CN104778482A - 基于张量半监督标度切维数约减的高光谱图像分类方法 - Google Patents
基于张量半监督标度切维数约减的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN104778482A CN104778482A CN201510224055.5A CN201510224055A CN104778482A CN 104778482 A CN104778482 A CN 104778482A CN 201510224055 A CN201510224055 A CN 201510224055A CN 104778482 A CN104778482 A CN 104778482A
- Authority
- CN
- China
- Prior art keywords
- sample
- represent
- tensor
- matrix
- class
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于张量半监督标度切维数约减的高光谱图像分类方法,主要解决高光谱图像维数过高导致计算量大以及现有方法丢失空间信息的问题。其实现步骤是:将高光谱数据集表示成具有全波段的子数据立方体集合;从子数据立方体集合中选出有标记训练集、测试集和总训练集;构造有标记训练集的类间、类内不相似性矩阵和总训练集的样本相似性矩阵;由以上三个矩阵构造张量半监督标度切目标函数;对目标函数求解出投影矩阵;将有标记训练集和测试集投影到低维空间得到新的有标记训练集和测试集;将新的有标记训练集和测试集输入支撑矢量机进行分类,得到测试集的类别信息。本发明能获得较高的分类正确率,可用于地图制图,植被调查。
Description
技术领域
本发明属于图像处理技术领域,涉及高维数据的降维,用于对高光谱遥感图像的分类。
背景技术
近几年新兴的高光谱遥感图像处理是遥感的前沿技术。高光谱遥感图像处理技术利用成像光谱仪以纳米级的光谱分辨率,以几十或几百个波段同时对地表物成像,从而获得地物的连续光谱信息,使得同步获取地物的空间信息、辐射信息、光谱信息成为可能,其最显著的特性就是“图谱合一”,这些技术的发展使人类在对地观测和信息获取能力方面取得了质的飞跃。
研究中常用的高光谱图像数据有美国宇航局NASA喷气推进实验室的空载可见光/红外成像光谱仪AVIRIS获得的Indian Pines数据集和ROSIS光谱仪获得的University of Pavia数据集。
高光谱图像分类就是结合了高光谱图像的特点将高光谱图像中的每个像素分到对应的类别中去的过程。虽然高光谱遥感技术获得的图像包含的丰富的谱信息、空间信息、辐射信息使分类成为更容易的事情,但是高光谱图像的分类仍然面对着巨大的困难和挑战:(1)数据量大,存储、显示等面临着困难,波段数较高,计算量大;(2)维数灾难,过高的维数带来的冗余信息会使分类精度降低;(3)波段数多,相关性高,从而对训练样本数的需求增大,因为没有足够的样本,在一定程度上会降低分类模型参数的可靠性。因此,要想得到较高的分类精度,就要对高光谱的维数进行约减,减少数据量。
目前已经存在很多的维数约简方法,根据对有标记样本的利用情况可以分为有监督维数约减方法、无监督维数约简方法和半监督维数约简方法,例如主成分分析PCA和局部线性嵌入LLE方法属于无监督方法,线性判别分析LDA属于有监督方法,半监督判别分析方法SDA属于半监督方法。有监督维数约减方法就是利用有标记数据进行训练,根据类别信息求得低维空间。与有监督相反,无监督维数约减方法没有类标信息,而是通过发现数据的内在结构特征,选择最能体现数据结构的低维特征向量。半监督方法结合了有监督和无监督这两种方法的特点,考虑类别信息的同时挖掘数据本身的结构信息,将资源的利用最大化,从而得到更好的低维空间。
而这些基于向量的方法需要将图像向量化,因此,他们仅仅依赖了谱特性而忽略了空间分布。为了解决这些缺点,学术界引入一种基于张量的高光谱图像表示,将空间和谱间结构同时进行分析,得到了良好的结果。
Dacheng Tao等人在论文“General Tensor Discriminant Analysis and Gabor Featuresfor Gait Recognition”(PAMI 2007)中提出了张量LDA的方法用于步态识别,该方法主要是将LDA的方法推广到张量的计算上。该方法虽然利用了有标签的信息,但是其不能处理异方差和多态数据。
发明内容
本发明的目的是提出一种新的基于张量半监督标度切维数约减的高光谱图像分类方法,以利用少量的有标记样本以及大量的无标记数据,更好地挖掘数据的内在结构,解决现有技术需要将图像向量化、空间信息丢失和不能处理异方差和多态数据的问题,提高分类精度。
本发明的技术思路是:通过对图像中的特征进行学习,恰当的表征出不同数据之间的共性与异性,利用张量相关计算方法实现对高光谱图像的降维,克服“维数灾难”,通过发现嵌入在高维数据中的有价值的本征低维结构信息,寻求事物的本质规律,通过映射投影到一个低维特征空间,获得了原始数据更精简的表示。其实现步骤包括如下:
(1)输入高光谱数据集A∈Rm×n×D,该数据集包含c类地物,其中m×n表示图像空间大小即像素点的个数,D表示数据集的总波段数;
(2)以A的每个像素点为中心取5*5的邻域块,得到Q个具有全波段的子数据立方体,每个子数据立方体作为一个样本用一个三阶张量来表示,得到样本集合其中ca表示第a个样本,Q表示样本总个数,Q=m×n;
(3)从样本集合中随机选择N个有标记样本构成有标记训练样本集对应的类标向量记为:其余Q-N个无标记样本构成测试样本集,yu∈R5×5×D,其中,χt表示有标记训练集的第t个样本,lt表示第t个有标记训练样本所属的类别标号,yu表示测试集的第u个样本;
(4)从Q-N个无标记样本中选出h个无标记样本,与N个有标记样本一起构成总训练集其中,sk表示总训练集的第k个训练样本,N+η为总训练集的样本个数,1≤η≤Q-N;
(5)构造有标记训练集X的类间不相似性矩阵B:
其中,Vp表示第p类有标记训练样本的集合,Vp'表示有标记训练样本集合中除了第p类样本外的所有样本组成的集合,np表示第p类有标记训练集中的样本个数,nc(j)表示第j个有标记训练样本所属类的样本个数,χi表示第p类的第i个有标记训练样本,χj表示Vp'中的第j个有标记训练样本,U1表示全波段子数据立方体水平方向的投影矩阵,U1=15×5,U2表示全波段子数据立方体垂直方向的投影矩阵,U2=15×5,U1和U2的每个元素的值都为1,表示张量与矩阵进行模1、模2积,T表示转置,(·)∈R5×5×D表示一个张量,表示对两个张量的积的第一阶和第二阶进行缩并,缩并后得到一个大小为D×D的矩阵,(·)∈R5×5×D表示一个三阶张量,(·)(3)∈RD×(5×5)表示张量(·)按模式3展开成一个矩阵;
(6)构造有标记训练集X的类内不相似性矩阵W:
其中,χh表示Vp训练集中的第h个有标记训练样本;
(7)构造总训练集S中所有样本的相似性矩阵M:
其中,mi'j'表示样本ci'和cj'之间的相似度,χi'表示S中的第i'个训练样本,χj'表示S中的第j'个训练样本;
(8)由有标记训练集的类间不相似性矩阵B、有标记训练集的类内不相似性矩阵W和相似性矩阵M构建张量半监督标度切目标函数:
其中,参数β是一个微调参数,其值由人为指定为0.001,U3为所要求的特征维方向上的投影矩阵,tr表示矩阵的迹;
(9)对张量半监督标度切目标函数求解,得到特征维方向的投影矩阵
(10)分别将有标记训练集和测试集投影到由所张成的低维空间,得到投影后新的有标记训练集和新的测试集其中为第t个有标记训练样本的新特征张量,为第u个测试样本的新特征张量,表示张量与矩阵进行模3积;
(11)将新的有标记训练集类别标记集和新的测试集输入到支撑矢量机SVM中进行分类,得到测试集的分类结果其中,lu'表示第u个测试样本所属的类别标号。本发明与现有技术相比,具有以下优点:
第一,本发明由于采用维数约减算法对高光谱图像数据进行降维,再进行分类,大大减少了计算量,提高了分类的速度。
第二,本发明基于在一个小范围的空间区域,高光谱图像对应的地物类别单一,像素之间有很大相似性的特点,将每个样本表示成一个具有全波段的子数据立方体,利用张量计算,避免了将图像进行向量化处理,可以最大限度地利用区域空间相关性和光谱间相关性;
第三,本发明与现有的张量LDA方法相比,不需要每一类数据满足高斯等方差分布,而是通过计算样本与样本之间的不相似性来构造不相似性矩阵,消除了类中心的影响。
第四,该发明充分利用了有标记样本提供的信息,寻找能够更好地保持类的可分性的投影空间,同时由于利用了无标记样本挖掘数据的几何结构信息,故可反应出数据本质的几何特征;
对比实验表明,本发明有效降低了计算的复杂度,提高了高光谱遥感图像的分类准确率。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真采用的Indian Pines图像;
图3是本发明与现有方法对Indian Pines图像的分类结果图。
具体实施措施
下面结合附图对发明的技术方案和效果做进一步描述。
参照图1,对本发明实现步骤如下:
步骤1,输入高光谱数据集A∈Rm×n×D,该数据集包含c=16类地物,其中m×n表示图像空间大小即像素点的个数,D表示数据集的总波段数,R表示实数域;
步骤2,选取有标记训练集X、测试集Y以及总训练集S。
2a)以A的每个像素点为中心取5*5的邻域块,得到Q个具有全波段的子数据立方体,每个子数据立方体作为一个样本用一个三阶张量来表示,得到样本集合其中ca表示第a个样本,Q表示样本总个数,Q=m×n;
2b)从样本集合中随机选择N个有标记样本构成有标记训练样本集对应的类标向量记为:其余Q-N个无标记样本构成测试样本集,yu∈R5×5×D,其中,χt表示有标记训练集的第t个样本,lt表示第t个有标记训练样本所属的类别标号,yu表示测试集的第u个样本;
2c)从Q-N个无标记样本中选出h个无标记样本,与N个有标记样本一起构成总训练集其中,sk表示总训练集的第k个训练样本,N+η为总训练集的样本个数,1≤η≤Q-N。
步骤3,构造有标记训练集X的类间不相似性矩阵B和类内不相似性矩阵W。
3a)将有标记训练集X中第p类有标记样本构成同类样本集合p=1,2,...,c,其中χi表示第p类的第i个有标记训练样本,np表示集合Vp中有标记训练样本个数;
3b)将有标记训练样本集合中除了第p类样本外的所有样本构成不同类样本集合其中χj表示Vp'中的第j个有标记训练样本,nc(j)表示第j个有标记训练样本所属类的样本个数;
3c)计算同类样本集合Vp中的有标记样本和不同类样本集合Vp'中的有标记样本之间的不相似性得到每一类的类间不相似性矩阵Bp:
U1表示全波段子数据立方体水平方向的投影矩阵,U1=15×5,U2表示全波段子数据立方体垂直方向的投影矩阵,U2=15×5,U1和U2的每个元素的值都为1,表示张量与矩阵进行模1、模2积,T表示转置,表示对两个张量的积的第一阶和第二阶进行缩并,缩并后得到一个大小为D×D的矩阵,(·)∈R5×5×D表示一个三阶张量,(·)(3)∈RD×(5×5)表示张量(·)按模式3展开成一个矩阵,T表示转置;
3d)计算同类样本集合Vp中的有标记样本之间的不相似性,得到每一类的类内不相似性矩阵Wp:
χh表示Vp训练集中的第h个有标记训练样本;
3e)对步骤3c)每一类有标记训练样本的类间不相似性矩阵Bp进行求和,得到有标记训练集的类间不相似性矩阵B:
3f)对步骤3d)每一类有标记训练样本的类内不相似性矩阵Wp进行求和,得到有标记训练集的类间不相似性矩阵W:
步骤4,根据总训练集S构造无监督样本相似性矩阵M。
4a)计算总训练集S中任意两个样本之间的相似度:
其中,mi'j'表示样本ci'和cj'之间的相似度,χi'表示S中的第i'个训练样本,χj'表示S中的第j'个训练样本,δ为核参数;
4b)根据总训练集S计算无监督样本相似性矩阵M:
步骤5,由有标记训练集的类间不相似性矩阵B、有标记训练集的类内不相似性矩阵W和相似性矩阵M构建张量半监督标度切目标函数:
其中,参数β是一个微调参数,其值由人为指定为0.001,U3为所要求的特征维方向上的投影矩阵,tr表示矩阵的迹;
步骤6,对张量半监督标度切目标函数求解,得到特征维方向的投影矩阵U3。
6a)将张量半监督标度切目标函数变换成如下形式:
其中是一个调整参数,为(B+W+β×M)-B对应的最大特征值,(B+W+β×M)-表示对B+W+β×M求逆;
6b)设置维数约减后的特征维数d的值,并通过对上述目标函数中的项进行奇异值分解,得出d个最大特征值和这d个最大特征值所对应的特征向量u1,u2,...,ud,其中d的值为整数,且0<d≤D;
6c)用特征向量u1,u2,...,ud构成特征维方向上的投影矩阵
步骤7,分别将有标记训练集X和测试集Y投影到由投影矩阵U* 3所张成的低维空间,得到投影后的新的有标记训练集X'和新的测试集Y'。
7a)将原始的有标记训练集投影到由投影矩阵张成的空间中,得到新的有标记训练集其中,为第t个有标记训练样本的新的特征张量;
7b)将原始的测试集投影到由投影矩阵张成的空间中,得到新的测试集为第u个测试样本的新的特征张量;
步骤8,将新的有标记训练集类别标记集和新的测试集输入到支撑矢量机SVM中进行分类,得到测试集的分类结果其中,lu'表示第u个测试样本所属的类别标号。
本发明的效果可以通过以下仿真实验进一步说明:
1.仿真条件:
仿真实验中所采用的图像是美国宇航局NASA喷气推进实验室的空载可见光/红外成像光谱仪AVIRIS于1992年6月在印第安纳西北部获取的Indian Pines图像,如图2所示。图2中共有16类地物信息,每类地物信息的类名和样本个数如表1所示。
表1 Indian Pines数据集类别情况
类别 | 类别名称 | 个数 |
1 | Alfafa | 54 |
2 | Corn-notill | 1434 |
3 | Corn-min | 834 |
4 | Corn | 234 |
5 | Grass/Pasture | 497 |
6 | Grass/Trees | 747 |
7 | Grass/Pasture-mowed | 26 |
8 | Hay-windrowed | 489 |
9 | Oats | 20 |
10 | Soybeans-notill | 968 |
11 | Soybeans-min | 2468 |
12 | Soybeans-clean | 614 |
13 | Wheat | 212 |
14 | Woods | 1294 |
15 | Building-Grass-Trees-Drives | 380 |
16 | Stone-steel Towers | 95 |
图2中图像大小为145×145,共220个波段,去除噪声以及大气和水域吸收的波段还有200个波段。本发明的仿真实验是在AMD(TM)A8CPU、主频1.90GHz,内存8G,Windows7(64bit)平台上的MATLAB 2011b上实现的。
2.仿真内容及分析
使用本发明与现有两种方法对高光谱图像Indian Pines进行维数约减,现有的两种方法分别是:标度切降维SC,张量线性判别分析TLDA。
对用本发明和现有的SC、TLDA三种维数约减方法得到的三个降维图像进行分类,其中分类器SVM的核参数γ采用五重交叉验证方法得到,惩罚因子C设置为100,。相似度矩阵M的核参数σ设置为1,权重参数β设置为0.001,无标记训练样本个数η固定为2000。
仿真1,从表1所示16类数据中的每一类选出10个样本作为有标记样本,将这16类数据中的剩余样本作为无标记样本,用本发明与现有两种方法对16类数据进行20次降维分类实验,取20次分类结果的平均值,作为最终分类正确率,结果如表2所示。
表2 不同方法在Indian Pines数据集上的总体分类精度
从表2可以看出,本发明较基于向量的两种现有方法有很大的优越性;当特征维数大于10时,本发明方法的分类正确率达到60%以上,明显高于现有方法;
从表2还可以看出,在维数大于25后,本发明的结果趋于稳定,因此只需要采用25维特征,即可以得到较高的识别率,从而大大减少了计算量。
仿真2,从表1所示的16类数据的每一类像素点中选出10个作为有标记像素点,整幅Indian Pines图像的剩余像素点作为无标记像素点,用上述三种方法对整幅Indian Pines图像的所有像素点进行分类,各方法中降维后的特征维数设置为25,结果如图3所示,其中图(3a)是本发明的分类结果图,图(3b)是现有SC+SVM的分类结果图,图(3c)为现有TLDA+SVM的分类结果图,
从图(3a)、图(3b)和图(3c)这三个图可以看出,本发明的结果图比由现有的两种方法得到的更平滑,分类结果更好。
综上,本发明对高光谱图像进行维数约减后使用SVM分类,一方面使用张量的相关运算避免了将图像向量化,充分利用了空间信息;另一方面,利用有标记与无标记信息,充分挖掘数据的几何结构信息,提高了分类精度,与现有的方法相比具有优势。
Claims (3)
1.一种基于张量半监督标度切维数约减的高光谱图像分类方法,包括以下步骤:
(1)输入高光谱数据集A∈Rm×n×D,该数据集包含c类地物,其中m×n表示图像空间大小即像素点的个数,D表示数据集的总波段数,R表示实数域;
(2)以A的每个像素点为中心取5*5的邻域块,得到Q个具有全波段的子数据立方体,每个子数据立方体作为一个样本用一个三阶张量来表示,得到样本集合其中χa表示第a个样本,Q表示样本总个数,Q=m×n;
(3)从样本集合中随机选择N个有标记样本构成有标记训练样本集对应的类标向量记为:其余Q-N个无标记样本构成测试样本集yu∈R5×5×D,其中,χt表示有标记训练集的第t个样本,lt表示第t个有标记训练样本所属的类别标号,yu表示测试集的第u个样本;
(4)从Q-N个无标记样本中选出η个无标记样本,与N个有标记样本一起构成总训练集其中,sk表示总训练集的第k个训练样本,N+η为总训练集的样本个数,1≤η≤Q-N;
(5)构造有标记训练集X的类间不相似性矩阵B:
其中,Vp表示第p类有标记训练样本的集合,V′p表示有标记训练样本集合中除了第p类样本外的所有样本组成的集合,np表示第p类有标记训练集中的样本个数,nc(j)表示第j个有标记训练样本所属类的样本个数,χi表示第p类的第i个有标记训练样本,χj表示V′p中的第j个有标记训练样本,U1表示全波段子数据立方体水平方向的投影矩阵,U1=15×5,U2表示全波段子数据立方体垂直方向的投影矩阵,U2=15×5,U1和U2的每个元素的值都为1,表示张量与矩阵进行模1、模2积,T表示转置,(·)∈R5×5×D表示一个张量,表示对两个张量的积的第一阶和第二阶进行缩并,缩并后得到一个大小为D×D的矩阵,(·)∈R5×5×D表示一个三阶张量,(·)(3)∈RD×(5×5)表示张量(·)按模式3展开成一个矩阵;
(6)构造有标记训练集X的类内不相似性矩阵W:
其中,χh表示Vp训练集中的第h个有标记训练样本;
(7)构造总训练集S中所有样本的相似性矩阵M:
其中,mi'j'表示样本χi'和χj'之间的相似度,χi'表示S中的第i'个训练样本,χj'表示S中的第j'个训练样本;
(8)由有标记训练集的类间不相似性矩阵B、有标记训练集的类内不相似性矩阵W和相似性矩阵M构建张量半监督标度切目标函数:
其中,参数β是一个微调参数,其值由人为指定为0.001,U3为所要求的特征维方向上的投影矩阵,tr表示矩阵的迹;
(9)对张量半监督标度切目标函数求解,得到特征维方向的投影矩阵
(10)分别将有标记训练集和测试集投影到由所张成的低维空间,得到投影后新的有标记训练集和新的测试集其中为第t个有标记训练样本的新特征张量,为第u个测试样本的新特征张量,表示张量与矩阵进行模3积;
(11)将新的有标记训练集类别标记集和新的测试集输入到支撑矢量机SVM中进行分类,得到测试集的分类结果其中,l′u表示第u个测试样本所属的类别标号。
2.根据权利要求1所述的基于张量半监督标度切维数约减的高光谱图像分类方法,所求步骤(7)中样本χi'和χj'之间的相似度mi'j',通过如下公式计算:
其中,δ为核参数。
3.根据权利要求1所述的基于张量半监督标度切维数约减的高光谱图像分类方法,所述步骤(9)中对张量半监督标度切目标函数进行求解,按如下步骤进行:
9a)将张量半监督标度切目标函数变换成如下形式:
其中是一个调整参数,为(B+W+β×M)-B对应的最大特征值,(B+W+β×M)-表示对B+W+β×M求逆;
9b)设置维数约减后的特征维数d的值,并通过对上述目标函数中的项进行奇异值分解,得出d个最大特征值和这d个最大特征值所对应的特征向量u1,u2,...,ud,其中d的值为整数,且0<d≤D;
9c)用特征向量u1,u2,...,ud构成特征维方向上的投影矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510224055.5A CN104778482B (zh) | 2015-05-05 | 2015-05-05 | 基于张量半监督标度切维数约减的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510224055.5A CN104778482B (zh) | 2015-05-05 | 2015-05-05 | 基于张量半监督标度切维数约减的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778482A true CN104778482A (zh) | 2015-07-15 |
CN104778482B CN104778482B (zh) | 2018-03-13 |
Family
ID=53619935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510224055.5A Active CN104778482B (zh) | 2015-05-05 | 2015-05-05 | 基于张量半监督标度切维数约减的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778482B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740884A (zh) * | 2016-01-22 | 2016-07-06 | 厦门理工学院 | 基于奇异值分解和邻域空间信息的高光谱影像分类方法 |
CN105956603A (zh) * | 2016-04-15 | 2016-09-21 | 天津大学 | 一种基于张量时域关联模型的视频序列分类方法 |
CN108595555A (zh) * | 2018-04-11 | 2018-09-28 | 西安电子科技大学 | 基于半监督张量子空间回归的图像检索方法 |
CN108874745A (zh) * | 2017-05-11 | 2018-11-23 | 北京异构智能科技有限公司 | 原生张量处理器及张量缩并的分割 |
CN111368691A (zh) * | 2020-02-28 | 2020-07-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无监督高光谱遥感图像空谱特征提取方法 |
CN111898710A (zh) * | 2020-07-15 | 2020-11-06 | 中国人民解放***箭军工程大学 | 一种图的特征选择方法及*** |
CN112101381A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 张量协作图判别分析遥感图像特征提取方法 |
CN114972118A (zh) * | 2022-06-30 | 2022-08-30 | 抖音视界(北京)有限公司 | 检查图像的降噪方法、装置、可读介质和电子设备 |
US11748393B2 (en) | 2018-11-28 | 2023-09-05 | International Business Machines Corporation | Creating compact example sets for intent classification |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814148A (zh) * | 2010-04-30 | 2010-08-25 | 霍振国 | 基于半监督核自适应学习的遥感高光谱图像分类方法 |
CN102024153A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 高光谱图像监督分类方法 |
CN102208037A (zh) * | 2011-06-10 | 2011-10-05 | 西安电子科技大学 | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 |
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
US20140029793A1 (en) * | 2012-07-30 | 2014-01-30 | Wei Chen | Method of optimal out-of-band correction for multispectral remote sensing |
-
2015
- 2015-05-05 CN CN201510224055.5A patent/CN104778482B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814148A (zh) * | 2010-04-30 | 2010-08-25 | 霍振国 | 基于半监督核自适应学习的遥感高光谱图像分类方法 |
CN102024153A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 高光谱图像监督分类方法 |
CN102208037A (zh) * | 2011-06-10 | 2011-10-05 | 西安电子科技大学 | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 |
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
US20140029793A1 (en) * | 2012-07-30 | 2014-01-30 | Wei Chen | Method of optimal out-of-band correction for multispectral remote sensing |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740884B (zh) * | 2016-01-22 | 2019-06-07 | 厦门理工学院 | 基于奇异值分解和邻域空间信息的高光谱影像分类方法 |
CN105740884A (zh) * | 2016-01-22 | 2016-07-06 | 厦门理工学院 | 基于奇异值分解和邻域空间信息的高光谱影像分类方法 |
CN105956603A (zh) * | 2016-04-15 | 2016-09-21 | 天津大学 | 一种基于张量时域关联模型的视频序列分类方法 |
CN108874745A (zh) * | 2017-05-11 | 2018-11-23 | 北京异构智能科技有限公司 | 原生张量处理器及张量缩并的分割 |
CN108875958A (zh) * | 2017-05-11 | 2018-11-23 | 广州异构智能科技有限公司 | 使用外积单元的原生张量处理器 |
CN108595555B (zh) * | 2018-04-11 | 2020-12-08 | 西安电子科技大学 | 基于半监督张量子空间回归的图像检索方法 |
CN108595555A (zh) * | 2018-04-11 | 2018-09-28 | 西安电子科技大学 | 基于半监督张量子空间回归的图像检索方法 |
US11748393B2 (en) | 2018-11-28 | 2023-09-05 | International Business Machines Corporation | Creating compact example sets for intent classification |
CN111368691A (zh) * | 2020-02-28 | 2020-07-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无监督高光谱遥感图像空谱特征提取方法 |
CN111368691B (zh) * | 2020-02-28 | 2022-06-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无监督高光谱遥感图像空谱特征提取方法 |
CN111898710A (zh) * | 2020-07-15 | 2020-11-06 | 中国人民解放***箭军工程大学 | 一种图的特征选择方法及*** |
CN111898710B (zh) * | 2020-07-15 | 2023-09-29 | 中国人民解放***箭军工程大学 | 一种图的特征选择方法及*** |
CN112101381A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 张量协作图判别分析遥感图像特征提取方法 |
CN114972118A (zh) * | 2022-06-30 | 2022-08-30 | 抖音视界(北京)有限公司 | 检查图像的降噪方法、装置、可读介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104778482B (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778482A (zh) | 基于张量半监督标度切维数约减的高光谱图像分类方法 | |
CN106815601B (zh) | 基于递归神经网络的高光谱图像分类方法 | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN103632168B (zh) | 一种机器学习中的分类器集成方法 | |
CN102651073B (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN110309868A (zh) | 结合无监督学习的高光谱图像分类方法 | |
CN104281855A (zh) | 基于多任务低秩的高光谱图像分类方法 | |
CN105069468A (zh) | 基于脊波和深度卷积网络的高光谱图像分类方法 | |
CN103208011B (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 | |
CN104408478A (zh) | 一种基于分层稀疏判别特征学习的高光谱图像分类方法 | |
CN105989336B (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN105678261B (zh) | 基于有监督图的直推式数据降维方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN103413151A (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN102208034A (zh) | 基于半监督维数约减的高光谱图像分类方法 | |
CN104751191A (zh) | 一种稀疏自适应半监督多流形学习的高光谱影像分类方法 | |
CN104392251A (zh) | 一种基于半监督字典学习的高光谱图像分类方法 | |
CN104331698A (zh) | 一种遥感图像城区提取方法 | |
CN105335756A (zh) | 一种鲁棒学习模型与图像分类*** | |
CN106897669A (zh) | 一种基于一致迭代多视角迁移学习的行人再辨识方法 | |
CN109492625A (zh) | 一种基于宽度学习的人脸识别考勤方法 | |
CN105205449A (zh) | 基于深度学习的手语识别方法 | |
CN104298977A (zh) | 一种基于不相关性约束的低秩表示人体行为识别方法 | |
CN103268485A (zh) | 基于稀疏正则化的实现多波段人脸图像信息融合的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |