CN103886106B - 一种基于光谱特征保护的遥感图像安全检索方法 - Google Patents
一种基于光谱特征保护的遥感图像安全检索方法 Download PDFInfo
- Publication number
- CN103886106B CN103886106B CN201410149032.8A CN201410149032A CN103886106B CN 103886106 B CN103886106 B CN 103886106B CN 201410149032 A CN201410149032 A CN 201410149032A CN 103886106 B CN103886106 B CN 103886106B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- matrix
- sensing images
- retrieval
- 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.)
- Active
Links
Classifications
-
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及一种基于光谱特征保护的遥感图像安全检索方法。为了保障遥感图像检索过程中的安全性,针对遥感图像特有的光谱特征突出的特点,本发明提出了一种加密域的遥感图像检索方法,在提取图像光谱特征后,增加了对光谱特征的加密保护方法,在不解密的情况下,直接对加密的特征向量进行图像的相似度度量,在完成检索功能的同时,保障图像信息的安全性。为遥感图像目标识别、图像分类与检索奠定了基础。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于光谱特征保护的遥感图像安全检索方法,可用于对遥感图像检索研究。
背景技术
遥感是一种利用电磁波从远距离对地表进行非接触探测的技术和方法。其基础理论在于,由于地表的种类以及所处的环境不同,从而对不同波长的电磁波信号具有不同的反射或辐射效应。遥感技术正是利用这种特质,通过研究不同地表的电磁波信息,从而分析其物理特性和几何信息。近年来,传感器技术、遥感平台技术、数据通讯技术等相关技术的得到了飞速的发展,现代遥感技术已经进入了一个能够动态、快速、准确、及时、多手段提供多种对地观测数据的新阶段,成为人们获取环境信息、认识环境的一个重要手段。
遥感图像是从远离地面的工作平台上,通过传感器对地球表面的电磁波信息进行探测,然后再经过信息传输、处理与分析,最终得到遥感图像。它具有很高的空间分辨力和光谱分辨力,可以在几百个甚至上千个连续光谱波段获取地物目标图像。随着人们对遥感图像的依赖性的逐渐增大,此类图像的处理也成了人们关注的焦点。目前,遥感图像已成为精细农业、大气观测、环境监测、自然灾害研究、资源调查等领域的重要资料。遥感图像检索不是图像检索技术在遥感领域直接、简单的应用,而是涉及一些新的关键技术,需要通过一些新的方法和思路来解决,目前许多相关研究仍有待进一步完善和成熟。
遥感图像检索技术也随之应用于越来越多的领域,尤其是军事领域,遥感图像在认识战场环境以及打击效果评估等许多方面得到应用。另一方面,由于网络时代所具有的开放性与共享性,使得人们在享受现代信息所带来的方便、共享等巨大利益的同时,也面临着各种各样的信息安全威胁,如遥感图像的非法盗用、篡改、窃取和查看等安全问题,造成极大的不安全性。对于普通的遥感图像被窃取或查看可能影响不大,而对于含有重要信息的遥感图像,如何保障其检索的安全性成为了国内外研究人员所关注的热点,具有很高的研究价值。
遥感图像,尤其是军事或商业的遥感图像涉及到国家安全或军事机密,因此对遥感图像的检索安全性要求很高。加密技术是一种保障图像安全检索的有效手段,即对遥感图像信息进行加密变成密文,合法的接收者根据授权可以对收到的密文进行解密恢复出秘密信息。而这些信息对不知道密钥的网络窃听者是不可识别的,进而可以有效地保护检索过程中的图像数据安全。一种有效的安全图像检索索引方案,需要兼顾有效性和可扩展性,能够维持图像对之间的相似点,并且利用适当的密钥来确保安全。因此,在密钥未知的情况下,搜索数据库或者推断数据库内容的信息是很困难的。这样可以有效地保障遥感图像检索时的安全性。
发明内容
本发明与已有的遥感图像检索方法不同,针对遥感图像特有的光谱特征突出的特点,提出了一种加密域的遥感图像检索方法。该技术对遥感图像的特征进行加密保护,在不解密的情况下,直接对加密的特征向量进行图像的相似度度量,在实现检索性能的同时,保障信息的安全性。在对遥感图像进行综合分析的基础上,运用比特平面随机化的方法对图像特征进行加密处理。检索时,无需对特征进行解密,直接对加密后的特征进行相似度匹配,将特征相似的图像作为检索结果,实现遥感图像的安全检索,其特征在于包括如下步骤:
步骤1:遥感图像预处理
首先对遥感图像进行数据分块,将输入的目标影像从左至右、从上至下分成规则、不重叠且大小相等的子图像块(256*256、128*128、64*64、32*32、16*16)。
步骤2:遥感图像光谱特征提取
采用基于最小噪声分离(MNF)变换的方法提取遥感图像的光谱特征,方法如下:
步骤2.1:使用高通滤波器对图像进行噪声提取,得到噪声协方差矩阵CN,并将其对角化为矩阵DN,方法如下:
DN=UTCNU (1)
其中,U为由特征向量组成的正交矩阵;
步骤2.2:将原始图像投影到新空间,方法如下:
I=PTCNP (2)
步骤2.3:对白噪声数据进行标准主成分变换,方法如下:
CT=PTCDP (3)
步骤2.4:对角化为矩阵DT,方法如下:
DT=VTCTV (4)
步骤2.5:计算最小噪声分离变换矩阵,方法如下:
TMNF:TMNF=PV (5)
其中I为单位阵,P为变换矩阵,CD为图像X的协方差矩阵;CT为经过P变换后的矩阵,DT为CT的特征值按照降序排列的对角阵,V为由特征向量组成的正交阵。
步骤3:遥感图像光谱特征的加密保护
使用比特平面随机化的方法处理遥感图像,对遥感图像光谱特征进行加密,保留原有特征向量之间的距离。
步骤4:光谱特征的相似性匹配
建立索引,使用光谱信息离散匹配法进行遥感图像匹配,实现遥感图像的安全检索。
本发明与现有技术相比,具有以下明显的优势和有益效果:
本发明与已有的遥感图像检索方法不同,针对遥感图像特有的光谱特征突出的特点,提出了一种加密域的遥感图像检索方法。该技术对遥感图像的特征进行加密保护,在不解密的情况下,直接对加密的特征向量进行图像的相似度度量,在实现检索性能的同时,保障信息的安全性。
附图说明
图1分块示意图;
图2最小噪声分离变换过程;
图3遥感图像分块示意图;
图4第j个位平面的加密示意图;
图5图像特征加密的流程图;
图6遥感图像安全检索流程图;
图7反馈流程图。
具体实施方式
以下结合附图对本发明做进一步说明,本发明具体流程如下:
步骤1:遥感图像预处理
本发明首先基于不重叠区域对高光谱遥感图像进行数据分块,采用分块方式对遥感图像进分块处理。将一幅遥感图像从左至右、从上至下分成规则、不重叠且大小相等的子图像块。分块的索引方式:如果用(row,col)表示某子图像块在原始影像中的行、列号,TileWidth和TileHeight表示子图像块的尺寸,则该子图像块左上角和右下角的坐标(xmin,ymin)和(xmax,ymax),方法如下:
如附图3所示,通过一幅从AVIRIS高光谱遥感数据库下载的大小为512*512像元的真彩色影像说明分块效果,大小为8*8。这种数据分块组织方式非常简单、直观、容易理解,而且便于小目标的检测和采用数据库管理***管理分块遥感影像数据。
步骤2:遥感图像光谱特征的提取
本发明首先对光谱数据采用最小噪声分离MNF对其进行先行降维。将图像中重要特征集中到少数主成分中;进而采用一种基于特征值的方法对变换后的主成分进行截取,获得其中信息量最大、能量集中的主成分。
步骤2.1:利用高通滤波器对图像进行滤波处理,得到噪声协方差矩阵CN,并将其对角化为矩阵DN:
DN=UTCNU (2)
其中,DN为CN的特征值按照降序排列的对角阵;U为由特征向量组成的正交矩阵。进一步变换:
I=PTCNP (3)
其中,I为单位阵;P为变换矩阵,
当P应用于图像数据X时,通用Y=PX变换,可以将原始图像投影到新的空间,这时变换数据中的噪声具有单位方差,且波段间不相关。
步骤2.2:对白噪声数据进行标准主成分变换:
CT=PTCDP (4)
其中,CD为图像X的协方差矩阵;CT为经过P变换后的矩阵,可以进一步将其对角化为矩阵DT:
DT=VTCTV (5)
其中,DT为CT的特征值按照降序排列的对角阵;V为由特征向量组成的正交阵。通过以上两个步骤得到MNF的变换矩阵:
TMNF:TMNF=PV (6)
步骤3:图像光谱特征的加密保护
本发明针对遥感图像的特点,设计出一种加密机制,该机制在对遥感图像特征进行加密保护的同时,还可以保留原有特征向量之间的距离。具体地说,假设用Rn来表示图像的特征,图像特征加密保护的基本思路就是寻找一种加密函数ε(g):Rn→Rm,从而使得两幅遥感图像的特征向量f和g,dε(ε(f),ε(g))≈c*d(f,g),其中dε(·,·)和d(·,·)是距离度量方法,而c是常数缩放值。本发明选用比特平面随机化的方法来对图像特征进行加密,同时保留图像特征之间的相似性。
步骤3.1:比特平面随机化
图像的最重要位平面(MSB,Most Significant Bit)能够反映图像的重要信息。最重要位平面(MSB)和最不重要位平面(LSB,Least Significant Bit)的思想已经开始用于多媒体信号处理。距离小的特征向量在MSB平面上也具有相似的距离。
利用这种特性,可以在保持哈明距离的同时,对特征向量的最高k个位平面进行加密。在附图4中给出了所有特征向量的第j个位平面的加密过程。组成位平面的每一位首先与一个随机的比特序列做异或操作,从而保护了每个位平面的信息。再将得到的位平面进行随机置乱来获得加密的比特平面。
在提取重要位平面之前,首先需要进行图像位平面的提取。所谓图像位平面就是将图像中每一个像素值分解为二进制值,而把所有具有相同权值的位所构成的平面称为位平面.对于256级灰度图像来说,每个像素占一个字节,即8个二进制位,按从高位到低位的排列为b7b6b5b4b3b2blb0,那么所有像素的b0位就构成第0个位平面,b1位就构成第1个位平面等等,依此类推,该256级灰度图像共包含有8个位平面。
不同信息位对数字图像的贡献是不同的,较高位平面反映原始图像的主要内容,而较低位平面所携带的原始信号能量极少,即忽略较低位平面对原图像质量没有太大影响。另外,由数字图像相关理论知,数字图像遭受噪声攻击(光照、锐化、模糊等)以后,其低位平面信息变化较大,而重要位平面信息几乎没有变化,也就是说噪声主要集中在较低位平面。因此,提取重要平面信息来刻画和表示图像内容不仅可以较好地保留原图像信息,而且能够有效避免噪声干扰。
本发明是提取图像特征向量的位平面。设f(i)为第i个特征向量的值,对于图像特征的位平面分解可定义为
其中,p=0,1,2,3,4,5,6,7表示位平面(p=0代表位平面0,p=1代表位平面1,依此类推)。
本发明提出的图像特征向量的加密流程如下:
对图像进行光谱特征提取,然后将特征值的取值范围归一化至[-1,1],再将特征合并为111维特征向量。
为了进行比特平面随机化,首先将特征加1后再乘以100,此时特征值得取值范围为[0,200]。
由于200(10)=11001000(2),可将特征向量转化为8个位平面,保留最高三位(7-5位),将第3位和第4位平面分别与密钥异或,然后将二进制特征变换回十进制,此时已加密的特征值取值范围为[0,223](223(10)=11011111(2)),最后除以100再减1,图像特征加密的流程图如附图5。
步骤3.2:图像特征的相似性度量
本发明使用特征之间的汉明距离来计算相似度,对图像特征进行加密后得到了加密后的特征向量ε(f)=[f1,...,fn]。两个加密特征向量ε(f)和ε(g)之间的距离由他们各自位平面之间的汉明距离的加权和来计算:
其中,w(j)是分配到位平面的权重,来反映他们的不同的重要性。本文设定w(j)=2-j,作为每一位的权值。由于在两个特征向量的相应的位平面上,使用相同的置换排列和相同的异或模型来保留他们的汉明距离,得到
结果表明,加密后的特征距离与原始距离略有误差。加密特征的距离dε(·,·)略大于原始的L1距离。误差产生原因为:一些向量的值可能具有很小的L1距离,但加密后的距离dε(·,·)却相对较大。例如,8=(1000)2和7=(0111)2的L1距离为1,而dε(8,7)=15。但是这样的情况很少出现,并且在与安全性相权衡时,位平面随机化仅仅会导致检索精准度的轻微下降,流程图如附图6。
步骤4:光谱特征相似性匹配
通过对光谱曲线参量化并提取相关特征值,进而比较不同光谱曲线之间的差异,根据相似度的大小排序对图像特征进行检索,从而实现遥感图像的检索。本发明的光谱匹配过程采用的是光谱信息散度匹配法。
步骤4.1:光谱信息散度匹配
光谱信息散度匹配是通过计算目标光谱和样本光谱之间的光谱信息散度来确定二者之间的相似性。它将每一个像元看成是一个随机变量,使用光谱直方图定义其概率分布,光谱信息散度的计算公式为:
SID(t,r)=D(tPr)+D(rPt) (10)
其中,
D(tPr)和D(rPt)分别表示r关于t的信息熵(K-L距离)和t关于r的信息熵(L-K距离);pi和qi分别表示目标光谱和样本光谱归一化后的概率分布。
步骤4.2:相关反馈
由于图像低层特征和高层语义之间存在很大的差异,所以通过某一种特征提取以及特征向量匹配之后得到的检索结果可能往往不能满足用户需求。于是,本发明在基于光谱特征的图像检索***中引入了相关反馈技术。其目标是从用户与查询***的实际交互过程中进行学习,发现并捕捉用户的实际查询意图,以此修正***的查询策略,得到与用户实际需求尽可能吻合的查询结果。由于相关反馈可以实时地修改***的查询策略,从而为图像检索***增加了自适应功能。
在本发明提出的遥感图像检索过程中,方法如下:
首先,在第一轮的检索过程中,用户先提供给***其感兴趣的样本,***通过相似度的计算进行检索,即对图像库中的图像进行相似度大小排序,并把排序在前K位的图像集作为检索结果呈现给用户;
然后,用户可以对检索结果进行评价和标记,并指出检索结果中哪些是与查询图像相关的图像(正反馈),哪些是不相关的图像(负反馈);
最后,将用户标记的相关信息作为训练样本反馈给***进行学习,以指导下一轮检索,这就完成了一次相关反馈过程。用户可以根据实际需要调整相关反馈的次数,直到得到满意的图像集为止。流程图如附图7。
最后应说明的是:以上示例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的示例对本发明已进行了详细的说明,但是本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于光谱特征保护的遥感图像安全检索方法,其特征在于包括如下步骤:
步骤1:遥感图像预处理
首先对遥感图像进行数据分块,将输入的目标影像从左至右、从上至下分成规则、不重叠且大小相等的子图像块;
步骤2:遥感图像光谱特征提取
采用基于最小噪声分离变换的方法进行数据降维,提取遥感图像的光谱特征,方法如下:
步骤2.1:使用高通滤波器对图像进行噪声提取,得到噪声协方差矩阵CN,并将其对角化为矩阵DN,方法如下:
DN=UTCNU
其中,U为由特征向量组成的正交矩阵;
步骤2.2:将原始图像投影到新空间,方法如下:
I=PTCNP
步骤2.3:对白噪声数据进行标准主成分变换,方法如下:
CT=PTCDP
步骤2.4:对角化为矩阵DT,方法如下:
DT=VTCTV
步骤2.5:计算最小噪声分离变换矩阵,方法如下:
TMNF:TMNF=PV
其中I为单位阵,P为变换矩阵,CD为图像X的协方差矩阵;CT为经过P变换后的矩阵,DT为CT的特征值按照降序排列的对角阵,V为由特征向量组成的正交阵;
步骤3:遥感图像光谱特征的加密保护
使用比特平面随机化的方法处理遥感图像,对遥感图像光谱特征进行加密,保留原有特征向量之间的距离;
步骤4:光谱特征的相似性匹配
建立索引,使用光谱信息离散匹配法进行遥感图像匹配,实现遥感图像的安全检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410149032.8A CN103886106B (zh) | 2014-04-14 | 2014-04-14 | 一种基于光谱特征保护的遥感图像安全检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410149032.8A CN103886106B (zh) | 2014-04-14 | 2014-04-14 | 一种基于光谱特征保护的遥感图像安全检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103886106A CN103886106A (zh) | 2014-06-25 |
CN103886106B true CN103886106B (zh) | 2017-02-22 |
Family
ID=50954998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410149032.8A Active CN103886106B (zh) | 2014-04-14 | 2014-04-14 | 一种基于光谱特征保护的遥感图像安全检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886106B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3028064B1 (fr) * | 2014-11-05 | 2016-11-04 | Morpho | Procede de comparaison de donnees ameliore |
CN104376121B (zh) * | 2014-12-04 | 2018-03-27 | 深圳大数点科技有限公司 | 一种图片自适应匹配组合呈现的***、方法及用户终端 |
CN104850644B (zh) * | 2015-05-27 | 2018-05-29 | 清华大学 | 基于Lucene的高光谱图像检索方法及检索引擎 |
CN104933155B (zh) * | 2015-06-25 | 2018-05-29 | 清华大学 | 基于Lucene的光谱曲线检索方法及引擎 |
CN106874836A (zh) * | 2016-12-29 | 2017-06-20 | 国网山东省电力公司菏泽供电公司 | 一种基于红外热像图的电缆接头运行状态识别方法 |
CN109144993B (zh) * | 2017-06-16 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 一种数据查询方法及装置 |
CN108681986B (zh) * | 2018-04-28 | 2020-03-31 | 吉林大学 | 一种加快正弦投影格式遥感产品投影变换的方法及*** |
CN110490904B (zh) * | 2019-08-12 | 2022-11-11 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1452840A (zh) * | 2000-05-02 | 2003-10-29 | 通用仪器公司 | 随机存取加密视频流中的单个图像的方法和装置 |
-
2014
- 2014-04-14 CN CN201410149032.8A patent/CN103886106B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1452840A (zh) * | 2000-05-02 | 2003-10-29 | 通用仪器公司 | 随机存取加密视频流中的单个图像的方法和装置 |
Non-Patent Citations (7)
Title |
---|
"Secure Image Retrieval over Untrusted Cloud Servers";Ayad Ibrahim Adbulsada et al.;《International Journal of Engineering and Advanced Technology》;20131031;第3卷(第1期);第140-147页 * |
"Secure image retrieval through feature protection";Wenjun Lu et al.;《IEEE International Conference on Speech and Signal Processing》;20091231;第2009年卷;第1533-1536页 * |
"一种基于视觉单词的图像检索方法";刁蒙蒙 等;《测控技术》;20121231;第31卷(第5期);第17-20页 * |
"个性化图像检索中用户兴趣模型的构建方法";贺琳 等;《计算机工程与应用》;20091231;第45卷(第31期);第168-171页 * |
"基于最小噪声分离变换的遥感影像融合方法";顾海燕 等;《国土资源遥感》;20070630(第2期);第53-55页 * |
"基于视觉感知的图像检索的研究";张菁 等;《电子学报》;20080331;第36卷(第3期);第494-499页 * |
"高光谱图像特征分析技术的研究与软件开发";张亚南;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100815;第2010年卷(第8期);第1-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103886106A (zh) | 2014-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886106B (zh) | 一种基于光谱特征保护的遥感图像安全检索方法 | |
Yu et al. | Attributing fake images to gans: Learning and analyzing gan fingerprints | |
JP7060619B2 (ja) | バイオメトリック識別システムおよび方法 | |
CN104823203A (zh) | 生物特征模板安全性及密钥产生 | |
Chambino et al. | Multispectral facial recognition: a review | |
Zhao et al. | Spectral–spatial anomaly detection via collaborative representation constraint stacked autoencoders for hyperspectral images | |
Feng et al. | Hyperspectral anomaly detection with total variation regularized low rank tensor decomposition and collaborative representation | |
CN106485742B (zh) | 一种基于Arnold混沌映射的遥感图像加密检索方法 | |
CN106650681B (zh) | 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 | |
Zhou et al. | Camouflaged target detection based on visible and near infrared polarimetric imagery fusion | |
Lu et al. | Penalized linear discriminant analysis of hyperspectral imagery for noise removal | |
Jin et al. | Private video foreground extraction through chaotic mapping based encryption in the cloud | |
Zhao et al. | SRA-CEM: An improved CEM target detection algorithm for hyperspectral images based on sub-region analysis | |
CN114067188A (zh) | 一种伪装目标的红外偏振图像融合方法 | |
Chen et al. | Improving the accuracy of hydrothermal alteration mapping based on image fusion of ASTER and Sentinel-2A data: a case study of Pulang Cu deposit, Southwest China | |
Kaushik et al. | Analysis of spatial features in CBIR system | |
Li et al. | Perceptual hashing for color images | |
CN107832793A (zh) | 一种高光谱图像的分类方法及*** | |
CN105096234B (zh) | 一种基于混合域的高光谱图像加密方法 | |
Tiwari et al. | Simulation of the hyperspectral data using Multispectral data | |
Chen et al. | Hyperspectral target detection based on tensor sparse representation | |
Li et al. | Improving hyperspectral subpixel target detection using hybrid detection space | |
Baek | The fake fingerprint detection system using a novel color distribution | |
Shang et al. | Comparison of bare soil extraction methods in black soil zone for AHSI/GF-5 remote sensing data | |
Zhou et al. | Camouflaged target separation by spectral-polarimetric imagery fusion with shearlet transform and clustering segmentation |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220819 Address after: 100004 1-14-2107, floor 2, No. 136, Xiwai street, Xicheng District, Beijing Patentee after: Shuanxin (Beijing) Technology Co.,Ltd. Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing Patentee before: Beijing University of Technology |