CN113505846A - 基于互信息的高光谱波段选择方法 - Google Patents

基于互信息的高光谱波段选择方法 Download PDF

Info

Publication number
CN113505846A
CN113505846A CN202110844202.4A CN202110844202A CN113505846A CN 113505846 A CN113505846 A CN 113505846A CN 202110844202 A CN202110844202 A CN 202110844202A CN 113505846 A CN113505846 A CN 113505846A
Authority
CN
China
Prior art keywords
mutual information
band
bands
wave
selecting
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.)
Pending
Application number
CN202110844202.4A
Other languages
English (en)
Inventor
李�昊
龚泽威一
许志松
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid 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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202110844202.4A priority Critical patent/CN113505846A/zh
Publication of CN113505846A publication Critical patent/CN113505846A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于互信息的高光谱波段选择方法，主要包括输入候选高光谱波段集合X＝[x1,x2,...,xN]，选出N个互信息大且冗余低的波段集合，即空集；对候选波段集合计算互信息矩阵；利用互信息测度和序列前向搜索算法进行波段选择；所选波段集合与候选波段集合之间的平均互信息度量波段冗余度，未选波段集合与候选波段集合之间的平均互信息度量波段的代表性，评估所有未选定的波段分数；选出得分最高的波段添加到所选波段集中；选择波段数目达到设定值；保留选择的波段集用最近邻和支持向量机进行分类。

Description

基于互信息的高光谱波段选择方法
技术领域
本申请涉及遥感图像处理技术领域，尤其涉及一种基于互信息的高光谱波段选择方法。
背景技术
在过去的几十年里，传感器技术有了显著的进步，高光谱成像(HSI)已经成为遥感最强大和有效的工具。高光谱遥感器或成像光谱仪捕获的图像数据由数百个非常狭窄和相邻的光谱波段组成。这些特征增强了高光谱图像鉴别微小地表特征的潜力。由于具有精确的识别能力，它为许多应用领域提供了宝贵的信息来源，包括作物分析、精确农业、林业、矿产探测、目标检测、城市规划、医疗诊断等。然而，高光谱图像的高维特性也导致了图像冗余度大、计算量大、存储需求增加。同时，由于地面真实样本数量有限，相关光谱波段较多，导致HSI分类过程中出现Hughes现象；因此，它成为一个困难的任务。因此，在任何处理任务之前降低HSI数据集的维数，同时保持所需的信息是至关重要的。
HSI的降维可以通过特征提取和特征选择(波段选择)方法来实现。对于前者，通过主成分分析(PCA)、奇异值分解(SVD)、线性判别分析(LDA)等映射技术将高维数据映射到低维数据空间。然而，在这种映射过程中，数据的物理属性会丢失。在后一种情况下，选择相关的波段子集，其中包含最相关的光谱信息，而不改变数据的物理性质。由于波段选择方法保持了数据的物理意义，它们比特征提取方法更受青睐。
根据对ground truth类的先验知识的参与程度，BS方法可以分为有监督的BS方法、无监督的BS方法和半监督的BS方法。BS的监督方法采用的评价标准最大限度地提高了标记样本的分类可分性。BS的无监督方法通过测量数据的性质来选择波段。半监督方法使用标记和未标记样本来评估频带相关性。在许多情况下，以前的类信息往往无法获得，或者收集起来困难且昂贵。因此，在这种情况下采用无监督的BS方法。在没有标记样本的情况下，选择最优波段是一个非常具有挑战性的问题。
本专利提出了一种基于互信息测度作为选择准则，以序列前向搜索(SFS)算法作为搜索算法的基于排序的无监督频带选择方法。该方法通过测量波段间的平均互信息来选择高信息量、低冗余的波段。所选波段的冗余度是通过与所选波段集合的信息重叠来估计的，而与剩余未选波段集合的信息重叠则估计其信息能力。虽然基本思想简单，但可以在计算效率高的情况下达到较好的分类精度。
发明内容
本申请提供了一种基于互信息的高光谱波段选择方法，以解决在许多情况下，类信息无法获得，收集起来困难且昂贵，无法选择出最有代表性的波段从而导致不能选择出最富含信息的波段的问题。
本申请提供了一种基于互信息的高光谱波段选择方法，包括，输入候选高光谱波段集合X＝[x1,x2,...,xN]，选出N个互信息大且冗余低的波段集合，即空集；对候选波段集合计算互信息矩阵；利用互信息测度和序列前向搜索算法进行波段选择；所选波段集合与候选波段集合之间的平均互信息度量波段冗余度，未选波段集合与候选波段集合之间的平均互信息度量波段的代表性，评估所有未选定的波段分数；选出得分最高的波段添加到所选波段集中；选择波段数目达到设定值；保留选择的波段集用最近邻和支持向量机进行分类。
在一些实施例中，所述计算互信息矩阵具体步骤为：
X＝[x1,x2,...,xN]，互信息(MI)矩阵定义为，
Figure BDA0003180202050000021
式中，N表示光谱波段数，mii,j表示第i段与第j段之间的MI；
在一些实施例中，所述波段选择方法为无监督波段选择方法；
在一些实施例中，所述冗余度具体计算步骤为：
Figure BDA0003180202050000022
式中，RD表示冗余度，m表示已选择波段数；
所述代表性具体计算步骤为：
Figure BDA0003180202050000023
式中，RP表示代表性，m表示已选择波段数；
在一些实施例中，所述冗余度越低，波段分数分数越高，所述代表性越高，波段分配分数越高，具体计算方式为：
R＝RP-RD；
式中，R为波段分数；
在一些实施例中，每次迭代都选择与所选波段冗余度低且对未选波段信息内容代表性强的波段。
本申请提供了一种基于互信息的高光谱波段选择方法，基于互信息测度作为选择准则，以序列前向(SFS)算法作为搜素算法的基于排序的无监督频带选择方法。该方法通过测量波段之间的平均互信息来选择高信息量、低冗余的波段。所选波段的冗余度是通过与所选波段集合的信息重叠来估计的，而与剩余未选波段集合的信息重叠则估计其信息能力。不仅构思精巧便捷，还可以保证在计算率高的情况下达到较好的分类精度。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请基于互信息的高光谱波段选择方法的流程图；
图2为变量X和Y之间的熵和MI关系示意图；
图3为在SVM分类下的博茨瓦纳数据集的分类精度比较图；
图4为在KNN分类下的博茨瓦纳数据集的分类精度比较图；
图5为在SVM分类下的印度松树数据集比较图；
图6为在KNN分类下的印度松树数据集比较图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1，为本申请基于互信息的高光谱波段选择方法的流程图。
由图一可知，本申请提供的一种基于互信息的高光谱波段选择方法，包括步骤1，输入候选高光谱波段集合X＝[x1,x2,...,xN]，选出N个互信息大且冗余低的波段集合，即空集；步骤2，对候选波段集合计算互信息矩阵；步骤3，利用互信息测度和序列前向搜索算法进行波段选择；步骤4，所选波段集合与候选波段集合之间的平均互信息度量波段冗余度，未选波段集合与候选波段集合之间的平均互信息度量波段的代表性，评估所有未选定的波段分数；步骤5，选出得分最高的波段添加到所选波段集中；步骤6，选择波段数目达到设定值；步骤7，保留选择的波段集用最近邻和支持向量机进行分类。
如果X是一个随机变量，那么它的熵或信息量衡量方式为，
Figure BDA0003180202050000041
式中，p(X)表示X的概率分布函数(pdf)，互信息(MI)衡量两个随机变量之间的共享信息，定义为，
Figure BDA0003180202050000042
式中，p(x,y)表示变量x和变量y的联合概率。MI是两个随机变量之间相关性的度量，MI值越小，说明变量之间的相关性越低。自变量MI为0。
Figure BDA0003180202050000043
MI(X,Y)＝E(X)+E(Y)-E(X,Y)；
其中，E(X,Y)表示变量X和Y的联合熵，E(X|Y)和E(Y|X)表示条件熵。如图2示出了变量X和Y的熵和互信息之间的关系。
高光谱波段选择过程目的是从波段集X＝[X1,X2，，XN]中选择信息最丰富、冗余最少的波段，用于分类或目标检测等特定应用。本申请将高光谱图像数据集的波段选择问题转化为分类问题，并采用了序列前向搜索的方法，避免了穷举搜索。本申请从一组所选波段的空集合开始，并将当前所选的图像波段包含到所选波段的集合中，直到所选的波段数目达到所希望的数目为止。每次迭代都选择与所选波段冗余度低且能很好代表未选波段信息内容的波段。
高光谱图像的波段本质上是高度冗余的，为了衡量它们的代表性(或信息性)和冗余性，我们可以利用它们的信息重叠，即波段之间的依赖性。假设候选波段和未选择波段之间的信息重叠很高。在这种情况下，候选波段和未选择波段之间的MI就会很高。因此，候选波段可以很好地代表未选择的波段，则候选波段的信息能力较高。另一方面，如果候选波段与所选波段之间的信息重叠或MI较低，则候选波段与所选波段的冗余度较低。
在一些实施例中，所述计算互信息矩阵具体步骤为：
X＝[x1,x2,...,xN]，互信息(MI)矩阵定义为，
Figure BDA0003180202050000044
式中，N表示光谱波段数，mii,j表示第i段与第j段之间的MI；mii,j值越大，表示波段i和波段j之间的MI越高。
在一些实施例中，所述波段选择方法为无监督波段选择方法；
如果需要选择n个波段，已经选择了m个波段，那么选择(m+1)个波段的时候则需要衡量波段的代表性能力和冗余度。
在一些实施例中，所述冗余度具体计算步骤为：
Figure BDA0003180202050000051
式中，RD表示冗余度，m表示已选择波段数；
所述代表性具体计算步骤为：
Figure BDA0003180202050000052
式中，RP表示代表性，m表示已选择波段数；
在一些实施例中，所述冗余度越低，波段分数分数越高，所述代表性越高，波段分配分数越高，具体计算方式为：
R＝RP-RD；
式中，R为波段分数；
在分配分数之后，在每一轮选择中都选择具有最高分数的图像波段。确保在每一轮波段选择中将具有良好信息能力和较少冗余的波段添加到所选波段的集合中。
在一些实施例中，每次迭代都选择与所选波段冗余度低且对未选波段信息内容代表性强的波段。
本申请使用两个基准高光谱数据集进行性能评估。第一组数据是由Hyperion传感器利用NASA EO-1卫星在博茨瓦纳奥卡万戈三角洲上空捕获的，由256x1476像素、14个地面覆盖类别和242个图像波段(波长范围为400-2500nm)组成。在本申请中，去除了吸水率和噪声波段，并使用了剩余的145波段数据集。第二个数据集是224波段的AVIRIS，印度松树(IP)数据集，包括145x145像素，16个地面覆盖类别，波长范围为500-2500nm。在本申请中，使用了200波段的数据集，消除了吸水率和噪声波段。
在本申请中，最后保留选择的波段集用最近邻(KNN)和支持向量机(SVM)进行分类。KNN分类器和SVM分类器参数的最近邻数和权重参数，采用径向基函数核，在每次分类运行中采用网格搜索策略进行调整。对于每个数据集，选择10％的地面真值样本作为训练集，剩余样本作为测试集。通过对10倍像素分类结果的平均，得到了平均分类精度。两个数据集的所选波段的分类结果如表一所示，分类比较图如图3和图5所示。从图3和图5可以得出结论，在SVM分类下，基于MI的方法比基于BCACOE的相关方法性能更好，结果一致。
Figure BDA0003180202050000061
表1
IP数据集中10个选定光谱带的平均互信息(AMI)如下表2所示。从表2中可以明显看出，AMI的计算值与BCACOE方法相当。这一措施验证了选择标准的有效性，以获得低MI波段子集。
Figure BDA0003180202050000062
表2
本申请提出了一种简单有效的基于MI测度和SFS算法的BS方法，及一种基于互信息的高光谱波段选择方法。在每一轮选择中，选择冗余度低、信息能力强的波段。所选波段集和候选频波段之间的平均互信息(AMI)度量其冗余度，而未选波段集和候选波段集之间的平均互信息(AMI)度量其信息能力。通过利用这两个度量，分配每个波段的分数，并且将具有最高分数的波段添加到所选波段的集合中。实验结果证明了本申请一种基于互信息的高光谱波段选择方法的有效性。为了提高本申请的性能，可以采用其他措施。
本申请提出了一种基于互信息测度作为选择标准，以序列前向搜索算法作为搜索算法的基于排序的无监督频带选择方法。本申请通过测量波段之间的平均互信息来选择信息代表性高、冗余度低的波段。从空谱联合的角度，实现高光谱图像的噪声去除，提高了图像的可靠性和质量，基本构思精巧简洁，可以在计算效率高的情况下达到比较好的分类精度。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (7)

1.一种基于互信息的高光谱波段选择方法，其特征在于，包括以下步骤：
输入候选高光谱波段集合X＝[x1,x2,...,xN]，选出N个互信息大且冗余低的波段集合，即空集；
对候选波段集合计算互信息矩阵；
利用互信息测度和序列前向搜索算法进行波段选择；
所选波段集合与候选波段集合之间的平均互信息度量波段冗余度，未选波段集合与候选波段集合之间的平均互信息度量波段的代表性，评估所有未选定的波段分数；
选出得分最高的波段添加到所选波段集中；
选择波段数目达到设定值；
保留选择的波段集用最近邻和支持向量机进行分类。
2.根据权利要求1所述的一种基于互信息的高光谱波段选择方法，其特征在于，所述计算互信息矩阵具体步骤为：
X＝[x1,x2,...,xN]，互信息(MI)矩阵定义为
Figure FDA0003180202040000011
式中，N表示光谱波段数，mii,j表示第i段与第j段之间的MI。
3.根据权利要求1所述的一种基于互信息的高光谱波段选择方法，其特征在于，所述波段选择方法为无监督波段选择方法。
4.根据权利要求1所述的一种基于互信息的高光谱波段选择方法，其特征在于，所述冗余度具体计算步骤为：
Figure FDA0003180202040000012
式中，RD表示冗余度，m表示已选择波段数。
5.根据权利要求1所述的一种基于互信息的高光谱波段选择方法，其特征在于，所述代表性具体计算步骤为：
Figure FDA0003180202040000013
式中，RP表示代表性，m表示已选择波段数。
6.根据权利要求4-5所述的一种基于互信息的高光谱波段选择方法，其特征在于，所述冗余度越低，波段分数分数越高，所述代表性越高，波段分配分数越高，具体计算方式为：
R＝RP-RD；
式中，R为波段分数。
7.根据权利要求1所述的一种基于互信息的高光谱波段选择方法，其特征在于，每次迭代都选择与所选波段冗余度低且对未选波段信息内容代表性强的波段。
CN202110844202.4A 2021-07-26 2021-07-26 基于互信息的高光谱波段选择方法 Pending CN113505846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110844202.4A CN113505846A (zh) 2021-07-26 2021-07-26 基于互信息的高光谱波段选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110844202.4A CN113505846A (zh) 2021-07-26 2021-07-26 基于互信息的高光谱波段选择方法

Publications (1)

Publication Number Publication Date
CN113505846A true CN113505846A (zh) 2021-10-15

Family

ID=78014041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110844202.4A Pending CN113505846A (zh) 2021-07-26 2021-07-26 基于互信息的高光谱波段选择方法

Country Status (1)

Country Link
CN (1) CN113505846A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853392A (zh) * 2010-04-21 2010-10-06 河海大学 基于条件互信息的遥感高光谱图像波段选择方法
CN103714354A (zh) * 2014-01-16 2014-04-09 西安电子科技大学 基于量子粒子群算法的高光谱图像波段选择方法
CN104820841A (zh) * 2015-05-08 2015-08-05 西安电子科技大学 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
CN105989592A (zh) * 2015-02-11 2016-10-05 中国科学院西安光学精密机械研究所 基于双聚类及邻域分析的高光谱图像波段选择方法
CN108154094A (zh) * 2017-12-14 2018-06-12 浙江工业大学 基于子区间划分的高光谱图像非监督波段选择方法
CN109191443A (zh) * 2018-08-28 2019-01-11 广东工业大学 基于序列信息与波段质量的高光谱图像波段选择方法
CN112884035A (zh) * 2021-02-07 2021-06-01 山东科技大学 一种噪声鲁棒的高光谱图像波段选择方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853392A (zh) * 2010-04-21 2010-10-06 河海大学 基于条件互信息的遥感高光谱图像波段选择方法
CN103714354A (zh) * 2014-01-16 2014-04-09 西安电子科技大学 基于量子粒子群算法的高光谱图像波段选择方法
CN105989592A (zh) * 2015-02-11 2016-10-05 中国科学院西安光学精密机械研究所 基于双聚类及邻域分析的高光谱图像波段选择方法
CN104820841A (zh) * 2015-05-08 2015-08-05 西安电子科技大学 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
CN108154094A (zh) * 2017-12-14 2018-06-12 浙江工业大学 基于子区间划分的高光谱图像非监督波段选择方法
CN109191443A (zh) * 2018-08-28 2019-01-11 广东工业大学 基于序列信息与波段质量的高光谱图像波段选择方法
CN112884035A (zh) * 2021-02-07 2021-06-01 山东科技大学 一种噪声鲁棒的高光谱图像波段选择方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEIWEI SUN 等: "Fast and Robust Self-Representation Method for Hyperspectral Band Selection", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
张文强: "基于向量子空间投影的高光谱图像无监督波段选择技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *
秦方普 等: "基于谱聚类与类间可分性因子的高光谱波段选择", 《光谱学与光谱分析》 *

Similar Documents

Publication Publication Date Title
CN105608433B (zh) 一种基于核协同表达的高光谱图像分类方法
Pal et al. Feature selection for classification of hyperspectral data by SVM
Kwon et al. Kernel matched subspace detectors for hyperspectral target detection
CN112070008B (zh) 高光谱图像特征识别方法、装置、设备及存储介质
Boggavarapu et al. A new framework for hyperspectral image classification using Gabor embedded patch based convolution neural network
CN103632155B (zh) 基于慢特征分析的遥感影像变化检测方法
CN110298414B (zh) 基于去噪组合降维和引导滤波的高光谱图像分类方法
CN111563544B (zh) 一种多尺度超像素分割的最大信噪比高光谱数据降维方法
CN110346312A (zh) 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法
CN112766227A (zh) 一种高光谱遥感影像分类方法、装置、设备及存储介质
CN103679703B (zh) 一种基于共形几何代数的高光谱遥感影像降维方法
Shambulinga et al. Hyperspectral image classification using support vector machine with guided image filter
CN113111969B (zh) 一种基于混合度量的高光谱图像分类方法
Shetty et al. Performance evaluation of dimensionality reduction techniques on hyperspectral data for mineral exploration
P. Thampy et al. A convolution neural network approach to Doppler spectra classification of 205 MHz radar
Shambulinga et al. Supervised hyperspectral image classification using SVM and linear discriminant analysis
Bhushan et al. An effective pre-processing algorithm for detecting noisy spectral bands in hyperspectral imagery
Prabhu et al. Wavelet based feature extraction techniques of hyperspectral data
CN113505846A (zh) 基于互信息的高光谱波段选择方法
Rezvanian et al. Patch-based sparse and convolutional autoencoders for anomaly detection in hyperspectral images
Chiu et al. Evaluation of incorporating texture into wetland mapping from multispectral images
Drzewiecki et al. Applicability of multifractal features as global characteristics of WorldView-2 panchromatic satellite images
CN112330622B (zh) 一种基于地物最大区分度的高光谱图像波段选择方法
Ding et al. Ensemble classification of hyperspectral images by integrating spectral and texture features
Varma et al. HSIS-Net: Hyperspectral Image Segmentation Using Multi-view Active Learning Based FCSN.

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211015

RJ01 Rejection of invention patent application after publication