CN104933410A - 一种高光谱图像光谱域与空间域联合分类方法 - Google Patents
一种高光谱图像光谱域与空间域联合分类方法 Download PDFInfo
- Publication number
- CN104933410A CN104933410A CN201510330412.6A CN201510330412A CN104933410A CN 104933410 A CN104933410 A CN 104933410A CN 201510330412 A CN201510330412 A CN 201510330412A CN 104933410 A CN104933410 A CN 104933410A
- Authority
- CN
- China
- Prior art keywords
- classification
- sample
- theta
- sigma
- represent
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种高光谱图像光谱域与空间域联合分类方法,包括在光谱域中对高光谱图像进行预分类:读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样本集合和测试样本集合;计算训练样本集合中每一类的类中心;计算训练样本集合中每一类的类中心;计算训练样本集合中每一类别内各样本的特征向量与类中心的向量夹角;按照贝叶斯决策规则对测试样本进行预分类;在空间域中对预分类结果进行优化:采用马尔可夫随机场对预分类结果进行优化,最后,输出高光谱图像的分类结果。本发明采用马尔可夫随机场的空间约束对分类结果进行迭代优化,提高了分类精度。
Description
技术领域
本发明属于高光谱图像处理领域,尤其涉及一种高光谱图像光谱域与空间域联合分类方法。
背景技术
高光谱成像技术源于遥感技术,是近年来迅速发展的一种全新成像技术,它结合了光谱技术和成像技术,将二维几何空间信息和一维光谱信息融为一体,利用成像光谱仪获取连续、窄波段的图像数据,实现了对目标空间信息、光谱信息的同步获取,因而在相关领域具有巨大的应用价值和广阔的发展前景。
高光谱图像可反映地面上物体的空间信息和光谱信息,其数量庞大。高光谱图像分类利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域归为若干个类别中的某一种,以代替人的视觉判读,目的在于区分高光谱图像中的多种物体。
高光谱图像分类问题一直备受关注。现有的分类方法多种多样,如光谱角匹配(SAM),支持向量机(SVM),最大期望算法(EM),k近邻算法(k-NN),AdaBoost,神经网络(NN),分类回归树(CART)等算法,虽然这些方法在高光谱图像中展现了很大潜力,但是这些方法都是基于光谱域特征实现高光谱图像的目标分类。而高光谱图像包含丰富的图谱信息,除了相应的光谱域特征以外,还包含了丰富的空间域特征。传统的分类方法往往仅采用光谱域特征来解决高光谱图像分类问题,忽略了空间信息,从而造成了大量的有用信息的丢失,进而导致高光谱图像分类精度低和可靠性差的问题。
发明内容
为了弥补现有技术存在的缺陷和不足,本发明提出了一种高光谱图像光谱域与空间域联合分类方法,该方法首先由SAM算法得到光谱向量之间的夹角,其次进行角度高斯化,采用贝叶斯法则进行预分类,最后采用马尔可夫随机场描述空间纹理特征,不断优化分类结果,直到收敛,达到提高分类精度的目的。
为了达到以上目的,本发明的技术方案如下:
一种高光谱图像光谱域与空间域联合分类方法,包括以下步骤:
步骤(1):在光谱域中对高光谱图像进行预分类,
步骤(1.1):读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样本集合和测试样本集合;
步骤(1.2):计算训练样本集合中每一类的类中心;
步骤(1.3):采用SAM方法计算训练样本集合中每一类别内各样本的特征向量与类中心的向量夹角;
步骤(1.4):将获取的向量夹角的高斯化,并计算高斯分布的每一类内的向量夹角的均值和方差;
步骤(1.5):按照贝叶斯决策规则对测试样本进行预分类;
步骤(2):在空间域中对预分类结果进行优化,得到优化后的高光谱图像预分类结果;
采用马尔可夫随机场对预分类结果进行优化,构建马尔可夫优化目标函数,计算测试样本集合中的每个测试样本在所有类别条件下的能量,将测试样本归入最小能量的类别,反复对分类结果进行迭代,直到收敛;
步骤(3):输出优化后的高光谱图像预分类结果,作为高光谱图像的最终分类结果。
所述步骤(1.1)中高光谱图像数据归一化的具体过程为:
将高光谱图像数据训练样本集合Xi={xij}各样本xij的特征向量投影到单位半径的超球面上:
其中,Xi表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是测试样本个数;xij∈Rl代表一个样本,是一个特征向量,l是特征个数;||·||表示特征向量xij的模。
所述步骤(1.2)中训练样本集合Xi中每一类的类中心的计算公式为:
其中,Xi={xij},Xi表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是测试样本个数;xij∈Rl代表一个样本,是一个特征向量,l是特征个数。
所述步骤(1.3)中向量夹角θij的表达式为:
其中,Xi表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是测试样本个数;xij∈Rl代表一个样本,是一个特征向量,l是特征个数;||·||表示特征向量xij的模。
所述步骤(1.4)中向量夹角θij的高斯化后的模型为:
其中,向量夹角θij服从正态分布,pi(θij)表示样本xij属于类别i的条件概率,是类别i内的均值,是类别i内的方差,j=1,2,...,Ni。
所述步骤(1.4)中均值的表达式为:
所述步骤(1.4)中方差的表达式为:
所述步骤(1.5)中按照贝叶斯决策规则对测试样本X={xk},k=1,2,...,N进行预分类的过程为:
步骤(1.5.1):按步骤(1.3)计算xk到各类中心的向量夹角θki,i=1,2,...,C,C是类别数;
步骤(1.5.2):计算样本xk属于类别i的条件概率,
其中,pki(θki)表示样本xk属于类别i的条件概率,是类别i内的向量夹角的均值,是类别i内向量夹角的方差;
步骤(1.5.3):按照贝叶斯决策规则,当样本xk属于类别i的条件概率pki(θki)取最大值时,将xk划入类i;对所有测试样本xk按照贝叶斯决策规则进行分类,得到所有测试样本的预分类结果。
所述步骤(2)中采用马尔可夫随机场对预分类结果进行优化的过程,包括:
步骤(2.1):建立马尔可夫随机场的空间约束条件,
其中,p(Y)表示分类结果解空间可行解的概率;Y表示随机场;Z是一个常数;β是表示空间重要性的参数,是一个大于零的常数;c为子团,是xk本身及其空间邻域内样本的集合;Vc(xk)是能量函数;
步骤(2.2):结合马尔可夫随机场的空间约束条件和步骤(1.4)中构建的向量夹角θij的高斯模型,得到马尔可夫优化目标函数:
其中,Uki表示样本xk属于类别i时的能量,θki表示xk与类别i的类中心的向量夹角,别是类别i内的向量夹角的均值,是类别i内向量夹角的方差;
步骤(2.3):计算测试样本xk属于类别i时的能量Uki,i=1,2,...,C,并将样本xk划入能量最小的Uki所属的类别,完成对测试样本的类别更新;
步骤(2.4):重复步骤(2.3),若前后两次类别不再发生变化,则说明已收敛,停止迭代。
所述步骤(2.1)和步骤(2.2)中的能量函数Vc(xk)的表达式为:
本发明的有益效果是:
(1)本发明将光谱域特征与空间域特征相结合,充分利用光谱信息和空间信息,解决高光谱图像分类问题;
(2)本发明基于传统SAM算法和贝叶斯分类模型,具有算法简单、可靠性高等优点;
(3)本发明采用马尔可夫随机场的空间约束对分类结果进行迭代优化,收敛到最优的分类结果,能有效提高分类精度。
附图说明
图1表示本发明流程图;
图2(a)表示马尔可夫一阶邻域***;
图2(b)表示马尔可夫一阶子团。
具体实施方式
下面结合附图与实例对本发明作进一步说明:
在获取某一地区的高光谱图像的前提下,所选择的高光谱图像中包括屋顶、大街、小路、草坪、树、水和阴影:采用光谱域和空间域联合的方法对高光谱图像进行处理,用于区分出高光谱图像中的屋顶、大街、小路、草坪、树、水和阴影这些不同类别的物体。
如图1所示,本实施例中的高光谱图像光谱域与空间域联合分类方法,包括:
步骤(1):在光谱域中对高光谱图像进行预分类,
步骤(1.1):读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样本集合Xi={xij}和测试样本集合X={xk},k=1,2,...,N;
其中,i=1,2,...,C,j=1,2,...,Ni;Xi表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是测试样本个数,xij∈Rl代表一个样本,是一个特征向量,l是特征个数;xk是测试样本集合中第k个测试样本;
本实施例中选择的高光谱图像的类别数包括屋顶、大街、小路、草坪、树、水和阴影这七种,也就是C=7;然后根据该步骤对所选用的高光谱图像进行分析;
步骤(1.2):计算训练样本集合Xi中每一类的类中心
步骤(1.3):计算训练样本集合Xi中类别i内各样本的特征向量xij与类中心的向量夹角θij;
步骤(1.4):构建向量夹角θij的高斯模型,并计算高斯分布的第i类内的向量夹角的均值和方差
步骤(1.5):按照贝叶斯决策规则对测试样本进行预分类;
步骤(2):在空间域中对预分类结果进行优化,得到优化后的高光谱图像预分类结果;
采用马尔可夫随机场对预分类结果进行优化,构建马尔可夫优化目标函数,计算测试样本集合中的每个测试样本在所有类别条件下的能量,将测试样本归入最小能量的类别,反复对分类结果进行迭代,直到收敛;
步骤(3):输出优化后的高光谱图像预分类结果,作为高光谱图像的最终分类结果。
具体的详细方案为:
所述步骤(1.1)中高光谱图像数据归一化的具体过程为:
将高光谱图像数据训练样本集合各样本的特征向量投影到单位半径的超球面上:
其中,||·||表示特征向量xij的模。
所述步骤(1.2)中训练样本集合Xi中每一类的类中心的计算公式为:
所述步骤(1.3)中计算向量夹角θij的方法为SAM方法,其中,向量夹角θij的表达式为:
其中,||·||表示特征向量xij的模。
假设步骤(3)中的向量夹角θij,i=1,2,...,C,j=1,2,...,Ni服从正态分布,则θij的概率分布函数为
其中,向量夹角θij服从正态分布,pi(θij)表示样本xij属于类别i的条件概率,是类别i内的均值,是类别i内的方差;
为简化计算,对右边取自然对数,得到向量夹角θij的高斯化后的模型为:
所述步骤(1.4)中均值的表达式为:
所述步骤(1.4)中方差的表达式为:
所述步骤(1.5)中按照贝叶斯决策规则对测试样本进行预分类的过程为:
步骤(1.5.1):按步骤(1.3)计算xk到各类中心的向量夹角θki,i=1,2,...,C,C是类别数;
步骤(1.5.2):计算样本xk属于类别i的条件概率,
其中,pki(θki)表示样本xk属于类别i的条件概率,是类别i内的向量夹角的均值,是类别i内向量夹角的方差;
步骤(1.5.3):按照贝叶斯决策规则,当样本xk属于类别i的条件概率pki(θki)取最大值时,将xk划入类i;对所有测试样本xk按照贝叶斯决策规则进行分类,得到所有测试样本的预分类结果。
所述步骤(2)中采用马尔可夫随机场对预分类结果进行优化的过程,包括:
步骤(2.1):建立马尔可夫随机场的空间约束条件,
其中,p(Y)表示分类结果解空间可行解的概率;Y表示随机场;Z是一个常数;β是表示空间重要性的参数,是一个大于零的常数;c为子团,是xk本身及其空间邻域内样本的集合;Vc(xk)是能量函数;
步骤(2.2):结合马尔可夫随机场的空间约束条件和步骤(1.4)中构建的向量夹角θij的高斯模型,得到马尔可夫优化目标函数:
其中,Uki表示样本xk属于类别i时的能量,θki表示xk与类别i的类中心的向量夹角,别是类别i内的向量夹角的均值,是类别i内向量夹角的方差;
步骤(2.3):计算测试样本xk属于类别i时的能量Uki,i=1,2,...,C,并将样本xk划入能量最小的Uki所属的类别,完成对测试样本的类别更新;
步骤(2.4):重复步骤(2.3),若前后两次类别不再发生变化,则说明已收敛,停止迭代,并输出高光谱图像分类结果。
如图2(a)为马尔可夫一阶邻域***,图2(b)为一阶邻域***对应的子团。所述步骤(2.1)和步骤(2.2)中的能量函数Vc(xk)的表达式为:
针对本实施例中所选择的高光谱图像再分别采用光谱角方法和传统最大后验马尔科夫方法对其进行处理,所处理的结果与本实施例中采用光谱域与空间域联合分类方法所得到的结果相比较。采用上述三种方法分类的分类数据精度对比,如表1所示。
表1三种方法处理同一张高光谱图像分类的分类数据精度对比表格
在表1中,卡帕系数是描述分类方法的一个重要因子,该值的范围为0~1,值越大,表示分类效果越好。由表1的全局分类精度和卡帕系数可看出,本发明的高光谱图像光谱域与空间域联合分类方法充分利用光谱信息和空间信息,解决高光谱图像分类问题;本发明的该方法相对于光谱角方法和传统最大后验马尔科夫方法,有效地提高了高光谱图像的分类精度分类效果。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种高光谱图像光谱域与空间域联合分类方法,其特征在于,包括:
步骤(1):在光谱域中对高光谱图像进行预分类,
步骤(1.1):读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样本集合和测试样本集合;
步骤(1.2):计算训练样本集合中每一类的类中心;
步骤(1.3):采用SAM方法计算训练样本集合中每一类别内各样本的特征向量与类中心的向量夹角;
步骤(1.4):将获取的向量夹角的高斯化,并计算高斯分布的每一类内的向量夹角的均值和方差;
步骤(1.5):按照贝叶斯决策规则对测试样本进行预分类;
步骤(2):在空间域中对预分类结果进行优化,得到优化后的高光谱图像预分类结果;
采用马尔可夫随机场对预分类结果进行优化,构建马尔可夫优化目标函数,计算测试样本集合中的每个测试样本在所有类别条件下的能量,将测试样本归入最小能量的类别,反复对分类结果进行迭代,直到收敛;
步骤(3):输出优化后的高光谱图像预分类结果,作为高光谱图像的最终分类结果。
2.如权利要求1所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(1.1)中高光谱图像数据归一化的具体过程为:
将高光谱图像数据训练样本集合Xi={xij}各样本xij的特征向量投影到单位半径的超球面上:
其中,Xi表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是测试样本个数;xij∈Rl代表一个样本,是一个特征向量,l是特征个数;||·||表示特征向量xij的模。
3.如权利要求1所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(1.2)中训练样本集合Xi中每一类的类中心的计算公式为:
其中,Xi={xij},Xi表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是测试样本个数;xij∈Rl代表一个样本,是一个特征向量,l是特征个数。
4.如权利要求1所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(1.3)中向量夹角θij的表达式为:
其中,Xi表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是测试样本个数;xij∈Rl代表一个样本,是一个特征向量,l是特征个数;||·||表示特征向量xij的模。
5.如权利要求1所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(1.4)中向量夹角θij的高斯化后的模型为:
其中,向量夹角θij服从正态分布,pi(θij)表示样本xij属于类别i的条件概率,是类别i内的均值,是类别i内的方差,j=1,2,...,Ni。
6.如权利要求5所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(1.4)中均值的表达式为:
7.如权利要求5所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(1.4)中方差的表达式为:
8.如权利要求1所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(1.5)中按照贝叶斯决策规则对测试样本X={xk},k=1,2,...,N进行预分类的过程为:
步骤(1.5.1):按步骤(1.3)计算xk到各类中心的向量夹角θki,i=1,2,...,C,C是类别数;
步骤(1.5.2):计算样本xk属于类别i的条件概率,
其中,pki(θki)表示样本xk属于类别i的条件概率,是类别i内的向量夹角的均值,是类别i内向量夹角的方差;
步骤(1.5.3):按照贝叶斯决策规则,当样本xk属于类别i的条件概率pki(θki)取最大值时,将xk划入类i;对所有测试样本xk按照贝叶斯决策规则进行分类,得到所有测试样本的预分类结果。
9.如权利要求1所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(2)中采用马尔可夫随机场对预分类结果进行优化的过程,包括:
步骤(2.1):建立马尔可夫随机场的空间约束条件,
其中,p(Y)表示分类结果解空间可行解的概率;Y表示随机场;Z是一个常数;β是表示空间重要性的参数,是一个大于零的常数;c为子团,是xk本身及其空间邻域内样本的集合;Vc(xk)是能量函数;
步骤(2.2):结合马尔可夫随机场的空间约束条件和步骤(1.4)中构建的向量夹角θij的高斯模型,得到马尔可夫优化目标函数:
其中,Uki表示样本xk属于类别i时的能量,θki表示xk与类别i的类中心的向量夹角,别是类别i内的向量夹角的均值,是类别i内向量夹角的方差;
步骤(2.3):计算测试样本xk属于类别i时的能量Uki,i=1,2,...,C,并将样本xk划入能量最小的Uki所属的类别,完成对测试样本的类别更新;
步骤(2.4):重复步骤(2.3),若前后两次类别不再发生变化,则说明已收敛,停止迭代,并输出高光谱图像分类结果。
10.如权利要求9所述的一种高光谱图像光谱域与空间域联合分类方法,其特征在于,所述步骤(2.1)和步骤(2.2)中的能量函数Vc(xk)的表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510330412.6A CN104933410B (zh) | 2015-06-15 | 2015-06-15 | 一种高光谱图像光谱域与空间域联合分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510330412.6A CN104933410B (zh) | 2015-06-15 | 2015-06-15 | 一种高光谱图像光谱域与空间域联合分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933410A true CN104933410A (zh) | 2015-09-23 |
CN104933410B CN104933410B (zh) | 2018-01-12 |
Family
ID=54120570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510330412.6A Active CN104933410B (zh) | 2015-06-15 | 2015-06-15 | 一种高光谱图像光谱域与空间域联合分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933410B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
CN106529472A (zh) * | 2016-10-24 | 2017-03-22 | 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 |
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 |
CN108596213A (zh) * | 2018-04-03 | 2018-09-28 | 中国地质大学(武汉) | 一种基于卷积神经网络的高光谱遥感图像分类方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1342098A2 (en) * | 2000-12-11 | 2003-09-10 | The Government of the U.S.A., as repr. by the Secretary, Dept. of Health & Human Services, the Nat. Inst. of Health | Accelerated magnetic resonance imaging |
US7725169B2 (en) * | 2005-04-15 | 2010-05-25 | The Board Of Trustees Of The University Of Illinois | Contrast enhanced spectroscopic optical coherence tomography |
CN102436586A (zh) * | 2011-10-28 | 2012-05-02 | 哈尔滨工业大学 | 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法 |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
US20140301662A1 (en) * | 2013-03-17 | 2014-10-09 | ISC8 Inc. | Analysis, Labeling and Exploitation of Sensor Data in Real Time |
CN104318252A (zh) * | 2014-11-02 | 2015-01-28 | 西安电子科技大学 | 基于分层概率模型的高光谱图像分类方法 |
-
2015
- 2015-06-15 CN CN201510330412.6A patent/CN104933410B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1342098A2 (en) * | 2000-12-11 | 2003-09-10 | The Government of the U.S.A., as repr. by the Secretary, Dept. of Health & Human Services, the Nat. Inst. of Health | Accelerated magnetic resonance imaging |
US7725169B2 (en) * | 2005-04-15 | 2010-05-25 | The Board Of Trustees Of The University Of Illinois | Contrast enhanced spectroscopic optical coherence tomography |
CN102436586A (zh) * | 2011-10-28 | 2012-05-02 | 哈尔滨工业大学 | 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法 |
US20140301662A1 (en) * | 2013-03-17 | 2014-10-09 | ISC8 Inc. | Analysis, Labeling and Exploitation of Sensor Data in Real Time |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN104318252A (zh) * | 2014-11-02 | 2015-01-28 | 西安电子科技大学 | 基于分层概率模型的高光谱图像分类方法 |
Non-Patent Citations (3)
Title |
---|
MINSHAN CUI 等: "Locality Preserving Genetic Algorithms for Spatial-Spectral Hyperspectral Image Classification", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
王俊: "基于高光谱图像目标探测与识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
高晓健: "基于支持向量机的高光谱遥感图像分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
CN106529472A (zh) * | 2016-10-24 | 2017-03-22 | 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 |
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 |
CN106529472B (zh) * | 2016-10-24 | 2019-08-02 | 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 |
CN108596213A (zh) * | 2018-04-03 | 2018-09-28 | 中国地质大学(武汉) | 一种基于卷积神经网络的高光谱遥感图像分类方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104933410B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363122B (zh) | 一种基于多层特征对齐的跨域目标检测方法 | |
CN107784661B (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
CN107330463B (zh) | 基于cnn多特征联合和多核稀疏表示的车型识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
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 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
CN112287839B (zh) | 一种基于迁移学习的ssd红外图像行人检测方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN109029363A (zh) | 一种基于深度学习的目标测距方法 | |
CN110210538B (zh) | 一种家居图像多目标识别方法及装置 | |
CN105046276A (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN106295613A (zh) | 一种无人机目标定位方法及*** | |
CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN105184298A (zh) | 一种快速局部约束低秩编码的图像分类方法 | |
CN111695636A (zh) | 一种基于图神经网络的高光谱图像分类方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN104933410A (zh) | 一种高光谱图像光谱域与空间域联合分类方法 | |
CN104463194A (zh) | 一种人车分类方法及装置 | |
CN106250909A (zh) | 一种基于改进视觉词袋模型的图像分类方法 | |
CN111340034A (zh) | 一种针对自然场景的文本检测与识别方法及*** | |
Park et al. | Bayesian manifold learning: the locally linear latent variable model (LL-LVM) | |
CN105631477A (zh) | 基于极限学习机和自适应提升的交通标志识别方法 | |
CN116597143A (zh) | 基于图卷积神经网络的高分辨率遥感图像语义分割方法 | |
CN115272776B (zh) | 基于双路卷积与双注意的高光谱图像分类方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |