CN105095913B - 基于近邻正则联合稀疏表示的遥感图像分类方法及*** - Google Patents
基于近邻正则联合稀疏表示的遥感图像分类方法及*** Download PDFInfo
- Publication number
- CN105095913B CN105095913B CN201510491233.0A CN201510491233A CN105095913B CN 105095913 B CN105095913 B CN 105095913B CN 201510491233 A CN201510491233 A CN 201510491233A CN 105095913 B CN105095913 B CN 105095913B
- Authority
- CN
- China
- Prior art keywords
- matrix
- territory pixel
- neighborhood territory
- test sample
- optimization
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于近邻正则联合稀疏表示的遥感图像分类方法及***,包括输入待分类的遥感图像,划分训练样本和测试样本;构建数据字典;构建含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵;并根据数据字典及测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,实现对测试样本的分类。本发明实现了,在优化联合稀疏表示系数矩阵的同时优化邻域像素权重矩阵,使邻域像素权重矩阵能够同时反映邻域像素之间的相似关系和联合稀疏表示误差关系,且联合稀疏表示系数能够更加准确地反映测试样本与数据字典之间的逼近关系,从而获得准确可靠的分类结果。
Description
技术领域
本发明涉及遥感图像处理技术领域,特别涉及基于近邻正则联合稀疏表示的遥感图像分类方法及***。
背景技术
高光谱图像分类一直是遥感图像处理领域的研究热点,它被广泛应用于农作物分析、军事目标识别、地理地质等领域。近年来,稀疏表示分类被成功地引入高光谱遥感图像处理领域。
利用高光谱遥感图像邻域像素的相似性,Y.Chen等人提出了联合稀疏表示分类算法。该算法假设测试样本与其邻域像素具有相同的稀疏结构,导出联合稀疏表示模型,将传统的稀疏表示分类算法进行了改进,取得了较好的效果。在邻域像素的使用上,该方法使用了局部平方邻域窗口内的所有邻域像素,并认为所有邻域像素同等重要。然而,实际情况并非如此。由于高光谱遥感图像结构复杂,邻域中常存在噪声或背景干扰像素,还有一些邻域像素位于目标边界,此时不加区别地利用全部邻域像素将会导致分类结果出现一定的偏差。为了区别邻域像素,J.Li等人采用非局部加权思想给不同的邻域像素赋予不同的权重,提出了非局部加权联合稀疏表示模型。该加权模型在一定程度上反映了邻域内各像素的相似关系,但是这种权重是基于邻域像素距离事先计算的,且该计算过程与联合稀疏表示模型是相互独立的。由于在联合稀疏表示误差的计算中涉及邻域像素权重,因此理想的邻域像素权重应该同时反映邻域像素之间的相似关系和联合稀疏表示误差关系。
发明内容
本发明目的是提供一种基于近邻正则联合稀疏表示的遥感图像分类方法及***,解决现有技术中存在的上述问题。
本发明解决上述技术问题的技术方案如下:
一种基于近邻正则联合稀疏表示的遥感图像分类方法,包括如下步骤:
步骤1,输入待分类的遥感图像,划分训练样本和测试样本;
步骤2,基于训练样本,构建数据字典;
步骤3,基于数据字典及每个测试样本的邻域像素矩阵和近邻正则化矩阵,构建每个测试样本的含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化每个测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,获得每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵;
步骤4,根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,对每个测试样本进行分类。
本发明的有益效果是:构建含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,并根据数据字典及测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,实现对测试样本的分类;在优化联合稀疏表示系数矩阵的同时优化邻域像素权重矩阵,使邻域像素权重矩阵能够同时反映邻域像素之间的相似关系和联合稀疏表示误差关系,且联合稀疏表示系数能够更加准确地反映测试样本与数据字典之间的逼近关系,从而获得准确可靠的分类结果。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述数据字典为所有训练样本对应的列向量组成的数据矩阵;表示为X=[x1,x2,…xi…,xN],其中,X为所述数据字典,xi为任一训练样本对应的列向量,i∈{1,2,3……N},N为所有训练样本的总数。
进一步,所述步骤3包括如下步骤:
步骤31,根据预设邻域窗口,以测试样本为中心,确定所述测试样本的邻域像素,并基于所述测试样本和所述邻域像素,构建所述测试样本的邻域像素矩阵;表示为Z=[z1,z2,…zk…,zT],其中,Z为所述邻域像素矩阵,zk为所述测试样本对应的列向量或任一所述邻域像素对应的列向量,k∈{1,2,…3…T,}T为所述测试样本和所述邻域像素的像素总数;
步骤32,计算所述测试样本对应所述邻域像素矩阵的近邻正则化矩阵;其中,所述近邻正则化矩阵为对角矩阵,其对角元素k∈{1,2,3……T},其中,z为所述测试样本对应的列向量,γ为尺度参数,可根据实验数据交叉验证得到;
步骤33,基于所述数据字典、邻域像素矩阵和近邻正则化矩阵,构建所述测试样本的正则化联合稀疏表示模型;
所述正则化联合稀疏表示模型如下:
s.t.||S||row,0≤K
其中,所述S为所述测试样本的联合稀疏表示系数矩阵,可由所述正则化联合稀疏表示模型优化求解;W为所述测试样本对应所述邻域像素矩阵的邻域像素权重矩阵,其为对角矩阵,对角元素反映所述测试样本与所述邻域像素之间的相似程度,可由所述正则化联合稀疏表示模型优化求解;D为所述近邻正则化矩阵,λ为正则化参数;K为控制联合稀疏表示系数矩阵稀疏程度参数,为矩阵的Frobenius范数,||S||row,0为联合稀疏表示系数矩阵非零行的个数;
步骤34,基于所述正则化联合稀疏表示模型,联合优化所述联合稀疏表示系数矩阵和邻域像素权重矩阵,获得所述测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵。
进一步,所述步骤34包括如下步骤:
步骤341,初始化所述邻域像素权重矩阵为单位矩阵,并代入所述正则化联合稀疏表示模型,获得基于单位邻域像素权重矩阵稀疏表示模型;
所述基于单位邻域像素权重矩阵稀疏表示模型如下:
s.t.||S||row,0≤K
步骤342,根据所述基于单位邻域像素权重矩阵稀疏表示模型,采用贪婪逼近算法,计算得优化联合稀疏表示系数矩阵;
步骤343,将优化联合稀疏表示系数矩阵代入所述正则化联合稀疏表示模型,获得基于优化联合稀疏表示系数矩阵表示模型;
所述基于优化联合稀疏表示系数矩阵表示模型如下:
其中,所述为所述优化联合稀疏表示系数矩阵;
步骤344,令代入所述基于优化联合稀疏表示系数矩阵表示模型中,将所述基于优化联合稀疏表示系数矩阵表示模型的矩阵形式转换为矩阵元素形式;
所述矩阵元素形式如下:
且k∈{1,2,3……T}
其中,所述wk为邻域像素权重矩阵中反映z和zk关系的对角元素;
步骤345,对所述矩阵元素形式求导,计算得优化邻域像素权重矩阵的对角元素;
所述优化邻域像素权重矩阵的对角元素如下:
且k∈{1,2,3……T}
其中,所述为所述优化邻域像素权重矩阵的对角元素;
步骤346,令且k∈{1,2,3……T},代入所述优化邻域像素权重矩阵的对角元素中,获得优化邻域像素权重矩阵;
所述优化邻域像素权重矩阵如下:
其中,所述为所述优化邻域像素权重矩阵;
步骤347,将优化邻域像素权重矩阵代入所述正则化联合稀疏表示模型,根据得到的模型,再次采用贪婪逼近算法,计算并更新优化联合稀疏表示系数矩阵,并执行步骤343至步骤346,再次获得并更新优化邻域像素权重矩阵;
步骤348,判断前后两次获得的优化邻域像素权重矩阵的改变量是否小于预设值,并判断步骤347执行的次数是否达到预设次数;当所述前后两次获得的优化邻域像素权重矩阵的改变量小于预设值,和/或步骤347执行的次数达到预设次数,则将此刻的优化联合稀疏表示系数矩阵作为最优联合稀疏表示系数矩阵,此刻的优化邻域像素权重矩阵作为最优邻域像素权重矩阵,结束步骤34;否则,执行步骤347。
进一步,所述步骤4的具体实现为根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,根据如下公式计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中;
所述公式如下:
且c∈{1,2,3……C}
其中,所述rc(Z)为所述测试样本相对于任一类训练样本的联合稀疏表示误差,所述为所述测试样本的最优邻域像素权重矩阵,所述Xc为所述数据字典中所述任一类训练样本对应的子矩阵,所述为所述测试样本的最优联合稀疏表示系数矩阵中与所述任一类训练样本对应的子矩阵,所述C为训练样本的种类数。
本发明的另一技术方案如下:
一种基于近邻正则联合稀疏表示的遥感图像分类***,包括样本划分模块、数据字典构建模块、联合优化模块和分类模块;
所述样本划分模块,其用于输入待分类的遥感图像,划分训练样本和测试样本;
所述数据字典构建模块,其用于基于训练样本,构建数据字典;
所述联合优化模块,其用于基于数据字典及每个测试样本的邻域像素矩阵和近邻正则化矩阵,构建每个测试样本的含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化每个测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,获得每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵;
所述分类模块,其用于根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,对每个测试样本进行分类。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述数据字典为所有训练样本对应的列向量组成的数据矩阵;表示为X=[x1,x2,…xi…,xN],其中,X为所述数据字典,xi为任一训练样本对应的列向量,i∈{1,2,3……N},N为所有训练样本的总数。
进一个,所述联合优化模块包括邻域像素矩阵构建单元、近邻正则化矩阵求解单元、正则化联合稀疏表示模型构建单元和联合优化单元;
所述邻域像素矩阵构建单元,其用于根据预设邻域窗口,以测试样本为中心,确定所述测试样本的邻域像素,并基于所述测试样本和所述邻域像素,构建所述测试样本的邻域像素矩阵;表示为Z=[z1,z2,…zk…,zT],其中,Z为所述邻域像素矩阵,zk为所述测试样本对应的列向量或任一所述邻域像素对应的列向量,k∈{1,2,3……T},T为所述测试样本和所述邻域像素的像素总数;
所述近邻正则化矩阵求解单元,其用于计算所述测试样本对应所述邻域像素矩阵的近邻正则化矩阵;其中,所述近邻正则化矩阵为对角矩阵,其对角元素k∈{1,2,3……T},其中,z为所述测试样本对应的列向量,γ为尺度参数,可根据实验数据交叉验证得到;
所述正则化联合稀疏表示模型构建单元,其用于基于所述数据字典、邻域像素矩阵和近邻正则化矩阵,构建所述测试样本的正则化联合稀疏表示模型;
所述正则化联合稀疏表示模型如下:
s.t.||S||row,0≤K
其中,所述S为所述测试样本的联合稀疏表示系数矩阵,可由所述正则化联合稀疏表示模型优化求解;W为所述测试样本对应所述邻域像素矩阵的邻域像素权重矩阵,其为对角矩阵,对角元素反映所述测试样本与所述邻域像素之间的相似程度,可由所述正则化联合稀疏表示模型优化求解;D为所述近邻正则化矩阵,λ为正则化参数;K为控制联合稀疏表示系数矩阵稀疏程度参数,为矩阵的Frobenius范数,||S||row,0为联合稀疏表示系数矩阵非零行的个数;
所述联合优化单元,其用于基于所述正则化联合稀疏表示模型,联合优化所述联合稀疏表示系数矩阵和邻域像素权重矩阵,获得所述测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵。
进一步,所述联合优化单元包括第一表示模型生成子单元、优化联合稀疏表示系数矩阵求解子单元、第二表示模型生成子单元、转换子单元、矩阵元素求解子单元、优化邻域像素权重矩阵求解子单元、更新子单元和更新终止判断单元;
所述第一表示模型生成子单元,其用于初始化所述邻域像素权重矩阵为单位矩阵,并代入所述正则化联合稀疏表示模型,获得基于单位邻域像素权重矩阵稀疏表示模型;
所述基于单位邻域像素权重矩阵稀疏表示模型如下:
s.t.||S||row,0≤K
所述优化联合稀疏表示系数矩阵求解子单元,其用于根据所述基于单位邻域像素权重矩阵稀疏表示模型,采用贪婪逼近算法,计算得优化联合稀疏表示系数矩阵;
所述第二表示模型生成子单元,其用于将优化联合稀疏表示系数矩阵代入所述正则化联合稀疏表示模型,获得基于优化联合稀疏表示系数矩阵表示模型;
所述基于优化联合稀疏表示系数矩阵表示模型如下:
其中,所述为所述优化联合稀疏表示系数矩阵;
所述转换子单元,其用于令代入所述基于优化联合稀疏表示系数矩阵表示模型中,将所述基于优化联合稀疏表示系数矩阵表示模型的矩阵形式转换为矩阵元素形式;
所述矩阵元素形式如下:
且k∈{1,2,3……T}
其中,所述wk为邻域像素权重矩阵中反映z和zk关系的对角元素;
所述矩阵元素求解子单元,其用于对所述矩阵元素形式求导,计算得优化邻域像素权重矩阵的对角元素;
所述优化邻域像素权重矩阵的对角元素如下:
且k∈{1,2,3……T}
其中,所述为所述优化邻域像素权重矩阵的对角元素;
所述优化邻域像素权重矩阵求解子单元,其用于令且k∈{1,2,3……T},代入所述优化邻域像素权重矩阵的对角元素中,获得优化邻域像素权重矩阵;
所述优化邻域像素权重矩阵如下:
其中,所述为所述优化邻域像素权重矩阵;
所述更新子单元,其用于将优化邻域像素权重矩阵代入所述正则化联合稀疏表示模型,根据得到的模型,再次采用贪婪逼近算法,计算并更新优化联合稀疏表示系数矩阵,并驱动第二表示模型生成子单元、转换子单元、矩阵元素求解子单元和优化邻域像素权重矩阵求解子单元依次工作,再次获得并更新优化邻域像素权重矩阵;
所述更新终止判断单元,其用于判断前后两次获得的优化邻域像素权重矩阵的改变量是否小于预设值,并判断更新子单元执行的次数是否达到预设次数;当所述前后两次获得的优化邻域像素权重矩阵的改变量小于预设值,和/或更新子单元执行的次数达到预设次数,则将此刻的优化联合稀疏表示系数矩阵作为最优联合稀疏表示系数矩阵,此刻的优化邻域像素权重矩阵作为最优邻域像素权重矩阵,结束联合优化单元工作;否则,驱动更新子单元工作。
进一步,所述分类模块,其具体用于根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,根据如下公式计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中;
所述公式如下:
且c∈{1,2,3……C}
其中,所述rc(Z)为所述测试样本相对于任一类训练样本的联合稀疏表示误差,所述为所述测试样本的最优邻域像素权重矩阵,所述Xc为所述数据字典中所述任一类训练样本对应的子矩阵,所述为所述测试样本的最优联合稀疏表示系数矩阵中与所述任一类训练样本对应的子矩阵,所述C为训练样本的种类数。
附图说明
图1为本发明一种基于近邻正则联合稀疏表示的遥感图像分类方法的方法流程图;
图2为本发明一种基于近邻正则联合稀疏表示的遥感图像分类***的原理框图;
图3为本发明一种基于近邻正则联合稀疏表示的遥感图像分类***的联合优化单元的原理框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种基于近邻正则联合稀疏表示的遥感图像分类方法,包括如下步骤:
步骤1,输入待分类的遥感图像,划分训练样本和测试样本。
所述训练样本和测试样本可随机划分选择,且本发明适用于训练样本较少和各类数据分布不均匀的分类情形;每个训练样本或测试样本为空间的一个像素,为包含不同波段光谱信息的列向量;训练样本用于构建数据字典进行联合稀疏表示分类,测试样本为本发明待分类的样本;所述待分类的遥感图像的数据格式为.mat格式的三维数据矩阵。
步骤2,基于训练样本,构建数据字典。
所述数据字典为所有训练样本对应的列向量组成的数据矩阵;表示为X=[x1,x2,…xi…,xN],其中,X为所述数据字典,xi为任一训练样本对应的列向量,i∈{1,2,3.....N},N为所有训练样本的总数。
步骤3,基于数据字典及每个测试样本的邻域像素矩阵和近邻正则化矩阵,构建每个测试样本的含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化每个测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,获得每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵。
所述步骤3包括如下步骤:
步骤31,根据预设邻域窗口,以测试样本为中心,确定所述测试样本的邻域像素,并基于所述测试样本和所述邻域像素,构建所述测试样本的邻域像素矩阵;表示为Z=[z1,z2,…zk…,zT],其中,Z为所述邻域像素矩阵,zk为所述测试样本对应的列向量或任一所述邻域像素对应的列向量,k∈{1,2,3……T},T为所述测试样本和所述邻域像素的像素总数。例如,令z1为所述测试样本对应的列向量,z2,…zk…,zT为所述邻域像素对应的列向量。
其中,所述预设邻域窗口根据遥感图像的特点,可选3x3、5x5、7x7、9x9或11x11等。如果遥感图像具有较大的同源区域分布,则选用较大的预设邻域窗口,如11x11;如果遥感图像具有较小的同源区域分布,则选用较小的预设邻域窗口,如3x3。
步骤32,计算所述测试样本对应所述邻域像素矩阵的近邻正则化矩阵;其中,所述近邻正则化矩阵为对角矩阵,其对角元素k∈{1,2,3……T},其中,z为所述测试样本对应的列向量,例如,当z1为所述测试样本对应的列向量时,z=z1;γ为尺度参数,可根据实验数据交叉验证得到。
步骤33,基于所述数据字典、邻域像素矩阵和近邻正则化矩阵,构建所述测试样本的正则化联合稀疏表示模型。
所述正则化联合稀疏表示模型如下:
s.t.||S||row,0≤K
其中,所述S为所述测试样本的联合稀疏表示系数矩阵,可由所述正则化联合稀疏表示模型优化求解;W为所述测试样本对应所述邻域像素矩阵的邻域像素权重矩阵,其为对角矩阵,对角元素反映所述测试样本与所述邻域像素之间的相似程度,可由所述正则化联合稀疏表示模型优化求解;D为所述近邻正则化矩阵,λ为正则化参数;K为控制联合稀疏表示系数矩阵稀疏程度参数,为矩阵的Frobenius范数,||S||row,0为联合稀疏表示系数矩阵非零行的个数。
步骤34,基于所述正则化联合稀疏表示模型,联合优化所述联合稀疏表示系数矩阵和邻域像素权重矩阵,获得所述测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵。
所述步骤34包括如下步骤:
步骤341,初始化所述邻域像素权重矩阵为单位矩阵,并代入所述正则化联合稀疏表示模型,获得基于单位邻域像素权重矩阵稀疏表示模型。
所述基于单位邻域像素权重矩阵稀疏表示模型如下:
s.t.||S||row,0≤K
步骤342,根据所述基于单位邻域像素权重矩阵稀疏表示模型,采用贪婪逼近算法,即同时正交匹配追踪方法,其为求解联合稀疏表示模型的通用方法,计算得优化联合稀疏表示系数矩阵。
步骤343,将优化联合稀疏表示系数矩阵代入所述正则化联合稀疏表示模型,获得基于优化联合稀疏表示系数矩阵表示模型。
所述基于优化联合稀疏表示系数矩阵表示模型如下:
其中,所述为所述优化联合稀疏表示系数矩阵;
步骤344,令代入所述基于优化联合稀疏表示系数矩阵表示模型中,将所述基于优化联合稀疏表示系数矩阵表示模型的矩阵形式转换为矩阵元素形式。
所述矩阵元素形式如下:
且k∈{1,2,3……T}
其中,所述wk为邻域像素权重矩阵中反映z和zk关系的对角元素;
步骤345,对所述矩阵元素形式求导,计算得优化邻域像素权重矩阵的对角元素。
所述优化邻域像素权重矩阵的对角元素如下:
且k∈{1,2,3……T}
其中,所述为所述优化邻域像素权重矩阵的对角元素。
步骤346,因实验中每个光谱向量都进行了规范化处理,故且k∈{1,2,3……T},代入所述优化邻域像素权重矩阵的对角元素中,获得优化邻域像素权重矩阵。
所述优化邻域像素权重矩阵如下:
其中,所述为所述优化邻域像素权重矩阵。
步骤347,将优化邻域像素权重矩阵代入所述正则化联合稀疏表示模型,根据得到的模型,再次采用贪婪逼近算法,计算并更新优化联合稀疏表示系数矩阵,并执行步骤343至步骤346,再次获得并更新优化邻域像素权重矩阵。
步骤348,判断前后两次获得的优化邻域像素权重矩阵的改变量是否小于预设值,并判断步骤347执行的次数是否达到预设次数;当所述前后两次获得的优化邻域像素权重矩阵的改变量小于预设值,和/或步骤347执行的次数达到预设次数,则将此刻的优化联合稀疏表示系数矩阵作为最优联合稀疏表示系数矩阵,此刻的优化邻域像素权重矩阵作为最优邻域像素权重矩阵,结束步骤34;否则,执行步骤347。
步骤4,根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,对每个测试样本进行分类。
所述步骤4的具体实现为根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,根据如下公式计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中。
所述公式如下:
且c∈{1,2,3……C}
其中,所述rc(Z)为所述测试样本相对于任一类训练样本的联合稀疏表示误差,所述为所述测试样本的最优邻域像素权重矩阵,所述Xc为所述数据字典中所述任一类训练样本对应的子矩阵,所述为所述测试样本的最优联合稀疏表示系数矩阵中与所述任一类训练样本对应的子矩阵,所述C为训练样本的种类数。
如图2所示,一种基于近邻正则联合稀疏表示的遥感图像分类***,包括样本划分模块、数据字典构建模块、联合优化模块和分类模块。
所述样本划分模块,其用于输入待分类的遥感图像,划分训练样本和测试样本。
所述数据字典构建模块,其用于基于训练样本,构建数据字典。
所述数据字典为所有训练样本对应的列向量组成的数据矩阵;表示为X=[x1,x2,…xi…,xN],其中,X为所述数据字典,xi为任一训练样本对应的列向量,i∈{1,2,3……N},N为所有训练样本的总数。
所述联合优化模块,其用于基于数据字典及每个测试样本的邻域像素矩阵和近邻正则化矩阵,构建每个测试样本的含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化每个测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,获得每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵。
所述联合优化模块包括邻域像素矩阵构建单元、近邻正则化矩阵求解单元、正则化联合稀疏表示模型构建单元和联合优化单元。
所述邻域像素矩阵构建单元,其用于根据预设邻域窗口,以测试样本为中心,确定所述测试样本的邻域像素,并基于所述测试样本和所述邻域像素,构建所述测试样本的邻域像素矩阵;表示为Z=[z1,z2,…zk…,zT],其中,Z为所述邻域像素矩阵,zk为所述测试样本对应的列向量或任一所述邻域像素对应的列向量,k∈{1,2,3……T},T为所述测试样本和所述邻域像素的像素总数。
所述近邻正则化矩阵求解单元,其用于计算所述测试样本对应所述邻域像素矩阵的近邻正则化矩阵;其中,所述近邻正则化矩阵为对角矩阵,其对角元素k∈{1,2,3……T},其中,z为所述测试样本对应的列向量,γ为尺度参数,可根据实验数据交叉验证得到。
所述正则化联合稀疏表示模型构建单元,其用于基于所述数据字典、邻域像素矩阵和近邻正则化矩阵,构建所述测试样本的正则化联合稀疏表示模型。
所述正则化联合稀疏表示模型如下:
s.t.||S||row,0≤K
其中,所述S为所述测试样本的联合稀疏表示系数矩阵,可由所述正则化联合稀疏表示模型优化求解;W为所述测试样本对应所述邻域像素矩阵的邻域像素权重矩阵,其为对角矩阵,对角元素反映所述测试样本与所述邻域像素之间的相似程度,可由所述正则化联合稀疏表示模型优化求解;D为所述近邻正则化矩阵,λ为正则化参数;K为控制联合稀疏表示系数矩阵稀疏程度参数,为矩阵的Frobenius范数,||S||row,0为联合稀疏表示系数矩阵非零行的个数;
所述联合优化单元,其用于基于所述正则化联合稀疏表示模型,联合优化所述联合稀疏表示系数矩阵和邻域像素权重矩阵,获得所述测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵。
如图3所示,所述联合优化单元包括第一表示模型生成子单元、优化联合稀疏表示系数矩阵求解子单元、第二表示模型生成子单元、转换子单元、矩阵元素求解子单元、优化邻域像素权重矩阵求解子单元、更新子单元和更新终止判断单元。
所述第一表示模型生成子单元,其用于初始化所述邻域像素权重矩阵为单位矩阵,并代入所述正则化联合稀疏表示模型,获得基于单位邻域像素权重矩阵稀疏表示模型。
所述基于单位邻域像素权重矩阵稀疏表示模型如下:
s.t.||S||row,0≤K
所述优化联合稀疏表示系数矩阵求解子单元,其用于根据所述基于单位邻域像素权重矩阵稀疏表示模型,采用贪婪逼近算法,计算得优化联合稀疏表示系数矩阵。
所述第二表示模型生成子单元,其用于将优化联合稀疏表示系数矩阵代入所述正则化联合稀疏表示模型,获得基于优化联合稀疏表示系数矩阵表示模型。
所述基于优化联合稀疏表示系数矩阵表示模型如下:
其中,所述为所述优化联合稀疏表示系数矩阵;
所述转换子单元,其用于令代入所述基于优化联合稀疏表示系数矩阵表示模型中,将所述基于优化联合稀疏表示系数矩阵表示模型的矩阵形式转换为矩阵元素形式。
所述矩阵元素形式如下:
且k∈{1,2,3……T}
其中,所述wk为邻域像素权重矩阵中反映z和zk关系的对角元素。
所述矩阵元素求解子单元,其用于对所述矩阵元素形式求导,计算得优化邻域像素权重矩阵的对角元素。
所述优化邻域像素权重矩阵的对角元素如下:
且k∈{1,2,3……T}
其中,所述为所述优化邻域像素权重矩阵的对角元素。
所述优化邻域像素权重矩阵求解子单元,其用于令且k∈{1,2,…3…T,}代入所述优化邻域像素权重矩阵的对角元素中,获得优化邻域像素权重矩阵。
所述优化邻域像素权重矩阵如下:
其中,所述为所述优化邻域像素权重矩阵。
所述更新子单元,其用于将优化邻域像素权重矩阵代入所述正则化联合稀疏表示模型,根据得到的模型,再次采用贪婪逼近算法,计算并更新优化联合稀疏表示系数矩阵,并驱动第二表示模型生成子单元、转换子单元、矩阵元素求解子单元和优化邻域像素权重矩阵求解子单元依次工作,再次获得并更新优化邻域像素权重矩阵。
所述更新终止判断单元,其用于判断前后两次获得的优化邻域像素权重矩阵的改变量是否小于预设值,并判断更新子单元执行的次数是否达到预设次数;当所述前后两次获得的优化邻域像素权重矩阵的改变量小于预设值,和/或更新子单元执行的次数达到预设次数,则将此刻的优化联合稀疏表示系数矩阵作为最优联合稀疏表示系数矩阵,此刻的优化邻域像素权重矩阵作为最优邻域像素权重矩阵,结束联合优化单元工作;否则,驱动更新子单元工作。
所述分类模块,其用于根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,对每个测试样本进行分类。
所述分类模块,其具体用于根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,根据如下公式计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中。
所述公式如下:
且c∈{1,2,3……C}
其中,所述rc(Z)为所述测试样本相对于任一类训练样本的联合稀疏表示误差,所述为所述测试样本的最优邻域像素权重矩阵,所述Xc为所述数据字典中所述任一类训练样本对应的子矩阵,所述为所述测试样本的最优联合稀疏表示系数矩阵中与所述任一类训练样本对应的子矩阵,所述C为训练样本的种类数。
本发明的核心是集合内中心像素与周围邻域像素之间的近邻正则化思想。凡是描述集合与字典之间关系或集合与集合之间关系,本发明都是有效的。高光谱遥感图像空间邻域具有局部同源性和邻域像素一致性,空间邻域像素通常属于同一类地物。但是,空间邻域也有可能存在噪声、背景和非同源像素。而近邻正则化正好能够同时保证邻域中近邻像素的相似性,并惩罚非近邻像素的不一致性。因此,经本发明处理学习得到的邻域像素权重,更符合高光谱遥感图像数据自身的相似性关系,优化导出的联合稀疏表示系数能够更加准确地反映测试样本与数据字典之间的逼近关系。因而本发明适用于遥感图像分类,且特别适用于高光谱遥感图像分类。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于近邻正则联合稀疏表示的遥感图像分类方法,其特征在于,包括如下步骤:
步骤1,输入待分类的遥感图像,划分训练样本和测试样本;
步骤2,基于训练样本,构建数据字典;
所述数据字典为所有训练样本对应的列向量组成的数据矩阵;表示为X=[x1,x2,…xi…,xN],其中,X为所述数据字典,xi为任一训练样本对应的列向量,i∈{1,2,3……N},N为所有训练样本的总数;
步骤3,基于数据字典及每个测试样本的邻域像素矩阵和近邻正则化矩阵,构建每个测试样本的含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化每个测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,获得每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵;
所述步骤3包括如下步骤:
步骤31,根据预设邻域窗口,以测试样本为中心,确定所述测试样本的邻域像素,并基于所述测试样本和所述邻域像素,构建所述测试样本的邻域像素矩阵;表示为Z=[z1,z2,…zk…,zT],其中,Z为所述邻域像素矩阵,zk为所述测试样本对应的列向量或任一所述邻域像素对应的列向量,k∈{1,2,3……T},T为所述测试样本和所述邻域像素的像素总数;
步骤32,计算所述测试样本对应所述邻域像素矩阵的近邻正则化矩阵;其中,所述近邻正则化矩阵为对角矩阵,其对角元素 其中,z为所述测试样本对应的列向量,γ为尺度参数,根据实验数据交叉验证得到;
步骤33,基于所述数据字典、邻域像素矩阵和近邻正则化矩阵,构建所述测试样本的正则化联合稀疏表示模型;
所述正则化联合稀疏表示模型如下:
s.t.||S||row,0≤K
其中,所述S为所述测试样本的联合稀疏表示系数矩阵,由所述正则化联合稀疏表示模型优化求解;W为所述测试样本对应所述邻域像素矩阵的邻域像素权重矩阵,其为对角矩阵,对角元素反映所述测试样本与所述邻域像素之间的相似程度,由所述正则化联合稀疏表示模型优化求解;D为所述近邻正则化矩阵,λ为正则化参数;K为控制联合稀疏表示系数矩阵稀疏程度参数,为矩阵的Frobenius范数,||S||row,0为联合稀疏表示系数矩阵非零行的个数;
步骤34,基于所述正则化联合稀疏表示模型,联合优化所述联合稀疏表示系数矩阵和邻域像素权重矩阵,获得所述测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵;
步骤4,根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中,对每个测试样本进行分类。
2.根据权利要求1所述一种基于近邻正则联合稀疏表示的遥感图像分类方法,其特征在于,所述步骤34包括如下步骤:
步骤341,初始化所述邻域像素权重矩阵为单位矩阵,并代入所述正则化联合稀疏表示模型,获得基于单位邻域像素权重矩阵稀疏表示模型;
所述基于单位邻域像素权重矩阵稀疏表示模型如下:
s.t.||S||row,0≤K
步骤342,根据所述基于单位邻域像素权重矩阵稀疏表示模型,采用贪婪逼近算法,计算得优化联合稀疏表示系数矩阵;
步骤343,将优化联合稀疏表示系数矩阵代入所述正则化联合稀疏表示模型,获得基于优化联合稀疏表示系数矩阵表示模型;
所述基于优化联合稀疏表示系数矩阵表示模型如下:
其中,所述为所述优化联合稀疏表示系数矩阵;
步骤344,令代入所述基于优化联合稀疏表示系数矩阵表示模型中,将所述基于优化联合稀疏表示系数矩阵表示模型的矩阵形式转换为矩阵元素形式;
所述矩阵元素形式如下:
且k∈{1,2,3……T}
其中,所述wk为邻域像素权重矩阵中反映z和zk关系的对角元素;
步骤345,对所述矩阵元素形式求导,计算得优化邻域像素权重矩阵的对角元素;
所述优化邻域像素权重矩阵的对角元素如下:
且k∈{1,2,3……T}
其中,所述为所述优化邻域像素权重矩阵的对角元素;
步骤346,令且k∈{1,2,3……T},代入所述优化邻域像素权重矩阵的对角元素中,获得优化邻域像素权重矩阵;
所述优化邻域像素权重矩阵如下:
其中,所述为所述优化邻域像素权重矩阵;
步骤347,将优化邻域像素权重矩阵代入所述正则化联合稀疏表示模型,根据得到的模型,再次采用贪婪逼近算法,计算并更新优化联合稀疏表示系数矩阵,并执行步骤343至步骤346,再次获得并更新优化邻域像素权重矩阵;
步骤348,判断前后两次获得的优化邻域像素权重矩阵的改变量是否小于预设值,并判断步骤347执行的次数是否达到预设次数;当所述前后两次获得的优化邻域像素权重矩阵的改变量小于预设值,和/或步骤347执行的次数达到预设次数,则将此刻的优化联合稀疏表示系数矩阵作为最优联合稀疏表示系数矩阵,此刻的优化邻域像素权重矩阵作为最优邻域像素权重矩阵,结束步骤34;否则,执行步骤347。
3.根据权利要求1所述一种基于近邻正则联合稀疏表示的遥感图像分类方法,其特征在于,所述步骤4的具体实现为根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,根据如下公式计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中;
所述公式如下:
且c∈{1,2,3……C}
其中,所述rc(Z)为所述测试样本相对于任一类训练样本的联合稀疏表示误差,所述为所述测试样本的最优邻域像素权重矩阵,所述Xc为所述数据字典中所述任一类训练样本对应的子矩阵,所述为所述测试样本的最优联合稀疏表示系数矩阵中与所述任一类训练样本对应的子矩阵,所述C为训练样本的种类数。
4.一种基于近邻正则联合稀疏表示的遥感图像分类***,其特征在于,包括样本划分模块、数据字典构建模块、联合优化模块和分类模块;
所述样本划分模块,其用于输入待分类的遥感图像,划分训练样本和测试样本;
所述数据字典构建模块,其用于基于训练样本,构建数据字典;
所述数据字典为所有训练样本对应的列向量组成的数据矩阵;表示为X=[x1,x2,…xi…,xN],其中,X为所述数据字典,xi为任一训练样本对应的列向量,i∈{1,2,3……N},N为所有训练样本的总数;
所述联合优化模块,其用于基于数据字典及每个测试样本的邻域像素矩阵和近邻正则化矩阵,构建每个测试样本的含有邻域像素权重矩阵的正则化联合稀疏表示模型,联合优化每个测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,获得每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵;
所述联合优化模块包括邻域像素矩阵构建单元、近邻正则化矩阵求解单元、正则化联合稀疏表示模型构建单元和联合优化单元;
所述邻域像素矩阵构建单元,其用于根据预设邻域窗口,以测试样本为中心,确定所述测试样本的邻域像素,并基于所述测试样本和所述邻域像素,构建所述测试样本的邻域像素矩阵;表示为Z=[z1,z2,…zk…,zT],其中,Z为所述邻域像素矩阵,zk为所述测试样本对应的列向量或任一所述邻域像素对应的列向量,k∈{1,2,3……T},T为所述测试样本和所述邻域像素的像素总数;
所述近邻正则化矩阵求解单元,其用于计算所述测试样本对应所述邻域像素矩阵的近邻正则化矩阵;其中,所述近邻正则化矩阵为对角矩阵,其对角元素其中,z为所述测试样本对应的列向量,γ为尺度参数,根据实验数据交叉验证得到;
所述正则化联合稀疏表示模型构建单元,其用于基于所述数据字典、邻域像素矩阵和近邻正则化矩阵,构建所述测试样本的正则化联合稀疏表示模型;
所述正则化联合稀疏表示模型如下:
s.t.||S||row,0≤K
其中,所述S为所述测试样本的联合稀疏表示系数矩阵,由所述正则化联合稀疏表示模型优化求解;W为所述测试样本对应所述邻域像素矩阵的邻域像素权重矩阵,其为对角矩阵,对角元素反映所述测试样本与所述邻域像素之间的相似程度,由所述正则化联合稀疏表示模型优化求解;D为所述近邻正则化矩阵,λ为正则化参数;K为控制联合稀疏表示系数矩阵稀疏程度参数,为矩阵的Frobenius范数,||S||row,0为联合稀疏表示系数矩阵非零行的个数;
所述联合优化单元,其用于基于所述正则化联合稀疏表示模型,联合优化所述联合稀疏表示系数矩阵和邻域像素权重矩阵,获得所述测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵;
所述分类模块,其用于根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中,对每个测试样本进行分类。
5.根据权利要求4所述一种基于近邻正则联合稀疏表示的遥感图像分类***,其特征在于,所述联合优化单元包括第一表示模型生成子单元、优化联合稀疏表示系数矩阵求解子单元、第二表示模型生成子单元、转换子单元、矩阵元素求解子单元、优化邻域像素权重矩阵求解子单元、更新子单元和更新终止判断单元;
所述第一表示模型生成子单元,其用于初始化所述邻域像素权重矩阵为单位矩阵,并代入所述正则化联合稀疏表示模型,获得基于单位邻域像素权重矩阵稀疏表示模型;
所述基于单位邻域像素权重矩阵稀疏表示模型如下:
s.t.||S||row,0≤K
所述优化联合稀疏表示系数矩阵求解子单元,其用于根据所述基于单位邻域像素权重矩阵稀疏表示模型,采用贪婪逼近算法,计算得优化联合稀疏表示系数矩阵;
所述第二表示模型生成子单元,其用于将优化联合稀疏表示系数矩阵代入所述正则化联合稀疏表示模型,获得基于优化联合稀疏表示系数矩阵表示模型;
所述基于优化联合稀疏表示系数矩阵表示模型如下:
其中,所述为所述优化联合稀疏表示系数矩阵;
所述转换子单元,其用于令代入所述基于优化联合稀疏表示系数矩阵表示模型中,将所述基于优化联合稀疏表示系数矩阵表示模型的矩阵形式转换为矩阵元素形式;
所述矩阵元素形式如下:
且k∈{1,2,3……T}
其中,所述wk为邻域像素权重矩阵中反映z和zk关系的对角元素;
所述矩阵元素求解子单元,其用于对所述矩阵元素形式求导,计算得优化邻域像素权重矩阵的对角元素;
所述优化邻域像素权重矩阵的对角元素如下:
且k∈{1,2,3……T}
其中,所述为所述优化邻域像素权重矩阵的对角元素;
所述优化邻域像素权重矩阵求解子单元,其用于令且}代入所述优化邻域像素权重矩阵的对角元素中,获得优化邻域像素权重矩阵;
所述优化邻域像素权重矩阵如下:
其中,所述为所述优化邻域像素权重矩阵;
所述更新子单元,其用于将优化邻域像素权重矩阵代入所述正则化联合稀疏表示模型,根据得到的模型,再次采用贪婪逼近算法,计算并更新优化联合稀疏表示系数矩阵,并驱动第二表示模型生成子单元、转换子单元、矩阵元素求解子单元和优化邻域像素权重矩阵求解子单元依次工作,再次获得并更新优化邻域像素权重矩阵;
所述更新终止判断单元,其用于判断前后两次获得的优化邻域像素权重矩阵的改变量是否小于预设值,并判断更新子单元执行的次数是否达到预设次数;当所述前后两次获得的优化邻域像素权重矩阵的改变量小于预设值,和/或更新子单元执行的次数达到预设次数,则将此刻的优化联合稀疏表示系数矩阵作为最优联合稀疏表示系数矩阵,此刻的优化邻域像素权重矩阵作为最优邻域像素权重矩阵,结束联合优化单元工作;否则,驱动更新子单元工作。
6.根据权利要求4所述一种基于近邻正则联合稀疏表示的遥感图像分类***,其特征在于,所述分类模块,其具体用于根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵,根据如下公式计算每个测试样本相对于各类训练样本的联合稀疏表示误差,获得与测试样本具有最小联合稀疏表示误差的匹配训练样本,并将所述测试样本分类到所述匹配训练样本的类别中;
所述公式如下:
且c∈{1,2,3……C}
其中,所述rc(Z)为所述测试样本相对于任一类训练样本的联合稀疏表示误差,所述为所述测试样本的最优邻域像素权重矩阵,所述Xc为所述数据字典中所述任一类训练样本对应的子矩阵,所述为所述测试样本的最优联合稀疏表示系数矩阵中与所述任一类训练样本对应的子矩阵,所述C为训练样本的种类数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510491233.0A CN105095913B (zh) | 2015-08-11 | 2015-08-11 | 基于近邻正则联合稀疏表示的遥感图像分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510491233.0A CN105095913B (zh) | 2015-08-11 | 2015-08-11 | 基于近邻正则联合稀疏表示的遥感图像分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095913A CN105095913A (zh) | 2015-11-25 |
CN105095913B true CN105095913B (zh) | 2017-07-11 |
Family
ID=54576298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510491233.0A Expired - Fee Related CN105095913B (zh) | 2015-08-11 | 2015-08-11 | 基于近邻正则联合稀疏表示的遥感图像分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105095913B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145945B (zh) * | 2018-07-12 | 2021-10-29 | 汕头大学 | 一种非局部加权联合稀疏表示的高光谱图像分类方法 |
CN109557434B (zh) * | 2018-12-04 | 2021-01-05 | 红相股份有限公司 | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 |
CN110288002B (zh) * | 2019-05-29 | 2023-04-18 | 江苏大学 | 一种基于稀疏正交神经网络的图像分类方法 |
CN110244381A (zh) * | 2019-06-17 | 2019-09-17 | 中国地质大学(北京) | 无人机地质勘测方法、装置和*** |
CN110414616B (zh) * | 2019-08-02 | 2023-07-25 | 南京大学 | 一种利用空间关系的遥感图像字典学习分类方法 |
CN110751144B (zh) * | 2019-09-26 | 2022-07-08 | 杭州电子科技大学 | 一种基于稀疏表示的冠层植物高光谱图像分类方法 |
CN111199251B (zh) * | 2019-12-27 | 2020-11-27 | 中国地质大学(北京) | 一种基于加权邻域的多尺度高光谱图像分类方法 |
CN111313999B (zh) * | 2020-02-18 | 2022-04-15 | 五邑大学 | 一种基于零稀疏数据驱动权重模型的射频层析成像方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440500A (zh) * | 2013-08-30 | 2013-12-11 | 西北工业大学 | 高光谱遥感图像分类与识别方法 |
CN103839075A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于联合稀疏表示的sar图像分类方法 |
CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 西安电子科技大学 | 基于光谱和邻域信息字典学习的高光谱图像分类方法 |
CN104021400A (zh) * | 2014-06-16 | 2014-09-03 | 电子科技大学 | 基于分数谱稀疏表示的sar图像目标识别方法 |
CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
-
2015
- 2015-08-11 CN CN201510491233.0A patent/CN105095913B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440500A (zh) * | 2013-08-30 | 2013-12-11 | 西北工业大学 | 高光谱遥感图像分类与识别方法 |
CN103839075A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于联合稀疏表示的sar图像分类方法 |
CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 西安电子科技大学 | 基于光谱和邻域信息字典学习的高光谱图像分类方法 |
CN104021400A (zh) * | 2014-06-16 | 2014-09-03 | 电子科技大学 | 基于分数谱稀疏表示的sar图像目标识别方法 |
Non-Patent Citations (1)
Title |
---|
基于稀疏近邻表示的分类方法;王琦 等;《计算机工程与设计》;20130430;第34卷(第4期);第1425-1431页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105095913A (zh) | 2015-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095913B (zh) | 基于近邻正则联合稀疏表示的遥感图像分类方法及*** | |
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN106203523A (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类 | |
CN108416353A (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
CN109934115A (zh) | 人脸识别模型的构建方法、人脸识别方法及电子设备 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN103345643B (zh) | 一种遥感图像分类方法 | |
EP3762795B1 (en) | Method, device, system and program for setting lighting condition and storage medium | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN104392228A (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
KR20200095336A (ko) | 고 정밀도로 이미지를 분석하기 위한 딥 러닝 네트워크를 사용하기 위해 트레이닝 이미지를 오토 라벨링하는 오토 라벨링 장치의 하이퍼파라미터를 최적화하는 방법 및 이를 이용한 최적화 장치 | |
CN103258214A (zh) | 基于图像块主动学习的遥感图像分类方法 | |
CN109598306A (zh) | 基于srcm和卷积神经网络的高光谱图像分类方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN103996047A (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN105023024B (zh) | 一种基于正则化集合度量学习的遥感图像分类方法及*** | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN106886793B (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
CN106485269A (zh) | 基于混合统计分布与多部件模型的sar图像目标检测方法 | |
CN104616005A (zh) | 一种领域自适应的人脸表情分析方法 | |
CN107341440A (zh) | 基于多任务度量多核学习的室内rgb‑d场景图像识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170711 Termination date: 20210811 |