CN113421198A - 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 - Google Patents
一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 Download PDFInfo
- Publication number
- CN113421198A CN113421198A CN202110675265.1A CN202110675265A CN113421198A CN 113421198 A CN113421198 A CN 113421198A CN 202110675265 A CN202110675265 A CN 202110675265A CN 113421198 A CN113421198 A CN 113421198A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- subspace
- noise
- image
- rank
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 22
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 4
- 235000011613 Pinus brutia Nutrition 0.000 description 4
- 241000018646 Pinus brutia Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明揭示了一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法,高维高光谱图像在子空间中具有低秩特性,针对高光谱图像的子空间特征图,利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束。进一步提高了对混合噪声的去噪能力。该技术方案主要用于解决高光谱图像中的噪声干扰问题,能够去除高光谱图像中包含的高斯噪声和稀疏噪声。高维高光谱图像在子空间中具有低秩特性,针对高光谱图像的子空间特征图,利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束,进一步提高了对混合噪声的去噪能力。
Description
技术领域
本发明涉及一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法,可用于图像处理技术领域。
背景技术
随着遥感传感器技术的发展,依托机载和星载的高光谱成像技术为终端用户提供了丰富的光谱、空间和时间信息。高光谱图像的波段数从数十个发展到了上百个,能较全面地描述观测区域中物体的光谱特性。高光谱图像中丰富的光谱信息在许多具有挑战性的地球观测任务中得到了显著发展和广泛应用并持续发展,在细粒度土地覆盖分类、矿产制图、水质评价、珍贵农业、城市规划与监测、灾害管理与预测、隐蔽目标探测等多种任务,同时也推动了许多后续相关应用研究。然而,由于高光谱数据的高维、大尺寸、混合像元、采集过程中的光散射机制以及大气和几何畸变等因素,使得高光谱数据在空间域和光谱域上的信号具有很强的噪声干扰,因此,对高光谱图像的去噪任务成为世界各国研究人员关注的焦点。
高光谱图像去噪一直是遥感图像处理和应用领域的研究热点,传统图像去噪主要针对高斯白噪声。经典的去噪算法包括:小波变换算法、非局部均值算法、主成分分析算法以及全变差优化算法等。这些传统算法主要针对二维图像去噪问题,在处理高光谱图像时,忽略了图像内在的低秩稀疏特性。近些年,稀疏和低秩模型广泛应用于高光谱图像去噪。稀疏和低秩先验信息能有效地分离出图像本身结构信息和噪声,去噪性能优于传统去噪算法。为了进一步提高对高光谱图像的三维空间结构的表示能力,张量稀疏和低秩模型也被广泛运用高光谱图像去噪。然而现有高光谱图像稀疏低秩去噪算法主要考虑了高光谱图像的局部、空-谱间相似性等特性,对高光谱图像的低维子空间特性还需继续研究。
发明内容
本发明的目的就是为了解决现有技术中存在的上述问题,提出一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法。
本发明的目的将通过以下技术方案得以实现:一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法,
S1:从遥感传感器中得到含有混合噪声的高光谱图像Y;
S2:通过HySime算法从S1步骤中得到的高光谱图像Y中学习子空间E,通过Z=ETY计算得到特征图Z后进入S3步骤;
S5:
S6:通过奇异值分解(Y-S)ZT得到左右奇异矩阵,并通过相乘更新E,更新E后进入S7步骤;
S7:计算误差||Y-EZ-S||∞,若max(||Y-EZ-S||∞)≤ε,则停止迭代,否则转向S4步骤,进入下一步骤;
S8:输出去噪后高光谱图像L。
优选地,在所述S1步骤中,所述含有混合噪声的高光谱图像Y的尺寸是M×N×B,其中,M×N表示噪声高光谱图像的空间维度,B表示噪声高光谱图像的波段数。
优选地,在所述S1步骤中,高光谱图像Y为含有混合噪声的高光谱图像Y,含有混合噪声的高光谱图像Y的子空间的维度k,图像块的尺寸和非局部相似块个数,稀疏矩阵S=0。
优选地,在所述S2步骤中,Hysime算法包括如下步骤:输入含有混合噪声的高光谱图像Y,观测采样关联矩阵通过估计噪声得到估计信号关联矩阵:计算信号关联矩阵的特征向量和序列通过δi 和E=[e1,...,ei],ei为的特征向量,通过排列算法求解sort为排序操作,其中为递升序列,并保存排列为通过寻找得到从和和通过重构子空间信号E。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
该技术方案主要用于解决高光谱图像中的噪声干扰问题,能够去除高光谱图像中包含的高斯噪声、脉冲噪声、条纹噪声和死线噪声。干净的高维高光谱图像在子空间中具有低秩特性,针对高光谱图像的子空间特征图的结构特性,通过图像内在的自相似特性,寻找相似的图像块并组成三维图像块组,利用张量Tucker分解对子空间特征图的三维图像块组进行联合低秩约束,进一步提高了对混合噪声的去噪能力。
附图说明
图1为本发明的一种基于非局部低秩和全局空谱全变分约束的去噪算法流程图。
具体实施方式
本发明的目的、优点和特点,将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例,凡采取等同替换或者等效变换而形成的技术方案,均落在本发明要求保护的范围之内。
本发明揭示了种基于子空间的非局部低秩张量分解的高光谱图像去噪方法,该方法包括如下步骤:
S1:从遥感传感器中得到含有混合噪声的高光谱图像Y;
S2:通过HySime算法从S1步骤中得到的高光谱图像Y中学习子空间E,通过Z=ETY计算得到特征图Z后进入S3步骤;
S5:
S6:通过奇异值分解(Y-S)ZT得到左右奇异矩阵,并通过相乘更新E,更新E后进入S7步骤;
S7:计算误差||Y-EZ-S||∞,若max(||Y-EZ-S||∞)≤ε,则停止迭代,否则转向S4步骤,进入下一步骤;
S8:输出去噪后高光谱图像L。
在所述S1步骤中,所述含有混合噪声的高光谱图像Y的尺寸是M×N×B,其中,M×N表示噪声高光谱图像的空间维度,B表示噪声高光谱图像的波段数。
在所述S1步骤中,高光谱图像Y为含有混合噪声的高光谱图像Y,含有混合噪声的高光谱图像Y的子空间的维度k,图像块的尺寸和非局部相似块个数,稀疏矩阵S=0。
在所述S2步骤中,Hysime算法包括如下步骤:输入含有混合噪声的高光谱图像Y,观测采样关联矩阵通过估计噪声得到估计信号关联矩阵:计算信号关联矩阵的特征向量和序列通过δi 和E=[e1,...,ei],ei为的特征向量,通过排列算法求解sort为排序操作,其中为递升序列,并保存排列为通过寻找得到从和中通过重构子空间信号E。
一、噪声模型
由于高光谱传感器受设备的物理局限性以及气候环境等因素的影响,高光谱图像往往含有不同类型噪声,比如高斯噪声、死线噪声、条纹噪声、脉冲噪声等为此,本技术方案考虑一种混合噪声模型,即:
Y=L+S+N (1)
二、算法模型
干净的高光谱图像具有高度的光谱关联特性,假设光谱维度矩阵L在子空间内,则干净的高光谱图像L可以分解为:
L=EZ (2)
其中E表示子空间的基,矩阵Z为E的对应系数矩阵。
假设E是正交的,即ETE=Ik,Ik为尺寸为k的单位矩阵。正交的E不仅可以降低算法的复杂度,而目还能加速算法的收敛。子空间E通过HySime算法或者奇异值分解得到初始值。基于模型(2),高光谱图像混合噪声模型可表示为:
Y=EZ+S+N (3)
因此,带有混合噪声的高光谱图像去噪模型可以表示为:
其中F1(Z)表示系数矩阵Z的对应优化约束项,||S||1表示对稀疏噪声的约束项。λ1为稀疏约束的系数,λ2对应约束项F1(Z)的系数。模型(4)不仅增强了光谱之间的关联生,而且通过矩阵乘法重构图像,降低了计算复杂度。
每一个矩阵Z都是一个特征图,所有的特征图都是由系数图像组成的,在特征图像去噪任务中,非局部的自相似性对每个特征图内和特征图之间的关联性都具有很大的影响。因此,本技术方方案采用非局部低秩张量分解模型用于去除高光谱图像中存在的混合噪声,通过对应的提取矩阵将相似的图像块归为一类,每一个类的相似的图像块可以很好地体现高光谱图像的空间和谱间的结构相似特性,最后通过Tucker分解对每个类群进行单独的处理以更好的处理混合噪声。
通过计算特征图像块之间的欧几里得距离,在相邻的区域中寻找目标特征图像块的相似图像块。定义一个二进制的算子用于提取特征图中的非局部相似块,即通过低秩张量分解对关联在一起的三维块组成的三维张量进行低秩约束,即:
三、模型优化求解
采用交替方法求解模型(5),整个优化过程包括以下三个子问题
1、更新S:
2、更新Z:
问题(8)是一个二次优化问题,其解为:
3、更新E:
问题(10)可以通过奇异值分解(Y-S)ZT得到左右奇异矩阵,并通过相乘更新E。即E=L(ξ)R(ξ)T,其中L(ξ)和R(ξ)分比为矩阵ξ=(Y-S)ZT的左奇异值矩阵和右奇异值矩阵。
四、实验设置
本技术方案的测试图像为国内外公认的Indian Pines和Washington DC高光谱图像。测试的Indian Pines和Washington DC图像尺寸分别为145×145×224和256×256×191。所有实验数据的像素值归一化为[0,1]。
本实验设置稀疏系数λ1=1,低秩张量分解系数λ2=0.06,秩约束系数子空间维度为7,图像块的大小为6,非局部图像块的个数为10。
实验测试了四种不同类型的模拟噪声,分别定义为:
噪声类型1:每一个波段添加噪声强度σ=0.1的高斯噪声。
噪声类型2:每一个波段添加噪声强度σ=0.1到0.2的高斯噪声的高斯噪声。
噪声类型3:在噪声类型2的基础上,随机选择20个波段添加比例为20%脉冲噪声。
噪声类型4:在噪声类型3的基础上,选择20个波段添加宽度为1-3不等的死线噪声,在被选择的20个波段中,10个波段为含有脉冲噪声的波段,剩余10个为其他波段。
本技术方案采用四种图像质量指标,包括空间图像质量指标:平均峰值信噪比(MPSNR)、平均结构相似度(MSSIM)、光谱质量评价结果(ERGAS)和光谱角(SAM)。
其中ui和分别表示第i个波段的参考图像和重构图像。和定义为图像ui和的平均值,和表示标准差,参数C1和C2避免结果趋近于0。MPSNR和MSSIM值越大表示去噪图像与参考图像越接近,去噪效果越好。ERGAS和SAM则值越小表示去噪效果越好。
表1和表2分别给出了Indian Pines图像和Washington DC图像在各种类型噪声下的去噪结果。实验结果表明本技术方方案提出的子空间非局部低秩张量分解能有效地去除高光谱图像中复合噪声。
表1:Washington DC图像在各种噪声类型下的重构结果
表2:Indian Pines图像在各种噪声类型下的重构结果
该技术方案主要用于解决高光谱图像中的噪声干扰问题,能够去除高光谱图像中包含的高斯噪声和稀疏噪声。高维高光谱图像在子空间中具有低秩特性,针对高光谱图像的子空间特征图,利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束,进一步提高了对混合噪声的去噪能力。
本发明尚有多种实施方式,凡采用等同变换或者等效变换而形成的所有技术方案,均落在本发明的保护范围之内。
Claims (4)
1.一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法,其特征在于:该方法包括如下步骤:
S1:从遥感传感器中得到含有混合噪声的高光谱图像Y;
S2:通过HySime算法从S1步骤中得到的高光谱图像Y中学习子空间E,通过Z=ETY计算得到特征图Z后进入S3步骤;
S3:通过欧几里得距离从特征图Z中构建群相似三维图像块Z,得到三维图像块Z后进入S4步骤;
S5:
S6:通过奇异值分解(Y-S)ZT得到左右奇异矩阵,并通过相乘更新E,更新E后进入S7步骤;
S7:计算误差||Y-EZ-S||∞,若max(||Y-EZ-S||∞)≤ε,则停止迭代,否则转向S4步骤,进入下一步骤;
S8:输出去噪后高光谱图像L。
2.根据权利要求1所述的一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法,其特征在于:在所述S1步骤中,所述含有混合噪声的高光谱图像Y的尺寸是M×N×B.其中,M×N表示噪声高光谱图像的空间维度,B表示噪声高光谱图像的波段数。
3.根据权利要求1所述的一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法,其特征在于:在所述S1步骤中,高光谱图像Y为含有混合噪声的高光谱图像Y,含有混合噪声的高光谱图像Y的子空间的维度k,图像块的尺寸和非局部相似块个数,稀疏矩阵S=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675265.1A CN113421198B (zh) | 2021-06-17 | 2021-06-17 | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675265.1A CN113421198B (zh) | 2021-06-17 | 2021-06-17 | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421198A true CN113421198A (zh) | 2021-09-21 |
CN113421198B CN113421198B (zh) | 2023-10-20 |
Family
ID=77789023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675265.1A Active CN113421198B (zh) | 2021-06-17 | 2021-06-17 | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421198B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119426A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 非局部低秩转换域与全连接张量分解图像重构方法及装置 |
CN115034978A (zh) * | 2022-05-23 | 2022-09-09 | 南京邮电大学 | 基于子空间表示结合图嵌入约束的高光谱图像去噪方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
CN109658351A (zh) * | 2018-11-26 | 2019-04-19 | 浙江工业大学 | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 |
CN110400276A (zh) * | 2019-08-28 | 2019-11-01 | 上海海洋大学 | 高光谱图像去噪方法、装置 |
CN110458777A (zh) * | 2019-08-05 | 2019-11-15 | 湖南大学 | 一种基于自适应秩校正的高光谱图像去噪方法、系统及介质 |
CN111738937A (zh) * | 2020-05-28 | 2020-10-02 | 南京邮电大学 | 一种基于张量分解的总变分遥感图像去条带方法 |
CN111915518A (zh) * | 2020-07-23 | 2020-11-10 | 南京邮电大学 | 基于三重低秩模型的高光谱图像去噪方法 |
CN111951181A (zh) * | 2020-07-14 | 2020-11-17 | 浙江工业大学 | 基于非局部相似性及加权截断核范数的高光谱图像去噪方法 |
CN111951186A (zh) * | 2020-07-16 | 2020-11-17 | 南京邮电大学 | 一种基于低秩和全变分约束的高光谱图像去噪方法 |
CN112069919A (zh) * | 2020-08-17 | 2020-12-11 | 浙江工业大学 | 基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪方法 |
US20210019561A1 (en) * | 2019-07-16 | 2021-01-21 | CICADA Imaging Inc. | Image upsampling by learning pairs of low-resolution dictionaries using a structured subspace model |
-
2021
- 2021-06-17 CN CN202110675265.1A patent/CN113421198B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
CN109658351A (zh) * | 2018-11-26 | 2019-04-19 | 浙江工业大学 | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 |
US20210019561A1 (en) * | 2019-07-16 | 2021-01-21 | CICADA Imaging Inc. | Image upsampling by learning pairs of low-resolution dictionaries using a structured subspace model |
CN110458777A (zh) * | 2019-08-05 | 2019-11-15 | 湖南大学 | 一种基于自适应秩校正的高光谱图像去噪方法、系统及介质 |
CN110400276A (zh) * | 2019-08-28 | 2019-11-01 | 上海海洋大学 | 高光谱图像去噪方法、装置 |
CN111738937A (zh) * | 2020-05-28 | 2020-10-02 | 南京邮电大学 | 一种基于张量分解的总变分遥感图像去条带方法 |
CN111951181A (zh) * | 2020-07-14 | 2020-11-17 | 浙江工业大学 | 基于非局部相似性及加权截断核范数的高光谱图像去噪方法 |
CN111951186A (zh) * | 2020-07-16 | 2020-11-17 | 南京邮电大学 | 一种基于低秩和全变分约束的高光谱图像去噪方法 |
CN111915518A (zh) * | 2020-07-23 | 2020-11-10 | 南京邮电大学 | 基于三重低秩模型的高光谱图像去噪方法 |
CN112069919A (zh) * | 2020-08-17 | 2020-12-11 | 浙江工业大学 | 基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119426A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 非局部低秩转换域与全连接张量分解图像重构方法及装置 |
CN115034978A (zh) * | 2022-05-23 | 2022-09-09 | 南京邮电大学 | 基于子空间表示结合图嵌入约束的高光谱图像去噪方法 |
CN115034978B (zh) * | 2022-05-23 | 2024-04-05 | 南京邮电大学 | 基于子空间表示结合图嵌入约束的高光谱图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113421198B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan | Cloud removal for remote sensing imagery via spatial attention generative adversarial network | |
CN111260576B (zh) | 一种基于去噪三维卷积自编码网络的高光谱解混算法 | |
CN111951186B (zh) | 一种基于低秩和全变分约束的高光谱图像去噪方法 | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN106709881A (zh) | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 | |
CN109493338B (zh) | 基于联合提取空谱特征的高光谱图像异常检测方法 | |
CN108389188A (zh) | 一种稀疏高光谱异常目标检测方法 | |
CN104952050A (zh) | 基于区域分割的高光谱图像自适应解混方法 | |
CN108197650B (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN117689579B (zh) | 一种渐进式双解耦的sar辅助遥感影像厚云去除方法 | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
Fu et al. | Three-dimensional singular spectrum analysis for precise land cover classification from UAV-borne hyperspectral benchmark datasets | |
CN104700379A (zh) | 一种基于多尺度形态成分分析的遥感图像融合方法 | |
CN102930275A (zh) | 基于Cramer’s V指数的遥感影像特征选择方法 | |
CN112766223A (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
CN117058558A (zh) | 基于证据融合多层深度卷积网络的遥感图像场景分类方法 | |
CN116403046A (zh) | 一种高光谱影像分类装置及方法 | |
CN114067217A (zh) | 基于非下采样分解转换器的sar图像目标识别方法 | |
Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
Xian-chuan et al. | Remote sensing image fusion based on integer wavelet transformation and ordered nonnegative independent component analysis | |
CN116051444A (zh) | 一种有效的红外与可见光图像自适应融合方法 |
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 |