JP2002520699A - ハイパースペクトル画像利用のためのノンリテラルパターン認識の方法及びシステム - Google Patents

ハイパースペクトル画像利用のためのノンリテラルパターン認識の方法及びシステム

Info

Publication number
JP2002520699A
JP2002520699A JP2000558481A JP2000558481A JP2002520699A JP 2002520699 A JP2002520699 A JP 2002520699A JP 2000558481 A JP2000558481 A JP 2000558481A JP 2000558481 A JP2000558481 A JP 2000558481A JP 2002520699 A JP2002520699 A JP 2002520699A
Authority
JP
Japan
Prior art keywords
spectral
image
vector
input
correlation
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.)
Withdrawn
Application number
JP2000558481A
Other languages
English (en)
Inventor
エイ．バーマン ジェリー
Original Assignee
ジェネラル ダイナミックス ガバメント システムズ コーポレイション
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 ジェネラル ダイナミックス ガバメント システムズ コーポレイション filed Critical ジェネラル ダイナミックス ガバメント システムズ コーポレイション
Publication of JP2002520699A publication Critical patent/JP2002520699A/ja
Withdrawn legal-status Critical Current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
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06T2207/20072—Graph-based image processing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

(57)【要約】 本発明の処理システム（１００）及び方法はマルチスペクトルまたはハイパースペクトル画像のピクセルに存在する材質の識別をする。基礎をなすデータモデルは目的とするスペクトル端成分または材質を表し、材質を識別するためにモデルに基づいた関係が使用される。処理システム及び方法は領域類別及び対象物識別のためのスペクトル識別特性の検出、分離、及び類別をする技術を与える。

Description

【発明の詳細な説明】
【０００１】 （発明の技術分野） 本発明は、画像認識の分野に関し、特定すると、マルチスペクトルおよびハイ
パースペクトルイメージに関する自動オブジェクト検出、認識および資料識別の
ためノンリテラルイメージ利用および一般的計算技術を使用するための方法およ
びシステムに関する。
【０００２】 （従来技術） マルチスペクトルおよびハイパースペクトルイメージセットは、手動手段によ
り分析することが難しい多量のデータを含む。これらのイメージセットは、容易
に視覚ないしアクセスできないイメージデータの複数のバンドを含む。現在では
、マルチスペクトルセンサーが領域または地形の画像を収集し、イメージの一群
のスペクトルバンドを提供するが、これは電磁スペクトルの短波長赤外線部分に
可視のものを包含する。同様に、ハイパースペクトルセンサーは、普通、電磁ス
ペクトルの特定の部分を包含する空間イメージの数百のスペクトルバンドを提供
する。その結果、ハイパーセンサーは、一般に、マルチスペクトルセンサーを使
用するシステムよりも優れたスペクトル弁別を行う。ハイパースペクトルセンサ
ーにより提供される改良されたスペクトル弁別は、イメージに存する資料および
オブジェクトを検出および分離するために、データのノンリテラルな処理を可能
にする。
【０００３】 「ノンリテラルなイメージ利用」なる用語は、画像データにより表示される関
心のある発出、アクティビティまたは事象をその特徴について記述し、検出し、
位置づけし、弁別し、識別し、量子化し、予測し、追跡し、警告し、目標とし、
評価するのを助けるためにイメージから非空間的情報を抽出するためのプロセス
を包含する。
【０００４】 この形式のハイパースペクトルイメージ利用のための従来技術は、画像データ
に存する資料を検出し分類するために、モデルに基づく手法または最小平方法を
使用した。
【０００５】 しかしながら、これらの技術は、別個の時間および空間的位置にて同じセンサ
ーから収集される、異なる複数組のイメージにわたり不動でないから、数種の欠
点を有する。さらにこれらの方法は、ピクセルのスペクトル属性（シグネチャ）
の他の資料（すなわち、スペクトル的非混合）の存在を正確に検出できない。加
えて、従来の技術は、普通複雑であり、多量の計算を必要とする。これらの技術
はまた、センサーの変動や大気の変動に敏感であり、非線形センサー、大気およ
び混合モデルに容易に一致しない。最後に、既存のマルチスペクトルおよびハイ
パースペクトル法のあるものは、検出されたイメージのエンドメンバの数が拡張
されるとき容易に係数倍できない。
【０００６】 それゆえ、従来の作像およびパターン認識技術の欠点を克服する解決法を提供
することが望ましい。また、ハイパースペクトルイメージ利用のための従来の方
法で観察される欠陥のあるものを最小化し、ノンリテラル利用のより安定な方法
を提供することが解決法として望まれる。
【０００７】 （発明の開示） 本発明に従うシステムおよび方法は、（１）関心のあるスペクトル的エンドメ
ンバまたは資料を表す基礎となるデータモデルを開発するようにデータをトレー
ニングし、（２）計数的に効率的でありかつ容易に係数倍可能であり、（３）ピ
クセル属性を標準化しかつ吸収事象を隔絶するため特殊属性の処理を使用し、（
４）センサーおよび大気の変動の影響を最小化し、（５）資料識別の問題の解決
のためのサーチを案内するためにモデルに基づく関係を使用する技術を提供する
ことによって、これらの目的を達成しかつその他の利点を提供するものである。
【０００８】 本発明に従うシステムおよび方法は、その一側面に従うと、領域の類別および
オブジェクト識別のためスペクトル属性を検出し、非混合化し、分類する技術を
提供することによって、ノンリテラルイメージ利用と関連する基本的問題を解決
する。
【０００９】 本発明に従いスペクトル画像内の入力ピクセルを処理する方法は、複数の異な
る資料のスペクトル画像を提供し、どの資料が、入力ピクセルと少なくとも最小
程度の相関をもつスペクトル画像を有するかを識別し、当該候補ベクトルの各要
素が複数の資料の各一つの存在度を表す一群の候補ベクトルを選択し、抑制され
たスペクトル混合モデルおよび識別された資料に基づくコスト関数で各候補ベク
トルを評価し、そしてどの候補ベクトルが最低のコストを有するかを決定する。
しかして、入力スペクトル画像に存在する資料の量は、最低のコストを有すると
決定された候補ベクトル内の要素に対応する。
【００１０】 要約および以下の詳述は、本発明の技術思想を限定するものではない。両者は
、当業者が本発明を実施することができるための実施例および説明を提供するに
すぎない。添付の図面は、以下の詳細な説明とともに本発明の具体例を例示する
ものである。
【００１１】 （本発明を実施するための最良の方法） 本発明の実施例の実施は付随する図面を参照しながら、以下に説明される。そ
こにおいて、異なった図面中の同じ参照番号は同じ、または類似の構成要素を示
している。
【００１２】 図１は本発明に従った、ハイパースペクトル画像（hyperspectral imagery）
からサンプリングされた対象物及びそれの材質的な構成を識別するためのシステ
ム１００のブロック図である。システム１００は画像センサー１１０、ピクセル
抽出部１２０、識別特性処理部１３０、訓練データ入力部１４０、材質類別部１
５０、及びスペクトル分離部１６０を含む。画像センサー１１０、ピクセル抽出
部１２０、及び識別特性処理部１３０は入力処理部１３５を形成する。
【００１３】 画像センサー１１０は好まれるものとして、特定の対象物または対象物の集ま
りをスキャンし、処理機器にスペクトル特性データを与えることが可能な、光学
的な対象物検出装置（または、素子）である。画像センサー１１０は遠隔にある
センサー装置からの衛星信号、光学的スキャン入力信号、またはリアルタイムの
画像信号によって対象物１０２からデータを受信してもよい。
【００１４】 本発明のシステム及び方法を実施するために使用することが可能な処理機器は
サンマイクロソフトシステムInc.のＳＰＡＲＣ２０ワークステーションや同様な
コンピューター装置等である。当業者にとっては明白なことであるが、ワークス
テーションはシステム１００の機能を実施するために必要なコマンドや命令と共
に備えられる市販のコンピューターの構成要素を含む。ＣＰＵ、メモリー格納構
成要素、及び周辺装置等の、これらのコンピューター構成要素は当業者にとって
一般的な知識であると考えられるので、それらについては詳細な説明を省略する
。本発明のシステム及び方法を実施するために、代替的に、個別の論理素子や専
用に設計された集積回路、あるいは、商業的に入手可能なプロセッサーを使用す
ることもできるだろう。
【００１５】 システム１００の全容を以下に詳細に説明する。図１にて、対象物１０２の光
学的特性を規定する画像セット（または、画像の組）を生成するために、対象物
１０２は画像センサー１１０によってスキャンされる。次に、ピクセル抽出部１
２０は、その画像セットの単体のピクセルからスペクトル識別特性を抽出する。
単体のピクセル中のデータは多数の（通常、数百の）データサンプルから構成さ
れ、各データサンプルは適当なスペクトル周波数での対象物１０２からの光子の
反射率または放射に対応する。単体のピクセルは信号のフィルタリング及び正規
化のために処理部１３０に入力される。
【００１６】 識別特性処理部１３０によって処理された後、ピクセル識別特性は類別部１５
０に送られ、それは目的とする材質の識別特性の組み合わせ、または感知された
データに関係する端成分のカテゴリー（または、種類）を識別する。本発明の１
つの構成では、入力識別特性とある程度相関のあるこれらのカテゴリーや端成分
を識別するために人口的なニューロネットワークが訓練される。
【００１７】 最終ステップで、スペクトル分離部（または、スペクトル非混合部）１６０は
入力識別特性を構成する構成要素の材質の存在度（ｇ）を検出し、推定するため
に、制約条件の下でスペクトル混合方程式を解く遺伝的アルゴリズムを利用する
。各端成分に対して計算された、推定された存在度（ｇ）は入力識別特性に何の
材質が存在するかの指標及び、（感知された）領域の点に存在する各端成分の割
合を与える。
【００１８】 図２は本発明に従って、入力処理部１３５によって実施される処理のフローチ
ャートである。この処理の目的は材質の識別及びスペクトルの分離のために感知
されたピクセルの識別特性を与えることである。最初に、画像センサー１１０は
対象物１０２の光学的特性を規定する画像セットを生成するために対象物１０２
をスキャンする（ステップ２１０）。これらの光学的特性は非空間的スペクトル
の情報及び電磁スペクトルバンドデータを含む。光学的特性はピクセル抽出部１
２０に送られ、それは画像セット中の単体のピクセルからスペクトル識別特性を
抽出する（ステップ２２０）。識別特性処理部１３０による処理の前に、好まれ
るものとして、潜在的な画像データにより較正がなされ、大気に対する修正（Ｍ
ＯＤＴＲＡＮ、ＡＴＲＥＭ等、これらは公開された（パブリックドメイン）処理
である）が画像セットに適用されてもよい。
【００１９】 ピクセル抽出部１２０によって抽出された、感知されたピクセル識別特性はＮ
次元の特徴ベクトルに変換され、識別特性処理部１３０への入力となる。ここで
Ｎは感知された画像中のスペクトルバンドの数である（ステップ２３０）。特徴
ベクトルの成分は画像セットの各スペクトルバンドに対するピクセルの強度に対
応する。
【００２０】 特徴ベクトルが入力された後、特徴ベクトルの成分及びスペクトル値は時系列
として扱われ、バンドパスフィルターによって処理される（ステップ２４０）。
特徴ベクトルは特徴ベクトルの各成分に対するスペクトル周波数値として時間を
扱うことにより、時系列信号として処理される。図３は時系列信号として扱われ
た特徴ベクトルのグラフを示している。バンドパスフィルターは識別特性の直流
成分を取り除くために、隣接するスペクトル強度の単純な差分等の、差別化（ま
たは、微分）を適用する。バンドパスフィルターはまた、結果として生ずる識別
特性を滑らかにするために、その差別化の後に、ローパスフィルターを適用する
。ローパスフィルターの特性は、例えば、サンプル当たり０．２５サイクルの遮
断周波数及び、拒絶帯で−３０ｄｂの減衰を持った、３０要素（30-element）の
有限インパルス応答フィルター（ＦＩＲ）でよい。
【００２１】 バンドパスフィルターはいくつかの理由により重要である。第１に、それは対
象物空間からの反射率の変動によって影響が与えられる、識別特性の局在的な平
均を取り除く。さらに、バンドパスフィルターは通常ノイズによって支配される
識別特性中の超高周波の変動を滑らかにし、材質の識別に必要情報を含んでいる
入力識別特性の曲線を抽出する。フィルタリングされた識別特性のゼロ交差はス
ペクトルの分離及び類別のために重要な、著しい吸収値に対応する。
【００２２】 識別特性処理部１３０によって最後に行われるステップはフィルタリングされ
た入力データを正規化することである（ステップ２５０）。このステップでは、
ＦＩＲフィルターによって適切に処理されない識別特性の初めの部分及び終わり
の部分を取り除くこと等によって、バンドパスフィルターによりフィルタリング
された信号の有効な部分に対応する、フィルタリングされた波形部分が抽出され
る。この部分はＮから、フィルタリングされた波形の初め及び終わりから取り除
かれたサンプルの数を引いた数の新しい特徴ベクトルに変換され、長さＭの特徴
ベクトルになる。新しい特徴ベクトルは次に、Ｍ次元の単位ベクトル（すなわち
、ベクトルの大きさが１であるベクトル）を生成するために、新しい特徴ベクト
ルの成分の二乗の合計の平方根を計算し、新しい特徴ベクトルの各成分をベクト
ルの大きさによって割ることにより正規化される。正規化の目的は利得項を取り
除き、種々の画像にこの技術を適用したときに、パターン認識サブステップの再
訓練を要さずに不動な識別特性を与えるためである。
【００２３】 システム１００に材料や目的とする対象物についての訓練をするために、訓練
入力データ部１４０によって既知の材料や対象物のデータベースが与えられ、目
的とする特定のセンサーから生成されるそれらの識別特性が用いられる。この準
備段階の処理はオフラインで実施されてもよいので、入力識別特性を既知のデー
タと相関させるために非パラメーター性のサブシステム（ここで説明された、材
質類別部１５０及びスペクトル分離部１６０）を訓練することができる。
【００２４】 図４は本発明に従って、訓練データ部１４０によって実施される訓練処理のフ
ローチャートを示している。最初に、既知の材質または対象物のグループから選
択されたサンプル識別特性が生成され、端成分として参照される（ステップ４１
０）。入力識別特性と同様に、これらの既知の材質のサンプル識別特性は画像セ
ンサーや実験用の分光計によって生成することができる。さらに、それらもまた
特徴ベクトルに変換され、図２のステップ２４０で説明された同じバンドパスフ
ィルターで事前処理される（ステップ４２０）。選択された識別特性は次に、訓
練の前に大気モデルを使用して較正及び修正される。
【００２５】 較正及び修正の後、既知の材質及び対象物からの処理された識別特性はＭ次元
の特徴ベクトルに変換され、例えば、Gram-Schmidt正規直交化処理を使用して正
規直交化される（ステップ４４０）。Gram-Schmidt正規直交化は既知の処理であ
り、例えば、D.G.Luenbergerの「Optimization by Vector Space Methods」５３
−５５頁（１９６９年、John Wiley & Sons）に説明されており、それはここで
も参照として組み込まれる。この正規直交化処理は特徴空間（feature space）
の正規直交ベクトルの集まりへの分解を生成し、それはカテゴリーとして参照さ
れ、既知の材質または目的とする対象物、すなわち端成分の対象物識別特性の線
形の組み合わせとなる。換言すると、各カテゴリーは端成分の線形の組み合わせ
から形成されるベクトルであり、それは互いに他のベクトルと直交化され、正規
化されている。正規直交ベクトルは感知されたデータを相関させるために材質類
別部１５０によって使用され、さらに、ここで説明される特徴空間投射（featur
e space projection）技術を介してスペクトルの分離を実施するためにスペクト
ル分離部１６０によって使用される。
【００２６】 この時点で、入力または感知された単体のピクセルに対する画像データ、すな
わち入力識別特性は入力処理部１３５によって単位ベクトルへと処理される。さ
らに、既知の材質と対象物識別特性の空間を張る（span）ために、訓練データが
訓練入力データ部１４０によってフィルタリング及び正規直交化される。
【００２７】 入力識別特性及び訓練データを得ることにより、システム１００による次の処
理のステップは入力識別特性とある程度のレベルの相関を持つこれらのカテゴリ
ーを選択することである。カテゴリーの選択は材質類別部１５０で実施される。
入力識別特性と既知のカテゴリーの相関に基づいてカテゴリーを選択するために
、材質類別部１５０は、例えば、T.Kohonenの「Self-Organization and Associa
tive Memory」Springer-Verlag, Heidelberg（１９８９年、第３版）で説明され
ているSelf Organizing Neural Network（ＳＯＮＮ）等として実施することがで
きる。上の内容はここでも参照として組み込まれる。
【００２８】 ＳＯＮＮはこの分野で周知の、一種のニューロネットワークを使用して、テス
トベクトルを既知のデータと相関させるための方法を使用する。ＳＯＮＮの標準
的な実施は既知の方法によって訓練されるので、ニューロネットワークは入力識
別特性と既知のカテゴリーの識別特性との間の相関の程度を推定することが可能
である。ネットワークのサイズはそのときの用途で使用されるカテゴリーの数に
依存する。例えば、カテゴリーの数が２０の場合、ネットワークは２０×２０と
することができるだろう。ネットワーク上の各ニューロンは訓練データから得ら
れた既知のカテゴリーの識別特性に基づいて特定のカテゴリーに対応する。
【００２９】 図５は本発明に従って、材質類別部１５０によって実施される処理のフローチ
ャートを示している。最初に、訓練データ入力部１４０によって生成されたカテ
ゴリーを使用して、各カテゴリーに対するニューロンの応答のマップ及びニュー
ロネットワークが訓練サイクル中に確立される（ステップ５１０）。訓練処理は
単純で速い。訓練サイクル中、ニューロネットは既知の入力識別特性をネットの
特定の場所に関連付けることを学習する。識別特性の訓練及び処理するために使
用される方法は、例えば、T.Kohonenの「Self-Organization and Associative M
emory」Springer-Verlag, Heidelberg（１９８９年、第３版）で説明されており
、ここでも参照として組み込まれる。訓練処理のために、ネットワーク中の各ニ
ューロンに入力テストベクトルが適用される。各ニューロンの応答はカテゴリー
が入力テストベクトルにどのくらい近いかに対応する。どのニューロンが入力テ
ストベクトルに最も近いかが決定された後、そのニューロン及びそれに物理的に
近接するニューロンが重み付け因子に応じて調整または訓練される。この処理は
一連の入力テストベクトルに対して繰り返される。訓練処理中、重み付け調整及
び、調整される、近接するニューロンの数が徐々に減っていき、正方形のネット
ワーク全体にわたってニューロンが一様に分布する結果となる。図６は２次元の
人工ニューロンの配列によって表されるシミュレーションされた皮層のマップの
例であり、それは入力スペクトル識別特性に相関するこれらのカテゴリーを識別
するために使用することができる。
【００３０】 訓練処理が完了した後、入力識別特性に相関するカテゴリーを識別するために
入力識別特性がマップに適用される（ステップ５２０）。入力識別特性はニュー
ロネットワークによって処理され、ネットワーク中の全てのニューロンの出力が
評価される（ステップ５３０）。ニューロン出力の範囲は、例えば、０．０から
１．０であってもよい。ここで値が大きいほど相関が大きい。次に対応するニュ
ーロン出力の範囲が予め決められた値、例えば０．５０を超えたとき、そのカテ
ゴリーが選択される（ステップ５４０）。このように、ネットワーク中の１つま
たは複数のニューロンが０．５０を超える応答を持った場合、そのニューロンに
応答するカテゴリーが次の処理に対する候補として選択される。このステップは
問題の次元（数）を減少させる。選択されたカテゴリーは次に、マトリクスＥの
一部として配列される。選択されたカテゴリーの各々はマトリクスＥの１つの列
を構成するベクトルである。したがって、マトリクスＥの行の数は各カテゴリー
ベクトル中のスペクトルバンドの数、すなわちＭに対応する。
【００３１】 入力識別特性に十分な相関を示すカテゴリーが選択されると、スペクトル分離
部１６０は入力識別特性中の端成分の存在度を特定するために選択されたカテゴ
リーを使用する。この特定を行うために、スペクトル分離部１６０は関連する制
約付き最適化問題を解く。この問題を解くために、スペクトル分離部１６０はエ
ボルーショナリーコンピューティング（ＥＣ）処理を使用することができる。エ
ボルーショナリーコンピューティングは解法を複雑な数学及びパターン認識問題
へ展開させるために、遺伝的アルゴリズム、人工ニューロネットワーク、及び人
工生命からの方法を含む。さらに、これらの方法は遠隔で感知されたデータに関
連した複雑性に対処し、ノンリテラル判読に対する従来の手法より優れた能力を
達成するため、自動的な「ルール」や「アルゴリズム」の生成のために使用する
こともできる。
【００３２】 図７に示されているように、エボルーショナリーアルゴリズム（ＥＡ）は通常
、ランダムに選択されたアルゴリズムの母集団から開始される。そこにおいて、
母集団の各要素は既知のハイパースペクトル画像やＨＩＳピクセルサンプル等の
、与えられた特徴データまたは訓練データを処理する能力がある。ＥＡの基本と
なる考えはダーウィンの生物学的進化論に類似した方法を使用して、基礎をなす
問題に対する解法（すなわち、良好な、または近似的な解法）を発生することで
ある。
【００３３】 目的となっている基礎をなす問題を解くために試みられるアルゴリズムの母集
団が与えられると、次のステップではランダムに既設のアルゴリズムの一部を選
択し、１つのアルゴリズムの内部論理（「遺伝形質」）を他のアルゴリズムと交
換することによって新しいアルゴリズムの母集団が生成される。２つのアルゴリ
ズムの内部論理を交換する処理はクロスオーバーと呼ばれる。クロスオーバー機
能は論理の交換が結果として生じるアルゴリズムに適当に当てはまり、首尾一貫
した形で、訓練データの組を処理する能力がある２つの新しいアルゴリズムが形
成されるとうい観点から見て、交換が意味をなすように実施される。さらに、多
様性を引き起こし、より良い解法が見つかることを促進するために、アルゴリズ
ムの母集団に変異作用因子がランダムに適用される。
【００３４】 各アルゴリズムは訓練データを評価する能力があり、ユーザーによって与えら
れる費用関数（cost function）に基づいて基礎をなす問題に対する得点（すな
わち、問題をどの程度良く解くことができるか）を記録することができる。アル
ゴリズムの母集団にクロスオーバー／変異作用因子が実施されると、次のステッ
プでは最も良く適応したアルゴリズムを決定するために費用関数の適用が行われ
る。次の世代を形成するために最も良いアルゴリズムの部分集合が選択され、劣
るアルゴリズムが死滅させられる。換言すると、劣るアルゴリズムは自然淘汰モ
デルにしたがって次の世代から排除される。処理は次に、特定の世代の回数だけ
繰り返される。一般に、これらの方法は問題に対する近似のまたは正確なアルゴ
リズム解法への急速な集束を導く。この技術は標準的なワークステーション上で
の、スペクトル分離、対象物検出、及び材質識別等の問題を解くために使用する
ことができ、ハイパースペクトル画像データの素早いノンリテラル判読に対して
効果的に実施される。
【００３５】 最も低いコスト（cost）を持ったアルゴリズムが全ての世代にわたって追跡さ
れ、基礎をなす問題の最終的な解法を表す。ＥＡと従来の方法との差は、ＥＡが
従来の方法に比べより広い方法で解空間を検索（サーチ）することを試みるので
、それは解法を見つけるためにより良い仕事をするだろうということである。Ｅ
Ａは解空間の大規模なパラレルサーチを実行し、材質識別及び対象物分類に関す
るものを含む非常に複雑な制約付の問題の最適化を扱うことができる。さらに、
ＥＡは詳細な大気やセンサーに関連した制約で発生するような、非線形スペクト
ル混合モデルを扱う能力がある。さらに、費用関数のサーチに対するモデルに基
づいた誘導を組み入れることができる。この処理を実施するためには「Z.Michal
ewicz, Genetic Algorithms + Data Structures = Evolution Programs」Spring
er Verlag（１９９４年、第２版）で説明されているGenecop3等の、ＥＡを使用
することができる。上述の内容はここでも参照として組み込まれる。
【００３６】 ＥＡは複雑な制約付の最適化問題を解くために便利であるので、ＥＡは本発明
の制約付の線形スペクトル混合モデルを解くために使用することができる。この
制約付の線形スペクトル混合モデルは以下の方程式に基づいている。
【数１】 ここで、Ｇｂ及びＯｂはセンサー及び大気の影響、ＤＮは画像センサー１１０に
よって得られた生データのデジタル値、ｇは端成分の存在度の割合を表すスカラ
ー値、Ｒは端成分の実験室または実地での反射率、Ｅ（マトリクスＥとは異なる
スカラー値）はノイズ等のバンドの残留、ｂはスペクトルバンド数、ｒは端成分
の数、そして、Ｎは端成分の数である。方程式（１）は最適化問題の制約のない
部分を表している。
【００３７】 制約付の線形スペクトル混合モデルはさらに以下の方程式を含む。
【数２】 ここで、ｇ、ｒ及びＮは方程式（１）と同じ変数を表す。方程式（２）及び（３
）はｇの値の合計を１に限定しており、各ｇの値は０から１の間に限定している
ので、それらは制約方程式である。
【００３８】 この制約付線形スペクトル混合モデルの解法は入力識別特性の、材質類別部１
５０によって選択されたカテゴリーによって張られる（spanned）部分空間への
制約付特徴空間投射（または、投射の最も良い推定）と数学的に等化である。図
８は３つの選択されたカテゴリー及び、３つのカテゴリーの部分空間を張る入力
ベクトルＶとして表される入力識別特性を持った特長空間投射の例を示している
。入力ベクトルＶは方程式（１）の左辺を単純化したものであると見ることがで
きる。入力ベクトルＶは選択されたカテゴリーの部分空間を張るので、入力ベク
トルＶは選択されたカテゴリーの線形の組み合わせとして見ることもできる。入
力ベクトルＶは選択されたカテゴリーの線形の組み合わせであるとすると、入力
ベクトルＶは以下のように得られる。
【数３】 方程式（４）で、最初の合計はカテゴリー（ｃａｔ）の線形の組み合わせを表す
。ここで、ａｉは特定のカテゴリーｃａｔｉに対するスカラーの重み付け因子で
ある。各カテゴリーは端成分（ｅｎｄｍｅｍｂｅｒ）の線形の組み合わせである
ので、ｃａｔｉはｂｉｊと端成分ｊ（ｅｎｄｍｅｍｂｅｒｊ）の積と等化である
。ここで、ｂｉｊは特定の端成分ｊ（ｅｎｄｍｅｍｂｅｒｊ）の重み付け因子で
ある。このｃａｔｉに対する等価は上述されたGram-Schmidt正規直交化処理に基
づいている。最後の合計で、重み付け因子ａ及びｂが組み合わされており、それ
は存在度ｇｋに等価である。最後の合計はマトリクスＥとベクトルｇの積に等価
であり、成分ｇｋを持ったベクトルｇは各端成分に対する個々の存在度に対応す
る。積Ｅｇは方程式（１）の右辺の方程式の単純化されたものである。このよう
に、ベクトル−マトリクス方程式Ｖ＝Ｅｇは方程式（１）を単純化したものであ
る。
【００３９】 ｇの推定は一般逆行列法（pseudo inverse method）を使用して、ベクトル−
マトリクス方程式Ｖ＝Ｅｇをｇに対して解くことによって得られる。一般逆行列
法は存在度ｇの最良の最小二乗を与え、マトリクスＥが可逆である場合、正確な
最小二乗になる。ｇに対する解法は以下の方程式に従う。
【数４】 ここで、ｇの上のハット（＾）は一般逆行列操作による近似の解に対応している
。この方程式は方程式（１）によって表される最適化問題の制約のない部分に対
する解法に対応している。ｇに対して見つけられた解法は特定の材質または対象
物に存在する存在度（識別または特定）及び、入力サンプルに存在する識別特性
の割合（スペクトル分離）を決定する。
【００４０】 方程式（５）を最適化問題の制約のない解法であると仮定すると、制約付の線
形スペクトル混合モデルを解くために、以下の方程式を費用関数（cost functio
n）として使用することができる。
【数５】 ここで‖ｘ‖はベクトルｘの大きさであり、ｇｉはスカラー、ｇはベクトルであ
る。この費用関数は基礎となる線形スペクトル混合モデル及び、ｇｋの合計が１
になるという制約を組み込んでいる。詳細に述べると、費用関数方程式（６）の
左辺はｇｋの合計が１になるという制約に対応しており、右辺は基礎となるスペ
クトル混合モデルに対応している。方程式（６）は本発明のスペクトル分離部１
６０で使用される費用関数の好まれる例である。しかしながら、他の費用関数を
使うこともできるだろう。費用関数の実施はＥＡが素早く集束し、効果的な解法
を作り出すために処理を速めることを可能にする。ＥＡから得られる最小のコス
トの解法は検出された材質の一覧及び、それに関する存在度を与える。
【００４１】 図９は入力識別特性の材質及び存在度を識別するために、本発明にしたがって
、スペクトル分離部１６０で実施される処理のフローチャートを示している。ス
ペクトル分離部１６０によって実施されるこの処理はＧＥＮＥＣＯＰ３等の、Ｅ
Ａとして実施することができる。処理の最初のステップはアルゴリズムのランダ
ムなグループを選択することである（ステップ９１０）。この処理で、アルゴリ
ズムはそれぞれ候補ベクトルｇを表し、候補ベクトルｇの各成分は端成分の存在
度に対応する。アルゴリズムの選択されたグループは進化処理の最初の世代を表
す。
【００４２】 アルゴリズムには次に、上述されたクロスオーバー及び変異機能が実施される
（ステップ９２０）。詳細に述べると、アルゴリズムの選択された組の部分は新
しいアルゴリズムの組を形成するために交換され、アルゴリズムのランダムに選
択された要素は変形させられる。これらの機能を適用した後、各アルゴリズムは
上述の方程式（６）等の、費用関数によって評価される（ステップ９３０）。方
程式（６）で、方程式の右辺のベクトルｇは評価されるアルゴリズムの候補ベク
トルｇに対応する。方程式の左辺のスカラー値ｇｉは評価される候補ベクトルｇ
の各成分に対応する。各アルゴリズムが評価された後、最も得点の高い、すなわ
ち、ゼロに最も近いコストまたは値を持ったアルゴリズムが記録される（ステッ
プ９４０）。
【００４３】 次に、アルゴリズムの全てのグループからアルゴリズムの部分集合が選択され
、残ったアルゴリズムは排除される（ステップ９５０）。この部分集合の選択は
費用関数による評価の得点に基づいて行うことができる。例えば、予め決められ
たゼロの閾値内に得点を持つアルゴリズムが選択され、閾値の外側にあるものは
除去される。新しい世代を形成するために、除去されたアルゴリズムはランダム
に選択された、等しい数の新しいアルゴリズムによって入れ替えられる（ステッ
プ９６０）。処理は次に、予め決められた世代の回数だけ繰り返される（ステッ
プ９７０）。処理が実施する実際の世代の数は変化しても良い。一般に、結果は
より多い回数の世代を処理することにより改善する。最後に、全ての世代が処理
された後、解法として選択されたアルゴリズムは最も低いコストを持ったものと
して記録される（ステップ９８０）。
【００４４】 付録ＡはJerry A.Burmanによる「Non-literal pattern recognition method f
or hyperspectral imagery exploitation using evolutionary computing metho
ds」というタイトルの論文である。
【００４５】 （結論） 本発明によるシステムはマルチスペクトル及びハイパースペクトル画像分析及
び識別を実施する。それらは計算の上で効率的であり、容易に実施可能であり、
さらに、領域分類（terrain categorization）及び対象物識別に対するスペクト
ル識別特性を効果的に検出、分離、及び分類する。
【００４６】 本発明の範囲または意図から外れることなく、上述の実施例に対し多様な変更
や改良を実施できることは当業者にとって明白であろう。詳細な説明は限定のた
めではなく、説明のためのものである。むしろ、それらは当業者が本発明を異な
った方法で実施することを可能にするための例や説明を与えている。本発明の範
囲及び意図は付随する請求の範囲によって規定される。
【００４７】
【図面の簡単な説明】
【図１】 本発明に従う被サンプル画像のオブジェクトおよびその資料構造を識別するた
めのシステムを示す線図である。
【図２】 図１のシステムにおける入力処理セクションにより遂行されるプロセスのフロ
ーチャートである。
【図３】 本発明に従い時系列信号として処理される特徴ベクトルのグラフ表示である。
【図４】 図１のシステムにおいてトレーニングデータセクションにより遂行されるトレ
ーニングプロセスのフローチャートである。
【図５】 図１のシステムにおける資料類別セクションにより遂行されるプロセスのフロ
ーチャートである。
【図６】 図６は本発明に従う二次元ニューラルネットワークアレイのマップを示すグラ
フ表示である。
【図７】 本発明に従う進展アルゴリズム（ＥＡ）プロセスのグラフ表示である。
【図８】 本発明に従う特徴スペース投影のグラフ表示である。
【図９】 図１のシステムにおけるスペクトル非混合化部により遂行されるプロセスのフ
ローチャートである。
【符号の説明】
１００ 本発明のシステム １０２ 対象物 １１０ 画像センサー １２０ ピクセル抽出部 １３０ 識別特性処理部 １４０ 訓練データ入力部 １５０ 材質類別部 １６０ スペクトル分離部
───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ， ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，Ｋ Ｅ，ＬＳ，ＭＷ，ＳＤ，ＳＬ，ＳＺ，ＵＧ，ＺＷ)，Ｅ Ａ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ ，ＴＭ)，ＡＥ，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ， ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，Ｇ Ｅ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ， ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，Ｍ Ｎ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ， ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＡ，Ｚ Ｗ Ｆターム(参考） 5B075 ND06 ND23 ND34 NR12 PR03 QS03 QT03 QT04 5L096 BA20 CA02 EA11 GA55 HA08 HA11 JA11

Claims (10)

    【特許請求の範囲】
  1. 【請求項１】 対象物のスペクトル画像を受信し、 該スペクトル画像から入力ピクセルを抽出し、 該入力ピクセルを、各ベクトル要素が複数のスペクトルバンドの各一つのレフ
    レクタンスを表すベクトルに変換し、 複数の異なる資料のスペクトル画像を提供し、 予定のスレッショルドを越える入力ピクセルとの相関を有する資料のスペクト
    ル画像を識別し、 識別された資料に基づき入力ピクセルに存する資料の組み合わせを決定する 諸ステップを含むことを特徴とする画像処理方法。
  2. 【請求項２】 複数のテストスペクトル画像を前記資料のスペクトルイメー
    ジと相関づけ、 複数のテストベクトルとの相関に基づき前記資料のスペクトル画像のマップを
    生成するステップをさらに含み、前記識別ステップが、前記マップに入力ピクセ
    ルを適用して、前記資料のどのスペクトル画像が予定のスレッショルドを越える
    入力ピクセルとの相関を有するかを決定するサブステップを含む 請求項１記載の画像処理方法。
  3. 【請求項３】 各ベクトル要素が前記複数の資料の各一つの存在度を表す一
    群の候補ベクトルを選択し、 抑制されたスペクトル混合モデルおよび識別された資料に基づくコスト関数で
    各候補ベクトルを評価し、 どの候補ベクトルが最低のコストを有するかを決定する 諸ステップを含み、入力ピクセル内に存する資料の量が、最低のコストを有する
    ことが決定された候補ベクトル内の要素に対応する請求項１記載の画像処理方法
    。
  4. 【請求項４】 複数の異なる資料のスペクトル画像を提供し、 複数のテストスペクトル画像を前記資料のスペクトル画像と相関づけ、 複数のテストベクトルとの相関に基づき資料のスペクトル画像のマップを生成
    し、 該マップに入力ピクセルを適用することによって、前記資料のどのスペクトル
    画像が入力ピクセルとの最小の相関を有するかを識別し、 識別された資料に基づき、入力ピクセルに存する資料の組合せを決定する 諸ステップを含むことを特徴とするスペクトル画像の入力ピクセルを処理する方
    法。
  5. 【請求項５】 前記決定ステップが、 各ベクトル要素が前記複数の資料の各一つの存在度を表す一群の候補ベクトル
    を選択し、 抑制されたスペクトル混合モデルおよび識別された資料に基づくコスト関数で
    各候補ベクトルを評価し、 どの候補ベクトルが最低のコストを有するかを決定する 諸ステップを含み、入力ピクセル内に存する資料の量が、最低のコストを有する
    ことが決定された候補ベクトル内の要素に対応している請求項４に記載の処理方
    法。
  6. 【請求項６】 複数の異なる資料のスペクトル画像を提供し、 予定のスレッショルドを越える入力ピクセルとの相関を有する資料のスペクト
    ル画像を識別し、 各ベクトル要素が前記複数の資料の各一つの存在度を表す一群の候補ベクトル
    を選択し、 抑制されたスペクトル混合モデルおよび識別された資料に基づくコスト関数で
    各候補ベクトルを評価し、 どの候補ベクトルが最低のコストを有するかを決定する 諸ステップを含み、入力ピクセルに存する資料の量が最低のコストであることを
    決定された候補ベクトル内の要素に対応することを特徴とするスペクトル画像の
    入力ピクセルを処理する方法。
  7. 【請求項７】 目的領域を走査して、スペクトル画像を生成し、 該スペクトル画像から入力ピクセルを抽出し、 入力ピクセルを、各ベクトル要素が複数のスペクトルバンドの各一つのレフレ
    クタンスを表すベクトルに変換し、 複数のテストスペクトル画像を前記資料のスペクトル画像と相関づけ、 複数のテストベクトルとの相関に基づき前記資料のスペクトル画像のマップを
    生成する 諸ステップをさらに含み、前記識別ステップが、前記マップに入力ピクセルを適
    用して、前記資料のどのスペクトル画像が予定のスレッショルドを越える入力ピ
    クセルとの相関を有するかを決定するサブステップを含む請求項６記載の処理方
    法。
  8. 【請求項８】 目的領域を走査して、スペクトル画像を生成し、該スペクト
    ル画像から入力ピクセルを抽出し、該入力ピクセルを、各ベクトル要素が複数の
    スペクトルバンドの各一つのレフレクタンスを表すベクトルに変換するための入
    力処理部と、 複数の異なる資料のスペクトル画像を提供するトレーニングデータ部と、 予定のスレッショルドを越える入力ピクセルとの相関を有する資料のスペクト
    ル画像を識別するための資料類別部と、 識別された資料に基づき、入力ピクセル内に存する資料の組合せを決定するた
    めのスペクトル非混合化部と を備えることを特徴とする画像処理装置。
  9. 【請求項９】 前記資料類別部が、複数のテストスペクトル画像を前記資料
    のスペクトル画像と相関づけ、複数のテストベクトルとの相関に基づき、資料の
    スペクトル画像のマップを生成するための相関、生成部を備え、該マップに入力
    ピクセルを適用して、前記資料のどのスペクトル画像が予定のスレッショルドを
    越える入力ピクセルとの相関を有するかを決定する請求項８記載の画像処理装置
    。
  10. 【請求項１０】 前記スペクトル非混合化部が、 各ベクトル要素が前記複数の資料の各一つの存在度を表す一群の候補ベクトル
    を選択するための選択部と、 抑制されたスペクトル混合モデルおよび識別された資料に基づくコスト関数で
    各候補ベクトルを評価するための評価部と、 どの候補ベクトルが最低のコストを有するかを決定するための決定部と を備え、入力ピクセルに存する資料の量が、最低のコストを有することが決定さ
    れた候補ベクトル内の要素に対応する請求項８記載の画像処理装置。
JP2000558481A 1998-07-06 1999-07-02 ハイパースペクトル画像利用のためのノンリテラルパターン認識の方法及びシステム Withdrawn JP2002520699A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US09/111,039 1998-07-06
US09/111,039 US6075891A (en) 1998-07-06 1998-07-06 Non-literal pattern recognition method and system for hyperspectral imagery exploitation
PCT/US1999/015178 WO2000002156A1 (en) 1998-07-06 1999-07-02 Non-literal pattern recognition method and system for hyperspectral imagery exploitation

Publications (1)

Publication Number Publication Date
JP2002520699A true JP2002520699A (ja) 2002-07-09

Family

ID=22336287

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2000558481A Withdrawn JP2002520699A (ja) 1998-07-06 1999-07-02 ハイパースペクトル画像利用のためのノンリテラルパターン認識の方法及びシステム

Country Status (9)

Country Link
US (1) US6075891A (ja)
EP (1) EP1093632A1 (ja)
JP (1) JP2002520699A (ja)
KR (1) KR100586277B1 (ja)
AU (1) AU770186B2 (ja)
CA (1) CA2337064A1 (ja)
IL (1) IL140722A (ja)
NO (1) NO20010093L (ja)
WO (1) WO2000002156A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007505733A (ja) * 2003-09-20 2007-03-15 キネテイツク・リミテツド 廃棄物の流れ中の目標物を分類する装置および方法
JP2007199750A (ja) * 2006-01-23 2007-08-09 Nec Corp 画素群パラメータ算出方法及び目標物検出方法並びに画素群パラメータ算出装置及び目標物検出装置
JP2019072255A (ja) * 2017-10-17 2019-05-16 株式会社ソニー・インタラクティブエンタテインメント 情報処理システムおよび情報処理方法

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041121B1 (en) * 1998-08-14 2011-10-18 The United States Of America As Represented By The Secretary Of The Air Force Algorithm for rapid endmembers determination (ALRED) in hyperspectral data
US6771798B1 (en) * 1998-11-03 2004-08-03 The United States Of America As Represented By The Secretary Of The Navy Hyperspectral visualization extensible workbench
US6535647B1 (en) * 1999-03-25 2003-03-18 General Dynamics Decision Systems, Inc. Image encoder method
US6282301B1 (en) * 1999-04-08 2001-08-28 The United States Of America As Represented By The Secretary Of The Army Ares method of sub-pixel target detection
US6665438B1 (en) * 1999-05-05 2003-12-16 American Gnc Corporation Method for hyperspectral imagery exploitation and pixel spectral unmixing
US6603877B1 (en) * 1999-06-01 2003-08-05 Beltronics, Inc. Method of and apparatus for optical imaging inspection of multi-material objects and the like
US6940999B2 (en) * 2000-06-13 2005-09-06 American Gnc Corp. Method for target detection and identification by using proximity pixel information
US6763136B1 (en) 2000-09-19 2004-07-13 Bae Systems Mission Solutions, Inc. Method and apparatus for determining spectral similarity
WO2002025573A1 (en) * 2000-09-19 2002-03-28 Bae Systems Mission Solutions Inc. Method and apparatus for determining spectral similarity
US6804400B1 (en) 2000-11-01 2004-10-12 Bae Systems Mission Solutions Inc. Adaptive hyperspectral data compression
US7337065B2 (en) * 2001-01-23 2008-02-26 Spectral Sciences, Inc. Methods for atmospheric correction of solar-wavelength hyperspectral imagery over land
US7398256B2 (en) * 2001-02-23 2008-07-08 The Trustees Of The University Of Pennsylvania Dynamical brain model for use in data processing applications
US6347762B1 (en) * 2001-05-07 2002-02-19 The United States Of America As Represented By The Secretary Of The Army Multispectral-hyperspectral sensing system
US6608931B2 (en) * 2001-07-11 2003-08-19 Science Applications International Corporation Method for selecting representative endmember components from spectral data
US7321691B1 (en) 2001-07-11 2008-01-22 Science Applications International Corporation Method for selecting representative endmember components from spectral data
US20030223639A1 (en) * 2002-03-05 2003-12-04 Vladimir Shlain Calibration and recognition of materials in technical images using specific and non-specific features
US7274830B2 (en) * 2002-06-12 2007-09-25 Litton Systems, Inc. System for multi-sensor image fusion
US7200243B2 (en) * 2002-06-28 2007-04-03 The United States Of America As Represented By The Secretary Of The Army Spectral mixture process conditioned by spatially-smooth partitioning
US6946671B2 (en) * 2002-09-26 2005-09-20 Honeywell Federal Manufacturing & Technologies, Llc System and method for identifying, reporting, and evaluating presence of substance
US7126104B2 (en) * 2002-09-26 2006-10-24 Honeywell Federal Manufacturing & Technologies, Llc System and method for identifying, reporting, and evaluating presence of substance
US7043369B2 (en) * 2003-04-15 2006-05-09 The Johns Hopkins University Radiance library forecasting for time-critical hyperspectral target detection systems
US8117040B1 (en) 2003-09-26 2012-02-14 Honeywell Federal Manufacturing & Technologies, Llc System and method for identifying, reporting, and evaluating presence of substance
WO2006019991A2 (en) * 2004-07-15 2006-02-23 Cheminage Corporation Method and apparatus for multimodal detection
US7792321B2 (en) * 2004-07-28 2010-09-07 The Aerospace Corporation Hypersensor-based anomaly resistant detection and identification (HARDI) system and method
US7680337B2 (en) * 2005-02-22 2010-03-16 Spectral Sciences, Inc. Process for finding endmembers in a data set
US7505608B2 (en) * 2005-04-15 2009-03-17 The Boeing Company Methods and apparatus for adaptive foreground background analysis
US8582089B2 (en) * 2006-06-09 2013-11-12 Chemimage Corporation System and method for combined raman, SWIR and LIBS detection
US7679740B2 (en) * 2005-07-14 2010-03-16 Chemimage Corporation Method and apparatus for multimodal detection
US7692775B2 (en) 2005-07-14 2010-04-06 Chemimage Corporation Time and space resolved standoff hyperspectral IED explosives LIDAR detection
US7805005B2 (en) * 2005-08-02 2010-09-28 The United States Of America As Represented By The Secretary Of The Army Efficient imagery exploitation employing wavelet-based feature indices
US8368880B2 (en) * 2005-12-23 2013-02-05 Chemimage Corporation Chemical imaging explosives (CHIMED) optical sensor using SWIR
US20110237446A1 (en) * 2006-06-09 2011-09-29 Chemlmage Corporation Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data
US20080089591A1 (en) * 2006-10-11 2008-04-17 Hui Zhou Method And Apparatus For Automatic Image Categorization
US7990532B2 (en) 2007-01-16 2011-08-02 Chemimage Corporation Method and apparatus for multimodal detection
US8280144B2 (en) * 2007-02-21 2012-10-02 Goldfinch Solutions, Llc System and method for analyzing material properties using hyperspectral imaging
US8538195B2 (en) * 2007-09-17 2013-09-17 Raytheon Company Hyperspectral image dimension reduction system and method
WO2009128065A1 (en) * 2008-04-16 2009-10-22 Elbit Systems Ltd. Multispectral enhanced vision system and method for aircraft landing in inclement weather conditions
US9103714B2 (en) * 2009-10-06 2015-08-11 Chemimage Corporation System and methods for explosives detection using SWIR
US8165340B2 (en) * 2009-10-07 2012-04-24 Lawrence Livermore National Security, Llc Methods for gas detection using stationary hyperspectral imaging sensors
US9041822B2 (en) 2011-02-11 2015-05-26 Canadian Space Agency Method and system of increasing spatial resolution of multi-dimensional optical imagery using sensor's intrinsic keystone
US9031354B2 (en) 2011-03-31 2015-05-12 Raytheon Company System and method for post-detection artifact reduction and removal from images
US9064308B2 (en) 2011-04-13 2015-06-23 Raytheon Company System and method for residual analysis of images
US8675989B2 (en) 2011-04-13 2014-03-18 Raytheon Company Optimized orthonormal system and method for reducing dimensionality of hyperspectral images
WO2013006506A1 (en) * 2011-07-01 2013-01-10 The Regents Of The University Of Michigan Pixel and voxel-based analysis of registered medical images for assessing bone integrity
US8842937B2 (en) 2011-11-22 2014-09-23 Raytheon Company Spectral image dimensionality reduction system and method
US8655091B2 (en) 2012-02-24 2014-02-18 Raytheon Company Basis vector spectral image compression
US9147265B2 (en) * 2012-06-04 2015-09-29 Raytheon Company System and method for rapid cluster analysis of hyperspectral images
US8660360B1 (en) 2012-08-03 2014-02-25 Raytheon Company System and method for reduced incremental spectral clustering
US8805115B2 (en) 2012-11-02 2014-08-12 Raytheon Company Correction of variable offsets relying upon scene
US9256786B2 (en) 2013-10-15 2016-02-09 Ge Aviation Systems Llc Method of identification from a spatial and spectral object model
CA2932985C (en) * 2013-12-13 2021-05-18 Revenio Research Oy Medical imaging
US10317667B2 (en) * 2015-07-04 2019-06-11 The Regents Of The University Of California Compressive plenoptic microscopy for functional brain imaging
CN105160642B (zh) * 2015-08-29 2017-10-03 西安科技大学 高光谱成像的潜指纹图像增强方法
US10462389B2 (en) 2016-07-01 2019-10-29 The Boeing Company Method and apparatus for using a regionally specific spectral model to identify the spectral bands for use for isolating remotely sensed materials of interest
US10656305B2 (en) 2016-07-01 2020-05-19 The Boeing Company Method and apparatus for simulating spectral information of geographic areas
US10896370B2 (en) * 2017-03-03 2021-01-19 International Business Machines Corporation Triage of training data for acceleration of large-scale machine learning
WO2020263350A1 (en) * 2019-02-14 2020-12-30 Chemimage Corporation Extended particle swarm band selection
CN110232317B (zh) * 2019-05-05 2023-01-03 五邑大学 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质
US20200387789A1 (en) * 2019-06-06 2020-12-10 Riskfuel Analytics Inc. Neural network training
CN110717520B (zh) * 2019-09-12 2023-03-10 华侨大学 基于高光谱图像空间特征和光谱特征融合的固废识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4167729A (en) * 1976-06-14 1979-09-11 Environmental Research Institute Of Michigan Apparatus for obtaining multi-spectral signatures

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007505733A (ja) * 2003-09-20 2007-03-15 キネテイツク・リミテツド 廃棄物の流れ中の目標物を分類する装置および方法
JP2007199750A (ja) * 2006-01-23 2007-08-09 Nec Corp 画素群パラメータ算出方法及び目標物検出方法並びに画素群パラメータ算出装置及び目標物検出装置
JP4711131B2 (ja) * 2006-01-23 2011-06-29 日本電気株式会社 画素群パラメータ算出方法及び画素群パラメータ算出装置
JP2019072255A (ja) * 2017-10-17 2019-05-16 株式会社ソニー・インタラクティブエンタテインメント 情報処理システムおよび情報処理方法
JP7060355B2 (ja) 2017-10-17 2022-04-26 株式会社ソニー・インタラクティブエンタテインメント 情報処理システムおよび情報処理方法

Also Published As

Publication number Publication date
EP1093632A1 (en) 2001-04-25
KR20010089132A (ko) 2001-09-29
NO20010093D0 (no) 2001-01-05
IL140722A0 (en) 2002-02-10
CA2337064A1 (en) 2000-01-13
KR100586277B1 (ko) 2006-06-02
AU770186B2 (en) 2004-02-12
US6075891A (en) 2000-06-13
IL140722A (en) 2005-07-25
WO2000002156A1 (en) 2000-01-13
AU4860399A (en) 2000-01-24
NO20010093L (no) 2001-02-21

Similar Documents

Publication Publication Date Title
JP2002520699A (ja) ハイパースペクトル画像利用のためのノンリテラルパターン認識の方法及びシステム
Al-Hiary et al. Fast and accurate detection and classification of plant diseases
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN111161362A (zh) 一种茶树生长状态光谱影像鉴别方法
Gill et al. Nondestructive grading of black tea based on physical parameters by texture analysis
CN110929687B (zh) 一种基于关键点检测的多人行为识别系统及工作方法
CN110751087B (zh) 一种基于eof的无人机信号识别系统和方法
CN107918773B (zh) 一种人脸活体检测方法、装置及电子设备
CN103971106A (zh) 多视角人脸图像性别识别方法及装置
Goel et al. Prediction model for automated leaf disease detection & analysis
CN111160392A (zh) 一种基于小波宽度学习系统的高光谱分类方法
Raja et al. Appropriate sub-band selection in wavelet packet decomposition for automated glaucoma diagnoses
CN117576564B (zh) 用于茶叶种植的病虫害识别预警方法与系统
Amira et al. An automatic face recognition system based on wavelet transforms
Kavitha et al. Basil leaf diseases detection using deep learning architectures
Karungaru et al. Feature extraction for face detection and recognition
CN111860654A (zh) 一种基于循环神经网络的高光谱图像分类方法
Meena et al. Plant Diseases Detection Using Deep Learning
Bharti et al. Detection and classification of plant diseases
Burman Nonliteral pattern recognition method for hyperspectral imagery exploitation using evolutionary computing methods
Goswami et al. Combinational feature approach: Performance improvement for image processing based leaf disease classification
Garg et al. Unveiling the Hidden Patterns: Deep Learning Approach for Early Detection and Severity Classification of Sugarcane Brown Spot
CN113420724B (zh) 一种无人机遥感入河排口识别方法及装置
Naser et al. Artificial Neural Network-Based Fingerprint Classification and Recognition.
Fanani et al. Deep Convolution Neural Network to solve Problems for Appel Leaf Disease Detection

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20060905