CN115240074B - 一种基于协方差表示的高光谱图像分类方法及设备 - Google Patents

一种基于协方差表示的高光谱图像分类方法及设备 Download PDF

Info

Publication number
CN115240074B
CN115240074B CN202211154270.9A CN202211154270A CN115240074B CN 115240074 B CN115240074 B CN 115240074B CN 202211154270 A CN202211154270 A CN 202211154270A CN 115240074 B CN115240074 B CN 115240074B
Authority
CN
China
Prior art keywords
covariance
image
representation
spatial
hyperspectral
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
CN202211154270.9A
Other languages
English (en)
Other versions
CN115240074A (zh
Inventor
孙启玉
刘玉峰
孙平
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.)
Shandong Fengshi Information Technology Co ltd
Original Assignee
Shandong Fengshi Information Technology 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 Shandong Fengshi Information Technology Co ltd filed Critical Shandong Fengshi Information Technology Co ltd
Priority to CN202211154270.9A priority Critical patent/CN115240074B/zh
Publication of CN115240074A publication Critical patent/CN115240074A/zh
Application granted granted Critical
Publication of CN115240074B publication Critical patent/CN115240074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于协方差表示的高光谱图像分类方法及设备，属于遥感图像技术领域。方法包括步骤：S1.对图像预处理并进行MNF降维降噪；S2.进行双空间尺度图像块的裁剪；S3.裁剪完后将数据集拆分为训练集和测试集；S4.对两种空间邻域尺度图像块进行协方差表示；S5.对两种空间邻域尺度的协方差表示进行处理与融合，得到光谱‑空间协方差表示向量；S6.基于训练集将光谱‑空间协方差表示向量送入支持向量机进行训练；S7.对训练好的支持向量机模型进行测试集预测；S8.利用最终训练好的模型获得高光谱图像分类映射结果。本发明提高了在高光谱图像分类任务上的模型性能和泛化能力，可实现更优的地物判别性能。

Description

一种基于协方差表示的高光谱图像分类方法及设备
技术领域
本发明涉及一种高光谱图像分类方法，特别涉及一种基于协方差表示的高光谱图像分类方法及设备，属于遥感图像技术领域。
背景技术
近年来，航空观测任务的发展使得搭载在航空平台上的光谱成像仪捕获的高光谱图像的获取更加便捷。高光谱图像在光谱域包含上百道反映地物判别信息的光谱信息，在空间域也记录了充足的空间邻域信息，因此受到广泛关注与应用，例如在矿业勘探，精准农业、城市规划和国防军事等领域。高光谱分类任务作为众多高级光谱任务的基石，旨在对高光谱图像的每一个像元指派唯一的地物语义标签，对后续的应用具有重要作用。
在高光谱图像分类任务中，充分地挖掘光谱-空间关系是提取光谱-空间特征的关键，进而实现更优的地物判别性能。当前，以非线性层叠范式为特征的深度学习方法以强大的特征提取能力在高光谱分类任务上取得了较大进展，但是其不可解释的黑盒性质是阻碍其进一步应用的一个障碍。另一方面，高光谱图像分类任务中目标像元周围的邻域信息是有益的，因为地物信息总是聚簇地记录在高光谱图像中，光谱像元周围的邻域像元有很大概率与该像元属于同一地物类别，而不同空间尺度的邻域信息反映了目标像元不同粒度的空间邻域分布。然而，当前的高光谱图像分类领域中，针对多尺度空间邻域信息的利用还有待进一步发展，特别是联合不同尺度的空间邻域信息来获得更具有表示性的光谱-空间表示。除此之外，高光谱图像众多光谱通道记录的地物信息往往与有限标记的地物样本是难以平衡的，具体而言，实际应用中往往只有十分有限的地物标记样本来利用上百道光谱通道信息。并且，由于客观的大气和光散射机制，高光谱成像过程中容易引入光谱噪音，这对实现良好的地物判别性能提出了新的挑战。
发明内容
本发明的目的是克服上述不足，而提供一种基于协方差表示的高光谱图像分类方法，可实现在高光谱图像分类任务中充分地挖掘光谱-空间关系，提高在高光谱图像分类任务上的模型性能和泛化能力，一定程度上弥补基于机器学习方法在高光谱图像分类任务上的判别性特征提取能力的欠缺。
本发明采取的技术方案为：
一种基于协方差表示的高光谱图像分类方法，包括步骤如下：
S1.对图像标准化预处理并进行MNF（最小噪声分离变换）降维降噪；
S2. 进行双空间尺度图像块的裁剪，对每个图像像元进行空间窗大小不同的两种空间邻域尺度的图像块的裁剪；
S3. 裁剪完后将数据集拆分为训练集和测试集；
S4.对两种空间邻域尺度图像块进行协方差表示；
S5. 对两种空间邻域尺度的协方差表示进行处理与融合，得到光谱-空间协方差表示向量；
S6.基于训练集将光谱-空间协方差表示向量送入支持向量机进行训练；
S7. 对训练好的支持向量机模型进行测试集预测；
S8. 利用最终训练好的模型获得高光谱图像分类映射结果。
上述基于协方差表示的高光谱图像分类方法中，步骤S2所述的双空间尺度图像块的裁剪按k× k× b尺寸， 其中k× k选不同两个空间窗，b不变是图像原始光谱维数；优选将预处理图像的边界分别进行双尺度长度的0填充，对于每个图像像元进行9×9×b和11×11×b两种图像尺度的图像块剪裁，其中9×9和11×11代表两种空间邻域尺度的图像块的空间窗大小，b是图像原始光谱维数。
步骤S4所述的协方差表示，对于某个尺度的图像块，首先在空间维度 进行转置得到，其包含k 2 个光谱维度为b的像元，对应的协方差表示有：
其中，μ是像元向量的均值向量，T表示矩阵的转置；
可以获得对应两种空间邻域尺度图像块的协方差表示即与， 两个协方差矩阵大小是相同的。
步骤S5所述的处理与融合，首先对两个协方差表示进行上三角化，之后通过向量化展平得到两个1维上三角协方差向量，并进一步进行逐元素相加融合得到最终的双尺度光谱-空间表示向量。
步骤S6所述的支持向量机训练选用径向基函数RBF作为非线性核函数，正则化参数设为20，不断地迭代训练，停止准则的误差设为1e-5（表示的是1×10-5作为支持向量机分类器的误差停止准则）。
本发明的另一个目的是提供一种基于协方差表示的高光谱图像分类设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于协方差表示的高光谱图像分类方法。
本发明还提供一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如上所述的基于协方差表示的高光谱图像分类方法中的步骤。
本发明为了降低原始高光谱图像的光谱维度与成像过程中不可避免引入的光谱噪音，使用最小噪音分离变换的MNF获取更加紧致的光谱信息表示，并降低噪音。其次，为了获得更加丰富的空间邻域表示来增强后续光谱-空间协方差表示的表达能力，对预处理之后的图像进行双空间邻域尺度的图像块裁剪。紧接着，以对不同空间尺度的图像块沿着光谱通道维度进行显式的光谱-空间协方差表示建模，这是一种显式的光谱-空间特征表示与抽象，有效地提升了所提出模型的特征挖掘能力与像元指派能力。之后，两种尺度的协方差表示进行建模上三角化、向量化和逐元素加的融合来获得统一的双尺度光谱-空间表示向量。最后，融合之后的双尺度光谱-空间表示向量用于训练经典的RBF核的支持向量机，最终完成高光谱场景下的像元分类。
本发明的有益效果是：
通过MNF方法对原始高光谱图像进行合理地降维和降噪来应对高维度数据和有限标记样本之间的冲突，并且使用双空间邻域尺度的图像块来提取更丰富的空间邻域信息，获取更加具有表示性的光谱-空间表示；通过对双空间领域尺度的图像块进行显式的光谱-空间的协方差建模，有效地集成了光谱-空间相关关系，结合具有理论支撑的非线性支持向量机，进一步提高了所提出模型在高光谱图像分类任务上的模型性能和泛化能力，这种光谱-空间特征提取方式一定程度上弥补了基于机器学习方法在高光谱图像分类任务上的判别性特征提取能力的欠缺，实现更优的地物判别性能。
附图说明
图1为本发明方法的模型结构示意图；
图2为本发明方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
实施例1
一种基于协方差表示的高光谱图像分类方法，包括步骤如下：
S1. 图像预处理与MNF降维降噪
对加载的原始图像中所有的像元样本的每个光谱维度进行均值-方差标准化处理，以加速提出的分类模型在训练过程中的收敛速度。之后进行最小噪音分离变换的MNF降维与降噪，其通过最大化信噪比可以在降维过程中有效地去除在成像获取过程中融入的噪音。通过预处理步骤中的MNF降维与降噪可以有效地缓解有限标记的高光谱像元与高光谱高维光谱通道特征之间的冲突。其中，MNF降维的降维系数根据实验经验设置为0.2。
S2. 进行双空间尺度图像块的裁剪
本步骤剪裁所提出模型使用的双空间邻域尺度的图像块输入，用以获取更加丰富地、表示性更强地光谱-空间表示。首先，将预处理图像的边界分别进行双尺度长度(9与11像元长度)的0填充，对于每个图像像元进行9×9×b和11×11×b两种图像尺度的图像块剪裁，其中9×9和11×11代表两种空间邻域尺度的图像块的空间窗大小，b是图像原始光谱维数。
S3. 裁剪完后将数据集拆分为训练集和测试集
确定输入单元的裁剪模式之后，需要完成数据集的拆分。具体而言，对数据场景中每个类别进行样本随机采样来划分训练样本和测试样本。例如，对于Indian Pines数据集和Kennedy Space Center数据集，训练样本占10%，对于Pavia University数据集，训练样本占5%，其余样本均用作测试。当某个样本类别数量过少难以达到验证集的采样要求时，通过设置最低采样数量来保证每个类别大体按照类别样本数量比例均衡采样。最后，每个类别的训练样本和测试样本分别聚合成为训练集和测试集。
S4.对两种空间邻域尺度图像块进行协方差表示
对于某个尺度的图像块，k =9,11，首先在空间维度进行转置得到，其包含k 2 个光谱维度为b的像元，对应的协方差表示有：
其中，μ是像元向量的均值向量，T表示矩阵的转置；
这里的每个非对角条目表示对应光谱通道之间的相关度，整体上是光 谱-空间关系的一种显式表达。以这种方式，可以获得对应两种空间尺度图像块的协方差表 示即与。
因为，构建协方差矩阵的方向是沿着光谱通道维度，所以不同空间尺度的图像块构建而成的协方差矩阵大小是相同的，即b×b。
S5. 对两种空间邻域尺度的协方差表示进行处理与融合
依据步骤S4得到关于两个空间尺度图像块的协方差表示，并且两个协方差大小相同，如图1所示，为了统一地利用不同尺度的光谱-空间表示，这里对C 1 和C 2 进行融合。由于协方差矩阵是对称矩阵，这里首先对两个协方差表示进行上三角化，即取上三角信息来减少信息冗余。之后通过向量化展平得到两个1维上三角协方差向量，并进一步进行逐元素相加融合得到最终的双尺度光谱-空间表示向量。
S6. 基于训练集将光谱-空间协方差表示向量送入支持向量机进行训练
对于融合的光谱-空间协方差表示向量，进一步送入支持向量机进行训练。这里选用径向基函数RBF作为非线性核函数，惩罚系数C设为1.0，核函数的系数设置为样本特征数的倒数，正则化参数设为20，停止准则得误差设为1e-5。这里通过不断地迭代训练，寻找满足分类准则的最大决策边界，直到满足停止准则。
S7.将训练好的支持向量机模型进行测试集预测
利用训练好的支持向量机在划分好的测试集上做像元样本的地物类别指派，根据真值标签可以定量衡量模型在各个高光谱场景中的分类性能。
S8. 利用最终训练好的模型获得高光谱图像分类映射结果
利用最终训练好的支持向量机，对不同的高光谱地物场景使用，模型可以通过对场景中每个像元进行类别标签指派来得到该完整场景的可视化图像。
实施例2
本实施例提供了实现本发明的硬件设备：
一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如实施例1所述的基于协方差表示的高光谱图像分类方法中的步骤。
一种基于协方差表示的高光谱图像分类设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例1所述的基于协方差表示的高光谱图像分类方法。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于协方差表示的高光谱图像分类方法，其特征是，包括步骤如下：
S1.对图像标准化预处理并进行MNF降维降噪；
S2.进行双空间尺度图像块的裁剪，对每个图像像元进行空间窗大小不同的两种空间邻域尺度的图像块的裁剪；
S3.裁剪完后将数据集拆分为训练集和测试集；
S4.对两种空间邻域尺度图像块进行协方差表示；所述的协方差表示，对于某个尺度的图像块X∈Rk×k×b,首先在空间维度进行转置得到其包含k2个光谱维度为b的像元，对应的协方差表示有：
其中，μ是像元向量的均值向量，T表示矩阵的转置；
S5.对两种空间邻域尺度的协方差表示进行处理与融合，得到光谱-空间协方差表示向量；
所述的处理与融合，首先对两个协方差表示进行上三角化，之后通过向量化展平得到两个1维上三角协方差向量，并进一步进行逐元素相加融合得到最终的双尺度光谱-空间表示向量；
S6.基于训练集将光谱-空间协方差表示向量送入支持向量机进行训练；
S7.对训练好的支持向量机模型进行测试集预测；
S8.利用最终训练好的模型获得高光谱图像分类映射结果。
2.根据权利要求1所述的一种基于协方差表示的高光谱图像分类方法，其特征是，步骤S2所述的双空间尺度图像块的裁剪按k×k×b尺寸，其中k×k选不同两个空间窗，b不变是图像原始光谱维数。
3.根据权利要求2所述的一种基于协方差表示的高光谱图像分类方法，其特征是，步骤S2所述的双空间尺度图像块的裁剪为将预处理图像的边界分别进行双尺度长度的0填充，对于每个图像像元进行9×9×b和11×11×b两种图像尺度的图像块剪裁，其中9×9和11×11代表两种空间邻域尺度的图像块的空间窗大小，b是图像原始光谱维数。
4.根据权利要求1所述的一种基于协方差表示的高光谱图像分类方法，其特征是，步骤S4所述的协方差表示可以获得对应两种空间邻域尺度图像块的协方差表示即C1∈Rb×b与C2∈Rb×b，两个协方差矩阵大小是相同的。
5.根据权利要求1所述的一种基于协方差表示的高光谱图像分类方法，其特征是，步骤S6所述的支持向量机训练选用径向基函数RBF作为非线性核函数，正则化参数设为20，不断地迭代训练，停止准则的误差设为1e-5。
6.一种存储设备，其为计算机可读存储设备，其特征是，所述的计算机可读存储设备上存储有计算机程序用于实现如权利要求1-5任一项所述的基于协方差表示的高光谱图像分类方法中的步骤。
7.一种基于协方差表示的高光谱图像分类设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于协方差表示的高光谱图像分类方法。
CN202211154270.9A 2022-09-22 2022-09-22 一种基于协方差表示的高光谱图像分类方法及设备 Active CN115240074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211154270.9A CN115240074B (zh) 2022-09-22 2022-09-22 一种基于协方差表示的高光谱图像分类方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211154270.9A CN115240074B (zh) 2022-09-22 2022-09-22 一种基于协方差表示的高光谱图像分类方法及设备

Publications (2)

Publication Number Publication Date
CN115240074A CN115240074A (zh) 2022-10-25
CN115240074B true CN115240074B (zh) 2023-08-11

Family

ID=83680871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154270.9A Active CN115240074B (zh) 2022-09-22 2022-09-22 一种基于协方差表示的高光谱图像分类方法及设备

Country Status (1)

Country Link
CN (1) CN115240074B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017166156A1 (zh) * 2016-03-31 2017-10-05 深圳大学 一种高光谱图像的分类方法及其系统
CN108090447A (zh) * 2017-12-19 2018-05-29 青岛理工大学 双分支深层结构下的高光谱图像分类方法及装置
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN113327231A (zh) * 2021-05-28 2021-08-31 北京理工大学重庆创新中心 一种基于空谱联合的高光谱异常目标检测方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106055576B (zh) * 2016-05-20 2018-04-10 大连理工大学 一种大规模数据背景下的快速有效的图像检索方法
US11449985B2 (en) * 2016-12-02 2022-09-20 Regents Of The University Of Minnesota Computer vision for cancerous tissue recognition
CN107944359B (zh) * 2017-11-14 2019-11-15 深圳市中电数通智慧安全科技股份有限公司 基于视频的火焰检测方法
CN108171133B (zh) * 2017-12-20 2020-08-18 华南理工大学 一种基于特征协方差矩阵的动态手势识别方法
CN110460401B (zh) * 2019-07-05 2022-02-11 广东工业大学 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法
CN110321963B (zh) * 2019-07-09 2022-03-04 西安电子科技大学 基于融合多尺度多维空谱特征的高光谱图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017166156A1 (zh) * 2016-03-31 2017-10-05 深圳大学 一种高光谱图像的分类方法及其系统
CN108090447A (zh) * 2017-12-19 2018-05-29 青岛理工大学 双分支深层结构下的高光谱图像分类方法及装置
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN113327231A (zh) * 2021-05-28 2021-08-31 北京理工大学重庆创新中心 一种基于空谱联合的高光谱异常目标检测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于稀疏表达的火焰与烟雾探测方法研究》.西南交通大学出版社,2017,(第1版),第49页. *

Also Published As

Publication number Publication date
CN115240074A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN111680176B (zh) 基于注意力与双向特征融合的遥感图像检索方法及系统
CN109886330B (zh) 文本检测方法、装置、计算机可读存储介质和计算机设备
CN110570433B (zh) 基于生成对抗网络的图像语义分割模型构建方法和装置
CN111814685B (zh) 基于双支路卷积自编码器的高光谱图像分类方法
CN113780211A (zh) 一种基于改进型Yolov4-tiny的轻量级飞机检测方法
CN113780296A (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN111401426B (zh) 基于伪标签学习的小样本高光谱图像分类方法
CN107590515A (zh) 基于熵率超像素分割的自编码器的高光谱图像分类方法
CN115249332A (zh) 基于空谱双分支卷积网络的高光谱图像分类方法及设备
CN112598076B (zh) 一种机动车属性识别方法及系统
CN117011616B (zh) 一种图像内容审核方法、装置、存储介质和电子设备
CN112528058B (zh) 基于图像属性主动学习的细粒度图像分类方法
CN111639697B (zh) 基于非重复采样与原型网络的高光谱图像分类方法
CN117572457B (zh) 一种基于伪标签学习的跨场景多光谱点云分类方法
CN114078197A (zh) 一种基于支撑样本特征增强的小样本目标检测方法及装置
CN113239736A (zh) 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统
CN115457311B (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
CN114997501A (zh) 基于样本失衡的深度学习矿产资源分类预测方法及系统
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN113516194B (zh) 高光谱遥感影像半监督分类方法、装置、设备及存储介质
Wang et al. Classification and extent determination of rock slope using deep learning
CN115240074B (zh) 一种基于协方差表示的高光谱图像分类方法及设备
CN116958709A (zh) 一种轻量级张量卷积长短时记忆网络的高光谱分类方法
CN108052981B (zh) 基于非下采样Contourlet变换和卷积神经网络的图像分类方法
CN115035408A (zh) 基于迁移学习和注意力机制的无人机影像树种分类方法

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