遥感技术是一种通过卫星等探测器收集地面信息的综合探测技术。卫星传感器收集各类地物对光谱的反射结果并整理成遥感影像，给予地物信息最直观的表达。遥感图像分类是对收集的信息进行归类，其归类结果可应用于农作物识别、水污染监测、土地覆盖识别等领域。因此，尽可能提升遥感图像分类的准确率具有重要价值。
D-S证据理论是一种有效的决策融合算法，实现对目标的更准确全面认知，广泛应用于多个领域。其中，度量证据之间的相似性程度，从而得到各证据的权重对融合结果具有重大影响。TF-IDF是一种统计方法，用以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度，TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。
发明内容
本发明所要解决的技术问题是：如何实现多波段地物分类。使用该方法实现多波段地物分类具有重要的实用价值。本发明基于多波段图像地物分类的决策融合方法，将决策融合应用于遥感图像地物分类，一方面提供了一种新的决策融合方法，另一方面又可以提升多波段地物分类结果的准确性。
为解决上述技术问题，本发明采用的技术方案是一种基于多波段图像地物分类的决策融合方法，其特征在于，包括以下步骤：
步骤一、构造基本概率指派函数：
有n种不同波段的传感器，记为：
Figure DEST_PATH_IMAGE002
，由传感器得到的图像数据经过分类后，对于像素点u ij 的地物种类有h种，记为：
Figure DEST_PATH_IMAGE004
；
步骤101：构造概率矩阵：对于图像中的像素点u ij ，由不同波段的传感器采集得到的不同波段的图像按预定比例分为训练集、测试集，特征提取后地物分类，结果得到概率矩阵：
Figure DEST_PATH_IMAGE006
，其中，q ab 代表传感器x b 识别该像素点u ij 为地物类别θa的概率，
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE010
，i，j为像素点的x、y坐标；
步骤102：构造基本概率指派函数BPA：设辨识框架为
Figure DEST_PATH_IMAGE012
，Θ设的个数为h，则Θ的幂集合
Figure DEST_PATH_IMAGE014
的元素个数为2 h ,基本概率指派函数m应满足：
Figure DEST_PATH_IMAGE016
且
Figure DEST_PATH_IMAGE018
，其中，∅是空集，A是Θ的一个子集，m(A)即为命题A的基本概率指派函数BPA；对于传感器x b ，BPA为：
Figure DEST_PATH_IMAGE020
。
步骤二、计算不同波段的传感器权重：
步骤201：计算不同波段传感器各BPA之间的冲突系数：对于两组BPA，m b 与m c ，b，c代表不同波段的传感器序号，使用冲突系数度量冲突程度，冲突越大，该系数越大，公式如下：
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE024
，其中，k bc 为经典冲突系数，表示为：
Figure DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE028
为Jousselme证据距离，m b (B)表示传感器b将该像素识别为类别B的BPA，m c (D)表示传感器c将该像素识别为类别D的BPA。
Figure DEST_PATH_IMAGE030
，其中，
Figure DEST_PATH_IMAGE032
是一个
Figure DEST_PATH_IMAGE034
的矩阵，矩阵中的元素
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE038
；
步骤202：计算不同波段传感器权重：利用TF-IDF（term frequency–inversedocument frequency）的加权方法，结合BPA间冲突系数得到不同波段传感器的权重；对于传感器b，m b 的未归一化权重由下式得到：
Figure DEST_PATH_IMAGE040
其中，K bc 为m b 与m c 的BPA间冲突系数，将上式得到的n个权重归一化：
Figure DEST_PATH_IMAGE042
得到不同波段传感器的权重；由上可知，当某个BPA与其余所有BPA的冲突系数之和越大，给它分配的权重越小。
步骤三、考虑邻域信息的影响，计算不同波段传感器总权重：
步骤301：计算邻域信息对传感器的影响权重：对于第b个传感器x b ，像素点u ij 的
Figure DEST_PATH_IMAGE044
邻域块的分类结果中；
Figure 70869DEST_PATH_IMAGE044
邻域块信息对第b个传感器x b 的影响权重计算如下：
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE048
，其中，N表示
Figure DEST_PATH_IMAGE050
个邻域像素点的分类结果与像素点u ij 的分类结果相同的个数；
步骤302：计算不同波段传感器总权重：对于第b个传感器x b ，
Figure DEST_PATH_IMAGE052
，归一化：
Figure DEST_PATH_IMAGE054
，得到总权重w b 。
步骤四、加权融合各波段传感器的结果，得到最终分类结果：
步骤401：计算平均BPA：将步骤一中得到的n个传感器的BPA进行加权平均，得到平均BPA：
Figure DEST_PATH_IMAGE056
步骤402：融合：使用D-S证据理论将
Figure DEST_PATH_IMAGE058
融合n-1次，
Figure DEST_PATH_IMAGE060
，其中
Figure DEST_PATH_IMAGE062
为BPA融合符号，类别
Figure DEST_PATH_IMAGE064
，两个BPA的融合公式为：
Figure DEST_PATH_IMAGE066
，融合后得到最终地物分类结果物分类结果。
本发明与现有技术相比具有以下有益效果：
1、本发明的步骤简单、设计合理，实现及使用操作方便。
2、本发明通过BPA表示地物分类结果，使用证据理论融合不同波段传感器的分类结果，进而实现对目标的更准确全面认知；
3、本发明通过IF-IDF加权思想结合相关系数对各波段传感器赋予权重，区分了各波段数据的重要程度，有利于决策融合；
4、本发明通过考虑邻域分类结果对某一像素点分类的影响，能够产生更为合理的分类结果。
综上所述，本发明技术方案设计合理，使用证据理论的决策融合方法实现对多波段传感器地物分类，使用IF-IDF加权技术结合相关系数赋予各波段传感器权重，考虑领域结果对各像素点分类结果的影响，既提高地物分类的准确性，又有广泛的应用价值。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的一种基于多波段图像地物分类的决策融合方法流程图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法做进一步的详细说明。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的属性可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是，这里所使用的术语仅仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
如图1所示，本发明的一种基于多波段图像地物分类的决策融合方法，包括以下步骤：
步骤一、构造基本概率指派函数：
有n种不同波段的传感器，记为：
Figure DEST_PATH_IMAGE068
，由传感器得到的图像数据经过分类后，对于像素点u ij 的地物种类有h种，记为：
Figure DEST_PATH_IMAGE070
；
步骤101：构造概率矩阵：对于图像中的像素点u ij ，由不同的波段的传感器采集得到的不同波段的图像按预定比例分为训练集、测试集，特征提取后地物分类，结果得到概率矩阵：
Figure DEST_PATH_IMAGE072
，其中，q ab 代表传感器x b 识别该像素点u ij 为地物类别θa的概率，
Figure DEST_PATH_IMAGE074
，
Figure DEST_PATH_IMAGE076
，i，j为像素点的x、y坐标；
步骤102：构造基本概率指派函数BPA：设辨识框架为
Figure DEST_PATH_IMAGE078
，设Θ的个数为h，则Θ的幂集合
Figure 975240DEST_PATH_IMAGE014
的元素个数为2h,基本概率指派函数m应满足：
Figure DEST_PATH_IMAGE080
且
Figure DEST_PATH_IMAGE082
，其中，∅是空集，A是Θ的一个子集，m(A)即为命题A的基本概率指派函数BPA；对于传感器x b ，BPA为：
Figure DEST_PATH_IMAGE084
。
步骤二、计算不同波段的传感器权重：
步骤201：计算不同波段传感器各BPA之间的冲突系数：对于两组BPA，m b 与m c ，b，c代表不同波段的传感器序号，使用冲突系数度量冲突程度，冲突越大，该系数越大，公式如下：
Figure DEST_PATH_IMAGE086
，
Figure DEST_PATH_IMAGE088
，其中，k bc 为经典冲突系数，表示为：
Figure DEST_PATH_IMAGE090
；
Figure DEST_PATH_IMAGE092
为Jousselme证据距离，m b (B)表示传感器b将该像素识别为类别B的BPA，m c (D)表示传感器c将该像素识别为类别D的BPA。
Figure DEST_PATH_IMAGE094
，其中，
Figure DEST_PATH_IMAGE096
是一个
Figure DEST_PATH_IMAGE098
的矩阵，矩阵中的元素
Figure DEST_PATH_IMAGE100
，
Figure DEST_PATH_IMAGE102
；
步骤202：计算不同波段传感器权重：利用TF-IDF（term frequency–inversedocument frequency）的加权方法，结合BPA间冲突系数得到不同波段传感器的权重；对于传感器b，m b 的未归一化权重由下式得到：
Figure DEST_PATH_IMAGE104
其中，K bc 为m b 与m c 的BPA间冲突系数，将上式得到的n个权重归一化：
Figure DEST_PATH_IMAGE106
得到不同波段传感器的权重；由上可知，当某个BPA与其余所有BPA的冲突系数之和越大，给它分配的权重越小。
步骤三、考虑邻域信息的影响，计算不同波段传感器总权重：
步骤301：计算邻域信息对传感器的影响权重：对于第b个传感器x b ，像素点u ij 的
Figure DEST_PATH_IMAGE108
邻域块的分类结果中；
Figure 934231DEST_PATH_IMAGE108
邻域块信息对第b个传感器x b 的影响权重计算如下：
Figure DEST_PATH_IMAGE110
，
Figure DEST_PATH_IMAGE112
，其中，N表示
Figure DEST_PATH_IMAGE114
个邻域像素点的分类结果与像素点u ij 的分类结果相同的个数；
步骤302：计算不同波段传感器总权重：对于第b个传感器x b ，
Figure DEST_PATH_IMAGE116
，归一化：
Figure DEST_PATH_IMAGE118
，得到总权重w b 。
步骤四、加权融合各波段传感器的结果，得到最终分类结果：
步骤401：计算平均BPA：将步骤一中得到的n个传感器的BPA进行加权平均，得到平均BPA：
Figure DEST_PATH_IMAGE120
步骤402：融合：使用D-S证据理论将
Figure DEST_PATH_IMAGE122
融合n-1次，
Figure DEST_PATH_IMAGE124
，其中
Figure DEST_PATH_IMAGE126
为BPA融合符号，类别
Figure DEST_PATH_IMAGE128
，两个BPA的融合公式为：
Figure DEST_PATH_IMAGE130
，融合后得到最终地物分类结果物分类结果。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于多波段图像地物分类的决策融合方法，其特征在于，包括以下步骤：
步骤一、基于不同波段的传感器及传感器得到的图像中不同像素点对应的多种地物种类，构造基本概率指派函数BPA；
步骤二、基于不同波段传感器的基本概率指派函数BPA间冲突系数，计算不同波段的传感器权重；
步骤三、考虑邻域信息的影响，计算不同波段传感器总权重；
步骤四、加权融合各波段传感器的结果，得到最终分类结果；
所述步骤一、基于不同波段的传感器及传感器得到的图像中不同像素点对应的多种地物种类，构造基本概率指派函数BPA：
有n种不同波段的传感器，记为：
Figure 720491DEST_PATH_IMAGE001
，由传感器得到的图像数据经过分类后，对于像素点u ij 对应的地物种类有h种，记为：
Figure 993340DEST_PATH_IMAGE002
，作为辨识框架；
步骤101：构造概率矩阵：对于图像中的像素点u ij ，由不同的波段的传感器采集得到的不同波段的图像按预定比例分为训练集、测试集，特征提取后进行地物分类，得到概率矩阵：
Figure 722262DEST_PATH_IMAGE003
，其中，q ab 代表传感器x b 识别该像素点u ij 为地物类别θa的概率，
Figure 801076DEST_PATH_IMAGE004
，
Figure 236737DEST_PATH_IMAGE005
，i，j为像素点的x、y坐标；
步骤102：构造基本概率指派函数BPA：设辨识框架为
Figure 8384DEST_PATH_IMAGE006
，设Θ的个数为h，则Θ的幂集合
Figure 959022DEST_PATH_IMAGE007
的元素个数为2 h ,m应满足：
Figure 277746DEST_PATH_IMAGE008
且
Figure 630230DEST_PATH_IMAGE009
，其中，∅是空集，A是Θ的一个子集，m(A)即为命题A的基本概率指派函数BPA；对于传感器x b ，基本概率指派函数BPA为：
Figure 572778DEST_PATH_IMAGE010
；
所述步骤二、基于不同波段传感器的基本概率指派函数BPA间冲突系数，计算不同波段的传感器权重：
步骤201：计算不同波段传感器各基本概率指派函数BPA之间的冲突系数：对于两组基本概率指派函数BPA，m b 与m c ，b，c代表不同波段的传感器序号，使用冲突系数度量冲突程度，冲突越大，该系数越大，公式如下：
Figure 10712DEST_PATH_IMAGE011
，
Figure 369013DEST_PATH_IMAGE012
，其中，k bc 为经典冲突系数，表示为：
Figure 841582DEST_PATH_IMAGE013
Figure 955032DEST_PATH_IMAGE014
为Jousselme证据距离，m b (B)表示传感器b将该像素识别为类别B的基本概率指派函数BPA，m c (D)表示传感器c将该像素识别为类别D的基本概率指派函数BPA；
Figure 817946DEST_PATH_IMAGE015
，其中，
Figure 42253DEST_PATH_IMAGE016
是一个
Figure 103750DEST_PATH_IMAGE017
的矩阵，矩阵中的元素
Figure 388101DEST_PATH_IMAGE018
，
Figure 738311DEST_PATH_IMAGE019
，
Figure 766310DEST_PATH_IMAGE020
、
Figure 947893DEST_PATH_IMAGE021
是m b ，m c 的向量形式；
步骤202：计算不同波段传感器权重：利用TF-IDF的加权方法，结合基本概率指派函数BPA间冲突系数得到不同波段传感器的权重；对于传感器b，m b 的未归一化权重由下式得到：
Figure 573784DEST_PATH_IMAGE022
其中，K bc 为m b 与m c 的基本概率指派函数BPA间冲突系数，将上式得到的n个权重归一化：
Figure 473607DEST_PATH_IMAGE023
，
得到不同波段传感器的权重；由上可知，当某个基本概率指派函数BPA与其余所有基本概率指派函数BPA的冲突系数之和越大，给它分配的权重越小。
2.根据权利要求1所述的一种基于多波段图像地物分类的决策融合方法，其特征在于，所述步骤三、考虑邻域信息的影响，计算不同波段传感器总权重：
步骤301：计算邻域信息对传感器的影响权重：对于第b个传感器x b ，像素点u ij 的
Figure 39717DEST_PATH_IMAGE024
邻域块的分类结果中，
Figure 341386DEST_PATH_IMAGE024
邻域块信息对第b个传感器x b 的影响权重计算如下：
Figure 639643DEST_PATH_IMAGE025
，
Figure 26762DEST_PATH_IMAGE026
，其中，N表示
Figure 396563DEST_PATH_IMAGE027
个邻域像素点的分类结果与像素点u ij 的分类结果相同的个数；
步骤302：计算不同波段传感器总权重：对于第b个传感器x b ，
Figure 287159DEST_PATH_IMAGE028
，归一化：
Figure 21897DEST_PATH_IMAGE029
，得到总权重w b 。
3.根据权利要求2所述的一种基于多波段图像地物分类的决策融合方法，其特征在于，所述步骤四、加权融合各波段传感器的结果，得到最终分类结果：
步骤401：计算平均基本概率指派函数BPA：将步骤一中得到的n个传感器的基本概率指派函数BPA进行加权平均，得到平均基本概率指派函数BPA：
Figure 630733DEST_PATH_IMAGE030
步骤402：融合：使用D-S证据理论将
Figure 804225DEST_PATH_IMAGE031
融合n-1次，
Figure 752589DEST_PATH_IMAGE032
，其中
Figure 720545DEST_PATH_IMAGE033
为基本概率指派函数BPA融合符号，类别
Figure 816677DEST_PATH_IMAGE034
，两个基本概率指派函数BPA的融合公式为：
Figure 528281DEST_PATH_IMAGE035
融合后得到最终地物分类结果。
CN202110934171.1A 2021-08-16 2021-08-16 一种基于多波段图像地物分类的决策融合方法 Active CN113392815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110934171.1A CN113392815B (zh) 2021-08-16 2021-08-16 一种基于多波段图像地物分类的决策融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110934171.1A CN113392815B (zh) 2021-08-16 2021-08-16 一种基于多波段图像地物分类的决策融合方法

Publications (2)

Publication Number Publication Date
CN113392815A CN113392815A (zh) 2021-09-14
CN113392815B true CN113392815B (zh) 2021-11-02

Family

ID=77622786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110934171.1A Active CN113392815B (zh) 2021-08-16 2021-08-16 一种基于多波段图像地物分类的决策融合方法

Country Status (1)

Country Link
CN (1) CN113392815B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754008A (zh) * 2022-09-28 2023-03-07 哈尔滨工业大学（威海） 结构损伤联合监测方法、系统、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200327325A1 (en) * 2019-04-15 2020-10-15 China University Of Petroleum (East China) Semi-supervised automatic marking method and device for ground-object in hyperspectral image

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036257B (zh) * 2014-06-25 2017-11-21 华南农业大学 基于d‑s理论的多源数据融合柑橘黄龙病检测分类方法
CN110390267B (zh) * 2019-06-25 2021-06-01 东南大学 一种基于高分遥感影像的山地景观建筑提取方法和设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200327325A1 (en) * 2019-04-15 2020-10-15 China University Of Petroleum (East China) Semi-supervised automatic marking method and device for ground-object in hyperspectral image

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Dempster-Shafer证据推理融合模型在遥感分类中的应用;祝晓坤;《万方数据 知识服务平台》;20051231;第1-78页 *

Also Published As

Publication number Publication date
CN113392815A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN110728224B (zh) 一种基于注意力机制深度Contourlet网络的遥感图像分类方法
CN107451614B (zh) 基于空间坐标与空谱特征融合的高光谱分类方法
EP2894577B1 (en) Retrieving system, retrieving method, and security inspection device based on contents of fluoroscopic images
CN104182767B (zh) 主动学习和邻域信息相结合的高光谱图像分类方法
CN103208011A (zh) 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法
Nurmasari et al. Oil palm plantation detection in Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case study: Rokan Hulu regency, Riau Province)
He et al. Object-oriented mangrove species classification using hyperspectral data and 3-D Siamese residual network
Damodaran et al. Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system
Xiao et al. Optimal and robust vegetation mapping in complex environments using multiple satellite imagery: Application to mangroves in Southeast Asia
CN113392815B (zh) 一种基于多波段图像地物分类的决策融合方法
Peerbhay et al. Does simultaneous variable selection and dimension reduction improve the classification of Pinus forest species?
CN108399423B (zh) 一种遥感影像分类的多时相-多分类器融合方法
CN115240072A (zh) 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
Sun et al. A label similarity probability filter for hyperspectral image postclassification
CN107203779A (zh) 基于空谱信息保持的高光谱降维方法
Dahiya et al. Qualitative and quantitative analysis of artificial neural network-based post-classification comparison to detect the earth surface variations using hyperspectral and multispectral datasets
Puttinaovarat et al. Deep and machine learnings of remotely sensed imagery and its multi-band visual features for detecting oil palm plantation
Pozza et al. Using computer vision to identify seed-borne fungi and other targets associated with common bean seeds based on red–green–blue spectral data
Jijón-Palma et al. Improving stacked-autoencoders with 1D convolutional-nets for hyperspectral image land-cover classification
Khoje et al. Comparative performance evaluation of fast discrete curvelet transform and colour texture moments as texture features for fruit skin damage detection
Yuan et al. Combining synthetic aperture radar and multispectral images for land cover classification: a case study of Beijing, China
CN113469084B (zh) 基于对比生成对抗网络的高光谱图像分类方法
Manikis et al. Pollen grain classification using geometrical and textural features
Billah et al. Adaptive neuro fuzzy inference system based tea leaf disease recognition using color wavelet

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