CN113446998B - 一种基于高光谱目标探测数据的动态解混方法 - Google Patents

一种基于高光谱目标探测数据的动态解混方法 Download PDF

Info

Publication number
CN113446998B
CN113446998B CN202110727401.7A CN202110727401A CN113446998B CN 113446998 B CN113446998 B CN 113446998B CN 202110727401 A CN202110727401 A CN 202110727401A CN 113446998 B CN113446998 B CN 113446998B
Authority
CN
China
Prior art keywords
pixel
spectrum
matrix
spectral
target
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
CN202110727401.7A
Other languages
English (en)
Other versions
CN113446998A (zh
Inventor
巩晋南
施天俊
智喜洋
胡建明
鲍广震
张鹏飞
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110727401.7A priority Critical patent/CN113446998B/zh
Publication of CN113446998A publication Critical patent/CN113446998A/zh
Application granted granted Critical
Publication of CN113446998B publication Critical patent/CN113446998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于高光谱目标探测数据的动态解混方法，所述方法包括如下步骤：步骤1：提取高光谱目标探测数据中目标所在混合像元光谱数据，构建混合像元时序矩阵；步骤2：基于高光谱目标探测数据估计目标所在场景的光谱曲线；步骤3：基于步骤1筛选的谱段，以步骤2估计的场景光谱作为先验信息，对步骤1中获取的混合像元矩阵进行动态解混，得到真实的目标光谱。该方法可以实现对亚像元目标在不同场景下高光谱探测数据的光谱动态解混，获取更准确的有利于后续目标识别等应用的光谱特性。

Description

一种基于高光谱目标探测数据的动态解混方法
技术领域
本发明属于目标探测与识别技术领域，涉及一种基于高光谱目标探测数据的动态解混方法。
背景技术
高光谱图像其所具有的高光谱分辨率、图谱合一等优势让精确的目标识别成为可能，若能准确提取目标光谱特征，通过与光谱库进行匹配等手段，则可能对场景中的舰船、飞机等目标进行精确到型号上的识别。然而由于高光谱探测器空间分辨率较低、目标尺度较小等因素使得目标可能占据不到一个像元。这种亚像元目标产生的光谱信号也会与场景的信号产生混合。亚像元目标不具有纹理特征，因此无法直接提取出物理形态信息以达到探测识别的目的。因此，要实现通过光谱匹配进行目标识别，则必须通过信号处理的方式对混合像元中的光谱信息进行解混，以突破探测器空间分辨率限制，从而提高对弱小动目标的识别能力。传统的解混方法为了获取高光谱图像中不同物质的光谱特性和分布情况，需要在空域层面对整幅图像进行解混。而面向探测识别应用的高光谱成像体制的一项重要任务为获取舰船、飞机等动目标的辐射特性。不同类型的动目标由于与场景在反射、辐射等特性上存在差异，会在若干谱段上呈现出与具有显著差异的光谱特性，这些谱段被称为目标的指纹谱段。指纹谱段是不同类型目标识别的核心。因此，面向探测识别应用的动态解混主要关注目标光谱曲线的提取和指纹谱段的提取精度，故需要引入时域信息，即提取不同场景中的目标所在混合像元光谱数据，形成时域光谱信号，以实现对目标所在像元的光谱解混。
因此，高光谱探测数据的动态解混是基于目标探测位置的先验，引入不同时刻或场景下的高光谱数据，针对性地对亚像元目标所在像元进行解混以得到较为准确的目标光谱特征，可为特征提取、目标识别等光谱数据的后续应用提供支持。
发明内容
针对亚像元目标与场景光谱发生混叠使得准确的目标光谱特性提取困难等问题，本发明提供了一种基于高光谱目标探测数据的动态解混方法。该方法可以实现对亚像元目标在不同场景下高光谱探测数据的光谱动态解混，获取更准确的有利于后续目标识别等应用的光谱特性。
本发明的目的是通过以下技术方案实现的：
一种基于高光谱目标探测数据的动态解混方法，包括如下步骤：
步骤1：提取高光谱目标探测数据中目标所在混合像元光谱数据，构建混合像元时序矩阵；
步骤2：基于高光谱目标探测数据估计目标所在场景的光谱曲线；
步骤3：基于步骤1筛选的谱段，以步骤2估计的场景光谱作为先验信息，对步骤1中获取的混合像元矩阵进行动态解混，得到真实的目标光谱。
相比于现有技术，本发明具有如下优点：
(1)本发明提出一种面向探测应用的高光谱目标动态解混思路。传统的针对整幅图像的解混方法，通过对单一场景进行空域全局解混，以获取高光谱图像中不同物质的光谱特性和分布情况；面向探测应用的高光谱动态解混，通过对多场景中亚像元目标所在混合像元的局部解混，更有针对性且高效地获取还原目标的指纹谱特征，为特征提取、目标识别等光谱数据的后续操作提供支持。
(2)本发明提出一种基于高光谱探测数据的动态解混方法。基于目标在不同场景的探测先验，通过混合像元时序矩阵构建、场景光谱估计等方法充分提取高光谱目标探测数据中的有利于解混的信息，通过非负矩阵分解对亚像元目标所在像元进行解混以得到较为准确的目标光谱特征。
(3)本发明通过一系列预处理操作充分提取混叠数据中有利于解混的信息。通过混合像元时序矩阵的构建得到有利于实现动态解混的数据；通过场景光谱估计引入先验信息提高动态解混的收敛速率和解混精度。
(4)本发明对非负矩阵分解这一主要针对整幅图像的静态解混算法进行移植和改进，结合混合像元时序矩阵构建、场景光谱估计等一系列预处理操作实现对亚像元目标较高的解混精度，使得解混出的目标光谱具备一定的可识别性。
附图说明
图1为基于高光谱探测数据的动态解混方法流程图；
图2为非负矩阵分解方法中权重矩阵设置选取的示例；
图3为一个用于测试动态解混方法的用例构建过程；
图4为基于本发明进行解混的光谱和实际光谱的对比结果。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于高光谱探测数据的动态解混方法，如图1所示，所述方法的具体实施步骤如下：
步骤1：提取高光谱目标探测数据中目标所在混合像元光谱数据，构建混合像元时序矩阵。具体步骤如下：
在通过探测数据先验得到目标位置的基础上，直接抽取各个场景目标所在混合像元处的光谱rj，组合得到混合像元时序矩阵R。该矩阵为h×n维矩阵，其中h、n分别表示谱段数和场景数。
步骤2：基于高光谱目标探测数据估计目标所在场景的光谱曲线，作为先验信息用于之后的动态解混中。具体步骤如下：
(1)基于简单线性迭代聚类进行超像素分割
简单线性迭代聚类由两个可调参数超像素数目P和度量权值ωs控制，前者用于控制超像素的数目，后者用于控制光谱相似性和空间距离在算法迭代中所占权重。该算法的具体步骤为：
(a)初始化超像素中心
对于波段数为h的高光谱数据，每个像元对应一个h+2维向量Vj，由各个波段的光谱信息和空间位置共同定义，写作：
Figure BDA0003139164480000051
式中，Vj表示第j个像元基于光谱信息和空间位置的表征向量；rj＝[r1j,...,rhj]T为第j个像元在各个谱段上的光谱维信息，其中r1j-rhj分别代表第j个像元从第1个谱段至第h个谱段的光谱信息；[mj,nj]T为第j个像元在空间坐标系下的位置，其中mj和nj分别为第j个像元在x和y方向上的空间坐标位置；符号T表示向量转置；
Figure BDA0003139164480000052
表示h+2维的实数空间。
按照给定参数，通过步距ω生成P个超像素均值点，步距ω与超像素均值点数目P和像素总数N的关系可近似表示为：
Figure BDA0003139164480000053
通过超像素之中所包含的像元信息，超像素也可通过一个h+2维向量Ci表征：
Figure BDA0003139164480000054
式中，Ci表示第i个超像素基于光谱信息和空间位置的表征向量；
Figure BDA0003139164480000055
为第i个超像素在各个谱段上的光谱信息，由超像素之中包含的像元光谱数据取平均求得，其中r1i-rhi分别代表第i个超像素从第1个谱段至第h个谱段的光谱信息；
Figure BDA0003139164480000056
为第i个超像素在空间坐标系下的位置，其中
Figure BDA0003139164480000057
和
Figure BDA0003139164480000058
分别为第i个超像素在x和y方向上的空间坐标位置；符号T表示向量转置；
Figure BDA0003139164480000059
表示h+2维的实数空间。为了避免将边缘、噪声与异常点选作聚类中心，用初始中心周围3×3区域中梯度最小位置替换初始中心。
(b)计算各像元同超像素中心的距离，更新超像素中心
在初始中心点周围搜索与该点在距离上相近并且光谱上相似的像元，将其和中心点归于一类。之后再对聚类后的像元重新计算聚类中心，接着继续搜索周围相似的像元，持续迭代直到收敛。
距离度量Dji整合光谱信息和空间位置信息，用于度量第j个像元同第i个超像素之间的距离，定义如下式所示：
Figure BDA0003139164480000061
Figure BDA0003139164480000062
Figure BDA0003139164480000063
式中，Dji度量第i个超像素同第j个像元的相似程度；dx度量第i个超像素同第j个像元的光谱相似性，其中
Figure BDA0003139164480000064
为第i个超像素的光谱信息向量表征，rj为第j个像元的光谱信息向量表征；dmn度量第i个超像素同第j个像元的欧几里得空间距离，其中mj和nj分别为第j个像元在x和y方向上的空间坐标位置，
Figure BDA0003139164480000065
和
Figure BDA0003139164480000066
分别为第i个超像素在x和y方向上的空间坐标位置；参数ωs用以调节空间距离和光谱相似性之间的权重；
Figure BDA0003139164480000067
表示h+2维的实数空间。
(c)合并孤立点
在超像素中可能会存在属于其它超像素的孤立点。为了提高分割效果，通过邻域连通算法，将面积过小的连通分量分配给最近的超像素类别。
(2)基于空间距离权重进行场景光谱估计
利用超像素中其余像元估计目标所在场景光谱时，各邻域像元权重同其和目标所在位置的空间距离成反比，加权系数如下式所示：
Figure BDA0003139164480000071
式中，(i,j)、(a,b)分别为邻域像元和待估计像元的空间坐标。
通过下式进行加权平均可以对目标所在像元处的场景光谱进行估计：
re＝∑ijαijrij；
式中，re为待估计场景光谱，rij为用于估计的邻域光谱。
步骤3：基于步骤1筛选的谱段，以步骤2估计的场景光谱为先验信息，对步骤1中获取的混合像元矩阵通过基于稀疏性约束的非负矩阵分解等解混方法进行解混，得到真实的目标光谱。具体步骤如下：
(1)设定稀疏性约束权重矩阵
对于目标处于多场景混叠的情况，结合加权的L1正则化约束对端元分布的稀疏性进行约束，最终目标光谱解混的求解模型可以表示为：
Figure BDA0003139164480000072
Figure BDA0003139164480000073
式中，R、E、A分别代表混合像元时序矩阵、端元光谱矩阵和丰度矩阵，
Figure BDA0003139164480000074
为一标量称为惩罚系数，用以控制正则化项在代价函数之中所占权重，
Figure BDA0003139164480000075
为权重矩阵，⊙为点乘符号，||·||F为矩阵的F范数，||·||F为矩阵的1范数，1m和1n分别为m×m单位矩阵和n×n单位矩阵，
Figure BDA0003139164480000081
为求取右式最小情况下的E和A的值，s.t.后表示需要满足的约束条件。
对于权重矩阵每个元素所对应的丰度值，权重值越大则越容易迭代到0。对于丰度矩阵每一列，应该仅有目标光谱和当前场景光谱的丰度值有值，其余场景光谱丰度值为0。这里将λW合并，对于应存在值的元素设置权重为0，应为0的元素设置同一权重值ω∈[0,1]。例如，对于存在目标在三个场景之中的混叠数据，每个场景包含两帧，则权重矩阵设置如图2所示。
(2)通过迭代优化算法进行目标光谱解混
以乘性迭代法为例实现非负矩阵分解，具体步骤为：
(a)初始化迭代参数
对端元光谱矩阵E和丰度矩阵A进行初始化，其中E可通过估计的场景光谱和随机数进行端元光谱矩阵的初始化，A可以通过随机数进行初始化。
(b)更新迭代参数
对端元光谱矩阵E和丰度矩阵A进行更新迭代的公式为：
E←E.＊(RAT)./EAAT；
A←A.*(ETR)./(ETEA+λW)。
利用基于图3构建的目标光谱混合测试样例，通过上述具体步骤得到解混后的光谱曲线如图4所示，可看出通过本发明提出的基于高光谱探测数据的动态解混方法可以得到较为精确的目标光谱解混结果。

Claims (4)

1.一种基于高光谱目标探测数据的动态解混方法，其特征在于所述方法包括如下步骤：
步骤1：提取高光谱目标探测数据中目标所在混合像元光谱数据，构建混合像元时序矩阵，具体步骤如下：
在通过探测数据先验得到目标位置的基础上，直接抽取各个场景目标所在混合像元处的光谱rj，组合得到混合像元时序矩阵R，该矩阵为h×n维矩阵，其中h、n分别表示谱段数和场景数；
步骤2：基于高光谱目标探测数据估计目标所在场景的光谱曲线，具体步骤如下：
步骤2.1基于简单线性迭代聚类进行超像素分割，具体步骤如下：
(a)初始化超像素中心
对于波段数为h的高光谱数据，每个像元对应一个h+2维向量Vj，由各个波段的光谱信息和空间位置共同定义，写作：
Figure FDA0003804985990000011
式中，Vj表示第j个像元基于光谱信息和空间位置的表征向量；rj＝[r1j,...,rhj]T为第j个像元在各个谱段上的光谱维信息，其中r1j-rhj分别代表第j个像元从第1个谱段至第h个谱段的光谱信息；[mj,nj]T为第j个像元在空间坐标系下的位置，其中mj和nj分别为第j个像元在x和y方向上的空间坐标位置；符号T表示向量转置；
Figure FDA0003804985990000012
表示h+2维的实数空间；
按照给定参数，通过步距ω生成P个超像素均值点；
通过超像素之中所包含的像元信息，超像素也可通过一个h+2维向量Ci表征：
Figure FDA0003804985990000021
式中，Ci表示第i个超像素基于光谱信息和空间位置的表征向量；
Figure FDA0003804985990000022
为第i个超像素在各个谱段上的光谱信息，由超像素之中包含的像元光谱数据取平均求得，其中r1i-rhi分别代表第i个超像素从第1个谱段至第h个谱段的光谱信息；
Figure FDA0003804985990000023
为第i个超像素在空间坐标系下的位置，其中
Figure FDA0003804985990000024
和
Figure FDA0003804985990000025
分别为第i个超像素在x和y方向上的空间坐标位置；符号T表示向量转置；
Figure FDA0003804985990000026
表示h+2维的实数空间；
为了避免将边缘、噪声与异常点选作聚类中心，用初始中心周围3×3区域中梯度最小位置替换初始中心；
(b)计算各像元同超像素中心的距离，更新超像素中心在初始中心点周围搜索与该点在距离上相近并且光谱上相似的像元，将其和中心点归于一类，之后再对聚类后的像元重新计算聚类中心，接着继续搜索周围相似的像元，持续迭代直到收敛；
(c)合并孤立点
通过邻域连通算法，将面积过小的连通分量分配给最近的超像素类别；
步骤2.2基于空间距离权重进行场景光谱估计，所述场景光谱估计公式如下：
re＝∑ijαijrij；
Figure FDA0003804985990000031
式中，re为待估计场景光谱，rij为用于估计的邻域光谱，αij为加权系数，(i,j)、(a,b)分别为邻域像元和待估计像元的空间坐标；
步骤3：基于步骤1筛选的谱段，以步骤2估计的场景光谱作为先验信息，对步骤1中获取的混合像元矩阵进行动态解混，得到真实的目标光谱，具体步骤如下：
步骤3.1设定稀疏性约束权重矩阵，具体步骤如下：
对于目标处于多场景混叠的情况，结合加权的L1正则化约束对端元分布的稀疏性进行约束，最终目标光谱解混的求解模型表示为：
Figure FDA0003804985990000032
s.t.E≥0,A≥0
Figure FDA0003804985990000033
式中，R、E、A分别代表混合像元时序矩阵、端元光谱矩阵和丰度矩阵，
Figure FDA0003804985990000034
为一标量称为惩罚系数，用以控制正则化项在代价函数之中所占权重，
Figure FDA0003804985990000035
为权重矩阵，⊙为点乘符号，||·||F为矩阵的F范数，||·||1为矩阵的1范数，1m和1n分别为m×m单位矩阵和n×n单位矩阵，
Figure FDA0003804985990000036
为求取右式最小情况下的E和A的值，s.t.后表示需要满足的约束条件；
步骤3.2通过迭代优化算法进行目标光谱解混。
2.根据权利要求1所述的基于高光谱目标探测数据的动态解混方法，其特征在于所述步距ω与超像素均值点数目P和像素总数N的关系表示为：
Figure FDA0003804985990000041
3.根据权利要求1所述的基于高光谱目标探测数据的动态解混方法，其特征在于所述各像元同超像素中心的距离的计算公式如下：
Figure FDA0003804985990000042
Figure FDA0003804985990000043
Figure FDA0003804985990000044
式中，Dji度量第i个超像素同第j个像元的相似程度；dx度量第i个超像素同第j个像元的光谱相似性，其中
Figure FDA0003804985990000045
为第i个超像素的光谱信息向量表征，rj为第j个像元的光谱信息向量表征；dmn度量第i个超像素同第j个像元的欧几里得空间距离，其中mj和nj分别为第j个像元在x和y方向上的空间坐标位置，
Figure FDA0003804985990000046
和
Figure FDA0003804985990000047
分别为第i个超像素在x和y方向上的空间坐标位置；参数ωs用以调节空间距离和光谱相似性之间的权重；
Figure FDA0003804985990000048
表示h+2维的实数空间。
4.根据权利要求1所述的基于高光谱目标探测数据的动态解混方法，其特征在于所述步骤3.2中，以乘性迭代法实现非负矩阵分解时，具体步骤为：
(a)初始化迭代参数
对端元光谱矩阵E和丰度矩阵A进行初始化；
(b)更新迭代参数
按照以下公式对端元光谱矩阵E和丰度矩阵A进行更新迭代：
E←E.*(RAT)./EAAT；
A←A.*(ETR)./(ETEA+λW)。
CN202110727401.7A 2021-06-29 2021-06-29 一种基于高光谱目标探测数据的动态解混方法 Active CN113446998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110727401.7A CN113446998B (zh) 2021-06-29 2021-06-29 一种基于高光谱目标探测数据的动态解混方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110727401.7A CN113446998B (zh) 2021-06-29 2021-06-29 一种基于高光谱目标探测数据的动态解混方法

Publications (2)

Publication Number Publication Date
CN113446998A CN113446998A (zh) 2021-09-28
CN113446998B true CN113446998B (zh) 2022-09-30

Family

ID=77813845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110727401.7A Active CN113446998B (zh) 2021-06-29 2021-06-29 一种基于高光谱目标探测数据的动态解混方法

Country Status (1)

Country Link
CN (1) CN113446998B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188423B (zh) * 2023-02-22 2023-08-08 哈尔滨工业大学 基于病理切片高光谱图像的超像素稀疏解混检测方法
CN115953691B (zh) * 2023-03-09 2023-05-16 昆明理工大学 一种土石方爆破的动态识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6665438B1 (en) * 1999-05-05 2003-12-16 American Gnc Corporation Method for hyperspectral imagery exploitation and pixel spectral unmixing
CN101140325A (zh) * 2007-10-16 2008-03-12 哈尔滨工业大学 高光谱图像的空间-光谱信息协同提高分辨率的方法
CN103810715A (zh) * 2014-03-12 2014-05-21 西安电子科技大学 基于邻域光谱加权的高光谱图像稀疏解混方法
CN105261000A (zh) * 2015-09-17 2016-01-20 哈尔滨工程大学 一种基于端元提取与光谱解混的高光谱图像融合方法
CN110992273A (zh) * 2019-11-04 2020-04-10 中国科学院西安光学精密机械研究所 一种自相似性约束的高光谱影像解混方法
CN111008975A (zh) * 2019-12-02 2020-04-14 北京航空航天大学 一种空间人造目标线性模型的混合像元解混方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016041079A1 (en) * 2014-09-16 2016-03-24 University Of New Brunswick Optical sensor systems and image processing methods for remote sensing
CN104331880B (zh) * 2014-10-20 2017-02-15 西安电子科技大学 基于几何空谱结构信息的高光谱混合像元分解方法
CN111161199B (zh) * 2019-12-13 2023-09-19 中国地质大学（武汉） 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6665438B1 (en) * 1999-05-05 2003-12-16 American Gnc Corporation Method for hyperspectral imagery exploitation and pixel spectral unmixing
CN101140325A (zh) * 2007-10-16 2008-03-12 哈尔滨工业大学 高光谱图像的空间-光谱信息协同提高分辨率的方法
CN103810715A (zh) * 2014-03-12 2014-05-21 西安电子科技大学 基于邻域光谱加权的高光谱图像稀疏解混方法
CN105261000A (zh) * 2015-09-17 2016-01-20 哈尔滨工程大学 一种基于端元提取与光谱解混的高光谱图像融合方法
CN110992273A (zh) * 2019-11-04 2020-04-10 中国科学院西安光学精密机械研究所 一种自相似性约束的高光谱影像解混方法
CN111008975A (zh) * 2019-12-02 2020-04-14 北京航空航天大学 一种空间人造目标线性模型的混合像元解混方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Spatial group sparsity regularized nonnegative matrix factorization for hyperspectral unmixing;Xinyu Wang 等;《IEEE Transactions on Geoscience and Remote Sensing》;20171130;第55卷(第11期);6287-6304 *
基于光谱距离聚类的高光谱图像解混算法;刘颖 等;《计算机应用》;20190910;第39卷(第9期);2541-2546 *
基于端元子集优选的高光谱解混算法研究;刘万军 等;《计算机应用与软件》;20161231(第7期);252-256 *
煤矿粉尘影响三种典型荒漠植被生长的高光谱指数研究(英文);张鹏飞 等;《光谱学与光谱分析》;20140831;第34卷(第8期);2162-2168 *
稀疏性高光谱解混方法研究;宋义刚 等;《南京理工大学学报》;20130831;第37卷(第4期);486-492 *

Also Published As

Publication number Publication date
CN113446998A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Fu et al. Hyperspectral anomaly detection via deep plug-and-play denoising CNN regularization
Broadwater et al. Hybrid detectors for subpixel targets
Zhao et al. Band-subset-based clustering and fusion for hyperspectral imagery classification
Mookambiga et al. Comprehensive review on fusion techniques for spatial information enhancement in hyperspectral imagery
CN106228544B (zh) 一种基于稀疏表示和标签传播的显著性检测方法
CN107992891B (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
Karoui et al. Blind spatial unmixing of multispectral images: New methods combining sparse component analysis, clustering and non-negativity constraints
Zhou et al. CANet: An unsupervised deep convolutional neural network for efficient cluster-analysis-based multibaseline InSAR phase unwrapping
CN113446998B (zh) 一种基于高光谱目标探测数据的动态解混方法
CN107609573B (zh) 基于低秩分解和空谱约束的高光谱图像时变特征提取方法
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
CN108182449A (zh) 一种高光谱图像分类方法
CN110751087B (zh) 一种基于eof的无人机信号识别系统和方法
CN109300115B (zh) 一种面向对象的多光谱高分辨率遥感影像变化检测方法
CN108470192B (zh) 一种高光谱分类方法及装置
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
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法
Ye et al. Optical and SAR image fusion based on complementary feature decomposition and visual saliency features
CN112883823A (zh) 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法
CN113421198A (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
Shabna et al. HSEG and PCA for Hyper-spectral Image Classification
Ahmad et al. Robust coupled non-negative matrix factorization for hyperspectral and multispectral data fusion
Pla et al. Multi-spectral texture characterisation for remote sensing image segmentation
Irmak et al. A map-based approach to resolution enhancement of hyperspectral images
Ersahin et al. Classification of polarimetric SAR data using spectral graph partitioning

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