CN101299237B - 一种基于信息量维数序列的高光谱数据监督分类方法 - Google Patents
一种基于信息量维数序列的高光谱数据监督分类方法 Download PDFInfo
- Publication number
- CN101299237B CN101299237B CN200810114432XA CN200810114432A CN101299237B CN 101299237 B CN101299237 B CN 101299237B CN 200810114432X A CN200810114432X A CN 200810114432XA CN 200810114432 A CN200810114432 A CN 200810114432A CN 101299237 B CN101299237 B CN 101299237B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sequence
- dimension
- information dimension
- reference spectra
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于信息量维数序列的高光谱数据监督分类方法,包括如下步骤:(一)读入某地区高光谱图像数据;(二)从光谱库中选择参考光谱,或从图像中选取训练样本进行波段平均获取参考光谱;(三)逐个计算参考光谱与所有测试光谱的信息量维数序列;(四)测试光谱与所有参考光谱的信息量维数序列逐个进行向量角匹配,采用最小距离分类器分类;(五)二值化匹配结果,将每类地物的匹配结果用二值图像表示,每幅图像中只包含一类地物。基于信息量维数序列的高光谱数据分类方法将信息量维数引入到光谱域分析,综合了全波段匹配和局部量化特征匹配的优点,能获得较高的分类效率和分类精度,在高光谱数据分类和目标识别中有重要价值。
Description
技术领域
本发明涉及一种基于信息量维数序列的高光谱数据监督分类方法,属于高光谱数据处理方法与应用技术领域,适用于高光谱数据目标识别及监督分类的理论方法和应用技术研究。
背景技术
目标识别与地物分类是高光谱遥感数据应用的主要方向之一。高光谱图像提供了近乎连续光谱的方式实现对目标的精确描述,和其它遥感方式相比,高光谱遥感科学技术最大的优点体现在对地物的分类和识别能力上,该类技术的发展扩展了高光谱数据应用的深度和广度。基于光谱匹配的分类方法,利用光谱库中已知光谱数据,采用匹配算法来识别图像中的地面覆盖类型,该类方法主要通过全波段特征和局部量化特征两种方式实现。全波段特征匹配方式利用了整个光谱的形状特征,受照度、光谱定标和光谱重建精度等的影响较小,但对光谱的微小差异不够敏感。局部量化特征匹配方式虽然对光谱微小差异敏感,但仅仅利用了特定的一些特征,受图像信噪比、光谱定标和光谱重建精度等因素的影响较大。
分形体具有精细的结构,形状不规则并具有自相似性,分形理论在遥感图像解译中,常常被用来提取遥感影像的空间分形特征。研究表明,高光谱图像光谱维数据的具有分形特征,每一个像元可以得到一个分形维数,分形维数可以构成一幅新的图像,可以充分的把高光谱图像的光谱特征与图像特征结合起来进行分析,用于分类和识别。但是实际应用中的光谱曲线,只有在某种被限制的观测尺度的范围内,自相似性才成立,仅利用分形维数一个数字去描述光谱曲线所有波段包含的信息无法满足应用需要。
信息量维数用来表示仅用单一分形维数不能完全描述的光谱局部分形特征,从光谱的局部出发来研究其最终的整体光谱特征。目前,基于光谱维的分形分析已经受到光谱识别和地物分类等研究领域的关注。
发明内容
本发明的一种基于信息量维数序列的高光谱数据监督分类方法的目的及其所要解决的问题是:将信息量维数引入到光谱域分析,应用于高光谱数据的目标识别及监督分类,综合全波段匹配和局部量化特征匹配的优点,克服采用单一匹配方式的或对微小差异不敏感,或受信噪比和光谱重建精度等影响较大的不足,以获得较高的分类效率和分类精度。
本发明一种基于信息量维数序列的高光谱数据监督分类方法,包括如下步骤:
(一)读入某地区高光谱图像数据;
(二)根据先验信息从光谱库中选择该区域可能存在的地物光谱作为参考光谱,或从图像中选取训练样本进行波段平均获取参考光谱;
(三)获得参考光谱后,逐个计算参考光谱及所有测试光谱的信息量维数序列;
(四)参考光谱和测试光谱的信息量维数序列计算完毕,测试光谱的信息量维数序列与所有参考光谱的信息量维数序列逐个进行向量角匹配,采用最小距离分类器确定与参考光谱最接近的一个或多个像元;
(五)所有测试像元匹配完成,二值化匹配结果,将每类地物的匹配结果用二值图像表示,每幅图像中只包含一类地物。
其中,在步骤(一)中所述的“读入某地区高光谱图像数据”是指在遥感影像处理平台ENVI4.2上打开高光谱数据文件来读入某地区高光谱图像数据;
其中,在步骤(二)中所述的“波段平均获取参考光谱”,其具体实现方式如下:
式(8)中,x1~xM为训练样本,M为训练样本数目,NB为波段数目,R为NB维参考光谱。R第i个波段的值由x1~xM第i个波段值平均得到。
其中,在步骤(三)中所述的“逐个计算参考光谱及所有测试光谱的信息量维数序列”,其具体实现方式如下:
先给定光谱曲线的分段数目N以决定信息量维数序列的维数,光谱曲线信息量维数序列采用如下方法计算:
将光谱曲线等分为N个小区域,每个区域包含的波段数目为
式(9)中floor(x)表示取小于x的最大整数。当NB不能被N整除时,前N-1个区域包含的波段数目为NBS,最后一个区间包含波段数目为NB-(N-1)·NBS。每个小区域的线度(小区域长度)大小为Li,光谱曲线在该小区域的生长几率为Pi,不同小区域生长几率不同,用不同标度指数αi来表征:
若线度Li的大小趋于零,用下式表示局部分维:
计算每个小区域上的局部分维,得到一个由不同αi所组成的序列构成的谱,用f(α)表示。局部分维计算方法如下:
用线度δik将线小区域Li划分成一系列更小的区间,改变δik的大小,得到一系列的生长几率Pik,对{ln(δi1),ln(δi2),…,ln(δik)}和{ln(Pi1),ln(Pi2),…,ln(Pik)}(k为不同的δik的个数)用最小二乘拟合直线,斜率就为该小区域上的局部分维αi,该局部分维就是对应小区间上的信息量维数,所有小区域的信息量维数构成光谱曲线的信息量维数序列f(α);
光谱曲线在小区域生长的几率Pi采用如下方法计算:
设波段数目为NB的光谱曲线X=(x1,x2,...,xNB),每个分量xl为每个波段分量,定义X的光谱信息度量p={pl}NB l=1,其中
用线度为Li的区域包含了光谱曲线从xi到xj(j≥i)的j-i+1个波段,则该区域中光谱曲线生长的几率为:
pk为光谱曲线X的概率分布,N为线度Li下小区域的个数。
其中,在步骤(四)中所述的“测试光谱的信息量维数序列与所有参考光谱的信息量维数序列逐个进行向量角匹配,采用最小距离分类器确定与参考光谱最接近的一个或多个像元”,其具体实现方式如下:
将信息量维数序列当作向量,测试光谱的信息量维数序列与所有参考光谱得信息量维数序列计算向量角,向量角计算公式如下:
Dr和Dt分别为参考光谱和测试光谱的信息量维数序列,N为其维数,θ(Dr,Dt)为Dr和Dt所成的向量角度。
每一测试光谱的信息量维数序列与所有参考光谱的信息量维数序列计算得到一个向量角,与测试光谱的信息量维数序列所成角度最小的参考光谱代表的类别为测试光谱所属类别,即:
如果θ(Drj,Dt)=min{θ(Dr1,Dt),θ(Dr2,Dt),…θ(Drj,Dt),…θ(Drcn,Dt)},则测试光谱属于类别j。cn表示参考光谱类别数目。
其中,在步骤(五)中所述的“二值化匹配结果,将每类地物的匹配结果用二值图像表示”,其具体实现方式如下:
在匹配结果图像中,将每个感兴趣类别设为“1”,其他类别或背景设为“0”,得到最终分类结果图,每一幅分类结果中只包含一类地物,其它均为背景。
本发明一种基于信息量维数序列的高光谱数据监督分类方法,其优点是:综合了全波段匹配和局部量化特征匹配的优点,一定程度上克服采用单一匹配方式的对微小差异不敏感、受信噪比和光谱重建精度等影响较大的不足,能获得较高的分类效率和分类精度;将信息量维数引入到光谱分析,为高光谱数据监督分类和目标识别提供了一种全新的途径。
附图说明
图1为华盛顿地区原始影像;
图2为本发明的流程图;
图3为参考光谱辐亮度曲线;
图4为参考光谱的信息量维数序列,维数为5;
图5为草坪的分类结果;
图6为人工建筑的分类结果;
图7为特殊类别屋顶的分类结果;
图8为阴影的分类结果;
图9为街道的分类结果;
图10为树木的分类结果。
具体实施方式
采用的华盛顿地区都市影像如图1所示,为飞机搭载高光谱仪低空拍摄而成。此影像具有220个波段,去除水气吸收波段后剩余191个波段,图像大小150×195像素。图像中包含草坪,建筑,屋顶,阴影,街道和树木6个类别。
本发明一种基于信息量维数序列的高光谱数据监督分类方法,其流程图如图2所示,以对华盛顿地区的都市影像进行监督分类为例,本发明所述的方法,其具体实现步骤如下:
(一)读入某地区高光谱图像数据;本发明的一种基于信息量维数序列的高光谱数据监督分类方法利用的是华盛顿地区高光谱数据,在遥感影像处理平台ENVI4.2打开,原始影像如图1所示,可以得到地物分布信息;
(二)根据先验信息从光谱库中选择该区域可能存在的地物光谱作为参考光谱,或从图像中选取训练样本进行波段平均获取参考光谱;
从图像中随机提取六类地物的训练光谱和测试光谱,训练样本不包含在测试样本中;下列表1给出了用于分类的地物类别及样本个数:
表1实验样本个数
所有样本从图1所示图像中随机选取;对训练光谱按波段平均得到六个类别的参考光谱如图3所示,其中,波段平均获取参考光谱实现方式如下:
式(15)中,x1~xM为训练样本,M为训练样本数目,NB为波段数目,R为NB维参考光谱。R第i个波段的值由x1~xM第i个波段值平均得到。
(三)获得参考光谱后,逐个计算参考光谱及所有测试光谱的信息量维数序列;
给定光谱分段数目N=5,以决定信息量维数序列的维数;将光谱波段等分为5个区间,光谱曲线信息量维数序列采用如下方法计算:将光谱曲线等分为5个小区域,每个区域包含的波段数目为
式(16)中,floor(x)表示取小于x的最大整数;当NB不能被N整除时,前N-1个区域包含的波段数目为NBS,最后一个区间包含波段数目为NB-(N-1)·NBS,因为该数据为191个波段,划分结果为前4个小区域波段数目为38,第5个区域波段数目为39;每个小区域的线度(小区域长度)大小为Li,光谱曲线生长界面在该小区域的生长几率为Pi,不同小区域生长几率不同,用不同标度指数αi来表征:
若线度Li的大小趋于零,用下式表示局部分维:
计算每个小区域上的局部分维,到一个由不同αi所组成的序列构成的谱,用f(α)表示。局部分维计算方法如下:
用线度δik将线小区域Li划分成一系列更小的区间,改变δik的大小,得到一系列的生长几率Pik,对{ln(δi1),ln(δi2),…,ln(δik)}和{ln(Pi1),ln(Pi2),…,ln(Pik)}(k为不同的δik的个数)用最小二乘拟合直线,斜率就为该小区域上的局部分维αi,该局部分维就是对应小区间上的信息量维数,所有小区域的信息量维数构成光谱曲线的信息量维数序列f(α);
光谱曲线在小区域生长的几率Pi采用如下方法计算:
设波段数目NB为191的光谱曲线X=(x1,x2,...,xNB),每个分量xl为每个波段分量,定义X的光谱信息度量分布p={pl}NB l=1,其中
用线度为Li的区域包含了光谱曲线从xi到xj(j≥i)的j-i+1个波段,则该区域中光谱曲线生长的几率为:
pk为光谱曲线X的概率分布,N为线度Li下小区域的个数;利用上述方法,得到的参考光谱的信息量维数序列如图4所示;然后计算华盛顿地区高光谱图像中每个像元的信息量维数序列;
(四)参考光谱和测试光谱的信息量维数序列计算完毕,测试光谱的信息量维数序列与所有参考光谱的信息量维数序列逐个进行向量角匹配,采用最小距离分类器确定与参考光谱最接近的一个或多个像元;
将信息量维数序列当作向量,测试光谱的信息量维数序列与所有参考光谱得信息量维数序列计算向量角,向量角计算公式如下:
Dr和Dt分别为参考光谱和测试光谱的信息量维数序列,N为其维数,θ(Dr,Dt)为Dr和Dt所成的向量角度。
每一测试光谱的信息量维数序列与所有参考光谱的信息量维数序列计算得到一个向量角,与测试光谱的信息量维数序列所成角度最小的参考光谱代表的类别为测试光谱所属类别,即:
如果θ(Drj,Dt)=min{θ(Dr1,Dt),θ(Dr2,Dt),…θ(Drj,Dt),…θ(Drcn,Dt)},则测试光谱属于类别j。cn表示参考光谱类别数目。
(五)所有测试像元匹配完成,二值化匹配结果,将每类地物的匹配结果用二值图像表示,每幅图像中只包含一类地物;
在匹配结果图像中,将每个感兴趣类别设为“1”,其他类别或背景设为“0”,得到最终分类结果图,每一幅分类结果中只包含一类地物,其它均为背景。
采用本发明的一种基于信息量维数序列的高光谱数据监督分类方法得到的分类结果如图5~图10所示;不同地物以不同灰度表示,图6~图10中各包含一类地物,白色表示地物,黑色表示背景;图5表示的草坪和图10的树木在光谱波形上比较相似,两类地物依然较好的被分开,草坪在图像中占大部分;图6的建筑实际上包含了图像中大部分的人工建筑,图7中屋顶单独作为一类也成功的和其它人工建筑分开;阴影大部分分布在建筑和树木周围,如图8所示;图9中街道受周围建筑影响,分类的效果要差于其它类别;从上面的分析可以看出,各个类别均较好的区分开;
下列表2给出了利用本发明所述的方法进行分类的分类精度、混淆矩阵以及Kappa系数,总体分类正确率为92.51%,Kappa系数为0.903,分类效果良好,无明显错分类;所用类别中,建筑、屋顶和街道同属于人工建筑,因材料近似而出现了一定程度的错分。
表2分类结果统计
Claims (5)
1.一种基于信息量维数序列的高光谱数据监督分类方法,其特征在于:它包含以下步骤:
(一)读入某地区高光谱图像数据;
(二)根据先验信息从光谱库中选择该地区可能存在的地物光谱作为参考光谱,或从图像中选取训练样本进行波段平均获取参考光谱;
(三)获得参考光谱后,逐个计算参考光谱及所有测试光谱的信息量维数序列;其具体实现方式如下:先给定光谱曲线的分段数目N以决定信息量维数序列的维数,光谱曲线信息量维数序列采用如下方法计算:将光谱曲线等分为N个小区域,每个小区域包含的波段数目为
式(2)中floor(x)表示取小于x的最大整数;当NB不能被N整除时,前N-1个区域包含的波段数目为NBS,最后一个区间包含波段数目为NB-(N-D·NBS;每个小区域的线度大小为Li,光谱曲线在该小区域的生长几率为Pi,不同小区域生长几率不同,用不同标度指数αi来表征:
若线度Li的大小趋于零,用下式表示局部分维:
计算每个小区域上的局部分维,得到一个由不同αi所组成的序列构成的谱,用f(α)表示;局部分维计算方法如下:
用线度δik将线小区域Li划分成一系列更小的区间,改变δik的大小,得到一系列的生长几率Pik,对{ln(δi1),ln(δi2),…,ln(δik)}和{ln(Pi1),ln(Pi2),…,ln(Pik)},其中,k为不同的δik的个数,用最小二乘拟合直线,斜率就为该小区域上的局部分维αi,该局部分维就是对应小区间上的信息量维数,所有小区域的信息量维数构成光谱曲线的信息量维数序列f(α);
光谱曲线在小区域生长的几率Pi采用如下方法计算:
设波段数目为NB的光谱曲线X=(x1,x2,…,xNB),每个分量xl为每个波段分量,定义X的光谱信息度量p={pl}NB l=1,其中
用线度为Li的区域包含了光谱曲线从xi到xj的j-i+1个波段,则该区域中光谱曲线生长的几率为:其中,j≥i,
pk为光谱曲线X的概率分布,N为线度Li下小区域的个数;
(四)参考光谱和测试光谱的信息量维数序列计算完毕,测试光谱的信息量维数序列与所有参考光谱的信息量维数序列逐个进行向量角匹配,采用最小距离分类器确定与参考光谱最接近的一个或多个像元;
(五)所有测试像元匹配完成,二值化匹配结果,将每类地物的匹配结果用二值图像表示,每幅图像中只包含一类地物。
2.根据权利要求1所述的一种基于信息量维数序列的高光谱数据监督分类方法,其特征在于:步骤(一)中所述的“读入某地区高光谱图像数据”,是指在遥感影像处理平台ENVI4.2上打开高光谱数据文件来读入某地区高光谱图像数据。
3.根据权利要求1所述的一种基于信息量维数序列的高光谱数据监督分类方法,其特征在于:步骤(二)中所述的“波段平均获取参考光谱”,其具体实现方式如下:
式(1)中,x1~xM为训练样本,M为训练样本数目,NB为波段数目,R为NB维参考光谱;R(i)的值由x1~xM第i个波段值平均得到。
4.根据权利要求1所述的一种基于信息量维数序列的高光谱数据监督分类方法,其特征在于:其步骤(四)中所述的“测试光谱的信息量维数序列与所有参考光谱的信息量维数序列逐个进行向量角匹配,采用最小距离分类器确定与参考光谱最接近的一个或多个像元”,其具体实现方式如下:将信息量维数序列当作向量,测试光谱的信息量维数序列与所有参考光谱的信息量维数序列计算向量角,向量角计算公式如下:
Dr和Dt分别为参考光谱和测试光谱的信息量维数序列,N为其维数,θ(Dr,Dt)为Dr和Dt所成的向量角度;
每一测试光谱的信息量维数序列与所有参考光谱的信息量维数序列计算得到一个向量角,与测试光谱的信息量维数序列所成角度最小的参考光谱代表的类别为测试光谱所属类别,即:
如果θ(Drj,Dt)=min{θ(Dr1,Dt),θ(Dr2,Dt),…θ(Drj,Dt),…θ(Drcn,Dt)},则测试光谱属于类别j;cn表示参考光谱类别数目。
5.根据权利要求1所述的一种基于信息量维数序列的高光谱数据监督分类方法,其特征在于:其步骤(五)中所述的“二值化匹配结果,将每类地物的匹配结果用二值图像表示”,其具体实现方式如下:在匹配结果图像中,将每个感兴趣类别设为“1”,其他类别或背景设为“0”,得到最终分类结果图,每一幅分类结果中只包含一类地物,其它均为背景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810114432XA CN101299237B (zh) | 2008-06-05 | 2008-06-05 | 一种基于信息量维数序列的高光谱数据监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810114432XA CN101299237B (zh) | 2008-06-05 | 2008-06-05 | 一种基于信息量维数序列的高光谱数据监督分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101299237A CN101299237A (zh) | 2008-11-05 |
CN101299237B true CN101299237B (zh) | 2010-12-08 |
Family
ID=40079061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810114432XA Expired - Fee Related CN101299237B (zh) | 2008-06-05 | 2008-06-05 | 一种基于信息量维数序列的高光谱数据监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101299237B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8577820B2 (en) * | 2011-03-04 | 2013-11-05 | Tokyo Electron Limited | Accurate and fast neural network training for library-based critical dimension (CD) metrology |
CN102542288B (zh) * | 2011-11-28 | 2013-09-25 | 北京航空航天大学 | 一种高光谱数据多特征空间构建与融合分类方法 |
CN102938072B (zh) * | 2012-10-20 | 2016-05-11 | 复旦大学 | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 |
CN103324941B (zh) * | 2013-06-19 | 2016-04-20 | 鲁东大学 | 一种基于临近距离的遥感分类图斑边界精度评价方法 |
CN103512877B (zh) * | 2013-10-16 | 2016-03-30 | 长春新产业光电技术有限公司 | 一种拉曼光谱物质检测快速样本查找方法 |
CN103729651A (zh) * | 2014-01-17 | 2014-04-16 | 重庆大学 | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 |
CN103927756B (zh) * | 2014-04-28 | 2017-04-19 | 中国国土资源航空物探遥感中心 | 一种基于光谱特征空间权化的光谱特征指数提取方法 |
CN105528580B (zh) * | 2015-12-04 | 2019-02-12 | 杭州电子科技大学 | 一种基于吸收峰特征的高光谱曲线匹配方法 |
WO2018076138A1 (zh) * | 2016-10-24 | 2018-05-03 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN107657262B (zh) * | 2016-12-30 | 2019-03-15 | 中科星图股份有限公司 | 一种计算机自动分类精度评价方法 |
CN108009550B (zh) * | 2017-11-09 | 2021-01-22 | 深圳大学 | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 |
CN108108721A (zh) * | 2018-01-09 | 2018-06-01 | 北京市遥感信息研究所 | 一种利用高光谱进行道路提取的方法 |
CN112633374A (zh) * | 2020-12-22 | 2021-04-09 | 江苏海洋大学 | 一种结合多光谱混合像元线性分解的监督分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
-
2008
- 2008-06-05 CN CN200810114432XA patent/CN101299237B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
Non-Patent Citations (6)
Title |
---|
周子勇 等.高光谱遥感数据光谱曲线分形特征研究.《中北大学学报》.2005,第26卷(第6期),451-454. |
周子勇等.高光谱遥感数据光谱曲线分形特征研究.《中北大学学报》.2005,第26卷(第6期),451-454. * |
李厚强 等.基于分形理论的航空图像分类方法.《遥感学报》.2001,第5卷(第5期),353-358. |
李厚强等.基于分形理论的航空图像分类方法.《遥感学报》.2001,第5卷(第5期),353-358. * |
熊宇虹 等.分形理论在光谱识别中的应用.《光谱学与光谱分析》.2006,第26卷(第4期),772-774. |
熊宇虹等.分形理论在光谱识别中的应用.《光谱学与光谱分析》.2006,第26卷(第4期),772-774. * |
Also Published As
Publication number | Publication date |
---|---|
CN101299237A (zh) | 2008-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101299237B (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
CN101539998B (zh) | 蚀变遥感异常提取方法和*** | |
CN102750703B (zh) | 一种基于直线分割的遥感图像机场自动检测方法 | |
CN102496034B (zh) | 基于直线单词的高空间分辨率遥感图像词袋分类方法 | |
CN101894270B (zh) | 面向遥感影像分类的样本自动选取方法 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** | |
CN103325122B (zh) | 基于双向排序的行人检索方法 | |
CN113033714B (zh) | 多模态多粒度遥感影像面向对象全自动机器学习方法及*** | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN102879099A (zh) | 一种基于高光谱成像的壁画信息提取方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN109117956A (zh) | 一种最佳特征子集的确定方法 | |
CN102662949A (zh) | 一种基于多特征融合的指定目标检索方法及*** | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN104680184B (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
CN103208011A (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN103729651A (zh) | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 | |
Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101208 Termination date: 20130605 |