CN113780168A - 一种高光谱遥感影像端元束自动提取方法 - Google Patents

一种高光谱遥感影像端元束自动提取方法 Download PDF

Info

Publication number
CN113780168A
CN113780168A CN202111060895.4A CN202111060895A CN113780168A CN 113780168 A CN113780168 A CN 113780168A CN 202111060895 A CN202111060895 A CN 202111060895A CN 113780168 A CN113780168 A CN 113780168A
Authority
CN
China
Prior art keywords
end member
scale
remote sensing
subgraph
pixel points
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
Application number
CN202111060895.4A
Other languages
English (en)
Other versions
CN113780168B (zh
Inventor
许明明
叶传龙
刘善伟
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202111060895.4A priority Critical patent/CN113780168B/zh
Publication of CN113780168A publication Critical patent/CN113780168A/zh
Application granted granted Critical
Publication of CN113780168B publication Critical patent/CN113780168B/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
    • G06F18/21—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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

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

Abstract

本发明公开了一种高光谱遥感影像端元束自动提取方法，涉及高光谱影像处理技术领域，基本步骤为：首先探测遥感影像的地物边界像素，将边界像素剔除降低混合像元被选为端元的概率；将原始影像在多尺度上进行采样，降低子图的光谱变化；再将各子图进行区域分割，在各个区域提取候选端元；将提取次数超过阈值的候选端元作为最终端元；最后将端元进行聚类，完成端元束的提取工作。本发明综合考虑了光谱变化在端元束提取上的影响，通过降低光谱变化在端元提取和光谱聚类上的影响，提高了端元束提取结果，具有科学合理、易于实现、精度高等优点。

Description

一种高光谱遥感影像端元束自动提取方法
技术领域
本发明涉及高光谱影像处理技术领域，涉及一种高光谱遥感影像端元束提取方法，尤其涉及一种基于多尺度重采样的高光谱遥感影像端元束自动提取方法。
背景技术
高光谱传感器由于其连续的，狭窄的光谱波段，可以为每一个像素提供大量的光谱信息。受到信噪比的影响，遥感影像的高光谱分辨率常常伴随着低空间分辨率。当影像空间分辨率较低时，无法保证在每一个像元都由单一地物覆盖，常常出现一个像素中包含多种地物信息。高光谱影像中存在大量的混合像元，混合像元分解可以求解每一个混合像元中包含的地物以及各种地物所占比例，主要包含端元提取和丰度估计两步。
常见的端元提取方法仅提取每类地物中的一个纯净像元作为端元，但在实际场景中，由于光谱变化的存在，“同物异谱”现象严重，仅凭一个纯净像元无法表示一种地物的特性。遥感影像空间分辨率的提高使得光谱变化对于混合像元分解的影响逐渐增大，传统端元提取方法的局限性也日益凸显。
目前，解决光谱变化的常见方法为提取每一种地物中的多个纯净像元，形成端元束。现有的端元束提取方法多基于整幅高光谱影像进行实验，当影像的光谱变化严重时，现有方法很难充分提取具有代表性的纯净像素以生成端元束。此外，现有的端元聚类方法均直接对提取结果聚类，当光谱变化程度严重时，提取出的端元很难进行正确聚类。因此，急需一种端元束提取方法，适用于在光谱变化程度较高的情况进行端元束自动提取。
发明内容
为了解决上述技术问题，本发明提供了一种高光谱遥感影像端元束自动提取方法用来解决高光谱混合像元分解中光谱变化的问题。
本发明采用以下的技术方案：
(1)利用PCA对尺寸大小为M×N×L的高光谱遥感影像I进行主成分分析，获得第一主成分IPCA；
其中M表示I的行数，N表示I的列数，L表示I的波段个数；
(2)利用Canny算子检测识别IPCA中各地物边界像素点，并且标记所有边界像素点与其四邻域像素点的坐标，提取原始影像对应坐标下的像素点，获取点集合B；
(3)根据步骤(1)中高光谱遥感影像I的大小，确定采样尺度集合scale；
1)求解高光谱遥感影像I的最大采样尺度M_scale，计算公式如下：
M_scale＝[(min(M,N)/20)]+1
其中[·]表示取整函数；
2)将M_scale加入到采样尺度集合scale中，当M_scale<4时，将小于M_scale的所有正整数添加至采样尺度集合scale中；当M_scale≥4时，将1，2和3添加至采样尺度集合scale，并且将小于M_scale的4的倍数Qr添加至采样尺度集合scale；
其中Qr＝4×r,r＝1,2,...,Qr＜M_scale；
(4)(4)将高光谱遥感影像I在采样尺度集合scale上的各个尺度进行采样，生成子图
Figure BDA0003256322960000021
i＝1,...,n_sacle，j＝1,...,Si×Si；
其中
Figure BDA0003256322960000022
表示高光谱遥感影像I在第i个采样尺度上生成的第j个子图，n_sacle表示尺度集合中元素的个数，Si表示采样尺度集合scale中的第i个采样尺度；
(5)对步骤(4)的子图
Figure BDA0003256322960000023
进行分割生成各子区域，利用VCA提取候选端元，得到候选端元集K；
1)将子图
Figure BDA0003256322960000024
进行分割，若j为奇数，则将子图
Figure BDA0003256322960000025
沿水平方向分成四个区域，子图前三个区域的大小为
Figure BDA0003256322960000026
第四个区域的大小为
Figure BDA0003256322960000027
若j为偶数，则将子图
Figure BDA0003256322960000028
沿垂直方向分成四个区域，子图前三个区域的大小为
Figure BDA0003256322960000029
第四个区域的大小为
Figure BDA00032563229600000210
其中
Figure BDA00032563229600000211
表示子图
Figure BDA00032563229600000212
的行数，Wi j表示子图
Figure BDA00032563229600000213
的列数；
2)遍历子图IMGi j中4个区域，将4个区域中出现在点集合B中的像素点剔除，利用VCA提取候选端元；
3)将各子图中提取的候选端元合并，构成候选端元集K，并且记录每一个候选端元被提取的次数；
(6)对步骤(5)中生成的候选端元集K进行筛选，将提取次数超过0.3×n_sacle的候选端元作为最终端元，构成光谱库D；
(7)对步骤(6)生成的光谱库D进行光谱聚类，每一类都表示一种地物的端元束。
进一步，步骤(4)中子图生成步骤为：
1)设置尺寸大小为Si×Si的窗口A，将窗口A置于高光谱遥感影像I的左上角，将窗口内的像素点分配到不同的子图之中；
2)以步长Si将窗口A从左向右移动，窗口A中相同位置对应的像素点分配到同一张子图中，并在子图从左到右排列，直至窗口向右移动时，无像素点在窗口A内；
3)以步长Si将窗口A从上向下移动，并且将窗口A平移到影像最左侧，将窗口A中相同位置对应的像素点分配到同一张子图中，并置于子图的下一行最左侧；
4)重复步骤2)-3)，直至高光谱遥感影像I中所有像素点都被分配到各个子图中。
进一步，步骤(7)中光谱聚类步骤为：
1)从影像I中随机选取各种地物的十个像素点，将各种地物像素点的平均光谱值作为每种地物典型光谱；
2)将光谱库D中的每一个端元分配到不同的端元集合Cs中，将每种地物典型光谱分配到不同的目标集合中；
3)计算每一个端元集合Cs中所有元素与其他集合Ct所有元素的SAD，最小SAD对应的元素所在集合即是端元集合Cs的最相似集合，最相似集合的寻找原理如下；
Figure BDA0003256322960000041
其中，其他集合Ct包含除端元集合Cs外的端元集合和所有的目标集合，Js表示端元集合Cs的最相似集合序号，s表示端元集合Cs的序号，t表示其他集合Ct的序号，
Figure BDA0003256322960000042
表示集合Cs中的第p个元素，
Figure BDA0003256322960000043
表示其他集合Ct中的第q个元素，N1表示端元集合的个数，N2表示目标集合的个数，ns表示端元集合Cs中元素的个数，nt表示其他集合Ct中元素的个数；
4)若某一端元集合的最相似集合与某一目标集合完全一致，则将该端元集合与最相似集合合并作为新目标集合，提取该端元集合作为条件集合，删除该端元集合；
5)若某一端元集合的最相似集合与某一条件集合完全一致，则将该端元集合与条件集合对应的新目标集合合并作为新目标集合，并将该端元集合也作为条件集合，删除该端元集合，重复步骤5)，直至没有端元集合可以与目标集合合并；
6)删除所有的条件集合，将剩余的端元集合与其最相似集合合并作为新的端元集合；
7)重复步骤3)-6)直到所有端元集合都被合并到目标集合中。
本发明具有的有益效果是：
由于光谱变化的影响，基于整幅影像进行端元提取实验，很难充分提取出各种地物具有代表性的纯净像素，本发明将原始影像进行重采样为子图，并将子图进行裁剪分割，在各个子区域进行端元提取实验，可以降低光谱变化在端元提取中的影响，以提高混合像元分解精度。
附图说明
图1为本发明实施的步骤流程图；
图2为影像在采样尺度为2的子图生成示意图；
图3为本发明实施例的实验结果示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述：
本发明需要解决的问题包括：(1)在光谱变化程度较高的遥感影像中，提取出各种地物具有代表性的纯净像元作为端元；(2)在光谱变化影响下，将提取出的端元进行聚类。
参照图1，本发明的具体实施步骤为：
(1)利用PCA对尺寸大小为M×N×L的高光谱遥感影像I进行主成分分析，获得第一主成分IPCA；
其中M表示I的行数，N表示I的列数，L表示I的波段个数。
(2)利用Canny算子检测识别IPCA中各地物边界像素点，并且标记所有边界像素点与其四邻域像素点的坐标，提取原始影像对应坐标下的像素点，获取点集合B。
(3)根据步骤(1)中高光谱遥感影像I的大小，确定采样尺度集合scale；
1)求解高光谱遥感影像I的最大采样尺度M_scale，计算公式如下：
M_scale＝[(min(M,N)/20)]+1
其中[·]表示取整函数；
2)将M_scale加入到采样尺度集合scale中，当M_scale<4时，将小于M_scale的所有正整数添加至采样尺度集合scale中；当M_scale≥4时，将1，2和3添加至采样尺度集合scale，并且将小于M_scale的4的倍数Qr添加至采样尺度集合scale；
其中Qr＝4×r,r＝1,2,...,Qr＜M_scale。
(4)将高光谱遥感影像I在采样尺度集合scale上的各个尺度进行采样，生成子图
Figure BDA0003256322960000051
i＝1,...,n_sacle，j＝1,...,Si×Si，图2为采样尺度为2时子图的生成示意图，图2中各点中的数值代表各像素点的标号；
其中
Figure BDA0003256322960000052
表示高光谱遥感影像I在第i个采样尺度上生成的第j个子图，n_sacle表示尺度集合中元素的个数，Si表示采样尺度集合scale中的第i个采样尺度；
1)设置尺寸大小为Si×Si的窗口A，将窗口A置于高光谱遥感影像I的左上角，将窗口内的像素点分配到不同的子图之中；
2)以步长Si将窗口A从左向右移动，窗口A中相同位置对应的像素点分配到同一张子图中，并在子图从左到右排列，直至窗口向右移动时，无像素点在窗口A内；
3)以步长Si将窗口A从上向下移动，并且将窗口A平移到影像最左侧，将窗口A中相同位置对应的像素点分配到同一张子图中，并置于子图的下一行最左侧；
4)重复步骤2)-3)，直至高光谱遥感影像I中所有像素点都被分配到各个子图中。
(5)对步骤(4)的子图
Figure BDA0003256322960000061
进行分割生成各子区域，利用VCA提取候选端元，得到候选端元集K；
1)将子图
Figure BDA0003256322960000062
进行分割，若j为奇数，则将子图
Figure BDA0003256322960000063
沿水平方向分成四个区域，子图前三个区域的大小为
Figure BDA0003256322960000064
第四个区域的大小为
Figure BDA0003256322960000065
若j为偶数，则将子图
Figure BDA0003256322960000066
沿垂直方向分成四个区域，子图前三个区域的大小为
Figure BDA0003256322960000067
第四个区域的大小为
Figure BDA0003256322960000068
其中
Figure BDA0003256322960000069
表示子图
Figure BDA00032563229600000610
的行数，Wi j表示子图
Figure BDA00032563229600000611
的列数；
2)遍历子图
Figure BDA00032563229600000612
中4个区域，将4个区域中出现在点集合B中的像素点剔除，利用VCA提取候选端元；
3)将各子图中提取的候选端元合并，构成候选端元集K，并且记录每一个候选端元被提取的次数。
(6)对步骤(5)中生成的候选端元集K进行筛选，将提取次数超过0.3×n_sacle的候选端元作为最终端元，构成光谱库D。
(7)对步骤(6)生成的光谱库D进行光谱聚类，每一类都表示一种地物的端元束；
1)从影像I中随机选取各种地物的十个像素点，将各种地物像素点的平均光谱值作为每种地物典型光谱；
2)将光谱库D中的每一个端元分配到不同的端元集合Cs中，将每种地物典型光谱分配到不同的目标集合中；
3)计算每一个端元集合Cs中所有元素与其他集合Ct所有元素的SAD，最小SAD对应的元素所在集合即是端元集合Cs的最相似集合，最相似集合的寻找原理如下；
Figure BDA0003256322960000071
其中，其他集合Ct包含除端元集合Cs外的端元集合和所有的目标集合，Js表示端元集合Cs的最相似集合序号，s表示端元集合Cs的序号，t表示其他集合Ct的序号，
Figure BDA0003256322960000072
表示集合Cs中的第p个元素，
Figure BDA0003256322960000073
表示其他集合Ct中的第q个元素，N1表示端元集合的个数，N2表示目标集合的个数，ns表示端元集合Cs中元素的个数，nt表示其他集合Ct中元素的个数；
4)若某一端元集合的最相似集合与某一目标集合完全一致，则将该端元集合与最相似集合合并作为新目标集合，提取该端元集合作为条件集合，删除该端元集合；
5)若某一端元集合的最相似集合与某一条件集合完全一致，则将该端元集合与条件集合对应的新目标集合合并作为新目标集合，并将该端元集合也作为条件集合，删除该端元集合，重复步骤5)，直至没有端元集合可以与目标集合合并；
6)删除所有的条件集合，将剩余的端元集合与其最相似集合合并作为新的端元集合；
7)重复步骤3)-6)直到所有端元集合都被合并到目标集合中。
以下通过对比试验来验证本发明的有益效果。
本试验采用的数据为仿真数据，共398个波段，光谱范围为0.40-2.5μm，影像尺寸为100像素×100像素。分别采用EBE、SSEBE、AAEBE和本发明方法进行端元提取实验。
试验采用的定量评价指标为光谱角距离，光谱角距离越小，说明方法的效果越好，实验结果见附图3。从试验结果上看，本发明所提方法明显优于对比算法。

Claims (3)

1.一种高光谱遥感影像端元束自动提取方法，其特征在于，包括以下步骤：
(1)利用PCA对尺寸大小为M×N×L的高光谱遥感影像I进行主成分分析，获得第一主成分IPCA；
其中M表示I的行数，N表示I的列数，L表示I的波段个数；
(2)利用Canny算子检测识别IPCA中各地物边界像素点，并且标记所有边界像素点与其四邻域像素点的坐标，提取原始影像对应坐标下的像素点，获取点集合B；
(3)根据步骤(1)中高光谱遥感影像I的大小，确定采样尺度集合scale；
1)求解高光谱遥感影像I的最大采样尺度M_scale，计算公式如下：
M_scale＝[(min(M,N)/20)]+1
其中[·]表示取整函数；
2)将M_scale加入到采样尺度集合scale中，当M_scale<4时，将小于M_scale的所有正整数添加至采样尺度集合scale中；当M_scale≥4时，将1，2和3添加至采样尺度集合scale，并且将小于M_scale的4的倍数Qr添加至采样尺度集合scale；
其中Qr＝4×r,r＝1,2,...,Qr＜M_scale；
(4)(4)将高光谱遥感影像I在采样尺度集合scale上的各个尺度进行采样，生成子图
Figure FDA0003256322950000011
其中
Figure FDA0003256322950000012
表示高光谱遥感影像I在第i个采样尺度上生成的第j个子图，n_sacle表示尺度集合中元素的个数，Si表示采样尺度集合scale中的第i个采样尺度；
(5)对步骤(4)的子图
Figure FDA0003256322950000013
进行分割生成各子区域，利用VCA提取候选端元，得到候选端元集K；
1)将子图
Figure FDA0003256322950000014
进行分割，若j为奇数，则将子图
Figure FDA0003256322950000015
沿水平方向分成四个区域，子图前三个区域的大小为
Figure FDA0003256322950000016
第四个区域的大小为
Figure FDA0003256322950000017
若j为偶数，则将子图
Figure FDA0003256322950000018
沿垂直方向分成四个区域，子图前三个区域的大小为
Figure FDA0003256322950000021
第四个区域的大小为
Figure FDA0003256322950000022
其中
Figure FDA0003256322950000023
表示子图
Figure FDA0003256322950000024
的行数，Wi j表示子图
Figure FDA0003256322950000025
的列数；
2)遍历子图
Figure FDA0003256322950000026
中4个区域，将4个区域中出现在点集合B中的像素点剔除，利用VCA提取候选端元；
3)将各子图中提取的候选端元合并，构成候选端元集K，并且记录每一个候选端元被提取的次数；
(6)对步骤(5)中生成的候选端元集K进行筛选，将提取次数超过0.3×n_sacle的候选端元作为最终端元，构成光谱库D；
(7)对步骤(6)生成的光谱库D进行光谱聚类，每一类都表示一种地物的端元束。
2.根据权利要求1所述的一种高光谱遥感影像端元束自动提取方法，其特征在于：所述步骤(4)中子图生成步骤为：
1)设置尺寸大小为Si×Si的窗口A，将窗口A置于高光谱遥感影像I的左上角，将窗口内的像素点分配到不同的子图之中；
2)以步长Si将窗口A从左向右移动，窗口A中相同位置对应的像素点分配到同一张子图中，并在子图从左到右排列，直至窗口向右移动时，无像素点在窗口A内；
3)以步长Si将窗口A从上向下移动，并且将窗口A平移到影像最左侧，将窗口A中相同位置对应的像素点分配到同一张子图中，并置于子图的下一行最左侧；
4)重复步骤2)-3)，直至高光谱遥感影像I中所有像素点都被分配到各个子图中。
3.根据权利要求1所述的一种高光谱遥感影像端元束自动提取方法，其特征在于：所述步骤(7)中光谱库聚类步骤为：
1)从影像I中随机选取各种地物的十个像素点，将各种地物像素点的平均光谱值作为每种地物典型光谱；
2)将光谱库D中的每一个端元分配到不同的端元集合Cs中，将每种地物典型光谱分配到不同的目标集合中；
3)计算每一个端元集合Cs中所有元素与其他集合Ct所有元素的SAD，最小SAD对应的元素所在集合即是端元集合Cs的最相似集合，最相似集合的寻找原理如下；
Figure FDA0003256322950000031
其中，其他集合Ct包含除端元集合Cs外的端元集合和所有的目标集合，Js表示端元集合Cs的最相似集合序号，s表示端元集合Cs的序号，t表示其他集合Ct的序号，
Figure FDA0003256322950000032
表示集合Cs中的第p个元素，
Figure FDA0003256322950000033
表示其他集合Ct中的第q个元素，N1表示端元集合的个数，N2表示目标集合的个数，ns表示端元集合Cs中元素的个数，nt表示其他集合Ct中元素的个数；
4)若某一端元集合的最相似集合与某一目标集合完全一致，则将该端元集合与最相似集合合并作为新目标集合，提取该端元集合作为条件集合，删除该端元集合；
5)若某一端元集合的最相似集合与某一条件集合完全一致，则将该端元集合与条件集合对应的新目标集合合并作为新目标集合，并将该端元集合也作为条件集合，删除该端元集合，重复步骤5)，直至没有端元集合可以与目标集合合并；
6)删除所有的条件集合，将剩余的端元集合与其最相似集合合并作为新的端元集合；
7)重复步骤3)-6)直到所有端元集合都被合并到目标集合中。
CN202111060895.4A 2021-09-10 2021-09-10 一种高光谱遥感影像端元束自动提取方法 Active CN113780168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111060895.4A CN113780168B (zh) 2021-09-10 2021-09-10 一种高光谱遥感影像端元束自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111060895.4A CN113780168B (zh) 2021-09-10 2021-09-10 一种高光谱遥感影像端元束自动提取方法

Publications (2)

Publication Number Publication Date
CN113780168A true CN113780168A (zh) 2021-12-10
CN113780168B CN113780168B (zh) 2023-09-15

Family

ID=78842448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111060895.4A Active CN113780168B (zh) 2021-09-10 2021-09-10 一种高光谱遥感影像端元束自动提取方法

Country Status (1)

Country Link
CN (1) CN113780168B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA92541C2 (uk) * 2009-02-18 2010-11-10 Государственное Учреждение "Научный Центр Аэрокосмических Исследований Земли Игн Нан Украины" Спосіб підвищення просторової розрізненності гіперспектральних аерокосмічних зображень на основі субпіксельного перерозподілу часток спектральних компонент
US20140028842A1 (en) * 2011-01-02 2014-01-30 Agent Video Intelligence Ltd. Calibration device and method for use in a surveillance system for event detection
CN108427934A (zh) * 2018-03-28 2018-08-21 北京科技大学 一种高光谱影像混合像元分解方法
CN112396029A (zh) * 2020-12-03 2021-02-23 宁波大学 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA92541C2 (uk) * 2009-02-18 2010-11-10 Государственное Учреждение "Научный Центр Аэрокосмических Исследований Земли Игн Нан Украины" Спосіб підвищення просторової розрізненності гіперспектральних аерокосмічних зображень на основі субпіксельного перерозподілу часток спектральних компонент
US20140028842A1 (en) * 2011-01-02 2014-01-30 Agent Video Intelligence Ltd. Calibration device and method for use in a surveillance system for event detection
CN108427934A (zh) * 2018-03-28 2018-08-21 北京科技大学 一种高光谱影像混合像元分解方法
CN112396029A (zh) * 2020-12-03 2021-02-23 宁波大学 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨华东;郝永平;: "结合局部空谱信息的高光谱图像多端元提取", 沈阳理工大学学报, no. 02 *

Also Published As

Publication number Publication date
CN113780168B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN110084292B (zh) 基于DenseNet和多尺度特征融合的目标检测方法
CN105868758B (zh) 图像中文本区域检测方法、装置及电子设备
CN103543277B (zh) 一种基于灰度分析与种类识别的血型结果识别算法
Schmidt et al. VAICo: Visual analysis for image comparison
CN104573675B (zh) 作业图像的展示方法和装置
CN105068918B (zh) 一种页面测试方法及装置
CN109977997A (zh) 基于卷积神经网络快速鲁棒的图像目标检测与分割方法
CN110334760B (zh) 一种基于resUnet的光学元器件损伤检测方法及系统
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
EP2447884B1 (en) Method for detecting and recognising an object in an image, and an apparatus and a computer program therefor
WO2021031711A1 (zh) 一种识别位置谱的方法、装置以及计算机存储介质
CN112819753B (zh) 一种建筑物变化检测方法、装置、智能终端及存储介质
CN113505670A (zh) 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法
Liang et al. A new wavelet-Laplacian method for arbitrarily-oriented character segmentation in video text lines
JP2009163682A (ja) 画像識別装置及びプログラム
CN116868226A (zh) 图像中注释的感兴趣区域的检测
CN112883926A (zh) 表格类医疗影像的识别方法及装置
CN110220902B (zh) 数字病理切片分析方法和装置
CN114926738A (zh) 一种基于深度学习的滑坡识别方法及系统
CN116596921B (zh) 一种焚烧炉渣分选方法及系统
CN111612045A (zh) 一种获取目标检测数据集的通用方法
CN111444834A (zh) 图像文本行检测方法、装置、设备及存储介质
CN113780168B (zh) 一种高光谱遥感影像端元束自动提取方法
CN108629786B (zh) 图像边缘检测方法及装置
CN105930813B (zh) 一种在任意自然场景下检测行文本的方法

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