WO2023000160A1 - 高光谱遥感影像半监督分类方法、装置、设备及存储介质 - Google Patents

高光谱遥感影像半监督分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2023000160A1
WO2023000160A1 PCT/CN2021/107290 CN2021107290W WO2023000160A1 WO 2023000160 A1 WO2023000160 A1 WO 2023000160A1 CN 2021107290 W CN2021107290 W CN 2021107290W WO 2023000160 A1 WO2023000160 A1 WO 2023000160A1
Authority
WO
WIPO (PCT)
Prior art keywords
remote sensing
hyperspectral remote
classification
map
sensing image
Prior art date
Application number
PCT/CN2021/107290
Other languages
English (en)
French (fr)
Inventor
刘康
朱济帅
安源
邓美环
陈木森
Original Assignee
海南长光卫星信息技术有限公司
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 海南长光卫星信息技术有限公司 filed Critical 海南长光卫星信息技术有限公司
Priority to PCT/CN2021/107290 priority Critical patent/WO2023000160A1/zh
Publication of WO2023000160A1 publication Critical patent/WO2023000160A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • G06T2207/20076—Probabilistic 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
    • G06T2207/20081—Training; Learning

Definitions

  • the invention relates to the technical field of classification of remote sensing images, in particular to a semi-supervised classification method, device, equipment and storage medium of hyperspectral remote sensing images.
  • Hyperspectral image classification is a rapidly developing research direction in the field of hyperspectral remote sensing image processing.
  • the classification of ground features in hyperspectral remote sensing images can reflect the spatial distribution of ground features to a certain extent, which is convenient for people to understand and discover laws, Decision support.
  • the dimensionality of hyperspectral images is high, requiring more samples for model training.
  • the cost of obtaining sample labels is usually high, which often leads to insufficient training samples, thereby reducing the effect of model training and limiting the classification accuracy of ground objects.
  • the present invention is proposed to provide a hyperspectral remote sensing image semi-supervised classification method, device, equipment and storage medium that overcome the above problems or at least partially solve the above problems.
  • a semi-supervised classification method for hyperspectral remote sensing images comprising:
  • the pseudo-label data and the training sample are combined as new training data, and the SVM classifier is used for secondary classification.
  • the spectral angular distance is used instead of the color distance of the natural image, so that pixels with similar spectra are spatially clustered kind.
  • the use of the SLIC segmentation algorithm to segment the hyperspectral remote sensing image to obtain a segmentation map includes:
  • the hyperspectral remote sensing image is evenly divided into superpixels whose number is the same as the number of cluster centers;
  • the calculation of the distance between the pixel and the cluster center includes:
  • the labeling of pseudo-label data according to the segmentation map and the preliminary classification map includes:
  • the classification results of all pixels in the superpixel are used as pseudo-label data.
  • the preliminary classification map including:
  • the preliminary classification map it is judged whether the initial classification results of all the pixels in the superpixel are the same, and if so, it is judged that all the pixels in the superpixel have local homogeneity.
  • the preprocessing of hyperspectral remote sensing images includes:
  • the embodiment of the present invention also provides a hyperspectral remote sensing image semi-supervised classification device, including:
  • the image processing module is used for preprocessing hyperspectral remote sensing images
  • a sample selection module configured to randomly select a set number of pixels from each category in the hyperspectral remote sensing image as a training sample
  • An image segmentation module configured to segment the hyperspectral remote sensing image using the SLIC segmentation algorithm to obtain a segmentation map
  • a preliminary classification module configured to use an SVM classifier to classify the hyperspectral remote sensing images to obtain a preliminary classification map
  • Pseudo-label marking module used to mark pseudo-label data according to the segmentation map and the preliminary classification map
  • the secondary classification module is used to combine the pseudo-label data and the training sample as new training data, and use the SVM classifier to perform secondary classification.
  • the embodiment of the present invention also provides a hyperspectral remote sensing image semi-supervised classification device, including a processor and a memory, wherein, when the processor executes the computer program stored in the memory, the above-mentioned high A semi-supervised classification method for spectral remote sensing images.
  • An embodiment of the present invention also provides a computer-readable storage medium for storing a computer program, wherein when the computer program is executed by a processor, the above semi-supervised classification method for hyperspectral remote sensing images as provided in the embodiment of the present invention is implemented.
  • a hyperspectral remote sensing image semi-supervised classification method includes: preprocessing the hyperspectral remote sensing image; randomly selecting a set number of hyperspectral remote sensing images from each category Pixels are used as training samples; the SLIC segmentation algorithm is used to segment the hyperspectral remote sensing image to obtain a segmentation map; the SVM classifier is used to classify the hyperspectral remote sensing image to obtain a preliminary classification map; according to the segmentation map and the preliminary classification map, the pseudo-label data is marked ; Merge the pseudo-label data and training samples as new training data, and use the SVM classifier for secondary classification.
  • the present invention first uses SLIC segmentation and SVM to perform preliminary classification and segmentation of images, then marks pseudo-labels according to the segmentation map and preliminary classification map, and finally uses SVM for secondary classification, thus effectively solving the problem of insufficient samples of hyperspectral remote sensing images.
  • SVM for secondary classification
  • a part of pseudo-label data can be added from unlabeled data, so as to obtain more training samples, so as to achieve the purpose of improving classification accuracy.
  • the present invention also provides corresponding devices, equipment, and computer-readable storage media for the semi-supervised classification method of hyperspectral remote sensing images, which further makes the above method more practical.
  • the device, equipment, and computer-readable storage media have corresponding advantage.
  • Fig. 1 shows the flow chart of the hyperspectral remote sensing image semi-supervised classification method that the embodiment of the present invention provides
  • Fig. 2 shows a schematic diagram of a hyperspectral remote sensing image semi-supervised classification method provided by an embodiment of the present invention
  • FIG. 3 shows a segmentation diagram provided by an embodiment of the present invention after being segmented by SLIC
  • FIG. 4a and FIG. 4b respectively show a schematic diagram of a pseudo-label selection strategy provided by an embodiment of the present invention
  • Fig. 5 shows the classification result diagram obtained by the hyperspectral remote sensing image semi-supervised classification method provided by the embodiment of the present invention
  • Fig. 6 shows a schematic structural diagram of a hyperspectral remote sensing image semi-supervised classification device provided by an embodiment of the present invention.
  • the present invention provides a hyperspectral remote sensing image semi-supervised classification method, as shown in Figure 1, comprising the following steps:
  • the preprocessing of hyperspectral remote sensing images mainly includes: normalization processing and dimensionality reduction processing of hyperspectral remote sensing images.
  • the maximum and minimum normalization is used to reduce all pixels in all dimensions to [0,1], so as to reduce data size, increase operation speed and improve accuracy.
  • PCA Principal Component Analysis
  • Hyperspectral remote sensing images have high dimensionality and high noise. After PCA dimensionality reduction, data dimensionality and noise can be reduced.
  • training samples For each category of training samples, 20 pixels can be randomly selected, and all other pixels can be used as test samples.
  • the SLIC (simple linear iterative clustering, simple linear iterative clustering) segmentation algorithm is prone to over-segmentation, and the over-segmented superpixels can fully reflect the spatial correlation than the neighborhood.
  • the existing SLIC segmentation algorithm is originally aimed at natural images.
  • three principal components are input into the SLIC method to obtain superpixel segmentation maps, which lay the foundation for the acquisition of pseudo-label data. Base.
  • the loss of spectral information in hyperspectral remote sensing images cannot be avoided, resulting in limited segmentation effects and affecting the accuracy of pseudo-label data selection.
  • the SLIC segmentation algorithm proposed by the present invention is an improved algorithm on the existing SLIC segmentation algorithm, mainly integrating spectral information into the SLIC segmentation algorithm, using Spectral Angle Distance (Spectral Angle Distance, SAD ) to replace the color distance of natural images in the SLIC segmentation algorithm to spatially cluster pixels of similar spectra.
  • SAD Spectral Angle Distance
  • S104 Use the SVM classifier to classify the hyperspectral remote sensing image, and obtain a preliminary classification map
  • 20 training samples of each type can be used to classify other pixels
  • S106 Merge the pseudo-label data and the training samples as new training data, and use the SVM classifier to perform secondary classification.
  • step S103 uses the SLIC segmentation algorithm to segment the hyperspectral remote sensing image to obtain a segmentation map, which may specifically include the following steps:
  • Step 2 According to the number K of the input cluster centers, the hyperspectral remote sensing image is evenly divided into K superpixels. Because N does not necessarily divide K, this value may be approximated.
  • the side length of each pixel block is The second step can be summarized as chessboard segmentation;
  • Step 3 Calculate the mean value of each superpixel as the cluster center, including spectral dimension and spatial dimension;
  • Step 4 calculate the distance between the pixel and the cluster center
  • Step 5 Update the cluster center according to the calculated distance; calculate the distance D 2 from the sample to the new cluster center. If D 2 ⁇ D, it means that point j should be divided into the new cluster center;
  • Step 6 Iterate the above steps until the cluster center does not change or reaches the number of iterations to obtain the segmentation map of the hyperspectral remote sensing image.
  • Figure 3 shows the segmentation map obtained after SLIC segmentation.
  • the calculation of the distance between the pixel and the cluster center in the above step 4 may specifically include: calculating the spectral distance and the spatial distance of the pixel ;Calculate the distance between the pixel and the cluster center according to the spectral distance, spatial distance, the surrounding neighborhood range of the pixel, and the weight coefficients of the spatial feature and the spectral feature.
  • the following formula can be used to calculate the distance between the pixels in the surrounding 2S ⁇ 2S neighborhood and the cluster center:
  • D represents the distance between the pixel and the cluster center
  • W represents the weight coefficient, because it represents the weight of the spatial feature and the spectral feature, so it can be called the space spectral weight coefficient
  • d c represents the spectral distance
  • d s represents space distance.
  • step S105 marks the pseudo-label data according to the segmentation map and the preliminary classification map, which may specifically include the following steps:
  • all superpixels are divided into superpixels containing training samples and superpixels not containing training samples;
  • the second step for the superpixel containing the training sample, find the same pixel as the training sample in the superpixel in the preliminary classification map, and use the classification result of the found pixel as the pseudo-label data;
  • the category of the unlabeled pixel in the superpixel is likely to be the same as that of the training sample, which can be further confirmed by using the classification map.
  • the known training sample category is A in a superpixel
  • these pixels are used as pseudo-label data.
  • the third step for superpixels that do not contain training samples, when it is determined that all pixels in the superpixel have local homogeneity according to the preliminary classification map, the classification results of all pixels in the superpixel are used as pseudo-label data;
  • the preliminary classification map it is judged whether the initial classification results of all pixels in the superpixel are the same, and if so, it is determined that all pixels in the superpixel have local homogeneity, and all pixels in the superpixel can be
  • the classification results are used as pseudo-label data to increase the number of training samples.
  • the gray part in the figure can be marked as category A.
  • step S106 After step S106 is executed, the classification result can be obtained.
  • FIG. 5 shows the classification result map. It can be seen that the above-mentioned hyperspectral remote sensing image semi-supervised classification method provided by the embodiment of the present invention improves the classification accuracy and effectively solves the hyperspectral remote sensing problem. Insufficient samples in semi-supervised classification.
  • the embodiment of the present invention also provides a semi-supervised classification device for hyperspectral remote sensing images. Since the problem-solving principle of the device is similar to the aforementioned semi-supervised classification method for hyperspectral remote sensing images, the implementation of the device can Refer to the implementation of the semi-supervised classification method for hyperspectral remote sensing images, and the repetition will not be repeated.
  • the hyperspectral remote sensing image semi-supervised classification device provided by the embodiment of the present invention, as shown in Figure 6, specifically includes:
  • An image processing module configured to preprocess hyperspectral remote sensing images
  • the sample selection module 12 is used to randomly select a set number of pixels from each category in the hyperspectral remote sensing image as a training sample
  • the image segmentation module 13 is used to segment the hyperspectral remote sensing image using the SLIC segmentation algorithm to obtain a segmentation map;
  • the preliminary classification module 14 is used to classify the hyperspectral remote sensing image using the SVM classifier to obtain a preliminary classification map
  • Pseudo-label marking module 15 for marking pseudo-label data according to the segmentation map and the preliminary classification map
  • the secondary classification module 16 is used to combine the pseudo-label data and the training samples as new training data, and use the SVM classifier to perform secondary classification.
  • the problem of insufficient hyperspectral remote sensing image samples can be effectively solved through the interaction of the above six modules.
  • a part of pseudo-label data can be added from unlabeled data to obtain more training samples to achieve the purpose of improving classification accuracy.
  • the embodiment of the present invention also discloses a hyperspectral remote sensing image semi-supervised classification device, including a processor and a memory; wherein, when the processor executes the computer program stored in the memory, the hyperspectral remote sensing image semi-supervised classification disclosed in the foregoing embodiments is realized. Supervised classification methods.
  • the present invention also discloses a computer-readable storage medium for storing a computer program; when the computer program is executed by a processor, the aforementioned semi-supervised classification method for hyperspectral remote sensing images is realized.
  • RAM random access memory
  • ROM read-only memory
  • EEPROM electrically programmable ROM
  • EEPROM electrically erasable programmable ROM
  • registers hard disk, removable disk, CD-ROM, or any other Any other known storage medium.
  • a method for semi-supervised classification of hyperspectral remote sensing images includes: preprocessing the hyperspectral remote sensing images; randomly selecting a set number of pixels from each category in the hyperspectral remote sensing images as training samples ; Use the SLIC segmentation algorithm to segment the hyperspectral remote sensing image to obtain a segmentation map; use the SVM classifier to classify the hyperspectral remote sensing image to obtain a preliminary classification map; mark the pseudo-label data according to the segmentation map and preliminary classification map; The data and training samples are merged as new training data, and the SVM classifier is used for secondary classification. This effectively solves the problem of insufficient hyperspectral remote sensing image samples.
  • the present invention also provides corresponding devices, equipment, and computer-readable storage media for the semi-supervised classification method of hyperspectral remote sensing images, which further makes the above method more practical.
  • the device, equipment, and computer-readable storage media have corresponding advantage.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种高光谱遥感影像半监督分类方法、装置、设备及存储介质，对高光谱遥感影像进行预处理（S101）；从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本（S102）；使用SLIC分割算法对高光谱遥感影像进行分割，获取分割图（S103）；使用SVM分类器对高光谱遥感影像进行分类，获取初步分类图（S104）；根据分割图和初步分类图，标记伪标签数据（S105）；将伪标签数据和训练样本合并，作为新的训练数据，使用SVM分类器进行二次分类（S106）。这样有效的解决了高光谱遥感影像样本不足的问题，在较少的训练样本的情况下，能够从无标签数据中增加一部分伪标签数据，从而获取更多的训练样本，以达到提高分类精度的目的。

Description

高光谱遥感影像半监督分类方法、装置、设备及存储介质 技术领域
本发明涉及遥感影像分类技术领域，具体涉及一种高光谱遥感影像半监督分类方法、装置、设备及存储介质。
背景技术
遥感技术作为一种新型对地观测技术，近年来向着更高空间分辨率、时间分辨率、光谱分辨率的方向迅速发展。随着高光谱传感器的快速研制以及高光谱遥感技术的飞速发展，高光谱遥感影像数据量越来越大，计算机硬件不断提升，对影像的应用和算法也提出了更高的要求。如何快速有效地从高光谱遥感影像中提取地物信息是高光谱遥感处理领域的研究重点。
高光谱影像分类是高光谱遥感影像处理领域中一个发展较快的研究方向，对高光谱遥感影像的地物进行分类可以在一定程度上反映地物的空间分布，便于人们从中认识和发现规律、辅助决策。然而，高光谱影像的维度较高，需要较多的样本进行模型训练。在实际应用中，获取样本标签的成本通常较高，往往导致训练样本不足，从而降低模型训练效果，限制地物分类精度。
因此，如何解决高光谱遥感影像小样本的问题，是本领域技术人员亟待解决的技术问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种高光谱遥感影像半监督分类方法、装置、设备及存储介质。
一种高光谱遥感影像半监督分类方法，包括：
对高光谱遥感影像进行预处理；
从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练 样本；
使用SLIC分割算法对所述高光谱遥感影像进行分割，获取分割图；
使用SVM分类器对所述高光谱遥感影像进行分类，获取初步分类图；
根据所述分割图和所述初步分类图，标记伪标签数据；
将所述伪标签数据和所述训练样本合并，作为新的训练数据，使用所述SVM分类器进行二次分类。
优选地，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，在所述SLIC分割算法中，使用光谱角距离代替自然图像的颜色距离，以使相似光谱的像素在空间上聚类。
优选地，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，所述使用SLIC分割算法对所述高光谱遥感影像进行分割，获取分割图，包括：
将所述高光谱遥感影像中的每个像素表示为A i＝[x i,α i,β i] T，其中x i T＝[x 1,x 2,...,x d] T表示第i个像素的光谱数据，d表示维度，[α i,β i] T表示空间向量；
根据输入的聚类中心个数，将所述高光谱遥感影像均匀地分为个数与所述聚类中心个数相同的超像素；
计算每一个超像素的均值作为聚类中心，以及计算像素与所述聚类中心之间的距离；
根据计算的所述距离，更新所述聚类中心；
迭代上述步骤，直至所述聚类中心不再变化或者到达迭代次数，获取所述高光谱遥感影像的分割图。
优选地，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，所述计算像素与所述聚类中心之间的距离，包括：
计算像素的光谱距离和空间距离；
根据所述光谱距离、所述空间距离、像素的周围邻域范围，以及空间特征和光谱特征的权重系数，计算像素与所述聚类中心之间的距离。
优选地，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，所述根据所述分割图和所述初步分类图，标记伪标签数据，包括：
在所述分割图中，将所有的超像素分为含有所述训练样本的超像素和不含所述训练样本的超像素；
对于含有所述训练样本的超像素，在所述初步分类图中找出与该超像素中所述训练样本的类别相同的像素，将找出的像素的分类结果作为伪标签数据；
对于不含所述训练样本的超像素，当根据所述初步分类图判定该超像素中所有像素具有局部同质性时，将该超像素中所有像素的分类结果作为伪标签数据。
优选地，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，根据所述初步分类图判定该超像素中所有像素具有局部同质性，包括：
在所述初步分类图中，判断该超像素中所有像素的初始分类结果是否均相同，若是，则判定该超像素中所有像素具有局部同质性。
优选地，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，所述对高光谱遥感影像进行预处理，包括：
对高光谱遥感影像进行归一化处理和降维处理。
本发明实施例还提供了一种高光谱遥感影像半监督分类装置，包括：
影像处理模块，用于对高光谱遥感影像进行预处理；
样本选取模块，用于从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本；
影像分割模块，用于使用SLIC分割算法对所述高光谱遥感影像进行分割，获取分割图；
初步分类模块，用于使用SVM分类器对所述高光谱遥感影像进行分类，获取初步分类图；
伪标签标记模块，用于根据所述分割图和所述初步分类图，标记伪标签数据；
二次分类模块，用于将所述伪标签数据和所述训练样本合并，作为新的训练数据，使用所述SVM分类器进行二次分类。
本发明实施例还提供了一种高光谱遥感影像半监督分类设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时 实现如本发明实施例提供的上述高光谱遥感影像半监督分类方法。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述高光谱遥感影像半监督分类方法。
从上述技术方案可以看出，本发明所提供的一种高光谱遥感影像半监督分类方法，包括：对高光谱遥感影像进行预处理；从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本；使用SLIC分割算法对高光谱遥感影像进行分割，获取分割图；使用SVM分类器对高光谱遥感影像进行分类，获取初步分类图；根据分割图和初步分类图，标记伪标签数据；将伪标签数据和训练样本合并，作为新的训练数据，使用SVM分类器进行二次分类。
本发明首先使用SLIC分割和SVM对影像进行初步分类和分割，然后根据分割图和初步分类图来标记伪标签，最后通过SVM二次分类，这样有效的解决了高光谱遥感影像样本不足的问题，在较少的训练样本的情况下，能够从无标签数据中增加一部分伪标签数据，从而获取更多的训练样本，以达到提高分类精度的目的。
此外，本发明还针对高光谱遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的高光谱遥感影像半监督分类方法的流 程图；
图2示出了本发明实施例提供的高光谱遥感影像半监督分类方法的示意图；
图3示出了本发明实施例提供的经SLIC分割后的分割图；
图4a和图4b分别示出了本发明实施例提供的伪标签选取策略示意图；
图5示出了本发明实施例提供的高光谱遥感影像半监督分类方法得到的分类结果图；
图6示出了本发明实施例提供的高光谱遥感影像半监督分类装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种高光谱遥感影像半监督分类方法，如图1所示，包括以下步骤：
S101、对高光谱遥感影像进行预处理；
在具体实施时，对高光谱遥感影像进行预处理，主要包括：对高光谱遥感影像进行归一化处理和降维处理。较佳地，使用最大最小归一化将所有维度的所有像素降维到[0,1]之间，以减少数据大小，提高运算速度和提高精度。使用主成分分析(Principal Component Analysis，PCA)的方法进行降维，高光谱遥感影像维度高、噪声大，使用PCA降维之后，可以减少数据维度和噪声。
S102、从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本；
在实际应用中，在考虑小样本的问题下，训练样本的选择不应该过多，每个类别训练样本可以随机选取20个像素，其余所有像素作为测试样本。
S103、使用SLIC分割算法对高光谱遥感影像进行分割，获取分割图；
可以理解的是，SLIC(simple linear iterativeclustering，简单线性迭代聚类)分割算法容易出现过分割，过分割的超像素比起邻域更能充分体现空间相关性。而现有的SLIC分割算法最初是针对自然影像的，尽管有研究根据主成分分析降维方法，将三个主成分分量输入到SLIC方法中，从而获取超像素分割图，为伪标签数据获取奠定基础。但是，无法避免高光谱遥感影像光谱信息丢失，导致分割效果受到限制，从而影响伪标签数据选取精度。因此，在具体实施时，本发明提出的SLIC分割算法是对现有的SLIC分割算法上进行改进后的算法，主要将光谱信息融入到SLIC分割算法中，使用光谱角距离(Spectral Angle Distance，SAD)代替SLIC分割算法中的自然图像的颜色距离，以使相似光谱的像素在空间上聚类。
S104、使用SVM分类器对高光谱遥感影像进行分类，获取初步分类图；
具体地，可以使用每个类型20个训练样本，对其他像素进行分类；
S105、根据分割图和初步分类图，标记伪标签数据；
S106、将伪标签数据和训练样本合并，作为新的训练数据，使用SVM分类器进行二次分类。
在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，首先使用SLIC分割和SVM对影像进行初步分类和分割，然后根据分割图和初步分类图来标记伪标签，最后通过SVM二次分类，这样有效的解决了高光谱遥感影像样本不足的问题，在较少的训练样本的情况下，能够从无标签数据中增加一部分伪标签数据，从而获取更多的训练样本，以达到提高分类精度的目的。
在具体实施时，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，步骤S103使用SLIC分割算法对高光谱遥感影像进行分割，获取分割图，具体可以包括以下步骤：
步骤一、设置高光谱数据X＝[x 1,x 2,...,x N]∈R d×N，其中d表示维度，N表示像素数；将高光谱遥感影像中的每个像素表示为A i＝[x i,α i,β i] T，其中x i T＝[x 1,x 2,...,x d] T表示第i个像素的光谱数据，d表示维度，[α i,β i] T表示空间 向量；
步骤二、根据输入的聚类中心个数K，将高光谱遥感影像均匀地分为K个超像素，因为N不一定整除K，所以这个数值可能要近似，每个像素块的边长为
Figure PCTCN2021107290-appb-000001
该步骤二可总结为棋盘分割；
步骤三、计算每一个超像素的均值作为聚类中心，包括光谱维和空间维；
步骤四、计算像素与聚类中心之间的距离；
步骤五、根据计算的距离，更新聚类中心；计算样本到新聚类中心的距离D 2，如果D 2<D，那就说明j点应该分为和新聚类中心一起；
步骤六、迭代上述步骤，直至聚类中心不再变化或者到达迭代次数，获取高光谱遥感影像的分割图。图3示出了经SLIC分割后获取的分割图。
在具体实施时，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，上述步骤四中计算像素与聚类中心之间的距离，具体可以包括：计算像素的光谱距离和空间距离；根据光谱距离、空间距离、像素的周围邻域范围，以及空间特征和光谱特征的权重系数，计算像素与聚类中心之间的距离。
具体地，可以采用下述公式计算周围2S×2S的邻域内的像素与聚类中心之间的距离：
Figure PCTCN2021107290-appb-000002
d c＝||x i-x j|| 2
Figure PCTCN2021107290-appb-000003
其中，D表示像素与聚类中心之间的距离，W表示权重系数，由于其表示的是空间特征和光谱特征的权重，所以可以称为空谱权重系数，d c表示光谱距离，d s表示空间距离。
在具体实施时，在本发明实施例提供的上述高光谱遥感影像半监督分类方法中，步骤S105根据分割图和初步分类图，标记伪标签数据，具体可以包括以下步骤：
第一步、在分割图中，将所有的超像素分为含有训练样本的超像素和不含训练样本的超像素；
可以理解的是，由于在同一个超像素中，像素之间在空间上是相关的，那么它们的地物类别可能一致，即在分割图中，同一个超像素中的像元的类别更有可能相同，基于这个前提，根据已知的训练样本，将所有的超像素分为两类：超像素中含有已知训练样本的，超像素中不含已知训练样本的。
第二步、对于含有训练样本的超像素，在初步分类图中找出与该超像素中训练样本的类别相同的像素，将找出的像素的分类结果作为伪标签数据；
需要说明的是，对于含有训练样本的超像素，该超像素中无标签的像元的类别很有可能与训练样本的类别相同，利用分类图可以进一步证实。如图4a所示，假设某个超像素中已知训练样本类别为A，如果在这个超像素中，存在像素初始分类结果也为A的像素，将这些像素作为伪标签数据使用。
第三步、对于不含训练样本的超像素，当根据初步分类图判定该超像素中所有像素具有局部同质性时，将该超像素中所有像素的分类结果作为伪标签数据；
需要说明的是，对于不含训练样本的超像素，也可以根据分类图，判断其光谱特征是否相似，如果光谱特征也相似，可以进一步选择伪标签数据。由于小样本问题，大部分超像素不含训练样本，这部分像素标记起来有困难，但是存在一种情况，如图4a所示，在超像素内，所有像素的初始分类结果都相同为A，那么可以认为这些像素具有局部同质性，这个超像素中所有像素的分类结果都可以标记为伪标签。也就是说，在初步分类图中，判断该超像素中所有像素的初始分类结果是否均相同，若是，则判定该超像素中所有像素具有局部同质性，可将该超像素中所有像素的分类结果作为伪标签数据，以增加训练样本个数。图中灰色的部分，都可以标注为类别A。
在执行步骤S106后，可得到分类结果，图5示出了分类结果图，可以看出本发明实施例提供的上述高光谱遥感影像半监督分类方法提高了分类精度，有效的解决了高光谱遥感的半监督分类中样本不足的问题。
基于同一发明构思，本发明实施例还提供了一种高光谱遥感影像半监督分类装置，由于该装置解决问题的原理与前述一种高光谱遥感影像半监督分类方法相似，因此该装置的实施可以参见高光谱遥感影像半监督分类方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的高光谱遥感影像半监督分类装置，如图6所示，具体包括：
影像处理模块11，用于对高光谱遥感影像进行预处理；
样本选取模块12，用于从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本；
影像分割模块13，用于使用SLIC分割算法对高光谱遥感影像进行分割，获取分割图；
初步分类模块14，用于使用SVM分类器对高光谱遥感影像进行分类，获取初步分类图；
伪标签标记模块15，用于根据分割图和初步分类图，标记伪标签数据；
二次分类模块16，用于将伪标签数据和训练样本合并，作为新的训练数据，使用SVM分类器进行二次分类。
在本发明实施例提供的上述高光谱遥感影像半监督分类装置中，可以通过上述六个模块的相互作用，有效的解决高光谱遥感影像样本不足的问题，在较少的训练样本的情况下，能够从无标签数据中增加一部分伪标签数据，从而获取更多的训练样本，以达到提高分类精度的目的。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应地，本发明实施例还公开了一种高光谱遥感影像半监督分类设备，包括处理器和存储器；其中，处理器执行存储器中存储的计算机程序时实现前述实施例公开的高光谱遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的高光谱遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种高光谱遥感影像半监督分类方法，包括：对高光谱遥感影像进行预处理；从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本；使用SLIC分割算法对高光谱遥感影像进行分割，获取分割图；使用SVM分类器对高光谱遥感影像进行分类，获取初步分类图；根据分割图和初步分类图，标记伪标签数据；将伪标签数据和训练样本合并，作为新的训练数据，使用SVM分类器进行二次分类。这样有效的解决了高光谱遥感影像样本不足的问题，在较少的训练样 本的情况下，能够从无标签数据中增加一部分伪标签数据，从而获取更多的训练样本，以达到提高分类精度的目的。此外，本发明还针对高光谱遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的高光谱遥感影像半监督分类方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

  1. 一种高光谱遥感影像半监督分类方法，其特征在于，包括：
    对高光谱遥感影像进行预处理；
    从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本；
    使用SLIC分割算法对所述高光谱遥感影像进行分割，获取分割图；
    使用SVM分类器对所述高光谱遥感影像进行分类，获取初步分类图；
    根据所述分割图和所述初步分类图，标记伪标签数据；
    将所述伪标签数据和所述训练样本合并，作为新的训练数据，使用所述SVM分类器进行二次分类。
  2. 根据权利要求1所述的高光谱遥感影像半监督分类方法，其特征在于，在所述SLIC分割算法中，使用光谱角距离代替自然图像的颜色距离，以使相似光谱的像素在空间上聚类。
  3. 根据权利要求2所述的高光谱遥感影像半监督分类方法，其特征在于，所述使用SLIC分割算法对所述高光谱遥感影像进行分割，获取分割图，包括：
    将所述高光谱遥感影像中的每个像素表示为A i＝[x i,α i,β i] T，其中x i T＝[x 1,x 2,...,x d] T表示第i个像素的光谱数据，d表示维度，[α i,β i] T表示空间向量；
    根据输入的聚类中心个数，将所述高光谱遥感影像均匀地分为个数与所述聚类中心个数相同的超像素；
    计算每一个超像素的均值作为聚类中心，以及计算像素与所述聚类中心之间的距离；
    根据计算的所述距离，更新所述聚类中心；
    迭代上述步骤，直至所述聚类中心不再变化或者到达迭代次数，获取所述高光谱遥感影像的分割图。
  4. 根据权利要求3所述的高光谱遥感影像半监督分类方法，其特征在于，所述计算像素与所述聚类中心之间的距离，包括：
    计算像素的光谱距离和空间距离；
    根据所述光谱距离、所述空间距离、像素的周围邻域范围，以及空间特征和光谱特征的权重系数，计算像素与所述聚类中心之间的距离。
  5. 根据权利要求4所述的高光谱遥感影像半监督分类方法，其特征在于，所述根据所述分割图和所述初步分类图，标记伪标签数据，包括：
    在所述分割图中，将所有的超像素分为含有所述训练样本的超像素和不含所述训练样本的超像素；
    对于含有所述训练样本的超像素，在所述初步分类图中找出与该超像素中所述训练样本的类别相同的像素，将找出的像素的分类结果作为伪标签数据；
    对于不含所述训练样本的超像素，当根据所述初步分类图判定该超像素中所有像素具有局部同质性时，将该超像素中所有像素的分类结果作为伪标签数据。
  6. 根据权利要求5所述的高光谱遥感影像半监督分类方法，其特征在于，根据所述初步分类图判定该超像素中所有像素具有局部同质性，包括：
    在所述初步分类图中，判断该超像素中所有像素的初始分类结果是否均相同，若是，则判定该超像素中所有像素具有局部同质性。
  7. 根据权利要求6所述的高光谱遥感影像半监督分类方法，其特征在于，所述对高光谱遥感影像进行预处理，包括：
    对高光谱遥感影像进行归一化处理和降维处理。
  8. 一种高光谱遥感影像半监督分类装置，其特征在于，包括：
    影像处理模块，用于对高光谱遥感影像进行预处理；
    样本选取模块，用于从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本；
    影像分割模块，用于使用SLIC分割算法对所述高光谱遥感影像进行分割，获取分割图；
    初步分类模块，用于使用SVM分类器对所述高光谱遥感影像进行分类，获取初步分类图；
    伪标签标记模块，用于根据所述分割图和所述初步分类图，标记伪标签数据；
    二次分类模块，用于将所述伪标签数据和所述训练样本合并，作为新的训练数据，使用所述SVM分类器进行二次分类。
  9. 一种高光谱遥感影像半监督分类设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述的高光谱遥感影像半监督分类方法。
  10. 一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的高光谱遥感影像半监督分类方法。
PCT/CN2021/107290 2021-07-20 2021-07-20 高光谱遥感影像半监督分类方法、装置、设备及存储介质 WO2023000160A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/107290 WO2023000160A1 (zh) 2021-07-20 2021-07-20 高光谱遥感影像半监督分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/107290 WO2023000160A1 (zh) 2021-07-20 2021-07-20 高光谱遥感影像半监督分类方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2023000160A1 true WO2023000160A1 (zh) 2023-01-26

Family

ID=84979682

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/107290 WO2023000160A1 (zh) 2021-07-20 2021-07-20 高光谱遥感影像半监督分类方法、装置、设备及存储介质

Country Status (1)

Country Link
WO (1) WO2023000160A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030352A (zh) * 2023-03-29 2023-04-28 山东锋士信息技术有限公司 融合多尺度分割和超像素分割的长时序土地利用分类方法
CN116188423A (zh) * 2023-02-22 2023-05-30 哈尔滨工业大学 基于病理切片高光谱图像的超像素稀疏解混检测方法
CN116524369A (zh) * 2023-04-18 2023-08-01 中国地质大学（武汉） 遥感影像分割模型构建方法、装置及遥感影像解译方法
CN116758361A (zh) * 2023-08-22 2023-09-15 中国铁路设计集团有限公司 基于空间与光谱联合特征的工程岩组遥感分类方法及系统
CN117252789A (zh) * 2023-11-10 2023-12-19 中国科学院空天信息创新研究院 高分辨率遥感影像阴影重建方法、装置及电子设备
CN117312973A (zh) * 2023-09-26 2023-12-29 中国科学院空天信息创新研究院 一种内陆水体光学分类方法和系统
CN117746079A (zh) * 2023-11-15 2024-03-22 中国地质大学（武汉） 一种高光谱图像的聚类预测方法、系统、存储介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376335A (zh) * 2014-11-13 2015-02-25 河南理工大学 一种基于信息熵的半监督高光谱遥感影像分类方法
CN110516754A (zh) * 2019-08-30 2019-11-29 大连海事大学 一种基于多尺度超像元分割的高光谱图像分类方法
CN111695467A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN111914728A (zh) * 2020-07-28 2020-11-10 河海大学 高光谱遥感影像半监督分类方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376335A (zh) * 2014-11-13 2015-02-25 河南理工大学 一种基于信息熵的半监督高光谱遥感影像分类方法
CN110516754A (zh) * 2019-08-30 2019-11-29 大连海事大学 一种基于多尺度超像元分割的高光谱图像分类方法
CN111695467A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN111914728A (zh) * 2020-07-28 2020-11-10 河海大学 高光谱遥感影像半监督分类方法、装置及存储介质

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188423B (zh) * 2023-02-22 2023-08-08 哈尔滨工业大学 基于病理切片高光谱图像的超像素稀疏解混检测方法
CN116188423A (zh) * 2023-02-22 2023-05-30 哈尔滨工业大学 基于病理切片高光谱图像的超像素稀疏解混检测方法
CN116030352A (zh) * 2023-03-29 2023-04-28 山东锋士信息技术有限公司 融合多尺度分割和超像素分割的长时序土地利用分类方法
CN116524369B (zh) * 2023-04-18 2023-11-17 中国地质大学（武汉） 遥感影像分割模型构建方法、装置及遥感影像解译方法
CN116524369A (zh) * 2023-04-18 2023-08-01 中国地质大学（武汉） 遥感影像分割模型构建方法、装置及遥感影像解译方法
CN116758361A (zh) * 2023-08-22 2023-09-15 中国铁路设计集团有限公司 基于空间与光谱联合特征的工程岩组遥感分类方法及系统
CN116758361B (zh) * 2023-08-22 2023-10-27 中国铁路设计集团有限公司 基于空间与光谱联合特征的工程岩组遥感分类方法及系统
CN117312973A (zh) * 2023-09-26 2023-12-29 中国科学院空天信息创新研究院 一种内陆水体光学分类方法和系统
CN117312973B (zh) * 2023-09-26 2024-05-03 中国科学院空天信息创新研究院 一种内陆水体光学分类方法和系统
CN117252789A (zh) * 2023-11-10 2023-12-19 中国科学院空天信息创新研究院 高分辨率遥感影像阴影重建方法、装置及电子设备
CN117252789B (zh) * 2023-11-10 2024-02-02 中国科学院空天信息创新研究院 高分辨率遥感影像阴影重建方法、装置及电子设备
CN117746079A (zh) * 2023-11-15 2024-03-22 中国地质大学（武汉） 一种高光谱图像的聚类预测方法、系统、存储介质及设备
CN117746079B (zh) * 2023-11-15 2024-05-14 中国地质大学（武汉） 一种高光谱图像的聚类预测方法、系统、存储介质及设备

Similar Documents

Publication Publication Date Title
WO2023000160A1 (zh) 高光谱遥感影像半监督分类方法、装置、设备及存储介质
RU2699687C1 (ru) Обнаружение текстовых полей с использованием нейронных сетей
CN112446327B (zh) 一种基于无锚框的遥感图像目标检测方法
EP2701098B1 (en) Region refocusing for data-driven object localization
WO2019192397A1 (zh) 一种任意形状的场景文本端到端识别方法
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
JP6262748B2 (ja) 教師あり形状ランク付けに基づく生物学的単位の識別
CN109978035B (zh) 基于改进的k-means和损失函数的行人检测方法
CN108228761B (zh) 支持区域自定义的图像检索方法和装置、设备、介质
CN104850822B (zh) 基于多特征融合的简单背景下的叶片识别方法
CN108182449A (zh) 一种高光谱图像分类方法
CN111259808A (zh) 一种基于改进ssd算法的交通标识的检测识别方法
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
CN109213886B (zh) 基于图像分割和模糊模式识别的图像检索方法及系统
CN113516194B (zh) 高光谱遥感影像半监督分类方法、装置、设备及存储介质
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN111210447A (zh) 一种苏木精-伊红染色病理图像层次分割的方法及终端
CN114581928A (zh) 一种表格识别方法及系统
CN112966629A (zh) 基于图像变换和BoF模型的遥感图像场景分类方法
CN110910497B (zh) 实现增强现实地图的方法和系统
CN105844299B (zh) 一种基于词袋模型的图像分类方法
CN111210433B (zh) 一种基于各向异性势函数的马氏场遥感图像分割方法
CN111797795A (zh) 一种基于YOLOv3与SSR的行人检测算法
WO2023220913A1 (zh) 细胞图像处理方法、电子设备以及存储介质
CN115953371A (zh) 一种绝缘子缺陷检测方法、装置、设备和存储介质

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE