CN115266599A - 一种用于目标地物分类识别的特征光谱提取方法 - Google Patents
一种用于目标地物分类识别的特征光谱提取方法 Download PDFInfo
- Publication number
- CN115266599A CN115266599A CN202210994712.4A CN202210994712A CN115266599A CN 115266599 A CN115266599 A CN 115266599A CN 202210994712 A CN202210994712 A CN 202210994712A CN 115266599 A CN115266599 A CN 115266599A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- matrix
- feature
- column
- domain space
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种用于目标地物分类识别的特征光谱提取方法,包括:获取目标地物的多条地物光谱、并构建光谱矩阵,根据光谱矩阵获得目标地物光谱的谱域空间,构建以整形反射率为行号,波长为列号的多条目标地物光谱对应的多个待插值矩阵,根据波长对应的反射率和谱域空间的距离,计算每个待插值矩阵的归一化插值因子,对每个待插值矩阵采用反距离插值的方式进行插值处理,获得多个谱域空间矩阵,累加多个谱域空间矩阵,获得地物累计谱域空间矩阵、并计算目标地物的特征光谱。该方法构建的特征光谱可以用于改进分类场景中目标地物的特征光谱提取流程,提高目标识别精度;优化反演场景中特征参量的构建,提升特征参量的表征能力。
Description
技术领域
本发明涉及谱域插值技术领域,更具体的涉及一种用于目标地物分类识别的特征光谱提取方法。
背景技术
高光谱遥感在国民经济、国防建设等方面都发挥着重要作用,已经广泛地应用于地表分类、目标探测、农业监测、矿物填图、环境管理和国防建设等领域。相较于传统光学影像,高光谱影像在普通的二维空间图像的基础上,增加了一维光谱数据,整个数据形成一个光谱图像立方体,每一个像元的光谱数据展开来就对应为一条光谱曲线,形成了图谱合一的数据特征。对于高光谱影像而言,无论是进行分类还是参量反演,都需要构建出目标地物的特征光谱曲线,受到目标地物本身特性和环境因素影响,同类地物多条光谱间也存在一定的波动振荡。因此,获取具有足够表征能力的地物特征光谱对高光谱数据的分析和分类是至关重要的。传统的特征光谱提取方法主要是取多条目标地物光谱曲线的算术平均值作为目标地物特征光谱,也有部分学者利用多条目标地物光谱波动范围构成带状光谱作为目标地物的特征光谱。
传统特征光谱提取方法在高光谱影像分类、分析和定量反演中有着广泛的应用,取得了丰硕的应用成果。但在应用过程中也暴露了一些共性的问题。
算术平均数是一种代表性数值,具有较强的概括能力,表征总体的一般水平,而且易于计算分析,但是其灵敏性高,耐抗性差,受少数极端值影响大。反映到基于算术平均数的特征光谱上就是会削弱部分特征光谱,产生类似“大气效应”的“消峰平谷”的影响。
基于波动范围的带状特征光谱,利用若干条目标地物光谱求取统一波段的最大最小值构建带状特征光谱,此类方法同样易收到极值的影响,同时相较于单一的线状特征光谱,因为其不均匀的谱带形态,不利于部分特征的提取和后续的计算分析。
发明内容
本发明实施例提供一种用于目标地物分类识别的特征光谱提取方法,包括:
获取目标地物的多条地物光谱、基于多条目标地物光谱,构建光谱矩阵;
利用光谱矩阵计算光谱矩阵每列的最大值和最小值,获得目标地物光谱的谱域空间;
构建以整形反射率为行号,波长为列号的多条目标地物光谱对应的多个待插值矩阵,其中,每个待插值矩阵每列中为1的元素代表该列波长存在对应的反射率;
根据波长对应的反射率和谱域空间的距离,计算每个待插值矩阵每一列的归一化插值因子;
对每个待插值矩阵的每一列采用反距离插值的方式进行插值处理,获得多个谱域空间矩阵;
累加多个谱域空间矩阵,获得地物累计谱域空间矩阵、并计算每一列最大值,根据每一列的最大值,构造目标地物的特征光谱。
优选地,获得目标地物光谱的谱域空间,包括:
获得目标地物的多条地物光谱中不同波长对应的反射率;
将反射率乘于10000化为整型;
构造表示N条光谱、M个波长的N×M的矩阵;
计算N×M的矩阵每一列的最大值max和最小值min,作为谱域空间的边界。
优选地,构建待插值矩阵,包括:
构建N条地物光谱的10000×M矩阵Ai,i∈[1、2、……、N],其中N表示光谱数,在10000×M矩阵每列中为1的元素代表该列的波长存在对应的反射率,0代表在该列的波长不存在对应的反射率。
优选地,根据波长对应的反射率和谱域空间的距离,计算每个待插值矩阵每一列的归一化插值因子,包括:
获得待插值矩阵每一列中波长对应的反射率为Rm;
计算反射率为Rm与谱域空间中波长对应的最大值max和最小值min的距离|max-Rm|、|min-Rm|;
将1/|max-Rm|和1/|min-Rm|作为归一化插值因子。
优选地,获得多个谱域空间矩阵,包括:
在待插值矩阵每一列中,以为1的元素为界,向上下逐行递减插值,直至值不大于0,向上递减的归一化插值因子为1/|max-Rm|,向下递减的归一化插值因子为1/|min-Rm|,直至值不大于0;
更新N个10000×M矩阵,获得多个谱域空间矩阵。
优选地,累加多个谱域空间矩阵,获得地物累计谱域空间矩阵、并构造目标地物的特征光谱,包括:
将N个10000×M的谱域空间矩阵进行相加,获得累计谱域空间矩阵;
检索累计谱域空间矩阵每列的最大值,并记录其所在的行号得到一个1×M的矩阵;
将1×M矩阵除于10000,得到M个0-1的数值,获得目标地物的特征光谱。
优选地,还包括对识别不同类的地物目标进行精度验证,其包括:
采用航空高光谱集标注数据分层按比例生成验证像元;
采用混淆矩阵对不同类的地物目标识别精度进行验证。
优选地,还包括对识别不同类的地物目标进行精度评价,其包括:
采用总体精度OA、Kappa系数、制图精度PA和用户精度UA作为精度指标对不同类的地物目标识别精度进行评价。
本发明实施例提供一种用于目标地物分类识别的特征光谱提取方法,与现有技术相比,其有益效果如下:
本文基于地理相似定律,参考空间插值思想,提出了一种基于谱域插值的特征光谱构建算法。该方法将光谱带与空间插值的思路进行耦合,在保留均值特征光谱易于计算分析特性的同时,有效地弥补均值特征光谱耐抗性差的缺点,提高了特征光谱对异常极值的抗性,强化了特征光谱的表征能力。实验结果显示,相较于MCS,ICS在表征特征光谱形态的SAM中,总体精度提升4.24%;在表征特征光谱细节的幅值特征参量重要性评价和LDA中,幅值参量重要性得分平均提高0.35,各树种判别精度提升2.51%,总体精度提上2.5%。研究表明,ICS无论是在光谱特征整体形态的表征,还是对细节特征的再现上,都要优于传统MCS。可以用于改进分类场景中目标地物的特征光谱提取流程,提高类间可分离性;优化反演场景中特征参量的构建,提升光谱的表征能力。
附图说明
图1为本发明实施例提供的一种用于目标地物分类识别的特征光谱提取方法的ICS计算流程图;
图2为本发明实施例提供的一种用于目标地物分类识别的特征光谱提取方法的均值(a)与插值(b)特征光谱SAM结果;
图3为本发明实施例提供的一种用于目标地物分类识别的特征光谱提取方法的错分树种特征光谱对比图;
图4为本发明实施例提供的一种用于目标地物分类识别的特征光谱提取方法的特征参量FS;
图5为本发明实施例提供的一种用于目标地物分类识别的特征光谱提取方法的判别分析精度图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1~5,本发明实施例提供一种用于目标地物分类识别的特征光谱提取方法,该方法包括:第一步,计算谱域。假设用N条波段数为M地物光谱计算特征光谱,先将反射率乘于10000化为整型便于计算,然后将N条地物光谱构建成一个N×M的矩阵,矩阵第n行m列的数值为第n条光谱m波段的反射率。计算矩阵每一列的最大值max和最小值min,构建出该目标地物的谱域空间,即图1中蓝线代表的的谱域边界。
第二步,构建矩阵。构建N个10000×M的矩阵Ai,i∈[1、2、……、N],对应N条地物光谱。矩阵每列仅1个值为1,其余值均为0。每列1值所在的行号即该波段反射率。如第i条地物光谱的m波段反射率为Rm,其对应的矩阵中Ai中第m列Rm行值为1,该列其他值为0。
第三步,谱域插值。逐列计算光谱i反射率与谱域边界的距离,即|max-Rm|、|min-Rm|。然后在对应的矩阵Ai中以Rm行作为中心向上下逐行递减插值,直至值不大于0,向上递减值为1/|max-Rm|,向下递减值1/|min-Rm|。完成矩阵Ai的插值更新,得到N个10000×M的矩阵,称为插值谱域空间。
第四步,ICS提取。将N个矩阵,即插值谱域空间,进行累加,生成一个10000×M矩阵,即累计谱域空间。然后逐列计算累计谱域空间的最大值,记录下最大值所在的行号,得到的1×M一维矩阵就是ICS。
为验证谱域插值特征提取算法在特征光谱形态和幅值构建上的有效性和优越性,以航空高光谱遥感影像和ASD实测树种光谱为数据源,分别求取均值特征光谱(MCS)和谱域插值特征光谱(ICS)。基于两种特征光谱分别进行航空高光谱数据的光谱角制图(SAM)和ASD实测数据的特征参量提取、重要性评价和线性判别分析(LDA),以探究ICS在整体形状上的表征能力和细节特征上的再现能力,验证其有效性与优越性。
1基于SAM的特征光谱整体形态分析
SAM是通过计算像元光谱向量的夹角来度量光谱间的相似性,关注光谱形态的相似度,所以SAM的精度能衡量特征光谱整体形态对目标地类的表征力。基于上节所述流程提取到的MCS与ICS,利用SAM进行航空高光谱集分类制图,分类结果如图2所示。利用航空高光谱集标注数据分层按比例生成验证像元,利用混淆矩阵对分类结果精度进行验证,以总体精度(overall accuracy,OA)、Kappa系数、制图精度(producer’s accuracy,PA)和用户精度(user’s accuracy,UA)作为精度指标进行评价,结果如表1所示。
由图表可以得出以下结论。首先,在整体上看,相较于传统的基于算术平均值的均值特征光谱,基于谱域插值提取的特征光谱在进行光谱角制图时,总体精度高4.24%,Kappa系数也领先0.042,这表明ICS在联合光谱角制图算法进行分类时,在精度和稳定性上都要优于传统MCS。其次,对比各目标地类的识别精度,可以看出在16种地类的32个单项精度指标(PA、UA)中,23个为ICS表现的更加优秀。同时,可以看出MCS表现更好的指标主要集中在光谱特征差异比较显著,识别难度较低的水域、裸地、房屋、水稻差等地物上。对于光谱特征较为相近的地物,ICS表现出了较为明显的识别优势,这也在一定程度上证明ICS能更好的保留目标地物的细节特征,增强特征光谱对近似地物的识辨能力。最后,对算法产生的错分现象进行对比分析,可以看出对于水域、裸地、房屋、草地、水稻的识别中,光谱角制图算法取得了不错的精度。错漏分主要发生在杨树、桃树、栾树白蜡等植被中。如图3所示,虽然ICS在535-571nm和715-751nm等处光谱幅值和细节特征的类间可区分度要明显优于MCS,但是发生错分的几类植被在整体形态上极为相似,仅仅通过光谱向量夹角无法进行有效区分,这个现象在MCS和ICS中都存在。
表1分类结果精度验证表
2基于FS的特征光谱幅值参量分析
为了更好的探究不同特征光谱提取算法对目标地物细节特征和幅值的再现能力,以光谱形态相似的ASD树种实测光谱为数据源,参考前人研究,提取能够代表光谱细节特征和幅值的参量(见表2)进行FS特征重要性分析。首先,分别基于ICS和MCS算法提取树种特征光谱,并按照定义提取特征参量。然后,对特征参量分类别进行归一化处理,剔除不同量纲带来的影响。最后,利用归一化特征参量进行FS评分计算,基于能够表征光谱幅值的特征参量FS对ICS和MCS进行评价。
表2特征参量定义表
FS结果如图4所示,直方图上方的数字标签为ICS参量FS与MCS参量FS之差。由图可以得出以下结论。首先,ICS和MCS幅值特征参量重要性顺序总体上保持一致,从高到低排序均是Sb、Sr、Sy、Db、Rr、Dy、Dr、Rg,表明幅值特征的重要性和表征能力主要还是受到目标本身理化特性影响。同时,同类特征参量在不同特征光谱上FS差异不大于1.62,这是因为ASD实测光谱数据都是对同类样点进行标准化的重复观测,同一个样点的多条光谱及同类样点的光谱之间的差异相对较小。其次,ICS幅值参量的重要性普遍优于同类型MCS幅值参量,平均FS增加0.35。在选定的8个幅值参量中,ICS幅值参量FS在Sb、Sy、Sr等5个参量上优于MCS,且表征能力最强、评分最高的3个幅值参量,均是ICS占优。表明谱域插值特征光谱提取算法相较于传统均值特征光谱,可以更好的保留目标的特征信息,具有更好的幅值细节再现能力。最后,对比各同类型幅值特征FS差异,可以看出对于树种识别而言,较为有效的特征参量是特征区域面积信息,如Sb、Sy和Sr,而ICS对该类参量的优化效果最为明显,表明在特征构建和分类场景中,ICS更具潜力和优势。
3基于LDA的特征光谱细节参量分析
FS作为单特征评价方法,仅考虑单个参量与响应因子之间的关系,虽然有助于数据理解,但是对多参量间的相互作用关系未做考量。为了进一步全面的对不同特征光谱细节参量进行用评价,使用上节中评分较高的幅值参量Sb、Sr、Sy、Db和Rr,加上归一化的红边位置、蓝边位置、黄边位置(Dr、Db、Dy所对应波长)参量进行LDA分类,并用验证集中6类120个样本进行精度评价。同时,使用原始均值特征光谱全波段进行LDA分类和精度验证,以通过对比验证特征细节参量的树种表征能力和识别有效性。
将各类树种判别精度绘制为图5,图中判别精度为该树种UA和PA的均值,判别精度差为ICS判别精度与MCS判别精度之差,图例括号中的值为平均判别精度差和各LDA分类的OA。由图可得出以下结论。首先,相较于全波段LAD,特征参量LAD对各个树种的识别精度都有所提高,总体精度提升了13.93%。表明特征光谱细节参量可以很好的表征不同树种的理化特性,有效的降低信息冗余,提高树种识别精度。也证明本文使用细节参量来表征特征光谱进行分析评价具有一定的科学依据。其次,对比ICS和MCS特征参量LAD分类可以看出,除在杉木上ICS特征参量判别精度低于MCS外,其他树种的判别精度都明显优于MCS。相较MCS,使用ICS细节特征进行LDA分类,平均判别精度提升2.51%,总体精度提升2.5%,表明通过谱域插值算法提取的特征光谱能够更好的保留目标细节特征,更具表征能力。
以上公开的仅为本发明的几个具体实施例,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围内。
Claims (8)
1.一种用于目标地物分类识别的特征光谱提取方法,其特征在于,包括:
获取目标地物的多条地物光谱、并构建光谱矩阵;
计算光谱矩阵每列的最大值和最小值,获得目标地物光谱的谱域空间;
构建以整形反射率为行号,波长为列号的多条地物光谱对应的多个待插值矩阵,其中,每个待插值矩阵每列中为1的元素代表该列波长存在对应的反射率;
在每个待插值矩阵中,计算每一列中波长对应的反射率和谱域空间的距离,获得归一化插值因子;
对每个待插值矩阵的每一列采用反距离插值的方式进行插值处理,获得多个谱域空间矩阵;
累加多个谱域空间矩阵,获得地物累计谱域空间矩阵、并提取目标地物的特征光谱;
采用目标地物的特征光谱联合光谱角制图算法对采集的航空高光谱集进行分类制图,识别不同类的地物目标。
2.如权利要求1所述的一种用于目标地物分类识别的特征光谱提取方法,其特征在于,所述获得目标地物光谱的谱域空间,包括:
获得目标地物的多条地物光谱中不同波长对应的反射率;
将反射率乘于10000化为整型;
构造表示N条光谱、M个波长的N×M的矩阵;
计算N×M的矩阵每一列的最大值max和最小值min,作为谱域空间的边界。
3.如权利要求2所述的一种用于目标地物分类识别的特征光谱提取方法,其特征在于,所述构建待插值矩阵,包括:
构建N条地物光谱的10000×M矩阵Ai,i∈[1、2、……、N],其中N表示光谱数,在10000×M矩阵每列中为1的元素代表该列的波长存在对应的反射率,0代表在该列的波长不存在对应的反射率。
4.如权利要求3所述的一种用于目标地物分类识别的特征光谱提取方法,其特征在于,所述根据波长对应的反射率和谱域空间的距离,计算每个待插值矩阵每一列的归一化插值因子,包括:
获得待插值矩阵每一列中波长对应的反射率为Rm;
计算反射率为Rm与谱域空间中波长对应的最大值max和最小值min的距离|max-Rm|、|min-Rm|;
将1/|max-Rm|和1/|min-Rm|作为归一化插值因子。
5.如权利要求4所述的一种用于目标地物分类识别的特征光谱提取方法,其特征在于,所述获得多个谱域空间矩阵,包括:
在待插值矩阵每一列中,以为1的元素为界,向上下逐行递减插值,直至值不大于0,向上递减的归一化插值因子为1/|max-Rm|,向下递减的归一化插值因子为1/|min-Rm|,直至值不大于0;
更新N个10000×M矩阵,获得多个谱域空间矩阵。
6.如权利要求5所述的一种用于目标地物分类识别的特征光谱提取方法,其特征在于,累加多个谱域空间矩阵,获得地物累计谱域空间矩阵、并构造目标地物的特征光谱,包括:
将N个10000×M的谱域空间矩阵进行相加,获得累计谱域空间矩阵;
检索累计谱域空间矩阵每列的最大值,并记录其所在的行号得到一个1×M的矩阵;
将1×M矩阵除于10000,得到M个0-1的数值,获得目标地物的特征光谱。
7.如权利要求1所述的一种用于目标地物分类识别的特征光谱提取方法,其特征在于,还包括对识别不同类的地物目标进行精度验证,其包括:
采用航空高光谱集标注数据分层按比例生成验证像元;
采用混淆矩阵对不同类的地物目标识别精度进行验证。
8.如权利要求1所述的一种用于目标地物分类识别的特征光谱提取方法,其特征在于,还包括对识别不同类的地物目标进行精度评价,其包括:
采用总体精度OA、Kappa系数、制图精度PA和用户精度UA作为精度指标对不同类的地物目标识别精度进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994712.4A CN115266599A (zh) | 2022-08-18 | 2022-08-18 | 一种用于目标地物分类识别的特征光谱提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994712.4A CN115266599A (zh) | 2022-08-18 | 2022-08-18 | 一种用于目标地物分类识别的特征光谱提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115266599A true CN115266599A (zh) | 2022-11-01 |
Family
ID=83753830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210994712.4A Pending CN115266599A (zh) | 2022-08-18 | 2022-08-18 | 一种用于目标地物分类识别的特征光谱提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115266599A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522690A (zh) * | 2023-07-03 | 2023-08-01 | 航天宏图信息技术股份有限公司 | 新一代海洋卫星水色水温扫描仪科学数据仿真方法及装置 |
-
2022
- 2022-08-18 CN CN202210994712.4A patent/CN115266599A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522690A (zh) * | 2023-07-03 | 2023-08-01 | 航天宏图信息技术股份有限公司 | 新一代海洋卫星水色水温扫描仪科学数据仿真方法及装置 |
CN116522690B (zh) * | 2023-07-03 | 2023-09-19 | 航天宏图信息技术股份有限公司 | 新一代海洋卫星水色水温扫描仪科学数据仿真方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dey et al. | Image processing based leaf rot disease, detection of betel vine (Piper BetleL.) | |
Bock et al. | Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN112101271A (zh) | 一种高光谱遥感影像分类方法及装置 | |
CN111414891B (zh) | 基于激光雷达与光学遥感的输电线路通道树高反演方法 | |
Puletti et al. | Unsupervised classification of very high remotely sensed images for grapevine rows detection | |
CN109711446A (zh) | 一种基于多光谱影像和sar影像的地物分类方法及装置 | |
CN110346312B (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 | |
CN108846352A (zh) | 一种植被分类与识别方法 | |
CN109164459A (zh) | 一种结合激光雷达和高光谱数据对森林树种分类的方法 | |
CN111950530B (zh) | 农作物种植结构提取的多特征优选与融合方法 | |
CN104820841B (zh) | 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 | |
CN108764284B (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
US6763136B1 (en) | Method and apparatus for determining spectral similarity | |
CN111767863B (zh) | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 | |
CN115266599A (zh) | 一种用于目标地物分类识别的特征光谱提取方法 | |
CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
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 | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN117474029B (zh) | 基于区块链的ai偏振增强图码波频采集成像识别方法 | |
CN111062954B (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
CN112528726A (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
CN109948520A (zh) | 一种基于多时相双极化sar特征曲线的农作物分类方法 | |
LU500715B1 (en) | Hyperspectral Image Classification Method Based on Discriminant Gabor Network |
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 |