CN116403046A - 一种高光谱影像分类装置及方法 - Google Patents

一种高光谱影像分类装置及方法 Download PDF

Info

Publication number
CN116403046A
CN116403046A CN202310392272.XA CN202310392272A CN116403046A CN 116403046 A CN116403046 A CN 116403046A CN 202310392272 A CN202310392272 A CN 202310392272A CN 116403046 A CN116403046 A CN 116403046A
Authority
CN
China
Prior art keywords
hyperspectral
hyperspectral image
image
band
noise
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
Application number
CN202310392272.XA
Other languages
English (en)
Inventor
张彬
孙岩森
刘珮
李晓杰
王学敏
刘亮
刘传辉
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202310392272.XA priority Critical patent/CN116403046A/zh
Publication of CN116403046A publication Critical patent/CN116403046A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高光谱影像分类装置及方法，包括获取待分类的高光谱遥感影像数据；对高光谱影像进行预处理，包括几何配准、校正等；对高光谱影像数据噪声进行处理，采用空间光谱维去相关高光谱图像噪声评估方法，利用高光谱图像空间维和光谱维存在高相关性的特点，通过多元线性回归去除具有高相关性的信号，利用得到的残差图像对噪声进行估算；对产生较大噪声的数据进行降噪处理；进行混合像元分解；对高光谱影像数据进行特征选择，进而进行下一步操作；利用现有的高光谱影像样本构建虚拟样本，将现有样本与虚拟样本混合成训练样本；搭建卷积神经网络(CNN)，提取二维空间特征；训练卷积神经网络，得到分类结果。

Description

一种高光谱影像分类装置及方法
技术领域
本发明涉及高光谱影像分类技术领域，特别是涉及一种高光谱影像分类装置及方法。
背景技术
高光谱遥感(Hyperspectral remote sensing)是将成像技术和光谱技术相结合的多维信息获取技术,同时探测目标的二维集合空间与一维光谱信息,获取高光谱分辨率的连续、窄波段图像数据。高光谱遥感图像处理在物质信息探测方面有着重要的地位，是遥感领域的重要课题。高光谱遥感图像能提供连续的辐射光谱波段，承载着丰富的地物信息，能用于处理不同的应用领域，如房屋的变化检测、农作物评估、地质矿产资源调查等。
遥感器所获取的地面反射或发射光谱信号是以像元(pixel)为单位记录的，由于高光谱成像光谱仪在获取大量波段时，会导致其每个波段的辐射信号较弱，因此，相比全色和多光谱图像，高光谱图像的空间分辨率低，使得混合像元的问题尤为突出，会直接影响分类的精度。同时高光谱数据不平衡，进行卷积神经网络训练后分类精度不够高。
发明内容
为了克服现有技术的不足，本发明提供一种高光谱影像分类装置及方法，通过对原始高光谱影像数据进行噪声评估，对产生较大噪声的数据进行降噪处理，提高符合要求的样本数量，之后进行混合像元分解，从实际光谱数据中提取各种地物成分(端元)以及各成分所占的比例(丰度)，能够较好地提高影像质量，进而提高分类的精度，结合构建的虚拟样本，可以进一步提高数据样本，缓解数据的不平衡性。
为解决上述技术问题，本发明提供如下技术方案：一种高光谱影像分类方法，所述分类方法包括
S1、获取待分类的高光谱遥感影像数据；
S2、对高光谱影像进行预处理，包括几何配准、校正等，确保获取正确光谱和几何信息；
S3、对高光谱影像数据噪声进行处理，采用空间光谱维去相关高光谱图像噪声评估方法(SSDC)，利用高光谱图像空间维和光谱维存在高相关性的特点，通过多元线性回归去除具有高相关性的信号，利用得到的残差图像对噪声进行估算；
S4、对产生较大噪声的数据进行降噪处理；
S5、进行混合像元分解；
S6、对高光谱影像数据进行特征选择，进而进行下一步操作；
S7、利用现有的高光谱影像样本构建虚拟样本，将现有样本与虚拟样本混合成训练样本；
S8、搭建卷积神经网络(CNN)，提取二维空间特征；
S9、训练卷积神经网络，得到分类结果。
作为本发明的一种优选技术方案，在S3步骤中，首先将图像分割成h×h的不重叠图像子块，在图像子块中利用多元线性回归对像元值进行预测，将真实值与预测值的差作为残差，计算公式如下：
Figure BDA0004176209860000031
式中，
Figure BDA0004176209860000032
为像元xi,j,k利用MLR计算的预测值，其计算公式为：
Figure BDA0004176209860000033
式中，a、b、c、d为MLR的系数；
对于xp,k而言，
Figure BDA0004176209860000034
然后，利用ri,j,k计算每个图像子块内像元残差的标准差：
Figure BDA0004176209860000035
最后，计算所有像元子块LSD的均值作为对图像噪声的估算结果。
作为本发明的一种优选技术方案，在S4步骤中，降噪处理的方法包括基于变换域和基于空间域两种，其中基于变换域的方法包括小波变换、PCA、傅里叶变换，性能依赖于变换函数的选择；基于空间域的方法分为滤波器和正则化两种，基于滤波器的方法将高光谱数据是为一个完整的三维立方体(三维张量)，使用张量分解法去噪；基于正则化方法通过先验知识建立模型，如稀疏表示、全变分(TV)、稀疏矩阵分解、低秩表示等。
作为本发明的一种优选技术方案，在S5步骤中，利用LSMM将遥感图像X中每个混合像元分解成其端元和对应丰度，从而得到端元矩阵E和丰度矩阵(即所占比例)A，具体步骤包括确定端元数目、采用MaxV方法提取端元确定E、丰度反演确定A。
作为本发明的一种优选技术方案，在S6步骤中，从原光谱波段数为N的波段中选择M个波段(N>M)，并采用Band Index方法进行光谱波段选择降维，高光谱影像根据相关性分为K组，设每个组中的波段数为nl＝(1，2，…，k)，用pi,j表示波段i与波段j的相关系数，σi表示波段i的方差，Ra表示波段i与不同组其他波段相关系数的绝对值的和，Rw表示波段i与同组其他波段的相关系数的绝对值的均值，则有
Figure BDA0004176209860000041
从而波段i的Band Index可表示为：
Figure BDA0004176209860000042
随着方差增大，波段包含的信息越多；随着相关系数降低，波段的独立性越高。
作为本发明的一种优选技术方案，在S8步骤中，卷积神经网络包括卷积层、池化层和完全连接层；
进一步地，在每一个卷积层中，输入多维数据集与多个可学习过滤器进行卷积运算，生成多个特征图(映射)，特别地，输入多维数据集X，尺寸为mnd，其中m*n是X的空间尺寸，d是通道数，Xi是X的第i个特征图；假设在本卷积层有k个滤波器，第j个滤波器可以由权值Wj和偏置值bj特征化，该卷积层的第j个输出可由下式表示
Figure BDA0004176209860000051
f是用来改善网络非线性的激活函数，这里采用ReLU函数，表达式如下
σ(x)＝max(0，x)
再进一步地，在多个卷积层的后边周期性地加入池化层，对于一个pp大小的窗口即为S，平均池化操作一个表示为：
Figure BDA0004176209860000052
再进一步地，在池化层之后，将前一层的特征映射进行平铺，并反馈给完全连接层，完全连接层可以被定义为：
Figure BDA0004176209860000053
其中，X，Y，W，b分别代表输入、输出、权重、偏差。
作为本发明的一种优选技术方案，所述高光谱影像分类方法还包括对分类结果进行验证，具体采用Kappa系数对分类结果进行验证。
本发明还提供一种高光谱影像分类装置，采用如上述内容所述的高光谱影像分类方法。
与现有技术相比，本发明能达到的有益效果是：
本发明通过对原始高光谱影像数据进行噪声评估，对产生较大噪声的数据进行降噪处理，提高符合要求的样本数量，之后进行混合像元分解，从实际光谱数据中提取各种地物成分(端元)以及各成分所占的比例(丰度)，能够较好地提高影像质量，进而提高分类的精度，结合构建的虚拟样本，可以进一步提高数据样本，缓解数据的不平衡性。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。下述实施例中的实验方法，如无特殊说明，均为常规方法，下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例一
本发明提供一种高光谱影像分类方法，所述分类方法包括
S1、获取待分类的高光谱遥感影像数据；
S2、对高光谱影像进行预处理，包括几何配准、校正等，确保获取正确光谱和几何信息；
S3、对高光谱影像数据噪声进行处理，采用空间光谱维去相关高光谱图像噪声评估方法(SSDC)，利用高光谱图像空间维和光谱维存在高相关性的特点，通过多元线性回归去除具有高相关性的信号，利用得到的残差图像对噪声进行估算；
S4、对产生较大噪声的数据进行降噪处理；
S5、进行混合像元分解；
S6、对高光谱影像数据进行特征选择，进而进行下一步操作；
S7、利用现有的高光谱影像样本构建虚拟样本，将现有样本与虚拟样本混合成训练样本；
S8、搭建卷积神经网络(CNN)，提取二维空间特征；
S9、训练卷积神经网络，得到分类结果。
作为本发明的一种优选技术方案，在S3步骤中，首先将图像分割成h×h的不重叠图像子块，在图像子块中利用多元线性回归对像元值进行预测，将真实值与预测值的差作为残差，计算公式如下：
Figure BDA0004176209860000081
式中，
Figure BDA0004176209860000082
为像元xi,j,k利用MLR计算的预测值，其计算公式为：
Figure BDA0004176209860000083
式中，a、b、c、d为MLR的系数；
对于xp,k而言，
Figure BDA0004176209860000084
然后，利用ri,j,k计算每个图像子块内像元残差的标准差：
Figure BDA0004176209860000085
最后，计算所有像元子块LSD的均值作为对图像噪声的估算结果；
在S4步骤中，降噪处理的方法包括基于变换域和基于空间域两种，其中基于变换域的方法包括小波变换、PCA、傅里叶变换，性能依赖于变换函数的选择；基于空间域的方法分为滤波器和正则化两种，基于滤波器的方法将高光谱数据是为一个完整的三维立方体(三维张量)，使用张量分解法去噪；基于正则化方法通过先验知识建立模型，如稀疏表示、全变分(TV)、稀疏矩阵分解、低秩表示等；
在S5步骤中，利用LSMM将遥感图像X中每个混合像元分解成其端元和对应丰度，从而得到端元矩阵E和丰度矩阵(即所占比例)A，具体步骤包括确定端元数目、采用MaxV方法提取端元确定E、丰度反演确定A；
在S6步骤中，从原光谱波段数为N的波段中选择M个波段(N>M)，并采用Band Index方法进行光谱波段选择降维，高光谱影像根据相关性分为K组，设每个组中的波段数为nl＝(1，2，…，k)，用pi,j表示波段i与波段j的相关系数，σi表示波段i的方差，Ra表示波段i与不同组其他波段相关系数的绝对值的和，Rw表示波段i与同组其他波段的相关系数的绝对值的均值，则有
Figure BDA0004176209860000091
从而波段i的Band Index可表示为：
Figure BDA0004176209860000092
随着方差增大，波段包含的信息越多；随着相关系数降低，波段的独立性越高；
在S8步骤中，卷积神经网络包括卷积层、池化层和完全连接层；
进一步地，在每一个卷积层中，输入多维数据集与多个可学习过滤器进行卷积运算，生成多个特征图(映射)，特别地，输入多维数据集X，尺寸为mnd，其中m*n是X的空间尺寸，d是通道数，Xi是X的第i个特征图；假设在本卷积层有k个滤波器，第j个滤波器可以由权值Wj和偏置值bj特征化，该卷积层的第j个输出可由下式表示
Figure BDA0004176209860000093
f是用来改善网络非线性的激活函数，这里采用ReLU函数，表达式如下
σ(x)＝max(0，x)
再进一步地，在多个卷积层的后边周期性地加入池化层，对于一个pp大小的窗口即为S，平均池化操作一个表示为：
Figure BDA0004176209860000101
再进一步地，在池化层之后，将前一层的特征映射进行平铺，并反馈给完全连接层，完全连接层可以被定义为：
Figure BDA0004176209860000102
其中，X，Y，W，b分别代表输入、输出、权重、偏差；
所述高光谱影像分类方法还包括对分类结果进行验证，具体采用Kappa系数对分类结果进行验证；
在本发明的具体实施例中，获取待分类的高光谱遥感影像数据,对高光谱影像进行预处理，包括几何配准、校正等，确保获取正确光谱和几何信息,对高光谱影像数据噪声进行处理，采用空间光谱维去相关高光谱图像噪声评估方法(SSDC)，利用高光谱图像空间维和光谱维存在高相关性的特点，通过多元线性回归去除具有高相关性的信号，利用得到的残差图像对噪声进行估算,对产生较大噪声的数据进行降噪处理，之后进行混合像元分解，具体方法为利用LSMM将遥感图像X中每个混合像元分解成其端元和对应丰度，从而得到端元矩阵E和丰度矩阵(即所占比例)A，具体步骤包括确定端元数目、采用MaxV方法提取端元确定E、丰度反演确定A，而后选取M个波段，采用Band Index方法进行光谱波段选择降维，进而进行下一步操作，接着利用现有的高光谱影像样本构建虚拟样本，虚拟样本使用现有样本数据通过模拟成像，将随即因子和随即噪声加入现有样本，建成虚拟样本，而后将现有样本与虚拟样本混合成训练样本，搭建卷积神经网络(CNN)，提取二维空间特征，训练卷积神经网络，得到分类结果，最后采用Kappa系数对分类结果进行验证，本发明通过对原始高光谱影像数据进行噪声评估，对产生较大噪声的数据进行降噪处理，提高符合要求的样本数量，之后进行混合像元分解，从实际光谱数据中提取各种地物成分(端元)以及各成分所占的比例(丰度)，能够较好地提高影像质量，进而提高分类的精度，结合构建的虚拟样本，可以进一步提高数据样本，缓解数据的不平衡性。
尽管已经示出和描述了发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种高光谱影像分类方法，其特征在于：所述分类方法包括
S1、获取待分类的高光谱遥感影像数据；
S2、对高光谱影像进行预处理，包括几何配准、校正等，确保获取正确光谱和几何信息；
S3、对高光谱影像数据噪声进行处理，采用空间光谱维去相关高光谱图像噪声评估方法(SSDC)，利用高光谱图像空间维和光谱维存在高相关性的特点，通过多元线性回归去除具有高相关性的信号，利用得到的残差图像对噪声进行估算；
S4、对产生较大噪声的数据进行降噪处理；
S5、进行混合像元分解；
S6、对高光谱影像数据进行特征选择，进而进行下一步操作；
S7、利用现有的高光谱影像样本构建虚拟样本，将现有样本与虚拟样本混合成训练样本；
S8、搭建卷积神经网络(CNN)，提取二维空间特征；
S9、训练卷积神经网络，得到分类结果。
2.根据权利要求1所述的一种高光谱影像分类方法，其特征在于：在S3步骤中，首先将图像分割成h×h的不重叠图像子块，在图像子块中利用多元线性回归对像元值进行预测，将真实值与预测值的差作为残差，计算公式如下：
Figure FDA0004176209850000021
式中，
Figure FDA0004176209850000022
为像元xi,j,k利用MLR计算的预测值，其计算公式为：
Figure FDA0004176209850000023
式中，a、b、c、d为MLR的系数；
对于xp,k而言，
Figure FDA0004176209850000024
然后，利用ri,j,k计算每个图像子块内像元残差的标准差：
Figure FDA0004176209850000025
最后，计算所有像元子块LSD的均值作为对图像噪声的估算结果。
3.根据权利要求1所述的一种高光谱影像分类方法，其特征在于：在S4步骤中，降噪处理的方法包括基于变换域和基于空间域两种，其中基于变换域的方法包括小波变换、PCA、傅里叶变换，性能依赖于变换函数的选择；基于空间域的方法分为滤波器和正则化两种，基于滤波器的方法将高光谱数据是为一个完整的三维立方体(三维张量)，使用张量分解法去噪；基于正则化方法通过先验知识建立模型，如稀疏表示、全变分(TV)、稀疏矩阵分解、低秩表示等。
4.根据权利要求1所述的一种高光谱影像分类方法，其特征在于：在S5步骤中，利用LSMM将遥感图像X中每个混合像元分解成其端元和对应丰度，从而得到端元矩阵E和丰度矩阵(即所占比例)A，具体步骤包括确定端元数目、采用MaxV方法提取端元确定E、丰度反演确定A。
5.根据权利要求1所述的一种高光谱影像分类方法，其特征在于：在S6步骤中，从原光谱波段数为N的波段中选择M个波段(N>M)，并采用Band Index方法进行光谱波段选择降维，高光谱影像根据相关性分为K组，设每个组中的波段数为nl＝(1，2，…，k)，用pi,j表示波段i与波段j的相关系数，σi表示波段i的方差，Ra表示波段i与不同组其他波段相关系数的绝对值的和，Rw表示波段i与同组其他波段的相关系数的绝对值的均值，则有
Figure FDA0004176209850000031
从而波段i的Band Index可表示为：
Figure FDA0004176209850000032
随着方差增大，波段包含的信息越多；随着相关系数降低，波段的独立性越高。
6.根据权利要求1所述的一种高光谱影像分类方法，其特征在于：在S8步骤中，卷积神经网络包括卷积层、池化层和完全连接层。
7.根据权利要求1所述的一种高光谱影像分类方法，其特征在于：所述高光谱影像分类方法还包括对分类结果进行验证，具体采用Kappa系数对分类结果进行验证。
8.一种高光谱影像分类装置，其特征在于：采用如权利要求1-7任一项所述的高光谱影像分类方法。
CN202310392272.XA 2023-04-13 2023-04-13 一种高光谱影像分类装置及方法 Pending CN116403046A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310392272.XA CN116403046A (zh) 2023-04-13 2023-04-13 一种高光谱影像分类装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310392272.XA CN116403046A (zh) 2023-04-13 2023-04-13 一种高光谱影像分类装置及方法

Publications (1)

Publication Number Publication Date
CN116403046A true CN116403046A (zh) 2023-07-07

Family

ID=87010132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310392272.XA Pending CN116403046A (zh) 2023-04-13 2023-04-13 一种高光谱影像分类装置及方法

Country Status (1)

Country Link
CN (1) CN116403046A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058541A (zh) * 2023-08-03 2023-11-14 国网吉林省电力有限公司通化供电公司 绝缘子高光谱数据采集系统及其方法
CN117934975A (zh) * 2024-03-21 2024-04-26 安徽大学 一种全变分正则引导图卷积的无监督高光谱图像分类方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058541A (zh) * 2023-08-03 2023-11-14 国网吉林省电力有限公司通化供电公司 绝缘子高光谱数据采集系统及其方法
CN117058541B (zh) * 2023-08-03 2024-02-13 国网吉林省电力有限公司通化供电公司 绝缘子高光谱数据采集系统及其方法
CN117934975A (zh) * 2024-03-21 2024-04-26 安徽大学 一种全变分正则引导图卷积的无监督高光谱图像分类方法

Similar Documents

Publication Publication Date Title
CN106709881B (zh) 一种基于非凸低秩矩阵分解的高光谱图像去噪方法
Xie et al. Hyperspectral image super-resolution using deep feature matrix factorization
Huang et al. Spatial and spectral image fusion using sparse matrix factorization
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
CN116403046A (zh) 一种高光谱影像分类装置及方法
CN108765359B (zh) 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法
CN108427934B (zh) 一种高光谱影像混合像元分解方法
CN112991288B (zh) 基于丰度图像锐化重构的高光谱遥感图像融合方法
CN107292258B (zh) 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法
CN107590785B (zh) 一种基于sobel算子的布里渊散射谱图像识别方法
CN111696043A (zh) 一种三维fsrcnn的高光谱图像超分辨率重建算法
CN108470192B (zh) 一种高光谱分类方法及装置
CN114266957A (zh) 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法
CN107133653B (zh) 一种基于深度阶梯网络的高分辨sar图像分类方法
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN113421198B (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
CN112784747B (zh) 高光谱遥感图像多尺度本征分解方法
CN107358625B (zh) 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法
CN109460788B (zh) 基于低秩-稀疏信息组合网络的高光谱图像分类方法
CN109543717B (zh) 基于自适应邻域及字典的联合协作表达高光谱分类方法
CN114511470B (zh) 一种基于注意力机制的双分支全色锐化方法
Liu et al. Comparative Analysis of Pixel Level Fusion Algorithms in High Resolution SAR and Optical Image Fusion
CN111899226B (zh) 一种基于多任务稀疏学习的高光谱影像目标先验优化方法
Yufeng et al. Research on SAR image change detection algorithm based on hybrid genetic FCM and image registration
CN112525346B (zh) 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质

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