CN109472199A - 一种图像融合分类的方法及装置 - Google Patents
一种图像融合分类的方法及装置 Download PDFInfo
- Publication number
- CN109472199A CN109472199A CN201811146961.8A CN201811146961A CN109472199A CN 109472199 A CN109472199 A CN 109472199A CN 201811146961 A CN201811146961 A CN 201811146961A CN 109472199 A CN109472199 A CN 109472199A
- Authority
- CN
- China
- Prior art keywords
- super
- pixel
- classification
- matrix
- high spectrum
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种图像融合分类的方法及装置,所述方法包括:利用支持向量机分类器获得高光谱图像的三维权重矩阵;对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;根据所述正则矩阵确定样本所属的类别。通过使用本发明提供的方法,能够避免超像素个数的估计问题,进一步的,通过级联的方式融合不同超像素图包含的地物空间结构信息,显著提升了特征的判别力。
Description
技术领域
本发明涉及计算机领域,具体涉及了一种图像融合分类的方法及装置。
背景技术
随着计算机视觉领域中图像分割技术的进步,超像素提取能够提供观测对象的空间同质化表征,从而为高光谱图像分析提供了重要的地物信息描述手段。
具体来说,超像素是指包含了多个像素的同质化区域,由于地物分布往往具有一定的规整性,因此基于超像素分割的高光谱图像可以更好的挖掘其邻域像素之间的相互关系。目前,使用超像素作用于高光谱图像分类的方法主要分为两大类:前处理和后处理。在前处理中,主要是利用超像素信息来得到空间-光谱特征,从而进一步指导后续分类;在后处理中,超像素分割图主要作为一种辅助决策的手段来融合分类结果。然而,在已有使用超像素的方法中,都存在一个巨大的缺陷,即提取的超像素个数难以得到精确估计。
发明内容
本发明实施例提供了一种智能图像融合分类的方法及装置,通过使用本发明提供的方法,能够避免超像素个数的估计问题,进一步的,通过级联的方式融合不同超像素图包含的地物空间结构信息,显著提升了特征的判别力。
本发明第一方面公开了一种智能图像融合分类的方法,所述方法包括:
利用支持向量机分类器获得高光谱图像的三维权重矩阵;
对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;
利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;
根据所述正则矩阵确定样本所属的类别。
其中,可选的,所述利用支持向量机分类器获得高光谱图像的三维权重矩阵,包括:
步骤21对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;
步骤22,使用所述概率输出模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率;
步骤23,对高光谱图像中的所有样本重复步骤22,得到所述高光谱图像中所有样本的三维权重矩阵。
其中,可选的,所述对所述高光谱图像进行超像素分割,以得到K个超像素图,包括:
利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图。
其中,可选的,所述利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵,包括:
步骤41,对每一个超像素Sk进行判断;如果Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u。
步骤42,在对所有超像素执行步骤41后,得到正则矩阵U。
其中,可选的,所述根据所述正则矩阵确定样本所属的类别,包括:
将所述正则矩阵融入分类矩阵;
确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
本发明第二方面公开了一种图像融合分类的装置,所述装置包括:
获取单元,用于利用支持向量机分类器获得高光谱图像的三维权重矩阵;
分割单元,用于对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;
处理单元,用于利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;
确定单元,用于根据所述正则矩阵确定样本所属的类别。
可选的,所述获取单元,具体用于执行21-23所述的步骤:
步骤21,对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;
步骤22,使用所述概率输出模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率;
步骤23,对高光谱图像中的所有样本重复步骤22,得到所述高光谱图像中所有样本的三维权重矩阵。
其中,可选的,
所述分割单元,具体用于利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图。
其中,所述处理单元,具体用于执行41-42所述的步骤:
步骤41,对每一个超像素Sk进行判断;如果Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u。
步骤42,在对所有超像素执行步骤41后,得到正则矩阵U。
其中可选的,所述确定单元,具体用于将所述正则矩阵融入分类矩阵;以及确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
本发明第三方面公开了一种存储介质,所述存储介质中存储有程序代码,当所述程序代码被运行时,所述第一方面的方法会被执行;
本发明第四方面公开了一种图像融合分类的装置,所述装置包括处理器和收发器,其中,第二方面所述的收发功能可通过所述收发器实现,第二方面所述的逻辑功能(即逻辑单元所具体的功能)可由处理器实现;
本发明第五方面公开了一种计算机程序产品,所述计算机程序产品中包含有程序代码;当所述程序代码被运行时,所述第一方面的方法会被执行。
可以看出,本发明提供的实施例中公开了一种基于超像素制图的级联融合高光谱图像分类方法(Superpixel Regularized Cascade Fusion,SRCF)。在本发明提供的实施例中的,利用支持向量机分类器(Support Vector Machine Classifier,SVM)获得高光谱图像的初始分类结果,计算样本属于每一个类别的权重,从而得到包含所有样本类属关系的权重矩阵;然后利用熵率超像素(Entropy Rate Superpixel Segmentation,ERS)分割法获得包含不同超像素个数的高光谱图像超像素图,依次利用过分割超像素图(over-segmentation map)到欠分割超像素图(under-segmentation map)对权重矩阵进行正则化,最终根据最大权重确定样本所属的类别,实现地物分类。通过使用本发明提供的方法,能够避免超像素个数的估计问题,进一步的,通过级联的方式融合不同超像素图包含的地物空间结构信息,显著提升了特征的判别力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像融合分类的方法的流程示意图;
图2为本发明的实施例提供的另一种图像融合分类的示意图;
图3为本发明实施例提供的另一种图像融合分类的方法的流程示意图;
图4为本发明实施例提供的另一种图像融合分类的方法的流程示意图;
图5为本发明实施例提供的一种图像融合分类装置的结构示意图;
图6为本发明实施例提供的另一种图像融合分类装置的物理结构示意图。
具体实施方式
本发明实施例提供了一种图像融合分类的方法及装置,所述方法包括:利用支持向量机分类器获得高光谱图像的三维权重矩阵;对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;根据所述正则矩阵确定样本所属的类别。通过使用本发明提供的方法,能够避免超像素个数的估计问题,进一步的,通过级联的方式融合不同超像素图包含的地物空间结构信息,显著提升了特征的判别力。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明说明书、权利要求书和附图中出现的术语“第一”、“第二”和“第三”等是用于区别不同的对象,而并非用于描述特定的顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,需要指出的是,本发明是一种基于超像素制图的高光谱遥感影像分类技术及***。由于高光谱传感器在数百个波段上形成的高光谱遥感影像包含了地物丰富的辐射、空间和光谱三重信息,这使得地物的识别和分类更加有效。为了提升高光谱遥感影像分类的精度,会将地物的空间分布特征和光谱特征进行融合,然后进行地物的分类。
请参阅图1,图1是本发明一个实施例提供的一种图像融合分类的方法的流程示意图。其中,如图1所示,本发明的一个实施例提供的一种图像融合分类的方法包括以下内容:
101、利用支持向量机分类器获得高光谱图像的三维权重矩阵;
其中,需要指出的是,支持向量机(Support Vector Machine Classifier,SVM)是针对二值分类问题提出的,并且成功地应用子解函数回归及一类分类问题。目前常用的方法包括:(1)一对多法。其思想是把某一种类别的样本当作一个类别,剩余其他类别的样本当作另一个类别,这样就变成了一个两分类问题。然后,在剩余的样本中重复上面的步骤。(2)一对一方法。其做法是在多值分类中,每次只考虑两类样本,即对每两类样本设计一个SVM模型,因此,总共需要设计k(k一l)2/个SVM模型.(3)SVM决策树法。它通常和二叉决策树结合起来,构成多类别的识别器进行识别。
另外,需要进一步指出的是,高光谱图像是由成像光谱仪获取的,成像光谱仪为每个像元提供数十至数百个窄波段光谱信息,产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质,在高光谱中能被探测。
高光谱数据可表示为高光谱数据立方体,是三维数据结构。高光谱数据可视为三维图像,在普通二维图像之外又多了一维光谱信息。其空间图像为描述地表二维空间特征,其光谱维揭示了图像每一像元的光谱曲线特征,由此实现了遥感数据图像维与光谱维信息的有机融合。
其中,需要指出的是,所述利用支持向量机分类器获得高光谱图像的三维权重矩阵,包括:
步骤21对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;
步骤22,使用所述概率输出模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率;
步骤23,对高光谱图像中的所有样本重复步骤22,得到所述高光谱图像中所有样本的三维权重矩阵。
举例来说,假设高光谱图像为H∈iX×Y×Z,其中i表示实数,X,Y,Z分别表示高光谱图像的空间维度和光谱维度的个数。设A∈iZ×n表示训练集中的n个样本,图像中共有C类地物类别,则对于任意测试样本g∈iZ,×1其分类过程如下:
1)对训练样本集A,使用概率输出的支持向量机方法进行模型训练,得到概率输出模型Model;
2)使用模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率{Pc,c=1,2,..,C};
3)对高光谱图像中的所有样本重复步骤2),得到所有样本的三维权重矩阵,记为W∈iX×Y×C。
102、对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;
其中,需要指出的是,所述对所述高光谱图像进行超像素分割,以得到K个超像素图,包括:利用熵率超像素分割法(Entropy Rate Superpixel Segmentation,ERS)对所述高光谱图像进行超像素分割以得到K个超像素图。
进一步,需要指出的是,常见的超像素分割方法还包括:TurboPixel,SLIC,NCut,Graph-based,Watershed(Marker-based Watershed),Meanshift等等。
103、利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;
其中,需要指出的是,所述利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵,包括:步骤41,对每一个超像素Sk进行判断;如果Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u。步骤42,在对所有超像素执行步骤41后,得到正则矩阵U。
举例来说,使用ERS的超像素分割方法对高光谱图像进行分割之后会得到具有K个超像素的分割图{Sk,k=1,2,..,K}。同时将正则矩阵U∈iX×Y×C中的所有原素初始化为零。同时也会初始化的分类矩阵Z∈iX×Y×C,将该分类矩阵中的所有元素为零。对每一个超像素Sk,Uk表示第k个超像素对应的权重信息。
此时,对该超像素Sk进行判断:
(1)如果Sk仅包含训练样本集A中属于类别c的一个样本,那么向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;
(2)反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u。
(3)在对所有超像素执行步骤2)后,得到正则矩阵U,进一步的,将该正则矩阵融入分类矩阵Z,即Z=Z+U。
104、根据所述正则矩阵确定样本所属的类别。
其中,需要指出的是,所述根据所述正则矩阵确定样本所属的类别,包括:将所述正则矩阵融入分类矩阵;确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
举例来说,可以以步长p=50减少超像素个数K的值,即K=K-p,重复上述步骤3中的各步,直到超像素个数K达到50。当超像素个数K达到50时,便可获得最终分类结果。考察计算得到的分类矩阵Z,对于每一个样本来说,取最大值对应的类别即为预测类别。
可以看出,本实施例的方案中公开了一种图像融合分类的方法及装置,所述方法包括:利用支持向量机分类器获得高光谱图像的三维权重矩阵;对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;根据所述正则矩阵确定样本所属的类别。通过使用本发明提供的方法,能够避免超像素个数的估计问题,进一步的,通过级联的方式融合不同超像素图包含的地物空间结构信息,显著提升了特征的判别力。
本发明图2提供了一种基于超像素制图的级联融合高光谱图像分类方法(Superpixel Regularized Cascade Fusion,SRCF)的示意图。具体流程如图3所示,所述方法包括:
201、利用支持向量机分类器获得高光谱图像的三维权重矩阵;
202、利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图,其中,K为正整数;
203、利用所述超像素图对所述三维权重矩阵进行级联超像素修正以获取分类矩阵;
204、确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
其中,需要指出的是,图3所述的方法的相关步骤的解释可参考图1对应的实施例。
请参阅图4,图4是本发明的另一个实施例提供的另一种图像融合分类的方法的流程示意图。其中,如图4所示,本发明的另一个实施例提供的另一种图像融合分类的方法可以包括以下内容:
301、对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;
302、使用所述概率输出模型Model对高光谱图像中的所有样本进行类别概率输出,得到每个样本属于每一个类的权重概率,根据每个样本属于每一个类的权重概率得到所述高光谱图像中所有样本的三维权重矩阵;
303、利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图,其中,K为正整数;
304、对每一个超像素进行判断;判断每个超像素是否仅包含训练样本集A中属于类别c的一个样本;
如果该超像素Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u。
305、在对所有超像素执行步骤304后,得到正则矩阵U;将该正则矩阵融入分类矩阵Z,即Z=Z+U;
306、以步长p=X减少超像素个数K的值,即K=K-p,重复上述步骤305中的各步,直到超像素个数K达到50;
其中,X可以等于40或50或60,在此不再一一列举,也不做限制。
307、当超像素个数K达到50时,便可获得最终分类结果。考察计算得到的分类矩阵Z,对于每一个样本来说,取最大值对应的类别即为预测类别。
可以看出,本实施例的方案中,通过使用本发明提供的方法,能够避免超像素个数的估计问题,进一步的,通过级联的方式融合不同超像素图包含的地物空间结构信息,显著提升了特征的判别力。
请参阅图5,图5是本发明的一个实施例提供的一种图像融合分类的结构示意图。其中,如图5所示,本发明的一个实施例提供的一种图像融合分类装置400,其中,该装置400包括获取单元401,分割单元402、处理单元403以及确定单元404;
获取单元401,用于利用支持向量机分类器获得高光谱图像的三维权重矩阵;
分割单元402,用于对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;
处理单元403,用于利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;
确定单元404,用于根据所述正则矩阵确定样本所属的类别。
其中,获取单元401,具体用于执行21-23所述的步骤:步骤21,对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;步骤22,使用所述概率输出模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率;步骤23,对高光谱图像中的所有样本重复步骤22,得到所述高光谱图像中所有样本的三维权重矩阵。
其中分割单元402,具体用于利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图。
其中,处理单元403,具体用于执行41-42所述的步骤:步骤41,对每一个超像素Sk进行判断;如果Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u。步骤42,在对所有超像素执行步骤41后,得到正则矩阵U。
其中,确定单元404,具体用于将所述正则矩阵融入分类矩阵;以及确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
其中,获取单元401,分割单元402、处理单元403以及确定单元404可以用于执行上述任一实施例所描述方法,具体描述详见实施例1对所述方法的描述,在此不再赘述。
请参阅图6,在本发明的另一个实施例中,提供一种图像融合分类装置500。该装置500包括CPU 501、存储器502、总线503、显示器504等硬件。
其中,CPU 501执行预先存储在存储器502中的服务器程序,该执行过程具体包括:
利用支持向量机分类器获得高光谱图像的三维权重矩阵;
对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;
利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;
根据所述正则矩阵确定样本所属的类别。
可选的,所述利用支持向量机分类器获得高光谱图像的三维权重矩阵,包括:
步骤21对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;
步骤22,使用所述概率输出模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率;
步骤23,对高光谱图像中的所有样本重复步骤22,得到所述高光谱图像中所有样本的三维权重矩阵。
可选的,所述对所述高光谱图像进行超像素分割,以得到K个超像素图,包括:
利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图。
可选的,所述利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵,包括:
步骤41,对每一个超像素Sk进行判断;如果Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u。
步骤42,在对所有超像素执行步骤41后,得到正则矩阵U。
可选的,所述根据所述正则矩阵确定样本所属的类别,包括:
将所述正则矩阵融入分类矩阵;
确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
在本发明的另一个实施例中,公开了一种存储介质,所述存储介质中存储有程序代码,当所述程序代码被运行时,前述方法实施例中的方法会被执行。
在本发明的另一个实施例中,公开了一种计算机程序产品,所述计算机程序产品中包含有程序代码;当所述程序代码被运行时,前述方法实施例中的方法会被执行。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种智能图像融合分类的方法,其特征在于,所述方法包括:
利用支持向量机分类器获得高光谱图像的三维权重矩阵;
对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;
利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;
根据所述正则矩阵确定样本所属的类别。
2.根据权利要求1所述的方法,其特征在于,所述利用支持向量机分类器获得高光谱图像的三维权重矩阵,包括:
步骤21对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;
步骤22,使用所述概率输出模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率;
步骤23,对高光谱图像中的所有样本重复步骤22,得到所述高光谱图像中所有样本的三维权重矩阵。
3.根据权利要求2所述的方法,其特征在于,所述对所述高光谱图像进行超像素分割,以得到K个超像素图,包括:
利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图。
4.根据权利要求3所述的方法,其特征在于,所述利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵,包括:
步骤41,对每一个超像素Sk进行判断;如果Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u;
步骤42,在对所有超像素执行步骤41后,得到正则矩阵U。
5.根据权利要求4所述的方法,其特征在于,所述根据所述正则矩阵确定样本所属的类别,包括:
将所述正则矩阵融入分类矩阵;
确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
6.一种图像融合分类的装置,其特征在于,所述装置包括:
获取单元,用于利用支持向量机分类器获得高光谱图像的三维权重矩阵;
分割单元,用于对所述高光谱图像进行超像素分割,以得到K个超像素图,其中,K为正整数;
处理单元,用于利用所述超像素图的分割法所述三维权重矩阵进行正则化以获得正则矩阵;
确定单元,用于根据所述正则矩阵确定样本所属的类别。
7.根据权利要求6所述的方法,其特征在于,所述获取单元,具体用于执行21-23所述的步骤:
步骤21,对训练样本集A,使用所述支持向量机方法进行模型训练,以得到概率输出模型Model;
步骤22,使用所述概率输出模型Model对任意测试样本g进行类别概率输出,得到g属于每一个类的权重概率;
步骤23,对高光谱图像中的所有样本重复步骤22,得到所述高光谱图像中所有样本的三维权重矩阵。
8.根据权利要求7所述的装置,其特征在于,
所述分割单元,具体用于利用熵率超像素分割法对所述高光谱图像进行超像素分割以得到K个超像素图。
9.根据权利要求8所述的装置,其特征在于,所述处理单元,具体用于执行41-42所述的步骤:
步骤41,对每一个超像素Sk进行判断;如果Sk仅包含训练样本集A中属于类别c的一个样本,则向量u∈ic×1中,uc=1,其余原素均为零,并置Uk中的每一个列向量等于u;反之,计算Uk关于每一行的均值,得到向量u,并除以该超像素中像素的个数,进一步置Uk中的每一个列向量等于u;
步骤42,在对所有超像素执行步骤41后,得到正则矩阵U。
10.根据权利要求9所述的装置,其特征在于,所述确定单元,具体用于将所述正则矩阵融入分类矩阵;以及确定所述分类矩阵中每个样本对应的最大值为所述样本所属的分类。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811146961.8A CN109472199B (zh) | 2018-09-29 | 2018-09-29 | 一种图像融合分类的方法及装置 |
PCT/CN2018/110916 WO2020062360A1 (zh) | 2018-09-29 | 2018-10-19 | 一种图像融合分类的方法及装置 |
US17/209,120 US11586863B2 (en) | 2018-09-29 | 2021-03-22 | Image classification method and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811146961.8A CN109472199B (zh) | 2018-09-29 | 2018-09-29 | 一种图像融合分类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472199A true CN109472199A (zh) | 2019-03-15 |
CN109472199B CN109472199B (zh) | 2022-02-22 |
Family
ID=65663160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811146961.8A Active CN109472199B (zh) | 2018-09-29 | 2018-09-29 | 一种图像融合分类的方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11586863B2 (zh) |
CN (1) | CN109472199B (zh) |
WO (1) | WO2020062360A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN116188879A (zh) * | 2023-04-27 | 2023-05-30 | 广州医思信息科技有限公司 | 图像分类、图像分类模型训练方法、装置、设备及介质 |
CN116784075A (zh) * | 2023-06-12 | 2023-09-22 | 淮阴工学院 | 一种基于ros的多光谱无人机智能定点施肥方法及施肥装置 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11341607B2 (en) * | 2019-06-07 | 2022-05-24 | Texas Instruments Incorporated | Enhanced rendering of surround view images |
CN112766335B (zh) * | 2021-01-08 | 2023-12-01 | 四川九洲北斗导航与位置服务有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113255698B (zh) * | 2021-06-03 | 2022-11-08 | 青岛星科瑞升信息科技有限公司 | 用于高光谱影像空间特征提取的超像素级自适应ssa方法 |
CN113469011A (zh) * | 2021-07-31 | 2021-10-01 | 国网上海市电力公司 | 一种基于遥感图像分类算法的规划地地物识别方法和装置 |
CN113963207B (zh) * | 2021-10-21 | 2024-03-29 | 江南大学 | 基于空谱信息特征引导融合网络的高光谱图像分类方法 |
CN115830424B (zh) * | 2023-02-09 | 2023-04-28 | 深圳酷源数联科技有限公司 | 基于融合图像的矿废识别方法、装置、设备及存储介质 |
CN116167955A (zh) * | 2023-02-24 | 2023-05-26 | 苏州大学 | 面向遥感领域的高光谱与激光雷达图像融合方法及*** |
CN117554319A (zh) * | 2023-10-20 | 2024-02-13 | 广东省水利水电科学研究院 | 一种微塑料丰度的检测方法、***、装置及存储介质 |
CN117314813B (zh) * | 2023-11-30 | 2024-02-13 | 奥谱天成(湖南)信息科技有限公司 | 高光谱图像波段融合方法及***、介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110170783A1 (en) * | 2010-01-08 | 2011-07-14 | Sumitomo Electric Industries, Ltd. | Equipment and method for analyzing image data |
CN105023239A (zh) * | 2015-08-18 | 2015-11-04 | 西安电子科技大学 | 基于超像素和最大边界分布的高光谱数据降维方法 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及*** |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** |
CN107590515A (zh) * | 2017-09-14 | 2018-01-16 | 西安电子科技大学 | 基于熵率超像素分割的自编码器的高光谱图像分类方法 |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
CN108460326A (zh) * | 2018-01-10 | 2018-08-28 | 华中科技大学 | 一种基于稀疏表达图的高光谱图像半监督分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080008372A1 (en) * | 2006-07-07 | 2008-01-10 | General Electric Company | A method and system for reducing artifacts in a tomosynthesis imaging system |
US8842937B2 (en) * | 2011-11-22 | 2014-09-23 | Raytheon Company | Spectral image dimensionality reduction system and method |
US10635927B2 (en) * | 2017-03-06 | 2020-04-28 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
CN107844751B (zh) * | 2017-10-19 | 2021-08-27 | 陕西师范大学 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
CN108734211B (zh) * | 2018-05-17 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
-
2018
- 2018-09-29 CN CN201811146961.8A patent/CN109472199B/zh active Active
- 2018-10-19 WO PCT/CN2018/110916 patent/WO2020062360A1/zh active Application Filing
-
2021
- 2021-03-22 US US17/209,120 patent/US11586863B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110170783A1 (en) * | 2010-01-08 | 2011-07-14 | Sumitomo Electric Industries, Ltd. | Equipment and method for analyzing image data |
CN105023239A (zh) * | 2015-08-18 | 2015-11-04 | 西安电子科技大学 | 基于超像素和最大边界分布的高光谱数据降维方法 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及*** |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
CN107590515A (zh) * | 2017-09-14 | 2018-01-16 | 西安电子科技大学 | 基于熵率超像素分割的自编码器的高光谱图像分类方法 |
CN108460326A (zh) * | 2018-01-10 | 2018-08-28 | 华中科技大学 | 一种基于稀疏表达图的高光谱图像半监督分类方法 |
Non-Patent Citations (2)
Title |
---|
SEN JIA等: "《Local Binary Pattern-Based Hyperspectral Image Classification With Superpixel Guidance》", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
SEN JIA等: "《Superpixel-Based Multitask Learning Framework for Hyperspectral Image Classification》", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110276408B (zh) * | 2019-06-27 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN116188879A (zh) * | 2023-04-27 | 2023-05-30 | 广州医思信息科技有限公司 | 图像分类、图像分类模型训练方法、装置、设备及介质 |
CN116188879B (zh) * | 2023-04-27 | 2023-11-28 | 广州医思信息科技有限公司 | 图像分类、图像分类模型训练方法、装置、设备及介质 |
CN116784075A (zh) * | 2023-06-12 | 2023-09-22 | 淮阴工学院 | 一种基于ros的多光谱无人机智能定点施肥方法及施肥装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109472199B (zh) | 2022-02-22 |
US11586863B2 (en) | 2023-02-21 |
WO2020062360A1 (zh) | 2020-04-02 |
US20210209426A1 (en) | 2021-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472199A (zh) | 一种图像融合分类的方法及装置 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Shen et al. | Detection of stored-grain insects using deep learning | |
González et al. | Multiview random forest of local experts combining rgb and lidar data for pedestrian detection | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN109711446A (zh) | 一种基于多光谱影像和sar影像的地物分类方法及装置 | |
Aytekın et al. | Unsupervised building detection in complex urban environments from multispectral satellite imagery | |
Kirthika et al. | Automated road network extraction using artificial neural network | |
Csillik et al. | Cropland mapping from Sentinel-2 time series data using object-based image analysis | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及***、存储介质、设备 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
Moser et al. | Multiresolution supervised classification of panchromatic and multispectral images by Markov random fields and graph cuts | |
CN108470185A (zh) | 卫星影像的地物标注装置及方法 | |
Amo-Boateng et al. | Instance segmentation scheme for roofs in rural areas based on Mask R-CNN | |
CN114358133B (zh) | 一种基于语义辅助双目视觉slam检测回环帧的方法 | |
Luo et al. | ECDNet: A bilateral lightweight cloud detection network for remote sensing images | |
Du et al. | Training SegNet for cropland classification of high resolution remote sensing images | |
Zhang et al. | An improved target detection method based on YOLOv5 in natural orchard environments | |
CN109101977A (zh) | 一种基于无人机的数据处理的方法及装置 | |
CN115588187B (zh) | 基于三维点云的行人检测方法、装置、设备以及存储介质 | |
Papadomanolaki et al. | Patch-based deep learning architectures for sparse annotated very high resolution datasets | |
DadrasJavan et al. | An object-level strategy for pan-sharpening quality assessment of high-resolution satellite imagery | |
CN104463212B (zh) | 基于阈值和正则化最小二乘的云检测方法和*** | |
Huang et al. | Semantic labeling and refinement of LiDAR point clouds using deep neural network in urban areas |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |