WO2018076138A1 - 基于大尺度高分辨率高光谱图像的目标探测方法及装置 - Google Patents

基于大尺度高分辨率高光谱图像的目标探测方法及装置 Download PDF

Info

Publication number
WO2018076138A1
WO2018076138A1 PCT/CN2016/103070 CN2016103070W WO2018076138A1 WO 2018076138 A1 WO2018076138 A1 WO 2018076138A1 CN 2016103070 W CN2016103070 W CN 2016103070W WO 2018076138 A1 WO2018076138 A1 WO 2018076138A1
Authority
WO
WIPO (PCT)
Prior art keywords
image block
image
spectral
target
value
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.)
Ceased
Application number
PCT/CN2016/103070
Other languages
English (en)
French (fr)
Inventor
李岩山
徐健杰
黄庆华
夏荣杰
谢维信
刘鹏
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to PCT/CN2016/103070 priority Critical patent/WO2018076138A1/zh
Publication of WO2018076138A1 publication Critical patent/WO2018076138A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition

Definitions

  • the invention belongs to the field of information technology, and in particular relates to a target detection method and device based on large-scale high-resolution hyperspectral images.
  • RGB Red, Red; Green, Green; Blue, Blue
  • the existing hyperspectral image target detection algorithm mainly uses spectral information for target detection, including Orthogonal Subspace Projection (OSP), Generalized Likelihood Ratio Test (GLRT), and constrained energy minimization.
  • OSP Orthogonal Subspace Projection
  • GLRT Generalized Likelihood Ratio Test
  • constrained energy minimization constrained energy minimization
  • CEM Constrained Energy Minimization
  • ACE Adaptive Cosine Estimator
  • RXAnomaly Detection Algorithm RXD
  • CEM Constrained Energy Minimization
  • ACE Adaptive Cosine Estimator
  • RXD RX Anomaly Detection Algorithm
  • embodiments of the present invention provide a target detection method and apparatus based on large-scale high-resolution hyperspectral images, so as to solve the problem that the prior art has poor detection effect in high-resolution hyperspectral image target detection. problem.
  • an embodiment of the present invention provides a mesh based on a large-scale high-resolution hyperspectral image.
  • Standard detection methods including:
  • an embodiment of the present invention provides a target detecting apparatus based on a large-scale high-resolution hyperspectral image, including:
  • a reading module for reading a hyperspectral image corresponding to the target
  • a preprocessing module for preprocessing the hyperspectral image
  • a detecting module configured to detect all candidate spatial domain points of interest of the preprocessed hyperspectral image to obtain a first set
  • a screening module configured to filter candidate spatial domain points of interest in the first set according to response strength to obtain a second set
  • a spectral angle matching module configured to perform spectral angle matching according to the spectral curve corresponding to the second set to obtain an image block of a potential target area; and a feature description module configured to describe the image block, And encoding to obtain a vector corresponding to the image block;
  • a calculation module configured to calculate a value of a classification function corresponding to the image block according to a vector corresponding to the image block;
  • a target determining module configured to determine that the image block includes the target if a value of a classification function corresponding to the image block is greater than a classification threshold
  • a segmentation module configured to: if the value of the classification function corresponding to the image block is less than or equal to the classification threshold, segment the image block until a value of a classification function corresponding to the segmented sub-image block is greater than The classification threshold is described, or the segmented sub-image block reaches a specified minimum size.
  • the embodiment of the present invention has the beneficial effects that the embodiment of the present invention separates the hyperspectral image by using the spatial spectral domain to extract the interest points, and separates the interest points of the optical spectrum domain, and describes, by description,
  • the coding and classification realize the fast recognition and positioning of the target object, thereby improving the detection effect in the target detection of the high-resolution hyperspectral image.
  • FIG. 1 is a flowchart showing an implementation of a target detection method based on a large-scale high-resolution hyperspectral image according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram showing an original spectral curve of a point in a hyperspectral image and a sampling curve whose sampling frequency is 1/3 of the original spectral curve in the embodiment of the present invention
  • FIG. 3 is a schematic diagram showing quadtree partitioning in an embodiment of the present invention.
  • FIG. 4 is a schematic diagram showing an overall framework adopted by a target detection method based on a large-scale high-resolution hyperspectral image according to an embodiment of the present invention
  • 5 to 8 illustrate the use of a large scale high resolution based on an embodiment of the present invention in different scenarios.
  • FIG. 9 is a structural block diagram of a target detecting apparatus for a hyperspectral image according to an embodiment of the present invention.
  • FIG. 1 is a flowchart showing an implementation of a target detection method based on a large-scale high-resolution hyperspectral image according to an embodiment of the present invention. As shown in Figure 1, the method includes:
  • step S101 the hyperspectral image corresponding to the target is read.
  • the hyperspectral image may be a large-scale high-resolution hyperspectral image.
  • the hyperspectral image may have a size of M ⁇ N ⁇ B 1 , where M represents the number of rows of the hyperspectral image and N represents the hyperspectral image.
  • the number of columns, B 1 represents the number of original bands of the hyperspectral image.
  • step S102 the hyperspectral image is preprocessed.
  • preprocessing the hyperspectral image includes: performing band sampling processing on the hyperspectral image.
  • the original hyperspectral image can be subjected to band sampling processing.
  • the sampling interval may be k
  • the size of the hyper-spectral image band through the sampling process may be M ⁇ N ⁇ B 2, wherein, B 2 represents a high band spectrum of the sampled image.
  • B 2 ⁇ 1,1+k,1+2k, . . . , B max ⁇ , B max ⁇ B 1 , where B max represents the maximum number of bands of B 2 .
  • FIG. 2 is a schematic diagram showing an original spectral curve of a point in a hyperspectral image and a sampling curve whose sampling frequency is 1/3 of the original spectral curve in the embodiment of the present invention.
  • the horizontal axis is the wavelength and the vertical axis is the original digital value recorded by the sensor. It can be seen from Fig. 2 that in the sampled spectral curve, the spectral domain dimension is greatly reduced, and the amount of data is also greatly reduced. In the post-use spectral curve, the spectral information is preserved while reducing the amount of data, which provides a basis for the rapid detection of spatio-temporal points of interest.
  • step S103 all candidate spatial domain points of interest of the preprocessed hyperspectral image are detected to obtain a first set.
  • the null spectral domain interest point may refer to a point where the pixel value of the entire hyperspectral cube changes drastically.
  • all candidate spatial domain points of interest of the hyperspectral image may be extracted prior to pre-processing. It is assumed that p j represents the j-th candidate empty spectral domain interest point, v j represents the response intensity corresponding to the j-th candidate empty spectral domain interest point, and p j to v j are a one-to-one mapping relationship, G:p j ⁇ v j .
  • the first set P ⁇ p 1 , p 2 , p 3 , . . .
  • p m G(p x ) ⁇ G(p x+1 ) ⁇ can be constructed according to all candidate spatial domain points of interest, wherein P Representing the first set, x ⁇ ⁇ 1, 2, 3, ..., m-1 ⁇ , m represents the total number of candidate spatial domain points of interest in the hyperspectral image.
  • step S104 the candidate null spectral domain points of interest in the first set are filtered according to the response strength to obtain a second set.
  • the candidate spatial domain interest points in the first set can be filtered to obtain a second set, and the second set is used to represent the hyperspectral image to improve the target.
  • the efficiency of detection For example, F n can be used to form a new subset of the first n elements of the first set, and can be used. Represents a subset of hyperspectral images, among them, Represents the second set, n ⁇ m. Usually, m is much larger than n.
  • the candidate empty spectral domain points of interest in the first set are filtered according to the response strength, and the second set is obtained, including: filtering the first n candidate spaces with the highest response strength from the first set.
  • the spectral domain points of interest result in a second set, where n is a positive integer.
  • step S105 spectral angle matching is performed according to the spectral curve corresponding to the second set to obtain an image block of the potential target area.
  • the method further includes: performing spectral angle matching on the spectral curve corresponding to the candidate empty spectral domain interest point by using the target corresponding spectral curve set to exclude the image block of the non-potential target area.
  • the spectral angle similarity threshold can be h.
  • spectral peak matching can be performed by using the spectral curve set corresponding to the target and the spectral curve corresponding to the candidate spatial spectral domain, and the candidate of the sampled hyperspectral image can be calculated.
  • step S106 the image block is characterized and encoded to obtain a vector corresponding to the image block.
  • An example of embodiment of the present invention may be employed 3D SIFT p j to be described is formed q j, j ⁇ ⁇ 1,2,3, ... , m ⁇ , the mapping between the p j q j can be used with H is expressed as H:p j ⁇ q j .
  • a description set The description set obtained by each image cube is subjected to a word bag model (BoW) coding to form a statistical distribution histogram, and a vector corresponding to each tile image can be obtained.
  • BoW word bag model
  • step S107 the value of the classification function corresponding to the image block is calculated from the vector corresponding to the image block.
  • the hyperspectral image may be represented by the obtained vector, and may be classified by using a SVM (Support Vector Machine) classifier.
  • SVM Serial Vector Machine
  • step S108 if the value of the classification function corresponding to the image block is greater than the classification threshold, it is determined that the image block contains the target.
  • the classification threshold can be Td. If f(X) ⁇ Td, it is determined that the image block corresponding to the vector X contains the target, otherwise the current image is segmented by the quadtree partitioning method.
  • step S109 if the value of the classification function corresponding to the image block is less than or equal to the classification threshold, the image block is segmented.
  • segmenting an image block includes: performing quadtree partitioning on the image block.
  • the quadtree partitioning of the hyperspectral image is performed on the airspace.
  • the partitioning block size in the image spatial domain direction has little influence on the extraction of the interest points, it is not necessary to fill the image so that the rows and columns are all 2 nth power. For example, suppose the size of the hyperspectral image is M ⁇ N ⁇ B, where M is the number of rows, N is the number of columns, B For the number of bands.
  • R i is a split sub-cube
  • the goal of the quad-tree segmentation method is to make the hyperspectral image block in the large environment contain fewer objects, and the class of the class after the feature mapping is higher.
  • step S110 all candidate spatial domain points of interest are segmented according to the sub-image block to form a first set of corresponding sub-image blocks.
  • step S111 the operations of the divided sub-images are sequentially repeated until the value of the classification function corresponding to the segmented sub-image block is greater than the classification threshold, or the divided sub-image block reaches the specified minimum size.
  • the method further includes: if the value of the classification function corresponding to the sub-image block is less than or equal to the classification threshold, proceeding to The sub-image block is subjected to quadtree partitioning until a sub-image obtained by the segmentation The value of the classification function corresponding to the block is greater than the classification threshold or the specified minimum size is reached to stop the segmentation.
  • the data of the original hyperspectral image is taken as the root node, and is successively recursively divided into four sub-cubes until the condition f(X) ⁇ Td is satisfied.
  • f(X) is the classification function of the target map corresponding to the target map of the hyperspectral image after the interest point and feature description based on the spatial spectral domain extraction
  • Td is the classification threshold. It should be noted that since the selected candidate spatial spectral domain interest points may contain other targets, the value of f(X) may be affected. If only one target object is included, after calculation, the obtained target object's f ( X) is larger.
  • FIG. 3 shows a schematic diagram of quadtree partitioning in an embodiment of the present invention. As shown in FIG. 3, it is assumed that the original hyperspectral image is input with a sequence number of 0, and the sub-cube blocks that are sequentially divided are encoded. The longer the serial number length, the deeper the depth of the tree, and the smaller the size of the sub-image block.
  • the general target object will be composed of smaller image blocks, and the image determined by the classification function may be misclassified, and a certain post-processing is required. For example, by finding the centroid of the image block determined to be the target, the centroid of the target can be calculated.
  • the target centroid is C
  • the centroid of each image block C ⁇ the centroid of each image block C ⁇
  • ⁇ is the number of image blocks after the target is determined, and after the centroid is obtained, the position of the target object can be determined, so that the graphic block with the size and shape set in advance can be used for positioning.
  • FIG. 4 is a schematic diagram showing an overall framework adopted by a target detection method based on a large-scale high-resolution hyperspectral image according to an embodiment of the present invention.
  • candidate spatial domain points of interest may be first extracted in a cube corresponding to the hyperspectral image, and the non-potential target region is quickly excluded according to the spectral curve corresponding to the candidate spatial domain of interest points. Characterizing the suspected target area, then using BoW for image coding, and classifying it with the SVM classifier. If it is judged as the target, the block target detection ends, otherwise the image is divided by the quadtree segmentation method. Repeat the above steps and iterate until the condition is met.
  • the hyperspectral image is segmented by using the spatial spectral domain, the hyperspectral image is segmented, the interest points of the spatial domain are separated, and the target is quickly identified and positioned by description, coding, and classification, thereby improving high resolution.
  • the detection effect of the target in the detection of the hyperspectral image is improved.
  • the hyperspectral image used in this experiment is from the hyperspectral camera model Image- ⁇ -V10E-HR, ZOLIX INSTRUMENTS CO., LTD., with 728 bands, wavelength range from 362.05 to 1002.47 nm, spatial resolution of 2.9 cm/pixel. The spectral resolution reached 0.88 nm.
  • the n value of F n is set to 100
  • the classification threshold Td is 1.1
  • the spectral angle similarity threshold h is 0.19
  • the sampling interval k is 3.
  • Figures 5 to 8 set different scenes, in which (a) is the original hyperspectral image, (b) is the experimental result of the embodiment, and the black dots on the image in (c) to (f) are Target (c) is the result of binarizing the RXD algorithm using the threshold 300, and (d) is the result of binarizing the CEM algorithm using the threshold of 0.2, and (e) is using the threshold of 0.08.
  • (f) is the result of binarizing the MF algorithm by using the threshold value of 0.2; the RXD detection does not require prior knowledge, and the CEM, ACE and MF detections in Fig. 5 to Fig. 7 are The spectral curve of a certain point on the front cover of the car is taken as a priori knowledge, while in Figure 8, the spectral curve at a certain point on the roof of the car is taken as a priori knowledge.
  • Fig. 5 there are white cars, trees, roads and street lamps in the scene 1.
  • the position of the car can be accurately detected.
  • the RXD algorithm, CEM and MF are also recognized as Target, and ACE was not accurately detected.
  • the embodiments of the present invention are well suited for use in large-scale high-resolution hyperspectral image scenarios, because the method of detecting feature points combines spatial and spectral information to maximize the amount of information provided by hyperspectral images.
  • FIG. 9 is a structural block diagram of a target detecting apparatus for a hyperspectral image according to an embodiment of the present invention. For convenience of explanation, only parts related to the embodiment of the present invention are shown in FIG.
  • the device includes: a reading module 90 for reading a hyperspectral image corresponding to a target; a preprocessing module 91 for preprocessing the hyperspectral image; and a detecting module 92 for detecting The pre-processed all the candidate spatial domain points of interest of the hyperspectral image are obtained, and the screening module 93 is configured to filter the candidate spatial domain points of interest in the first set according to the response strength, a second set; a spectral angle matching module 94, configured to enter, according to the spectral curve corresponding to the second set Performing a spectral angle matching to obtain an image block of a potential target area; a feature description module 95 for characterizing the image block and encoding a vector corresponding to the image block; and a calculation module 96 for determining an image according to the image a vector corresponding to the block is used to calculate a value of the classification function corresponding to the image block; and a target determining module 97 is configured to determine that the image block includes the target if the value
  • the screening module 93 is specifically configured to: screen, from the first set, the first n candidate spatial domain points of interest with the highest response strength, to obtain a second set, where n is A positive integer.
  • the device further includes: the spectral angle matching module 94 is further configured to: perform spectral angle matching by using a spectral curve corresponding to the target spatial spectral interest point by using the spectral curve set corresponding to the target, Exclude image blocks from non-potential target areas.
  • the segmentation module 98 is specifically configured to perform quadtree partitioning on the image block.
  • the hyperspectral image is segmented by using the spatial spectral domain, the hyperspectral image is segmented, the interest points of the spatial domain are separated, and the target is quickly identified and positioned by description, coding, and classification, thereby improving high resolution.
  • the detection effect of the target in the detection of the hyperspectral image is improved.
  • modules and algorithm steps of the various examples described in connection with the embodiments disclosed herein can be implemented in electronic hardware or a combination of computer software and electronic hardware. Whether these functions are performed in hardware or software depends on the specific application and design constraints of the solution. A person skilled in the art can use different methods for implementing the described functions for each particular application, but such implementation should not be considered to be beyond the scope of the present invention.
  • the disclosed apparatus and method may be implemented in other manners.
  • the device embodiments described above are merely illustrative.
  • the division of the modules is only a logical function division. In actual implementation, there may be another division manner. For example, multiple modules may be combined or integrated. Go to another system, or some features can be ignored or not executed.
  • the mutual coupling or direct coupling or communication connection shown or discussed may be through some interface, indirect coupling or communication connection of the module, and may be in electrical, mechanical or other form.
  • the modules described as separate components may or may not be physically separated, and the components displayed as modules may or may not be physical units, that is, may be located in one place, or may be distributed to multiple network units. Some or all of the units may be selected according to actual needs to achieve the purpose of the solution of the embodiment.
  • each functional unit in each embodiment of the present invention may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the functions may be stored in a computer readable storage medium if implemented in the form of a software functional unit and sold or used as a standalone product.
  • the technical solution of the present invention which is essential or contributes to the prior art, or a part of the technical solution, may be embodied in the form of a software product, which is stored in a storage medium, including
  • the instructions are used to cause a computer device (which may be a personal computer, server, or network device, etc.) to perform all or part of the steps of the methods described in various embodiments of the present invention.
  • the foregoing storage medium includes: a U disk, a mobile hard disk, a read-only memory (ROM), a random access memory (RAM), a magnetic disk, or an optical disk, and the like. .

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

一种基于大尺度高分辨率高光谱图像的目标探测方法及装置。该方法包括：读取目标对应的高光谱图像（S101）；对高光谱图像进行预处理（S102）；检测高光谱图像的所有候选空谱域兴趣点，得到第一集合（S103）；根据响应强度对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合（S104）；根据第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块（S105）；对图像块进行特征描述，并编码得到图像块对应的矢量（S106）；根据图像块对应的矢量计算图像块对应的分类函数的值（S107）；若图像块对应的分类函数的值大于分类阈值，则判定图像块包含目标（S108）；若图像块对应的分类函数的值小于或等于分类阈值，则对图像块进行分割（S109）；根据子图像块分割所有候选空谱域兴趣点，形成对应子图像块的第一集合（S110）；依次对分割后的子图像重复操作，直至分割得到的某一子图像块对应的分类函数的值大于分类阈值，或者分割得到的子图像块达到指定最小尺寸（S111）。能够提高高分辨率的高光谱图像的目标探测中的探测效果。

Description

基于大尺度高分辨率高光谱图像的目标探测方法及装置 技术领域
本发明属于信息技术领域，尤其涉及基于大尺度高分辨率高光谱图像的目标探测方法及装置。
背景技术
高光谱图像相对于灰度图、RGB(Red，红；Green，绿；Blue，蓝)彩色图，包含了空间和光谱信息，数据量大，在检测伪装和隐蔽的军事目标，以及在民用搜救探测目标等方面都有重要的作用。随着高光谱技术的发展，目前的高光谱图像呈现出高空间分辨率的特点，地物目标在高光谱图像上具有丰富的纹理和结构信息，其包含的光谱信息也非常复杂与丰富。现有的高光谱图像目标探测算法主要采用光谱信息进行目标探测，包括正交子空间投影(Orthogonal Subspace Projection，OSP)、广义化似然比探测(Generalized Likelihood Ratio Test，GLRT)、约束能量最小化算法(Constrained Energy Minimization，CEM)、自适应余弦估计算法(Adaptive Cosine Estimator，ACE)、RX异常探测算法(Reed-X Detector，RXD)等。这些算法普遍适用于低空间分辨率的卫星遥感高光谱图像。现有的高光谱图像目标探测算法主要是利用像元的光谱信息，它们在高分辨率的高光谱图像的目标探测中的探测效果较差。
发明内容
鉴于此，本发明实施例提供了一种基于大尺度高分辨率高光谱图像的目标探测方法及装置，以解决现有技术在高分辨率的高光谱图像的目标探测中的探测效果较差的问题。
第一方面，本发明实施例提供了一种基于大尺度高分辨率高光谱图像的目 标探测方法，包括：
读取目标对应的高光谱图像；
对所述高光谱图像进行预处理；
检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
根据所述第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；
对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；
根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
第二方面，本发明实施例提供了一种基于大尺度高分辨率高光谱图像的目标探测装置，包括：
读取模块，用于读取目标对应的高光谱图像；
预处理模块，用于对所述高光谱图像进行预处理；
检测模块，用于检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
筛选模块，用于根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
光谱角匹配模块，用于根据所述第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；特征描述模块，用于对所述图像块进行特征描述， 并编码得到所述图像块对应的矢量；
计算模块，用于根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
目标判定模块，用于若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
分割模块，用于若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过运用空谱域结合提取兴趣点，对高光谱图像进行分割，使空谱域兴趣点相分离，并通过描述、编码、分类实现目标物的快速识别定位，从而能够提高高分辨率的高光谱图像的目标探测中的探测效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法的实现流程图；
图2示出本发明实施例中高光谱图像中某点的原始光谱曲线和采样频率为原始光谱曲线的1/3的光谱曲线的示意图；
图3示出了本发明实施例中四叉树分割的示意图；
图4示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法采用的整体框架的示意图；
图5至图8示出在不同场景下采用本发明实施例的基于大尺度高分辨率高 光谱图像的目标探测方法与采用其他算法的效果示意图；
图9示出本发明实施例提供的就高光谱图像的目标探测装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法的实现流程图。如图1所示，该方法包括：
在步骤S101中，读取目标对应的高光谱图像。
该高光谱图像可以为一大尺度高分辨率的高光谱图像，例如，该高光谱图像的尺寸可以为M×N×B1，其中，M表示高光谱图像的行数，N表示高光谱图像的列数，B1表示高光谱图像的原波段数。
在步骤S102中，对高光谱图像进行预处理。
在一种可能的实现方式中，对高光谱图像进行预处理，包括：对高光谱图像进行波段采样处理。在该实现方式中，为了使该基于大尺度高分辨率高光谱图像的目标探测方法具有一定的实时性，可以对原始的高光谱图像进行波段采样处理。例如，采样间隔可以为k，经过波段采样处理后的高光谱图像的尺寸可以为M×N×B2，其中，B2表示高光谱图像的采样后的波段数。B2＝{1，1+k，1+2k，...，Bmax}，Bmax≤B1，其中，Bmax表示B2的最大波段数。
图2示出本发明实施例中高光谱图像中某点的原始光谱曲线和采样频率为原始光谱曲线的1/3的光谱曲线的示意图。在图2中，横轴为波长，纵轴为传感器记录的原始辐射值(Digital Number)。由图2可以看出，在采样后的光谱曲线中，光谱域的维度大大减少，数据量也随之大大减少。在采用后的光谱曲线中，在降低数据量的同时保留了光谱信息，这样为快速检测时空兴趣点提供了基础。
在步骤S103中，检测经过预处理的高光谱图像的所有候选空谱域兴趣点，得到第一集合。
在本发明实施例中，空谱域兴趣点可以指整个高光谱立方块中像素值发生剧烈变化的点。在本发明实施例中，可以在预处理之前，提取高光谱图像的所有候选空谱域兴趣点。假设pj表示第j个候选空谱域兴趣点，vj表示第j个候选空谱域兴趣点对应的响应强度，pj到vj为一一映射关系，G：pj→vj。根据所有候选空谱域兴趣点可以构建第一集合P＝{p1，p2，p3，...，pm|G(px)≥G(px+1)}，其中，P表示第一集合，x∈{1，2，3，...，m-1}，m表示高光谱图像中候选空谱域兴趣点的总个数。
在步骤S104中，根据响应强度对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合。
由于候选空谱域兴趣点的数据量非常大，因此可以对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合，并采用第二集合对高光谱图像进行表示，以提高目标探测的效率。例如，可以用Fn表示对第一集合取前n个元素构成新的子集，并可以用
Figure PCTCN2016103070-appb-000001
表示高光谱图像的子集，
Figure PCTCN2016103070-appb-000002
其中，
Figure PCTCN2016103070-appb-000003
表示第二集合，n＜m。通常，m远远大于n。
在一种可能的实现方式中，根据响应强度对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合，包括：从第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
在步骤S105中，根据第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块。
在一种可能的实现方式中，该方法还包括：采用目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，以排除非潜在目标区域的图像块。例如，光谱角相似度阈值可以为h。在该实现方式中，为了提高运算效率，减少后续的计算量。首先可以采用目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，计算采样后的高光谱图像的候选 空谱域兴趣点与目标对应的光谱曲线集合的光谱角相似度，再使用该相似度与设定的光谱角相似度阈值h进行比较，若该相似度低于光谱角相似度阈值h，则判定该图像块有可能存在目标，否则排除该图像块。在步骤S106中，对图像块进行特征描述，并编码得到图像块对应的矢量。
作为本发明实施例的一个示例，可以采用3D SIFT对pj进行描述形成qj，j∈{1，2，3，...，m}，pj与qj之间的映射关系可以用H表示为H：pj→qj。对第二集合
Figure PCTCN2016103070-appb-000004
进行描述，形成描述集合
Figure PCTCN2016103070-appb-000005
对每个图像立方块得到的描述集合进行词袋模型(BoW)编码形成统计分布直方图，可以得到各个图块像对应的矢量。
在步骤S107中，根据图像块对应的矢量计算图像块对应的分类函数的值。
作为本发明实施例的一个示例，在得到各个图像块对应的矢量后，可以用得到的矢量对高光谱图像进行表示，并可以采用SVM(Support Vector Machine，支持向量机)分类器进行分类。假设一图像块对应的矢量为X，则判别目标物的分类函数可以为f(X)＝wTX+b，其中，w向量和b向量为SVM分类器对大量目标物样本训练后得到的向量。
在步骤S108中，若图像块对应的分类函数的值大于分类阈值，则判定该图像块包含目标。
例如，分类阈值可以为Td。若f(X)≥Td，则判定矢量X对应的图像块包含目标，否则采用四叉树分割方法对当前图像进行分割。
在步骤S109中，若图像块对应的分类函数的值小于或等于分类阈值，则对图像块进行分割。
在一种可能的实现方式中，对图像块进行分割，包括：对图像块进行四叉树分割。需要说明的是，在该实现方式中，高光谱图像的四叉树分割是在空域上进行的。与一般的四叉树分割不同的是，由于图像空域方向的分割块大小不同对兴趣点的提取影响不大，所以不需要进行图像的填充使行列都为2的n次方。例如，假设高光谱图像的尺寸为M×N×B，其中M为行数，N为列数，B 为波段数。在分割时，根据M和N奇偶性，做以下分割：
Figure PCTCN2016103070-appb-000006
Figure PCTCN2016103070-appb-000007
Figure PCTCN2016103070-appb-000008
其中，Ri为分割子立方块，四叉树分割方法目标是使大环境下的高光谱图像块所包含的目标物越少，特征映射后所属类的评分会越高。
在步骤S110中，根据子图像块分割所有候选空谱域兴趣点，形成对应子图像块的第一集合。
在一种可能的实现方式中，对高光谱图像进行四叉树分割后，Pi为Ri区域的候选点集，表示为Pi＝{p1，p2，p3，...，pyi|G(pz)≥G(pz+1)}，其中，yi为对应子立方块Ri的候选空谱域兴趣点的数量的最大值，z∈{1，2，3，...，yi-1}。同时，
Figure PCTCN2016103070-appb-000009
也形成四个子集
Figure PCTCN2016103070-appb-000010
表示为
Figure PCTCN2016103070-appb-000011
在分割后的子立方块中继续选取n个候选空谱域兴趣点形成集合P′i，该集合P′i用于表示高光谱图像，P′i可以表示为P′i＝Fn(Pi)，则对应的图像块的特征描述集Qi可以表示为
Figure PCTCN2016103070-appb-000012
新形成的图像块特征描述集中，不需要对n个候选空谱域兴趣点进行描述，而只需运算
Figure PCTCN2016103070-appb-000013
部分即可，
Figure PCTCN2016103070-appb-000014
则从父图像继承。
在步骤S111中，依次对分割后的子图像重复操作，直至分割得到的某一子图像块对应的分类函数的值大于分类阈值，或者分割得到的子图像块达到指定最小尺寸。
在一种可能的实现方式中，在根据图像块对应的矢量计算图像块对应的分类函数的值之后，该方法还包括：若子图像块对应的分类函数的值小于或等于分类阈值，则继续对该子图像块进行四叉树分割，直至分割得到的某一子图像 块对应的分类函数的值大于分类阈值或者达到指定最小尺寸便停止分割。
将原始高光谱图像的数据作为根节点，依次递归分割为四个子立方块，直到满足条件f(X)≥Td则停止分割。f(X)为高光谱图像经过基于空谱域提取的兴趣点和特征描述后的BoW模型编码的特征映射对应目标物的分类函数，Td为分类阈值。需要说明的是，由于选择的候选空谱域兴趣点可能包含其他目标物，会影响f(X)的值，若仅含有一种目标物，则经过计算后，得到的所属目标物的f(X)较大。
图3示出了本发明实施例中四叉树分割的示意图。如图3所示，假设原始高光谱图像输入时序号为0，对依次分割的子立方块进行编码，序号长度越长代表树的深度越深，子图像块的尺寸则越小。
需要说明的是，一般目标物会由较小的图像块组成，经过分类函数判定后的图像会有错误分类的现象，需要进行一定的后处理。例如，通过寻找确定为目标的图像块的质心，可以计算出目标物的质心。假设目标物的质心为C，各个图像块的质心为Cα，则
Figure PCTCN2016103070-appb-000015
其中，β为确定目标后图像块的个数，求出质心后，便可以确定目标物所在的位置，从而可以采用预先设定好大小形状的图形方框进行定位。
图4示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法采用的整体框架的示意图。如图4所示，作为本发明实施例的一个示例，可以首先在高光谱图像对应的立方体里提取候选空谱域兴趣点，根据候选空谱域兴趣点对应的光谱曲线快速排除非潜在目标区域，对疑似目标区域进行特征描述，接着采用BoW进行图像编码，并用SVM分类器对其进行分类，如果被判为目标则该块目标探测结束，否则继续用四叉树分割方法对图像进行划分，并重复上述步骤，如此迭代至条件成立为止。
应理解，在本发明实施例中，上述各过程的序号的大小并不意味着执行顺 序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例通过运用空谱域结合提取兴趣点，对高光谱图像进行分割，使空谱域兴趣点相分离，并通过描述、编码、分类实现目标物的快速识别定位，从而能够提高高分辨率的高光谱图像的目标探测中的探测效果。
为了更直观地示出本发明实施例在基于大尺度高分辨率高光谱图像的目标探测中的效果，以下示出了实验结果。本实验使用的高光谱图像来自型号为Image-λ-V10E-HR的高光谱相机，ZOLIX INSTRUMENTS CO.，LTD.，有728个波段，波长范围从362.05～1002.47nm，空间分辨为2.9cm/像素，光谱分辨率达到了0.88nm。本实验以探测汽车为目标为例，设定Fn中的n值为100，分类阈值Td为1.1，光谱角相似度阈值h为0.19，采样间隔k为3。在不同场景下的情况进行实验，并对比本实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法与传统的RXD，CEM，ACE等算法。图5～图8设置了不同的场景，其中图(a)为原始高光谱图像，图(b)为本实施例的实验结果，图(c)～图(f)中图像上的黑色点为目标物，图(c)为使用阈值300使探测结果二值化RXD算法的结果，图(d)为使用阈值0.2使探测结果二值化CEM算法的结果，图(e)为使用阈值0.08使探测结果二值化ACE算法的结果，图(f)为使用阈值0.2使探测结果二值化MF算法的结果；RXD探测不需要先验知识，图5～图7中CEM、ACE和MF探测均取汽车车前盖某点的光谱曲线作为先验知识进行探测，而图8则取位置在上边的车的车顶某点的光谱曲线作为先验知识进行探测。
如图5所示，场景一中有白色汽车，树，道路和路灯，采用本实施例能准确探测出汽车的位置，RXD算法、CEM和MF除了探测到汽车外，还有路灯也被认定为目标物，而ACE没能准确探测到。
如图6所示，场景二中有黑色汽车，道路，人行道和土壤，采用本实施例能较好地标识出汽车的位置。对于黑色汽车，RXD、CEM、MF探测不出汽车，而ACE探测的目标比较集中在黑色汽车位置，但效果较差。
如图7所示，场景三中有白色汽车，道路，人行道和土壤，相比于场景一最大的不同是更换了背景，但采用本实施例仍能较好地探测出汽车。探测结果与场景一相似，RXD算法探测把其他非目标物质标注出来，CEM算法和MF算法能大致探测出目标物，而ACE算法效果较差。
如图8所示，场景四中有三辆不同颜色的汽车，道路和植被，RXD算法探测的结果除了汽车外还有其他非汽车目标，CEM算法和MF算法探测出上边车辆的结果比较明显，其他两辆车也能探测出，但效果比较不明显。而ACE算法只能探测出上边的车辆，其他两辆车均不能明显探测出来。
根据RXD的原理知，存在异常目标时，相应的能量会比较小，计算的结果会是比较大的值，当目标与背景差异较大时探测结果较为理想，其算法最大的优点是不需要目标先验知识。ACE需知道样本协方差阵，需估计所有目标样本像元的协方差阵，当目标像元在高光谱图像较少时，对该估计值影响较小，但本实验的目标较大，影响了检测效果，ACE对少量目标探测效果会好点。CEM、MF都是需要先验目标知识，通过抑制背景探测目标，两种方法也是对小目标探测最为有效。
本发明实施例很好地适用在大尺度高分辨率高光谱图像的场景下，这是由于检测特征点的方法结合了空间和谱间的信息，使高光谱图像提供的信息量最大化，探测前期事先训练目标物的SVM模型，用四叉树方法把特征描述划分，根据描述区分图像块的性质，这样能够精确地探测目标物。
图9示出本发明实施例提供的就高光谱图像的目标探测装置的结构框图。为了便于说明，在图9中仅示出了与本发明实施例相关的部分。
如图9所示，该装置包括：读取模块90，用于读取目标对应的高光谱图像；预处理模块91，用于对所述高光谱图像进行预处理；检测模块92，用于检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；筛选模块93，用于根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；光谱角匹配模块94，用于根据所述第二集合对应的光谱曲线进 行光谱角匹配，得到潜在目标区域的图像块；特征描述模块95，用于对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；计算模块96，用于根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；目标判定模块97，用于若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；分割模块98，用于若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
在一种可能的实现方式中，所述筛选模块93具体用于：从所述第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
在一种可能的实现方式中，所述装置还包括：光谱角匹配模块94还用于：采用所述目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，以排除非潜在目标区域的图像块。
在一种可能的实现方式中，所述分割模块98具体用于：对所述图像块进行四叉树分割。
本发明实施例通过运用空谱域结合提取兴趣点，对高光谱图像进行分割，使空谱域兴趣点相分离，并通过描述、编码、分类实现目标物的快速识别定位，从而能够提高高分辨率的高光谱图像的目标探测中的探测效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此 不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到 变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

  1. 一种基于大尺度高分辨率高光谱图像的目标探测方法，其特征在于，包括：
    读取目标对应的高光谱图像；
    对所述高光谱图像进行预处理；
    检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
    根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
    根据所述第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；
    对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；
    根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
    若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
    若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
  2. 根据权利要求1所述的方法，其特征在于，根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合，包括：
    从所述第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
  3. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    采用所述目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，以排除非潜在目标区域的图像块。
  4. 根据权利要求1所述的方法，其特征在于，对所述图像块进行分割，包括：对所述图像块进行四叉树分割。
  5. 一种基于大尺度高分辨率高光谱图像的目标探测装置，其特征在于，包括：
    读取模块，用于读取目标对应的高光谱图像；
    预处理模块，用于对所述高光谱图像进行预处理；
    检测模块，用于检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
    筛选模块，用于根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
    光谱角匹配模块，用于根据所述第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；特征描述模块，用于对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；
    计算模块，用于根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
    目标判定模块，用于若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
    分割模块，用于若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
  6. 根据权利要求5所述的装置，其特征在于，所述筛选模块具体用于：
    从所述第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
  7. 根据权利要求5所述的装置，其特征在于，所述光谱角匹配模块还用于：
    采用所述目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线 进行光谱角匹配，以排除非潜在目标区域的图像块。
  8. 根据权利要求5所述的装置，其特征在于，所述分割模块用于：
    对所述图像块进行四叉树分割。
PCT/CN2016/103070 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置 Ceased WO2018076138A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/103070 WO2018076138A1 (zh) 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/103070 WO2018076138A1 (zh) 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置

Publications (1)

Publication Number Publication Date
WO2018076138A1 true WO2018076138A1 (zh) 2018-05-03

Family

ID=62024281

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/103070 Ceased WO2018076138A1 (zh) 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置

Country Status (1)

Country Link
WO (1) WO2018076138A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188606A (zh) * 2019-04-23 2019-08-30 合刃科技（深圳）有限公司 基于高光谱成像的车道识别方法、装置及电子设备
CN110738171A (zh) * 2019-10-15 2020-01-31 大连海事大学 基于类特征迭代随机采样的高光谱图像谱空分类方法
CN110793920A (zh) * 2019-10-10 2020-02-14 天津大学 一种化学成像与高光谱联用的大气遥测方法
CN112183426A (zh) * 2020-10-10 2021-01-05 中国科学院空天信息创新研究院 高光谱图像中目标区域的确定方法及相关装置
CN112418314A (zh) * 2020-11-23 2021-02-26 广东弓叶科技有限公司 一种光谱相似度匹配分类中阈值设定方法及装置
CN112560975A (zh) * 2020-12-23 2021-03-26 西北工业大学 一种基于s1/2范数低秩表示模型的高光谱异常检测方法
CN112801011A (zh) * 2021-02-07 2021-05-14 中国科学院空天信息创新研究院 一种高光谱图像目标探测方法及相关装置
CN113065544A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种文字识别方法、装置及电子设备
CN113155288A (zh) * 2020-11-30 2021-07-23 齐鲁工业大学 一种光伏电池热斑的图像识别方法
CN113673612A (zh) * 2021-08-25 2021-11-19 河南农业大学 一种高场不对称离子迁移谱图分类识别方法、装置及设备
CN113762220A (zh) * 2021-11-03 2021-12-07 通号通信信息集团有限公司 目标识别方法、电子设备、计算机可读存储介质
CN115016344A (zh) * 2022-06-07 2022-09-06 智迪机器人技术(盐城)有限公司 一种基于机器人的汽车配件自动安装控制系统及方法
CN115661489A (zh) * 2022-10-24 2023-01-31 哈尔滨工程大学 一种目标与背景时空光谱相似度分析系统及方法
CN115656063A (zh) * 2022-09-29 2023-01-31 天津中科谱光信息技术有限公司 基于高光谱数据的目标污染物含量分析方法及装置
CN115841606A (zh) * 2022-09-27 2023-03-24 西安电子科技大学 基于空谱联合稀疏引导深度神经网络的高光谱目标检测方法
WO2024130601A1 (zh) * 2022-12-21 2024-06-27 华为技术有限公司 一种光谱数据传输方法、装置和系统
CN119597728A (zh) * 2024-11-20 2025-03-11 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 像元光谱数据库优化方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299237A (zh) * 2008-06-05 2008-11-05 北京航空航天大学 一种基于信息量维数序列的高光谱数据监督分类方法
CN104820840A (zh) * 2015-05-08 2015-08-05 西安电子科技大学 基于字典和波段重组的最近邻高光谱图像分类方法
CN104933410A (zh) * 2015-06-15 2015-09-23 山东大学 一种高光谱图像光谱域与空间域联合分类方法
WO2016112430A1 (en) * 2015-01-14 2016-07-21 The University Of Sydney Hyperspectral imager method and apparatus
CN105809205A (zh) * 2016-03-31 2016-07-27 深圳大学 一种高光谱图像的分类方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299237A (zh) * 2008-06-05 2008-11-05 北京航空航天大学 一种基于信息量维数序列的高光谱数据监督分类方法
WO2016112430A1 (en) * 2015-01-14 2016-07-21 The University Of Sydney Hyperspectral imager method and apparatus
CN104820840A (zh) * 2015-05-08 2015-08-05 西安电子科技大学 基于字典和波段重组的最近邻高光谱图像分类方法
CN104933410A (zh) * 2015-06-15 2015-09-23 山东大学 一种高光谱图像光谱域与空间域联合分类方法
CN105809205A (zh) * 2016-03-31 2016-07-27 深圳大学 一种高光谱图像的分类方法及其系统

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188606A (zh) * 2019-04-23 2019-08-30 合刃科技（深圳）有限公司 基于高光谱成像的车道识别方法、装置及电子设备
CN110793920A (zh) * 2019-10-10 2020-02-14 天津大学 一种化学成像与高光谱联用的大气遥测方法
CN110793920B (zh) * 2019-10-10 2022-08-26 天津大学 一种化学成像与高光谱联用的大气遥测方法
CN110738171A (zh) * 2019-10-15 2020-01-31 大连海事大学 基于类特征迭代随机采样的高光谱图像谱空分类方法
CN110738171B (zh) * 2019-10-15 2023-05-05 大连海事大学 基于类特征迭代随机采样的高光谱图像谱空分类方法
CN113065544A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种文字识别方法、装置及电子设备
CN113065544B (zh) * 2020-01-02 2024-05-10 阿里巴巴集团控股有限公司 一种文字识别方法、装置及电子设备
CN112183426A (zh) * 2020-10-10 2021-01-05 中国科学院空天信息创新研究院 高光谱图像中目标区域的确定方法及相关装置
CN112418314A (zh) * 2020-11-23 2021-02-26 广东弓叶科技有限公司 一种光谱相似度匹配分类中阈值设定方法及装置
CN113155288A (zh) * 2020-11-30 2021-07-23 齐鲁工业大学 一种光伏电池热斑的图像识别方法
CN113155288B (zh) * 2020-11-30 2022-09-06 齐鲁工业大学 一种光伏电池热斑的图像识别方法
CN112560975B (zh) * 2020-12-23 2024-05-14 西北工业大学 一种基于s1/2范数低秩表示模型的高光谱异常检测方法
CN112560975A (zh) * 2020-12-23 2021-03-26 西北工业大学 一种基于s1/2范数低秩表示模型的高光谱异常检测方法
CN112801011A (zh) * 2021-02-07 2021-05-14 中国科学院空天信息创新研究院 一种高光谱图像目标探测方法及相关装置
CN112801011B (zh) * 2021-02-07 2022-10-25 中国科学院空天信息创新研究院 一种高光谱图像目标探测方法及相关装置
CN113673612A (zh) * 2021-08-25 2021-11-19 河南农业大学 一种高场不对称离子迁移谱图分类识别方法、装置及设备
CN113762220B (zh) * 2021-11-03 2022-03-15 通号通信信息集团有限公司 目标识别方法、电子设备、计算机可读存储介质
CN113762220A (zh) * 2021-11-03 2021-12-07 通号通信信息集团有限公司 目标识别方法、电子设备、计算机可读存储介质
CN115016344A (zh) * 2022-06-07 2022-09-06 智迪机器人技术(盐城)有限公司 一种基于机器人的汽车配件自动安装控制系统及方法
CN115016344B (zh) * 2022-06-07 2023-09-19 智迪机器人技术(盐城)有限公司 一种基于机器人的汽车配件自动安装控制系统及方法
CN115841606A (zh) * 2022-09-27 2023-03-24 西安电子科技大学 基于空谱联合稀疏引导深度神经网络的高光谱目标检测方法
CN115656063A (zh) * 2022-09-29 2023-01-31 天津中科谱光信息技术有限公司 基于高光谱数据的目标污染物含量分析方法及装置
CN115661489A (zh) * 2022-10-24 2023-01-31 哈尔滨工程大学 一种目标与背景时空光谱相似度分析系统及方法
WO2024130601A1 (zh) * 2022-12-21 2024-06-27 华为技术有限公司 一种光谱数据传输方法、装置和系统
CN119597728A (zh) * 2024-11-20 2025-03-11 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 像元光谱数据库优化方法及相关装置
CN119597728B (zh) * 2024-11-20 2026-01-27 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 像元光谱数据库优化方法及相关装置

Similar Documents

Publication Publication Date Title
WO2018076138A1 (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
Cheng et al. FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
CN103077515B (zh) 一种多光谱图像建筑物变化检测方法
CN112633185A (zh) 图像处理的方法及装置
CN106529472B (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN106683046A (zh) 用于警用无人机侦察取证的图像实时拼接方法
CN106600574A (zh) 一种基于遥感影像与高程数据的滑坡提取方法
CN108492288B (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
CN111027497A (zh) 基于高分辨率光学遥感影像的弱小目标快速检测方法
Zhang et al. Learning nonlocal quadrature contrast for detection and recognition of infrared rotary-wing UAV targets in complex background
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法
Djerriri et al. Improving hyperspectral image classification by combining spectral and multiband compact texture features
CN112434642B (zh) 一种适用于处理大场景光学遥感数据的海陆分割方法
Manandhar et al. Segmentation based building detection in high resolution satellite images
CN105023269B (zh) 一种车载红外图像彩色化方法
Aytekin et al. Automatic and unsupervised building extraction in complex urban environments from multi spectral satellite imagery
Yuan et al. Graph neural network based multi-feature fusion for building change detection
Abraham et al. A fuzzy based automatic bridge detection technique for satellite images
Wu et al. Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy
Huang et al. Classification of very high spatial resolution imagery based on the fusion of edge and multispectral information
CN110567886B (zh) 基于半监督空谱特征的多光谱云检测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16919812

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 20/08/2019)

122 Ep: pct application non-entry in european phase

Ref document number: 16919812

Country of ref document: EP

Kind code of ref document: A1