CN113850216A - 一种面向大场景遥感图像分类的类指定多模联合表示方法 - Google Patents
一种面向大场景遥感图像分类的类指定多模联合表示方法 Download PDFInfo
- Publication number
- CN113850216A CN113850216A CN202111160930.XA CN202111160930A CN113850216A CN 113850216 A CN113850216 A CN 113850216A CN 202111160930 A CN202111160930 A CN 202111160930A CN 113850216 A CN113850216 A CN 113850216A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- class
- multispectral
- scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种面向大场景遥感图像分类的类指定多模联合表示方法,本发明涉及多模遥感图像联合表示方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为:一、输入覆盖区域相同的多模遥感图像,以及相应的地物标签图,构造多模遥感图像的类指定多模联合表示模型;所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像;二、采用乘数交替方向法求解多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;三、输入大场景多光谱遥感图像,利用多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;四、重构得到大场景的高判别性高光谱图像。本发明用于遥感图像分类领域。
Description
技术领域
本发明涉及多模遥感图像联合表示方法。
背景技术
大场景遥感图像的精细分类在光学遥感应用中越来越重要。作为两种典型的光学遥感数据,多光谱图像和高光谱图像具有互补的特征:多光谱图像幅宽大,重访周期短,但波段数少,导致光谱可分性较弱。高光谱图像幅宽窄,重访周期长,但其具有数百个波段,因此具备精细分类的能力。为了有效利用多模遥感图像(高光谱图像和多光谱图像)的优势,近年来有学者对多模态遥感图像的联合表示进行了研究,多模态遥感图像的联合表示就是通过学习覆盖范围相同的高光谱图像和多光谱图像之间的关系,来重建大场景多光谱图像所对应的模拟高光谱图像,从而将高光谱图像的精细分类能力迁移到大场景多光谱图像上,实现分类性能的提升。
当前,多模态联合表示方法主要有两类,一种是基于深度学习的方法,一种是基于稀疏表示的方法。基于深度学习的方法通常难以重构多光谱图像光谱覆盖范围之外的波段,基于稀疏表示的方法虽然没有上述缺点,但是当前方法仅以高光谱图像的重构为目标,并没有考虑后续的分类应用,而且这些方法大多数是无监督的,没有考虑对标签信息的利用。
发明内容
本发明的目的是为了提高现有大场景遥感图像的分类精度,提出了一种面向大场景遥感图像分类的类指定多模联合表示方法。
一种面向大场景遥感图像分类的类指定多模联合表示方法具体过程为:
步骤一、输入覆盖区域相同的多模遥感图像,以及相应的地物标签图,构造多模遥感图像的类指定多模联合表示模型;
所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像;
步骤二、采用乘数交替方向法求解步骤一构造的多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;
所述类指定的跨模字典包括多光谱字典和高光谱字典;
步骤三、输入大场景多光谱遥感图像,利用步骤二得到的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;
所述输入的大场景多光谱遥感图像的覆盖区域包含步骤一中多光谱遥感图像的覆盖区域;
步骤四、利用步骤二得到的高光谱字典和步骤三得到的一致稀疏表示系数矩阵,重构得到大场景的高判别性高光谱图像。
本发明的有益效果为:
本发明可以从构造有监督约束入手解决上述问题(基于深度学习的方法通常难以重构多光谱图像光谱覆盖范围之外的波段,基于稀疏表示的方法虽然没有上述缺点,但是当前方法仅以高光谱图像的重构为目标,并没有考虑后续的分类应用,而且这些方法大多数是无监督的,没有考虑对标签信息的利用。);在多模联合表示的过程中引入了标签信息,利用训练样本的标签构造分类约束,同时,利用训练样本标签和字典标签的类别一致关系构造判别性稀疏表示系数约束,从而使学习的跨模态字典既具有表示性又具有判别性;即构造类指定的多模遥感图像联合表示模型能够从理论上显著提升重构高光谱图像的分类性能;因此,重构得到的大场景高光谱图像具备更好的判别性,从而显著提升大场景分类精度。
本发明方法通过增加判别性约束和分类约束的方式,学习得到类指定的跨模字典(高光谱字典和多光谱字典),从而重构出大场景的高判别性高光谱图像,最终实现大场景遥感图像高精度分类。
为了验证本发明的性能,在一组真实高光谱-多光谱图像对上进行了验证,实验结果表明,相比当前的代表性方法,本方法重构得到的高光谱图像分类精度更高。实验结果验证了本发明提出的面向大场景遥感图像精细分类的类指定多模联合表示方法的有效性。
附图说明
图1是本发明的实现流程示意图;
图2a是高光谱图像的假彩色合成图;
图2b是多光谱图像的假彩色合成图,其中方框表示其与高光谱数据的重叠区域;
图3a重叠区域的地物标签图,用于构建类指定多模遥感图像联合表示模型;
图3b是非重叠区域的地物标签图,用于评价分类效果;
图4是不同方法的分类效果对比图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式一种面向大场景遥感图像分类的类指定多模联合表示方法具体过程为:
步骤一、输入覆盖区域相同的多模遥感图像,以及相应的地物标签图(公式中的H和G都是基于这个地物标签图得到的),构造多模遥感图像的类指定多模联合表示模型,主要包括重构误差约束,判别性约束和分类约束;
所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像;
步骤二、步骤一的模型优化基于约束模型一阶导数零点为极值点的思想,采用乘数交替方向法求解步骤一构造的多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;
所述类指定的跨模字典包括多光谱字典和高光谱字典;
步骤三、输入大场景多光谱遥感图像,利用步骤二得到的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;
所述输入的大场景多光谱遥感图像的覆盖区域包含步骤一中多光谱遥感图像的覆盖区域;
步骤四、利用步骤二得到的高光谱字典和步骤三得到的一致稀疏表示系数矩阵,重构得到大场景的高判别性高光谱图像。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中构造多模遥感图像的类指定多模联合表示模型;具体过程为:
令X表示跨模稀疏表示系数矩阵;
其中,表示高光谱图像中的有标签样本,表示多光谱图像中的有标签样本,dH表示高光谱图像中样本的光谱维度,dM表示多光谱图像中样本的光谱维度,P表示有标签样本的个数,表示高光谱字典中的原子,表示多光谱字典中的原子,N表示字典中原子的个数;
多模遥感图像的类指定多模联合表示模型的目标函数可表示为:
其中,表示Frobenius范数的平方;||·||1,1表示矩阵每列的L1范数;||·||*表示核范数;表示L2范数的平方;表示输入样本的稀疏表示系数对于分类的判别性;A是将原始的稀疏表示系数变换到最具判别性稀疏特征空间的线性映射;是输入样本YH和YM公共的标签,C表示类别总数;当或属于第c类时,hc,p=1;W是线性分类器的参数;α,β,γ和χ为平衡各约束项重要性的惩罚系数。
其它步骤与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述多模遥感图像的类指定多模联合表示模型的目标函数中前两项代表重构误差,第三项α||X||1,1代表跨模稀疏表示系数的稀疏性约束,第四项β(||DH||*+||DM||*)代表跨模字典的低秩约束,第五项代表判别性约束,第六项代表分类约束。
其它步骤与具体实施方式一或二相同。
其它步骤与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤二中步骤一的模型优化基于约束模型一阶导数零点为极值点的思想,采用乘数交替方向法求解步骤一构造的多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;具体过程为:
为采用乘数交替方向法,需要引入参数B=X,J=DH,K=DM,将多模遥感图像的类指定多模联合表示模型改写成如下形式:
s.t.B=X,J=DH,K=DM
多模遥感图像的类指定多模联合表示模型的拉格朗日增广函数为:
优化X:
X←Γ1 -1Γ2
Γ1=(DH)TDH+(DM)TDM+ATA+WTW+ηIN×N
Γ2=(DH)TYH+(DM)TYM+γATG+χWTH+Φ1+ηB
其中,Γ1、Γ2为中间变量,IN×N表示大小为N×N的单位矩阵,←表示在迭代优化过程中对当前优化的参数赋值;
优化DH和DM:
DH←(YHXT+ηJ+Φ2)(XXT+ηIN×N)-1
DM←(YMXT+ηK+Φ3)(XXT+ηIN×N)-1
优化A和W:
A=GXT(XXT+IN×N)-1
W=HXT(XXT+IN×N)-1
优化B:
其中,⊙为矩阵的Hadamard积;
优化J和K:
Φ1←Φ1+η(B-X)
Φ2←Φ2+η(J-DH)
Φ3←Φ3+η(K-DM)
所述类指定跨模字典包括多光谱字典和高光谱字典。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述软阈值算子定义如下:对于秩为r的矩阵E,基于奇异值分解,E被表示为:E=UΣVT,U为EET的特征向量,V为ETE的特征向量,Σ为E的奇异值矩阵,Σ=diag({σi}1≤i≤r);σi为奇异值,是Σ对角线上的元素;
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤三中输入大场景多光谱遥感图像,利用步骤二得到的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;具体过程为:
利用步骤二得到的多光谱字典对大场景多光谱遥感图像ZM进行稀疏表示的目标函数为:
为了采用乘数交替方向法,需要引入参数R=S,类似于步骤二,得到拉格朗日增广函数:
其中,Ω是拉格朗日乘子,κ是惩罚系数,R为参数;
基于约束模型一阶导数零点为极值点的思想,优化过程如下:
优化S:
优化R:
优化Ω:
Ω←Ω+κ(R-S)
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:所述步骤四中利用步骤二得到的高光谱字典和步骤三得到的一致稀疏表示系数矩阵,重构得到大场景的高判别性高光谱图像;具体过程为:
其它步骤及参数与具体实施方式一至七之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
一种面向大场景遥感图像分类的类指定多模联合表示方法,具体是按照以下步骤制备的:
实验中所用到的多模数据集包含一幅高光谱图像和一幅多光谱图像,数据已经经过了大气、几何校正等预处理。采集地点为黄河三角洲国家级自然保护区。多光谱图像由高分一号宽幅相机于2018年10月31号采集,其包含4个波段,分别是蓝、绿、红和近红外。空间分辨率为16米,共有1066×1108个像素。高光谱图像由高分五号卫星于2018年11月1日采集,它包含330个波段,光谱覆盖范围是400~2500nm。去除了水汽吸收和噪声波段后剩余295波段。它的空间分辨率是30米,实验前首先通过最近邻插值法将其上采样至与多光谱图像相同的分辨率。高光谱图像与多光谱图像的重叠区域大小为404×448。高光谱图像和多光谱图像的假彩色合成图如图2a和图2b所示,重叠区域的地物标签和非重叠区域的地物标签如图3a和3b所示。实验将原始大场景多光谱图像的分类效果作为基线,对比了三种代表性的方法,图4给出了每类分类精度、平均分类精度(AA)、总体分类精度(OA)和kappa系数四种指标的对比结果。可以看出,本方法(CSSR)在5种类别上取得了最高的分类精度,且AA,OA和Kappa系数均高于其他对比方法。此外,本方法是唯一一个分类精度高于原始大场景多光谱图像分类效果的方法实验结果验证了本发明提出的面向大场景遥感图像精细分类的类指定多模联合表示方法的有效性。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种面向大场景遥感图像分类的类指定多模联合表示方法,其特征在于:所述方法具体过程为:
步骤一、输入覆盖区域相同的多模遥感图像,以及相应的地物标签图,构造多模遥感图像的类指定多模联合表示模型;
所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像;
步骤二、采用乘数交替方向法求解步骤一构造的多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;
所述类指定的跨模字典包括多光谱字典和高光谱字典;
步骤三、输入大场景多光谱遥感图像,利用步骤二得到的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;
所述输入的大场景多光谱遥感图像的覆盖区域包含步骤一中多光谱遥感图像的覆盖区域;
步骤四、利用步骤二得到的高光谱字典和步骤三得到的一致稀疏表示系数矩阵,重构得到大场景的高判别性高光谱图像。
2.根据权利要求1所述一种面向大场景遥感图像分类的类指定多模联合表示方法,其特征在于:所述步骤一中构造多模遥感图像的类指定多模联合表示模型;具体过程为:
令X表示跨模稀疏表示系数矩阵;
其中,表示高光谱图像中的有标签样本,表示多光谱图像中的有标签样本,dH表示高光谱图像中样本的光谱维度,dM表示多光谱图像中样本的光谱维度,P表示有标签样本的个数,表示高光谱字典中的原子,表示多光谱字典中的原子,N表示字典中原子的个数;
多模遥感图像的类指定多模联合表示模型的目标函数可表示为:
5.根据权利要求4所述一种面向大场景遥感图像分类的类指定多模联合表示方法,其特征在于:所述步骤二中采用乘数交替方向法求解步骤一构造的多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;具体过程为:
为采用乘数交替方向法,需要引入参数B=X,J=DH,K=DM,将多模遥感图像的类指定多模联合表示模型改写成如下形式:
s.t.B=X,J=DH,K=DM
多模遥感图像的类指定多模联合表示模型的拉格朗日增广函数为:
迭代优化过程如下:
优化X:
X←Γ1 -1Γ2
Γ1=(DH)TDH+(DM)TDM+ATA+WTW+ηIN×N
Γ2=(DH)TYH+(DM)TYM+γATG+χWTH+Φ1+ηB
其中,Γ1、Γ2为中间变量,IN×N表示大小为N×N的单位矩阵,←表示在迭代优化过程中对当前优化的参数赋值;
优化DH和DM:
DH←(YHXT+ηJ+Φ2)(XXT+ηIN×N)-1
DM←(YMXT+ηK+Φ3)(XXT+ηIN×N)-1
优化A和W:
A=GXT(XXT+IN×N)-1
W=HXT(XXT+IN×N)-1
优化B:
其中,⊙为矩阵的Hadamard积;
优化J和K:
Φ1←Φ1+η(B-X)
Φ2←Φ2+η(J-DH)
Φ3←Φ3+η(K-DM)
所述类指定跨模字典包括多光谱字典和高光谱字典。
7.根据权利要求6所述一种面向大场景遥感图像分类的类指定多模联合表示方法,其特征在于:所述步骤三中输入大场景多光谱遥感图像,利用步骤二得到的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;具体过程为:
利用步骤二得到的多光谱字典对大场景多光谱遥感图像ZM进行稀疏表示的目标函数为:
为了采用乘数交替方向法,需要引入参数R=S,得到拉格朗日增广函数:
其中,Ω是拉格朗日乘子,κ是惩罚系数,R为参数;
优化过程如下:
优化S:
优化R:
优化Ω:
Ω←Ω+κ(R-S)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160930.XA CN113850216B (zh) | 2021-09-30 | 2021-09-30 | 一种面向大场景遥感图像分类的类指定多模联合表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160930.XA CN113850216B (zh) | 2021-09-30 | 2021-09-30 | 一种面向大场景遥感图像分类的类指定多模联合表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850216A true CN113850216A (zh) | 2021-12-28 |
CN113850216B CN113850216B (zh) | 2022-05-17 |
Family
ID=78977329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111160930.XA Active CN113850216B (zh) | 2021-09-30 | 2021-09-30 | 一种面向大场景遥感图像分类的类指定多模联合表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850216B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529769A (zh) * | 2022-02-21 | 2022-05-24 | 哈尔滨工业大学 | 一种面向大场景遥感图像分类的可分离多模联合表示方法 |
CN115797175A (zh) * | 2022-11-30 | 2023-03-14 | 哈尔滨工业大学 | 一种基于亚像素字典学习的高光谱遥感图像空间超分辨方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN107067040A (zh) * | 2017-05-11 | 2017-08-18 | 攀枝花学院 | 基于张量稀疏表示及聚类的多光谱遥感图像分类方法 |
CN110889358A (zh) * | 2019-11-19 | 2020-03-17 | 哈尔滨理工大学 | 一种基于相关系数和联合稀疏表示的高光谱图像分类方法及装置 |
CN113392790A (zh) * | 2021-06-24 | 2021-09-14 | 哈尔滨工业大学 | 全色/多光谱遥感图像与高光谱遥感图像的融合方法 |
-
2021
- 2021-09-30 CN CN202111160930.XA patent/CN113850216B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN107067040A (zh) * | 2017-05-11 | 2017-08-18 | 攀枝花学院 | 基于张量稀疏表示及聚类的多光谱遥感图像分类方法 |
CN110889358A (zh) * | 2019-11-19 | 2020-03-17 | 哈尔滨理工大学 | 一种基于相关系数和联合稀疏表示的高光谱图像分类方法及装置 |
CN113392790A (zh) * | 2021-06-24 | 2021-09-14 | 哈尔滨工业大学 | 全色/多光谱遥感图像与高光谱遥感图像的融合方法 |
Non-Patent Citations (2)
Title |
---|
刘文轩等: "基于多任务联合稀疏和低秩表示的高分辨率遥感图像分类", 《武汉大学学报(信息科学版)》 * |
徐锐等: "面向对象的高光谱遥感影像稀疏表示分类", 《测绘工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529769A (zh) * | 2022-02-21 | 2022-05-24 | 哈尔滨工业大学 | 一种面向大场景遥感图像分类的可分离多模联合表示方法 |
CN115797175A (zh) * | 2022-11-30 | 2023-03-14 | 哈尔滨工业大学 | 一种基于亚像素字典学习的高光谱遥感图像空间超分辨方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113850216B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Hyperspectral image reconstruction using a deep spatial-spectral prior | |
CN111080567B (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及系统 | |
CN113850216B (zh) | 一种面向大场景遥感图像分类的类指定多模联合表示方法 | |
CN106485688B (zh) | 基于神经网络的高光谱图像重构方法 | |
CN111260576A (zh) | 一种基于去噪三维卷积自编码网络的高光谱解混算法 | |
CN114529769B (zh) | 一种面向大场景遥感图像分类的可分离多模联合表示方法 | |
CN108520495B (zh) | 基于聚类流形先验的高光谱图像超分辨重建方法 | |
CN104978573A (zh) | 一种应用于高光谱图像处理的非负矩阵分解方法 | |
CN114998167B (zh) | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 | |
CN113327218A (zh) | 一种基于级联网络的高光谱与全色图像融合方法 | |
CN107316309A (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
Chen et al. | Semisupervised spectral degradation constrained network for spectral super-resolution | |
Charles et al. | Spectral Superresolution of Hyperspectral Imagery Using Reweighted $\ell_ {1} $ Spatial Filtering | |
CN112699838B (zh) | 基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法 | |
CN115311187A (zh) | 基于内部和外部先验的高光谱融合成像方法、系统及介质 | |
CN103413292A (zh) | 基于约束最小二乘的高光谱图像非线性丰度估计方法 | |
CN112215267A (zh) | 一种面向高光谱图像的深度空谱子空间聚类方法 | |
Wen et al. | DeepCASD: An end-to-end approach for multi-spectral image super-resolution | |
CN108985301A (zh) | 一种多特征类子字典学习的高光谱图像分类方法 | |
CN115457311A (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
Yan et al. | Panchromatic and multispectral image fusion via alternating reverse filtering network | |
CN115147321A (zh) | 一种基于可解译神经网络的多光谱图像融合方法 | |
CN108596819A (zh) | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 | |
CN106296583B (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 | |
CN113744134B (zh) | 基于光谱解混卷积神经网络的高光谱图像超分辨方法 |
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 |