CN105631847A - 多光谱图像的处理方法及装置 - Google Patents
多光谱图像的处理方法及装置 Download PDFInfo
- Publication number
- CN105631847A CN105631847A CN201410602523.3A CN201410602523A CN105631847A CN 105631847 A CN105631847 A CN 105631847A CN 201410602523 A CN201410602523 A CN 201410602523A CN 105631847 A CN105631847 A CN 105631847A
- Authority
- CN
- China
- Prior art keywords
- filter
- multispectral image
- value
- pixel
- cluster centre
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多光谱图像的处理方法及装置,该方法包括:计算所述多光谱图像的灰度图像,并统计所述灰度图像的直方图;对所述直方图进行均值滤波处理;构建差分符号数组及支持数组滤波器,其中,所述差分符号数组的元素个数等于所述直方图的维度;所述支持数组滤波器的元素个数为2m,前m个元素为1,后m个元素为-1;将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波,判断所得到的滤波值是否大于设定阈值,是则判断为所述直方图的一个峰值;将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。本发明实现了聚类类别数的自动获取,避免了人工交互,提高了图像处理的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于k-means和直方图分析的多光谱图像的处理方法及装置。
背景技术
随着遥感卫星技术的迅速发展,遥感数据的获取能力的不断增强,技术人员越来越重视如何充分利用遥感图像数据,最大限度地发挥遥感图像的军事应用价值和民用价值。多光谱图像是遥感图像的一种,该类型图像包括红、绿、蓝、近红外四个波段的图像信息,具有较高的光谱分辨率,对多光谱图像进行分割处理,是目标检测、图像解译等高级别处理的基础,在军事领域和民用领域具有重要意义。
图像分割是提取图像对象信息的重要环节,通过图像分割提取图像对象,能够便于进一步进行图像分析和理解。将计算机视觉领域的图像分割算法k-means聚类算法应用到多光谱图像分割过程中,可以将图像分割为多个对象。k-means聚类算法将多光谱图像的每一个像素点视为一个模式向量,模式向量的组成元素为同一像素点的各个波段的数值。然后根据预先设定的类别数目,对该模式向量进行迭代处理得出多光谱图像的各个类别。在现有的k-means聚类算法中,类别数目通常是人工根据图像大致所属的类别数设置的,需要人工交互来完成,算法的自动化程度较低。
发明内容
有鉴于此,为克服上述至少一个缺点,并提供下述至少一种优点。本发明公开了一种多光谱图像的处理方法及装置。
为解决上述技术问题,本发明采用以下技术方案:一种多光谱图像的处理方法,包括以下步骤:
计算所述多光谱图像的灰度图像,并统计所述灰度图像的直方图;
对所述直方图进行均值滤波处理;
构建差分符号数组及支持数组滤波器,其中,所述差分符号数组的元素个数等于所述直方图的维度,所述差分符号数组的元素的初始值为0,若对所述均值滤波处理后的直方图进行差分计算所得到的差分值为正,则所述差分符号数组中的对应元素为1,若所述差分值为负,则所述差分符号数组中的对应元素为-1;所述支持数组滤波器的元素个数为2m,且前m个元素为1,后m个元素为-1,其中m为大于等于5的正整数;
将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波,判断所得到的滤波值是否大于设定阈值,是则判断所述滤波值为所述直方图的一个峰值;以及
将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。
在如上所述的多光谱图像的处理方法中,所述计算所述多光谱图像的灰度图像包括:
采用均值法基于式(1)计算所述灰度图像的像素值:
其中,f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)表示所述多光谱图像中位置(x,y)处的像素值,f(x,y)表示所述灰度图像的像素值。
在如上所述的多光谱图像的处理方法中,基于式(2)对所述直方图进行均值滤波处理:
其中,h'(x)表示所述直方图的均值滤波值,k表示滤波半径,i表示迭代参数。
在如上所述的多光谱图像的处理方法中,所述对所述直方图进行均值滤波处理的次数为三次。
在如上所述的多光谱图像的处理方法中,基于式(5)将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波:
其中,filter(x)表示在位置x处的滤波结果值,f(x)表示差分符号数组,ffilter(x)表示支持数组滤波器。
在如上所述的多光谱图像的处理方法中,所述将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对多光谱图像的各个像素点进行聚类包括:
将所述多光谱图像的每一个像素点视为一个样本向量,基于式(6)将所述样本向量的元素设定为所述多光谱图像的各个波段的像素值:
其中,x(i)表示所述多光谱图像的第i个波段的像素值,i表示所述样本向量的标号,n表示所述多光谱图像的波段总数;
随机在所述多光谱图像中选取K个像素点作为聚类中心,其中K为所计算出的峰值的个数,分别计算各其它像素点距离所述K个聚类中心的欧式距离,并将各所述其它像素点与距离所述聚类中心的欧式距离最小的聚类中心划为一个类别;
将每一个所述类别的聚类中心更新为所述类别中所有像素点的均值,并重新计算所有像素点距离更新后的K个聚类中心的欧式距离,重新将各像素点与距离聚类中心的欧式距离最小的聚类中心划为一个类别;以及
对所述样本向量进行迭代聚类处理直至计算出的聚类中心与更新的聚类中心一致。
为了解决上述技术问题,本发明还提供了一种多光谱图像的处理装置,包括:
计算模块,用于计算所述多光谱图像的灰度图像,并统计所述灰度图像的直方图;
处理模块,用于对所述直方图进行均值滤波处理;
构建模块,用于构建差分符号数组及支持数组滤波器,其中,所述差分符号数组的元素个数等于所述直方图的维度,所述差分符号数组的元素的初始值为0,若对所述均值滤波处理后的直方图进行差分计算所得到的差分值为正,则所述差分符号数组中的对应元素为1,若所述差分值为负,则所述差分符号数组中的对应元素为-1;所述支持数组滤波器的元素个数为2m,且前m个元素为1,后m个元素为-1,其中m为大于等于5的正整数;
滤波模块,用于将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波,判断所得到的滤波值是否大于设定阈值,是则判断所述滤波值为所述直方图的一个峰值;以及
聚类模块,用于将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。
在如上所述的多光谱图像的处理装置中,所述计算模块采用均值法基于式(1)计算所述灰度图像的像素值:
其中,f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)表示所述多光谱图像中位置(x,y)处的像素值,f(x,y)表示所述灰度图像的像素值。
在如上所述的多光谱图像的处理装置中,所述处理模块基于式(2)对所述直方图进行三次均值滤波处理:
其中,h'(x)表示所述直方图的均值滤波值,k表示滤波半径,i表示迭代参数。
在如上所述的多光谱图像的处理装置中,所述滤波模块基于式(5)将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波:
其中,filter(x)表示在位置x处的滤波结果值,f(x)表示差分符号数组,ffilter(x)表示支持数组滤波器。
在如上所述的多光谱图像的处理装置中,所述聚类模块具体用于:
将所述多光谱图像的每一个像素点视为一个样本向量,基于式(6)将所述样本向量的元素设定为所述多光谱图像的各个波段的像素值:
其中,x(i)表示所述多光谱图像的第i个波段的像素值,i表示所述样本向量的标号,n表示所述多光谱图像的波段总数;
随机在所述多光谱图像中选取K个像素点作为聚类中心,其中K为所计算出的峰值的个数,分别计算各其它像素点距离所述K个聚类中心的欧式距离,并将各所述其它像素点与距离所述聚类中心的欧式距离最小的聚类中心划为一个类别;
将每一个所述类别的聚类中心更新为所述类别中所有像素点的均值,并重新计算所有像素点距离更新后的K个聚类中心的欧式距离,重新将各像素点与距离聚类中心的欧式距离最小的聚类中心划为一个类别;以及
对所述样本向量进行迭代聚类处理直至计算出的聚类中心与更新的聚类中心一致。
通过采用上述技术方案,本发明的所达到的有益效果为:通过将多光谱图像的灰度图像直方图中的峰值个数作为k-means聚类算法的输入,实现了聚类类别数的自动获取过程,避免了人工交互,提高了图像处理的效率,本发明能够应用于遥感应用中的目标检测与识别、农作物估产、影像解译等各个领域。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其它的附图。
图1为本发明一个实施例提供的多光谱图像的处理方法的流程图;以及
图2为本发明另一个实施例提供的多光谱图像的处理装置的模块图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本发明人在实现本发明的过程中考虑到,要在多光谱图像分割中充分利用k-means聚类算法的优势,达到多类别的图像分类效果,需要考虑类别数目的自动确定能力,避免人机交互过程,以实现算法的完全自动化。本发明创新地提出了一种基于k-means和直方图分析的多光谱图像的处理方法,该方法将多光谱图像的灰度图像直方图中的峰值个数作为k-means聚类算法的输入,从而实现了聚类类别数的自动获取过程,避免了人工交互,提高了图像处理的效率。
实施例1
如图1所示,为本发明一个实施例提供的多光谱图像的处理方法的流程图,该方法包括以下步骤:
步骤S10、输入多光谱图像,计算多光谱图像的灰度图像;
本实施例中,采用均值法来计算灰度图像,具体地,对于多光谱图像中位置(x,y)处的像素值f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y),基于式(1)计算其灰度图像的像素值:
步骤S20、统计步骤S10所得到的灰度图像的直方图;
步骤S30、对步骤S20所得到的直方图进行均值滤波处理;
具体而言,对于位置x处的直方图数值h(x),基于式(2)对其进行均值滤波处理:
其中,k表示滤波半径,i表示迭代参数,h'(x)表示均值滤波值。
经过实验验证,当均值滤波处理的次数为三次时,能够剔除直方图中的锯齿,减少计算峰值个数时的影响。如果均值滤波处理的次数小于三次,则直方图中还存在不少锯齿,影响峰值个数的计算;如果均值滤波处理的次数大于三次,则直方图中的峰值有可能被平滑掉,导致所计算出的峰值个数不准确。
步骤S40、对滤波处理后的直方图进行峰值个数的分析,具体包括:
步骤S41、定义一个和直方图相同维度的一维数组,称为差分符号数组,并将差分符号数组的各个元素初始化为0,基于式(3)对滤波后的直方图进行差分计算,若差分值为正,则差分符号数组的对应位置保存1,若差分值为负,则差分符号数组中的对应位置保存-1;
其中,f(x)表示差分符号数组,举例而言,若多光谱图像的像素深度为8位,则直方图维度为256,相应地差分符号数组的元素个数为256;若多光谱图像的像素深度为16位,则直方图维度为2562。
步骤S42、定义一维支持数组滤波器,其元素个数定义为2m,前m个元素存储1,后m个元素存储-1;
本实施例中,支持数组滤波器的元素个数优选大于等于10,小于直方图维度的1/5,本实施例中以2m=20为例进行说明,该支持数组滤波器以式(4)来表示:
ffilter=(1,1,1,1,1,1,1,1,1,1,-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,)(4)
步骤S50、基于式(5),将支持数组滤波器作为掩模在差分符号数组中进行滤波,并将滤波值与设定阈值进行比较判断,若滤波值大于设定阈值,则认为是直方图中的一个峰值,由此计算得出峰值个数K;
其中,filter(x)表示在位置x处的滤波结果值,f(x)表示差分符号数组,ffilter(x)表示支持数组滤波器。
本实施例中,根据经验来设置阈值,例如当支持数组滤波器的元素个数设为20时,阈值设为14-16,优选为15。
步骤S60、将计算所得的直方图峰值个数作为聚类数目,采用k-means聚类算法对多光谱图像的各个像素点进行聚类,得到多光谱图像分割结果。
本步骤中采用k-means聚类算法进行聚类计算的过程具体包括:将每一个多光谱图像的像素点视为一个样本向量,该样本向量的元素为多光谱图像的各个波段的像素值,记为:
其中,i表示样本向量的标号,n表示多光谱图像的波段总数。
对于由步骤S50所确定的峰值总数K,随机在多光谱图像中选取K个像素点,作为聚类中心。然后依次计算其它像素点距离该K个聚类中心的欧式距离,并将各像素点与距离聚类中心的欧式距离最小的那个聚类中心划为一个类别。
第一次分类计算结束后,将每一个类别的聚类中心更新为该类别中所有像素点的均值,并重新计算所有像素点距离更新后的K个聚类中心的欧式距离,将各像素点与距离聚类中心的欧式距离最小的那个聚类中心划为一个类别。如此迭代直至计算出的聚类中心与更新的聚类中心一致,即聚类中心的位置不再变化,从而完成对多光谱图像的分割。
本发明与现有技术相比的有益效果在于:采用支持数组滤波器和差分符号数组分析直方图的方式获得k-means聚类算法所需要的类别数,使得聚类类别数的选取无需通过人工设置,提高了算法的自动化程度。
实施例2
如图2所示,为本发明另一个实施例提供的多光谱图像的处理装置的模块图,结合实施例1,该多光谱图像的处理装置100包括:计算模块10、处理模块20、构建模块30、滤波模块40及聚类模块50。
其中,计算模块10用于采用均值法基于上述式(1)计算多光谱图像的灰度图像,并统计该灰度图像的直方图;处理模块20用于基于上述式(2)对计算模块10统计的直方图进行三次均值滤波处理;构建模块30用于构建差分符号数组及支持数组滤波器,其中,差分符号数组的元素个数等于直方图的维度,该差分符号数组的元素的初始值为0,若对均值滤波处理后的直方图进行差分计算所得到的差分值为正,则该差分符号数组的对应元素为1,若该差分值为负,则该差分符号数组中的对应元素为-1;该支持数组滤波器的元素个数为2m,且前m个元素为1,后m个元素为-1,m为大于等于5的正整数;滤波模块40用于基于上述式(5)将构建模块30所构建的支持数组滤波器作为掩模在差分符号数组中进行滤波,判断所得到的滤波值是否大于设定阈值,是则判断为所述直方图的一个峰值;聚类模块50用于将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对多光谱图像的各个像素点进行聚类。
以上实施例提供的技术方案中的全部或部分内容可以通过软件编程实现,其软件程序存储在可读取的存储介质中,存储介质例如:计算机中的硬盘、光盘或软盘。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其它等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种多光谱图像的处理方法,其特征在于,包括以下步骤:
计算所述多光谱图像的灰度图像,并统计所述灰度图像的直方图;
对所述直方图进行均值滤波处理;
构建差分符号数组及支持数组滤波器,其中,所述差分符号数组的元素个数等于所述直方图的维度,所述差分符号数组的元素的初始值为0,若对所述均值滤波处理后的直方图进行差分计算所得到的差分值为正,则所述差分符号数组中的对应元素为1,若所述差分值为负,则所述差分符号数组中的对应元素为-1;所述支持数组滤波器的元素个数为2m,且前m个元素为1,后m个元素为-1,其中m为大于等于5的正整数;
将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波,判断所得到的滤波值是否大于设定阈值,是则判断所述滤波值为所述直方图的一个峰值;以及
将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。
2.如权利要求1所述的多光谱图像的处理方法,其特征在于,所述计算所述多光谱图像的灰度图像包括:
采用均值法基于式(1)计算所述灰度图像的像素值:
其中,f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)表示所述多光谱图像中位置(x,y)处的像素值,f(x,y)表示所述灰度图像的像素值。
3.如权利要求2所述的多光谱图像的处理方法,其特征在于,基于式(2)对所述直方图进行均值滤波处理:
其中,h'(x)表示所述直方图的均值滤波值,k表示滤波半径,i表示迭代参数。
4.如权利要求3所述的多光谱图像的处理方法,其特征在于,所述对所述直方图进行均值滤波处理的次数为三次。
5.如权利要求4所述多光谱图像的处理方法,其特征在于,基于式(5)将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波:
其中,filter(x)表示在位置x处的滤波结果值,f(x)表示差分符号数组,ffilter(x)表示支持数组滤波器。
6.如权利要求1-5中任一项所述的多光谱图像的处理方法,其特征在于,所述将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对多光谱图像的各个像素点进行聚类包括:
将所述多光谱图像的每一个像素点视为一个样本向量,基于式(6)将所述样本向量的元素设定为所述多光谱图像的各个波段的像素值:
其中,x(i)表示所述多光谱图像的第i个波段的像素值,i表示所述样本向量的标号,n表示所述多光谱图像的波段总数;
随机在所述多光谱图像中选取K个像素点作为聚类中心,其中K为所计算出的峰值的个数,分别计算各其它像素点距离所述K个聚类中心的欧式距离,并将各所述其它像素点与距离所述聚类中心的欧式距离最小的聚类中心划为一个类别;
将每一个所述类别的聚类中心更新为所述类别中所有像素点的均值,并重新计算所有像素点距离更新后的K个聚类中心的欧式距离,重新将各像素点与距离聚类中心的欧式距离最小的聚类中心划为一个类别;以及
对所述样本向量进行迭代聚类处理直至计算出的聚类中心与更新的聚类中心一致。
7.一种多光谱图像的处理装置,其特征在于,包括:
计算模块,用于计算所述多光谱图像的灰度图像,并统计所述灰度图像的直方图;
处理模块,用于对所述直方图进行均值滤波处理;
构建模块,用于构建差分符号数组及支持数组滤波器,其中,所述差分符号数组的元素个数等于所述直方图的维度,所述差分符号数组的元素的初始值为0,若对所述均值滤波处理后的直方图进行差分计算所得到的差分值为正,则所述差分符号数组中的对应元素为1,若所述差分值为负,则所述差分符号数组中的对应元素为-1;所述支持数组滤波器的元素个数为2m,且前m个元素为1,后m个元素为-1,其中m为大于等于5的正整数;
滤波模块,用于将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波,判断所得到的滤波值是否大于设定阈值,是则判断所述滤波值为所述直方图的一个峰值;以及
聚类模块,用于将所计算出的峰值的个数作为聚类数目,基于k-means聚类算法对所述多光谱图像的各个像素点进行聚类。
8.如权利要求7所述的多光谱图像的处理装置,其特征在于,所述计算模块采用均值法基于式(1)计算所述灰度图像的像素值:
其中,f1(x,y)、f2(x,y)、f3(x,y)、f4(x,y)表示所述多光谱图像中位置(x,y)处的像素值,f(x,y)表示所述灰度图像的像素值。
9.如权利要求8所述的多光谱图像的处理装置,其特征在于,所述处理模块基于式(2)对所述直方图进行三次均值滤波处理:
其中,h'(x)表示所述直方图的均值滤波值,k表示滤波半径,i表示迭代参数。
10.如权利要求7所述的多光谱图像的处理装置,其特征在于,所述滤波模块基于式(5)将所述支持数组滤波器作为掩模在所述差分符号数组中进行滤波:
其中,filter(x)表示在位置x处的滤波结果值,f(x)表示差分符号数组,ffilter(x)表示支持数组滤波器。
11.如权利要求7-10中任一项所述的多光谱图像的处理装置,其特征在于,所述聚类模块具体用于:
将所述多光谱图像的每一个像素点视为一个样本向量,基于式(6)将所述样本向量的元素设定为所述多光谱图像的各个波段的像素值:
其中,x(i)表示所述多光谱图像的第i个波段的像素值,i表示所述样本向量的标号,n表示所述多光谱图像的波段总数;
随机在所述多光谱图像中选取K个像素点作为聚类中心,其中K为所计算出的峰值的个数,分别计算各其它像素点距离所述K个聚类中心的欧式距离,并将各所述其它像素点与距离所述聚类中心的欧式距离最小的聚类中心划为一个类别;
将每一个所述类别的聚类中心更新为所述类别中所有像素点的均值,并重新计算所有像素点距离更新后的K个聚类中心的欧式距离,重新将各像素点与距离聚类中心的欧式距离最小的聚类中心划为一个类别;以及
对所述样本向量进行迭代聚类处理直至计算出的聚类中心与更新的聚类中心一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410602523.3A CN105631847A (zh) | 2014-10-31 | 2014-10-31 | 多光谱图像的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410602523.3A CN105631847A (zh) | 2014-10-31 | 2014-10-31 | 多光谱图像的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105631847A true CN105631847A (zh) | 2016-06-01 |
Family
ID=56046735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410602523.3A Pending CN105631847A (zh) | 2014-10-31 | 2014-10-31 | 多光谱图像的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631847A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778813A (zh) * | 2016-11-24 | 2017-05-31 | 金陵科技学院 | 深度图像的自适应聚类分割算法 |
CN108985260A (zh) * | 2018-08-06 | 2018-12-11 | 航天恒星科技有限公司 | 一种遥感及气象一体化水稻估产方法 |
CN113658063A (zh) * | 2021-07-28 | 2021-11-16 | 中国科学院西安光学精密机械研究所 | 一种用于aotf型光谱成像仪的自动数据修正方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009058915A1 (en) * | 2007-10-29 | 2009-05-07 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
CN101751666A (zh) * | 2009-10-16 | 2010-06-23 | 西安电子科技大学 | 基于谱聚类的半监督多光谱遥感图像分割方法 |
CN102901516A (zh) * | 2012-09-29 | 2013-01-30 | 航天恒星科技有限公司 | 一种基于绝对辐射定标的多光谱影像辐射校正方法 |
CN103679674A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种无人飞行器实时图像拼接方法及*** |
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
-
2014
- 2014-10-31 CN CN201410602523.3A patent/CN105631847A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009058915A1 (en) * | 2007-10-29 | 2009-05-07 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
CN101751666A (zh) * | 2009-10-16 | 2010-06-23 | 西安电子科技大学 | 基于谱聚类的半监督多光谱遥感图像分割方法 |
CN102901516A (zh) * | 2012-09-29 | 2013-01-30 | 航天恒星科技有限公司 | 一种基于绝对辐射定标的多光谱影像辐射校正方法 |
CN103679674A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种无人飞行器实时图像拼接方法及*** |
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778813A (zh) * | 2016-11-24 | 2017-05-31 | 金陵科技学院 | 深度图像的自适应聚类分割算法 |
CN108985260A (zh) * | 2018-08-06 | 2018-12-11 | 航天恒星科技有限公司 | 一种遥感及气象一体化水稻估产方法 |
CN108985260B (zh) * | 2018-08-06 | 2022-03-04 | 航天恒星科技有限公司 | 一种遥感及气象一体化水稻估产方法 |
CN113658063A (zh) * | 2021-07-28 | 2021-11-16 | 中国科学院西安光学精密机械研究所 | 一种用于aotf型光谱成像仪的自动数据修正方法及*** |
CN113658063B (zh) * | 2021-07-28 | 2023-05-26 | 中国科学院西安光学精密机械研究所 | 一种用于aotf型光谱成像仪的自动数据修正方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274865B (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
US9483709B2 (en) | Visual saliency estimation for images and video | |
CN111428781A (zh) | 遥感影像地物分类方法及*** | |
Zhong et al. | Iterative support vector machine for hyperspectral image classification | |
CN106651774B (zh) | 一种车牌超分辨率模型重建方法及装置 | |
CN104834933A (zh) | 一种图像显著性区域的检测方法和装置 | |
Ertürk et al. | Hyperspectral image classification using empirical mode decomposition with spectral gradient enhancement | |
CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
Zhao et al. | Automatic blur region segmentation approach using image matting | |
CN112949738A (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN113888397A (zh) | 基于无人机遥感和图像处理技术的烟草清塘点株方法 | |
CN105631847A (zh) | 多光谱图像的处理方法及装置 | |
CN103886319A (zh) | 一种基于机器视觉的举牌智能识别方法 | |
CN107665347A (zh) | 基于滤波优化的视觉显著性目标检测方法 | |
AU2015218184A1 (en) | Processing hyperspectral or multispectral image data | |
CN107133964A (zh) | 一种基于Kinect的抠像方法 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
Kwenda et al. | Machine learning methods for forest image analysis and classification: A survey of the state of the art | |
CN113850748A (zh) | 点云质量的评估***及方法 | |
Cai et al. | Novel image segmentation based on machine learning and its application to plant analysis | |
CN111461135A (zh) | 利用卷积神经网络集成的数字图像局部滤波取证方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160601 |