CN115909077A - 基于无监督光谱解混神经网络的高光谱图像变化检测方法 - Google Patents
基于无监督光谱解混神经网络的高光谱图像变化检测方法 Download PDFInfo
- Publication number
- CN115909077A CN115909077A CN202211683132.XA CN202211683132A CN115909077A CN 115909077 A CN115909077 A CN 115909077A CN 202211683132 A CN202211683132 A CN 202211683132A CN 115909077 A CN115909077 A CN 115909077A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- matrix
- change
- unmixing
- 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.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 83
- 238000001228 spectrum Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 125
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明为解决现有无监督变化检测算法主要是基于光谱的代数变换和光谱解混存在对具有混合像元的高光谱数据中表现不佳和适用性限制较大的技术问题，而提供一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。包括以下步骤：1、对两个不同时相的高光谱图像进行切分与混合，得到高光谱图像块数据，将其作为训练数据集；2、构建光谱解混网络，生成带有图像特征的端元矩阵和丰度矩阵；3、根据端元矩阵和丰度矩阵重构高光谱图像块数据，选择重构误差训练光谱解混网络；4、基于完成训练的光谱解混网络，根据丰度矩阵生成模块输出的丰度矩阵生成变化灰度图；5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。
背景技术
变化检测是一种旨在识别同一地理区域在不同观测时间发生的变化的检测方法。其在城市规划、环境监测、精度农业等领域有着十分重要的作用。近年来，随着高光谱遥感技术的发展，得益于更高的光谱分辨率，利用高光谱遥感图像进行变化检测能获取更佳的检测效果。
受深度学习发展的影响，许多基于卷积神经网络的变化检测算法被提出，如早期的基于端到端的全连接融合网络（Fully Convolutional Early Fusion，FC-EF）变化检测算法。此外，为了提高变化特征提取的能力，残差网络、U型网络（U-Net）、三维卷积等方法也逐渐应用在变化检测领域。然而，大部分基于卷积网络的算法是有监督算法，需要预先知道变化真值，且应用场景单一，难以将算法推广到实际应用中。
传统的无监督变化检测算法主要是基于光谱的代数变换，将光谱数据转换到新的变量空间进行变化检测，如迭代权重多元变化检测算法（IterativelyReweightedMultivariate Alteration Detection，IR-MAD）、基于主成分分析的变化向量分析法、基于正交子空间投影的变化检测算法（Subspace-based Change Detection,SCD）及基于慢特征分析的变化检测算法等。然而这些方法都是基于像素级的变化检测，在针对具有混合像元的高光谱数据中表现不佳。
针对变化检测中混合像元的问题，近年来，有人提出了基于光谱解混的变化检测算法来获得亚像素级的变化信息。但由于其需要提前准备与检测图像中的地物类型相近的光谱库才能得到较好的效果，因此与传统的无监督算法相比，其在适用性上也受到了很大的限制。
因此需要一种能够解决混合像元且适用性广泛的高光谱变化检测算法，而现有的方法难以满足该要求。
发明内容
本发明的目的是解决现有无监督变化检测算法主要是基于光谱的代数变换和光谱解混存在对具有混合像元的高光谱数据中表现不佳和适用性限制较大的技术问题，而提供一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。
为达到上述目的，本发明采用的技术方案为：
一种基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特殊之处在于，包括以下步骤：
步骤1、获取两幅不同时相且形状均为
R×C×P的高光谱图像
X 1和
X 2，对其分别进行切分与混合，得到若干个形状为
H×W×P的高光谱图像块，将其光谱信息作为训练数据集；
其中，
R为高光谱图像的行数，
C为高光谱图像的列数，
P为谱段数；
H为切分后高光谱图像块的行数，
W为切分后高光谱图像块的列数；
H＜
R，W＜
C；
步骤2、构建光谱解混网络，并利用训练数据集的训练数据生成带有图像特征的丰度矩阵和端元矩阵；
步骤3、根据带有图像特征的丰度矩阵和端元矩阵通过重构模块得到重构的高光谱图像块数据，选择重构误差作为损失函数训练光谱解混网络；
步骤4、基于完成训练的光谱解混网络，根据丰度矩阵生成变化灰度图；
步骤5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。
进一步地，步骤2具体为：
2.1、构建光谱解混网络：
所述光谱解混网络包括编码模块、丰度矩阵生成模块、端元矩阵生成模块及重构模块；所述编码模块的输入端用于接收切分后的高光谱图像块数据，编码模块的输出端与丰度矩阵生成模块和端元矩阵生成模块的输入端均连接，丰度矩阵生成模块和端元矩阵生成模块的输出端均与重构模块的输入端相连；
所述编码模块用于初步提取高光谱图像的图像特征和数据预处理；所述丰度矩阵生成模块用于提取输入的高光谱图像块的图像特征，生成高光谱图像的丰度矩阵；所述端元矩阵生成模块用于生成高光谱图像的端元矩阵；所述重构模块用于根据端元矩阵和带有图像特征的丰度矩阵重构出高光谱图像块；
2.2、利用训练数据生成端元矩阵和丰度矩阵：
将步骤1获得的训练数据集输入到光谱解混网络中，分别通过丰度矩阵生成模块和端元矩阵生成模块训练得到带有图像特征的丰度矩阵和端元矩阵。
进一步地，步骤4具体为：
4.1、将不同时相的高光谱图像
X 1和
X 2在行方向进行组合，合成一幅高光谱图像
X，高光谱图像
X的形状为2
R×C×P，并将其光谱数据输入到已训练好的光谱解混网络中；
4.2、经过学习获得丰度矩阵生成模块生成的丰度矩阵
A，其形状为
2RC×N，则高光谱图像
X 1对应的丰度矩阵
A 1为丰度矩阵
A的前
RC行，高光谱图像
X 2对应的丰度矩阵
A 2为丰度矩阵
A的后
RC行，即；
4.3、计算高光谱图像
X 1和
X 2丰度矩阵差
A 1-
A 2，并在列方向求和得到形状为
RC×1的灰度向量；
4.4、进行归一化处理，将灰度向量结果的范围缩放到0~1，并对灰度向量进行形状变换，得到形状为
R×C的高光谱图像
X 1和
X 2之间的变化灰度图。
进一步地，步骤5具体为：
采用阈值分割算法对变化灰度图进行分割得到变化灰度图的全局阈值
T，对变化灰度图中大于等于
T的像素赋值为1，其余像素赋值为0，得到二值化灰度变化图，即二值化变化图中值为1的像素点代表该像素发生了变化，为0则表示该像素没有发生变化，完成高光谱图像变化的检测。
进一步地，步骤2中：
所述编码模块包括依次连接的卷积层、LeakyRelu激活层和第一形状变换单元；卷积层的卷积核大小为3×3，卷积核个数为
P；
所述丰度矩阵生成模块包括至少一层全连接层，且最后一层全连接层的输出节点数为
N，
N≤
P；
所述端元矩阵生成模块包括并行的两路提取特征通道以及依次连接的第一矩阵乘法单元和Softmax激活层；其中一路提取特征通道包括一层全连接，另一路包括依次连接的至少一层全连接层和转置单元，且最后一层全连接层的输出节点数为
N；两路提取特征通道的输出端均与第一矩阵乘法单元连接；
所述重构模块包括依次连接的第二矩阵乘法单元和第二形状变换单元。
进一步地，步骤1中，分别将高光谱图像
X 1和
X 2按照步长为8、空间大小为32×32进行切分。
进一步地，步骤3中，所述重构误差为输入高光谱图像块数据与重构的高光谱图像块数据的均方根误差；
所述损失函数为：
其中
x (
i,j)为输入高光谱图像块数据中位置在(
i,j)处像素的光谱向量，
y (
i,j)为重构的高光谱图像块数据中位置在(
i,j)处像素的光谱向量。
进一步地，步骤2中，所述丰度矩阵生成模块包括两层全连接层；所述N=20。
与现有技术相比，本发明的有益效果如下：
1、本发明提供的基于无监督光谱解混神经网络的高光谱图像变化检测方法，基于无监督的光谱解混神经网络获得两个时相高光谱数据的端元矩阵和丰度矩阵，利用光谱解混的思想将每个像素分解成若干个端元的丰度矩阵，从而获取高光谱图像的亚像素级信息来解决高光谱变化检测中混合像元的问题，基于亚像素级信息进行变化检测可以降低混合像元造成的负面影响，提高了变化检测的准确率。
2、本发明提供的基于无监督光谱解混神经网络的高光谱图像变化检测方法，利用无监督光谱解混神经网络进行训练并生成端元矩阵，无需事先知道地物的实际类型及变化真值，可根据待测的两幅高光谱图像自动生成其对应的端元矩阵及丰度矩阵，大大提高了算法的适用性。
3、本发明提供的基于无监督光谱解混神经网络的高光谱图像变化检测方法，涉及的神经网络结构需要训练的参数少，训练速度快，其中可训练参数只在1个卷积层及5个全连接层中，网络中的形状变化操作、转置操作、矩阵乘法操作不含需要训练的参数。
附图说明
图1为本发明基于无监督光谱解混神经网络的高光谱图像变化检测方法流程图；
图2为本发明实施例中无监督光谱解混神经网络结构示意图。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明提出的一种基于无监督光谱解混神经网络的高光谱图像变化检测方法作进一步详细说明。本领域技术人员应当理解的是，这些实施方式仅仅用来解释本发明的技术原理，目的并不是用来限制本发明的保护范围。
如图1所示，该实施例提出的基于无监督光谱解混神经网络的高光谱图像变化检测方法，具体包括以下步骤：
步骤1、获取两幅不同时相的高光谱图像
X 1和
X 2，对其分别进行切分与混合，得到若干个形状为
H×W×P的高光谱图像块，将其作为训练数据集；
高光谱图像
X 1和
X 2的形状均为
R×C×P，本实施例分别将高光谱图像
X 1和
X 2按照步长为8、空间大小为32×32进行切分，并将两个时相的高光谱图像
X 1和
X 2切分出的数据块乱序混合在一起，得到训练数据集。
其中，
R为高光谱图像的行数，
C为高光谱图像的列数，
P为谱段数；
H为切分后高光谱图像块的行数，
W为切分后高光谱图像块的列数。
步骤2、构建光谱解混网络，并利用训练数据集中的训练数据生成带有图像特征的丰度矩阵和端元矩阵；
2.1、构建光谱解混网络
如图2所示，光谱解混网络包括编码模块、丰度矩阵生成模块、端元矩阵生成模块及重构模块，编码模块的输入端接收切分后的高光谱图像块数据，编码模块的输出端与丰度矩阵生成模块和端元矩阵生成模块的输入端均连接，丰度矩阵生成模块和端元矩阵生成模块的输出端均与重构模块的输入端相连。
其中，编码模块包括依次连接的卷积层、LeakyRelu激活层和第一形状变换单元，用于初步提取高光谱图像的图像特征和数据预处理。
丰度矩阵生成模块包括至少一层全连接层，且最后一层全连接层的输出节点数为
N，
N≤
P；用于提取输入的高光谱图像块的特征，生成高光谱图像的丰度矩阵。
端元矩阵生成模块，包括并行的两路提取特征通道、第一矩阵乘法单元和Softmax激活层；其中一路提取特征通道包括一个全连接层，另一路包括依次连接的两个全连接层和转置单元；两路提取特征通道的输出端均与第一矩阵乘法单元连接，相乘后再进入Softmax激活层，用于生成高光谱图像的端元矩阵。
重构模块包括依次连接的第二矩阵乘法单元和第二形状变换单元，用于根据端元矩阵和带有图像特征的丰度矩阵重构出高光谱图像块。
本实施例中，编码模块卷积层的卷积核大小为3×3，卷积核个数为
P，第一形状变换单元将输入高光谱图像块的形状由
H×W×P转换为
HW×P的特征图。
丰度矩阵生成模块包括两个全连接层，两个全连接层的输出节点数分别为
P和
N；端元矩阵生成模块中其中一路提取特征通道全连接层的输出节点数为
P，另一路提取特征通道两个全连接层的输出节点数分别为
P和
N；经反复验证当
N=20时，对高光谱图像块的特征数据提取效果最好。
2.2、利用训练数据生成端元矩阵和丰度矩阵
将训练数据输入到光谱解混网络中，分别通过丰度矩阵生成模块和端元矩阵生成模块训练得到带有图像特征的丰度矩阵和端元矩阵。
步骤3、根据带有图像特征的丰度矩阵和端元矩阵通过重构模块得到重构的高光谱图像块数据，选择合适的重构误差作为损失函数训练光谱解混网络；
带有图像特征的丰度矩阵和端元矩阵依次经过第二矩阵乘法单元和第二形状变换单元，将高光谱图像块的形状再由
HW×P转换为
H×W×P。
本实施例中以输入高光谱图像块数据与重构的高光谱图像块数据的均方根误差作为损失函数，损失函数
L如下所示：
其中
x (
i,j)为输入高光谱图像块数据中位置在(
i,j)处像素的光谱向量，
y (
i,j)为重构的高光谱图像块数据中位置在(
i,j)处像素的光谱向量。
步骤4、基于完成训练的光谱解混网络，根据丰度矩阵生成模块输出的丰度矩阵生成变化灰度图；
4.1、将不同时相的高光谱图像
X 1和
X 2在行方向进行组合，合成一幅高光谱图像
X，高光谱图像
X的形状为2
R×C×P，并将其光谱数据输入到已训练好的光谱解混网络中；
4.2、经过学习获得丰度矩阵生成模块生成的丰度矩阵
A，其形状为
2RC×N，则高光谱图像
X 1对应的丰度矩阵
A 1为丰度矩阵
A的前
RC行，高光谱图像
X 2对应的丰度矩阵
A 2为丰度矩阵
A的后
RC行，即；
4.3、计算高光谱图像
X 1和
X 2丰度矩阵差
A 1-
A 2，并在列方向求和得到形状为
RC×1的灰度向量；
4.4、进行归一化处理，将灰度向量结果的范围缩放到0~1区间，并对灰度向量进行形状变换，得到形状为
R×C的高光谱图像
X 1和
X 2之间的变化灰度图。
步骤5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。
具体为：对变化灰度图采用OTSU算法（阈值分割算法）进行分割得到变化灰度图的全局阈值
T，对变化灰度图中大于等于
T的像素赋值为1，其余像素赋值为0，得到二值化灰度变化图，即二值化变化图中值为1的像素点代表该像素发生了变化，为0则表示该像素没有发生变化，由此完成高光谱图像变化的检测。
本发明基于无监督的光谱解混神经网络获得两个时相高光谱数据的端元矩阵和丰度矩阵，利用光谱解混的思路将每个像素分解成若干个端元的丰度矩阵，从而获取高光谱图像的亚像素级信息来解决高光谱变化检测中混合像元的问题，基于亚像素级信息进行变化检测可以降低混合像元造成的负面影响，提高了变化检测的准确率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明技术方案的范围。
Claims (8)
1.一种基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，包括以下步骤：
步骤1、获取两幅不同时相且形状均为R×C×P的高光谱图像X 1和X 2，对其分别进行切分与混合，得到若干个形状为H×W×P的高光谱图像块，将其光谱信息作为训练数据集；
其中，R为高光谱图像的行数，C为高光谱图像的列数，P为谱段数；H为切分后高光谱图像块的行数，W为切分后高光谱图像块的列数；H＜R，W＜C；
步骤2、构建光谱解混网络，并利用训练数据集的训练数据生成带有图像特征的丰度矩阵和端元矩阵；
步骤3、根据带有图像特征的丰度矩阵和端元矩阵通过重构模块得到重构的高光谱图像块数据，选择重构误差作为损失函数训练光谱解混网络；
步骤4、基于完成训练的光谱解混网络，根据丰度矩阵生成变化灰度图；
步骤5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。
2.根据权利要求1所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，步骤2具体为：
2.1、构建光谱解混网络：
所述光谱解混网络包括编码模块、丰度矩阵生成模块、端元矩阵生成模块及重构模块；所述编码模块的输入端用于接收切分后的高光谱图像块数据，编码模块的输出端与丰度矩阵生成模块和端元矩阵生成模块的输入端均连接，丰度矩阵生成模块和端元矩阵生成模块的输出端均与重构模块的输入端相连；
所述编码模块用于初步提取高光谱图像的图像特征和数据预处理；所述丰度矩阵生成模块用于提取输入的高光谱图像块的图像特征，生成高光谱图像的丰度矩阵；所述端元矩阵生成模块用于生成高光谱图像的端元矩阵；所述重构模块用于根据端元矩阵和带有图像特征的丰度矩阵重构出高光谱图像块；
2.2、利用训练数据生成端元矩阵和丰度矩阵：
将步骤1获得的训练数据集输入到光谱解混网络中，分别通过丰度矩阵生成模块和端元矩阵生成模块训练得到带有图像特征的丰度矩阵和端元矩阵。
3.根据权利要求2所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，步骤4具体为：
4.1、将不同时相的高光谱图像X 1和X 2在行方向进行组合，合成一幅高光谱图像X，高光谱图像X的形状为2R×C×P，并将其光谱数据输入到已训练好的光谱解混网络中；
4.2、经过学习获得丰度矩阵生成模块生成的丰度矩阵A，其形状为2RC×N，则高光谱图像X 1对应的丰度矩阵A 1为丰度矩阵A的前RC行，高光谱图像X 2对应的丰度矩阵A 2为丰度矩阵A的后RC行，即；
4.3、计算高光谱图像X 1和X 2丰度矩阵差A 1-A 2，并在列方向求和得到形状为RC×1的灰度向量；
4.4、进行归一化处理，将灰度向量结果的范围缩放到0~1，并对灰度向量进行形状变换，得到形状为R×C的高光谱图像X 1和X 2之间的变化灰度图。
4.根据权利要求3所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，步骤5具体为：
采用阈值分割算法对变化灰度图进行分割得到变化灰度图的全局阈值T，对变化灰度图中大于等于T的像素赋值为1，其余像素赋值为0，得到二值化灰度变化图，即二值化变化图中值为1的像素点代表该像素发生了变化，为0则表示该像素没有发生变化，完成高光谱图像变化的检测。
5.根据权利要求1-4任一所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，步骤2中：
所述编码模块包括依次连接的卷积层、LeakyRelu激活层和第一形状变换单元；卷积层的卷积核大小为3×3，卷积核个数为P；
所述丰度矩阵生成模块包括至少一层全连接层，且最后一层全连接层的输出节点数为N，N≤P；
所述端元矩阵生成模块包括并行的两路提取特征通道以及依次连接的第一矩阵乘法单元和Softmax激活层；其中一路提取特征通道包括一层全连接，另一路包括依次连接的至少一层全连接层和转置单元，且最后一层全连接层的输出节点数为N；两路提取特征通道的输出端均与第一矩阵乘法单元连接；
所述重构模块包括依次连接的第二矩阵乘法单元和第二形状变换单元。
6.根据权利要求5所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于：
步骤1中，分别将高光谱图像X 1和X 2按照步长为8、空间大小为32×32进行切分。
7.根据权利要求6所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于：
步骤3中，所述重构误差为输入高光谱图像块数据与重构的高光谱图像块数据的均方根误差；
所述损失函数为：
其中x (i,j)为输入高光谱图像块数据中位置在(i,j)处像素的光谱向量，y (i,j)为重构的高光谱图像块数据中位置在(i,j)处像素的光谱向量。
8.根据权利要求7所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于：
步骤2中，所述丰度矩阵生成模块包括两层全连接层；所述N=20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211683132.XA CN115909077A (zh) | 2022-12-27 | 2022-12-27 | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211683132.XA CN115909077A (zh) | 2022-12-27 | 2022-12-27 | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115909077A true CN115909077A (zh) | 2023-04-04 |
Family
ID=86478881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211683132.XA Pending CN115909077A (zh) | 2022-12-27 | 2022-12-27 | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115909077A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503746A (zh) * | 2023-06-29 | 2023-07-28 | 南京信息工程大学 | 基于多层嵌套非全映射u型网络的红外小目标检测方法 |
-
2022
- 2022-12-27 CN CN202211683132.XA patent/CN115909077A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503746A (zh) * | 2023-06-29 | 2023-07-28 | 南京信息工程大学 | 基于多层嵌套非全映射u型网络的红外小目标检测方法 |
| CN116503746B (zh) * | 2023-06-29 | 2023-09-12 | 南京信息工程大学 | 基于多层嵌套非全映射u型网络的红外小目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
| CN108596248B (zh) | 一种基于改进深度卷积神经网络的遥感影像分类方法 | |
| CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
| Chen et al. | Multiscale feature learning by transformer for building extraction from satellite images | |
| Alam et al. | Conditional random field and deep feature learning for hyperspectral image classification | |
| CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
| CN113160234B (zh) | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 | |
| CN110443842A (zh) | 基于视角融合的深度图预测方法 | |
| Zhang et al. | LR-Net: Low-rank spatial-spectral network for hyperspectral image denoising | |
| CN114187450B (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
| CN113705641B (zh) | 基于富上下文网络的高光谱图像分类方法 | |
| CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
| CN110517272B (zh) | 基于深度学习的血细胞分割方法 | |
| CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
| CN116797787A (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
| CN113744136A (zh) | 基于通道约束多特征融合的图像超分辨率重建方法和系统 | |
| CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
| CN113284046A (zh) | 基于无高分辨率参考图的遥感图像增强和复原方法及网络 | |
| CN113888491A (zh) | 基于非局部特征的多级高光谱图像递进超分方法及系统 | |
| CN113192076A (zh) | 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 | |
| CN118212127A (zh) | 一种基于未配准的物理指导生成式对抗高光谱超分辨率方法 | |
| CN115512222A (zh) | 一种线下训练-线上学习的灾害场景地物损毁评估方法 | |
| CN115909077A (zh) | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 | |
| Guo et al. | A flexible object-level processing strategy to enhance the weight function-based spatiotemporal fusion method | |
| Gonzalez | DL4DS—Deep learning for empirical downscaling |
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 |