CN109492593A - 基于主成分分析网络和空间坐标的高光谱图像分类方法 - Google Patents
基于主成分分析网络和空间坐标的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN109492593A CN109492593A CN201811366518.1A CN201811366518A CN109492593A CN 109492593 A CN109492593 A CN 109492593A CN 201811366518 A CN201811366518 A CN 201811366518A CN 109492593 A CN109492593 A CN 109492593A
- Authority
- CN
- China
- Prior art keywords
- pixel
- principal component
- component analysis
- matrix
- analysis network
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于主成分分析网络与空间坐标的高光谱图像分类方法,主要解决了现有技术空间与光谱信息融合复杂或不充分以及利用主成分分析网络进行高光谱分类时计算复杂度大等问题。其实现的方案为:先读取高光谱图像的数据集;再将数据集按空间分块随机选取训练集与测试集;然后对光谱信息进行降维、归一化及边缘保留滤波处理;接着将空间坐标扩充并与光谱特征融合;然后训练主成分分析网络,得训练好的主成分分析网络;将测试集数据输入训练好的主成分分析网络,得到测试集中每个像素点的特征向量;最后利用支持向量机SVM得到分类结果。本发明降低了计算复杂度,提高了分类效果,可应用于资源勘探、森林覆盖、灾害监测中的目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及高光谱图像分类方法,可应用于资源勘探、森林覆盖、灾害监测中的目标识别。
背景技术
高光谱图像分类技术的关键在于,利用小数量的训练样本获得较高的分类精度。初期,高光谱图像主要是利用光谱信息进行分类,而近几年研究者发现,高光谱图像的空间信息也十分重要,因此,如何同时并且充分地利用光谱信息与空间信息成为提高高光谱图像分类精度的关键。
Pan Bin等人在其发表的论文“R-VCANet:A New Deep-Learning-BasedHyperspectral Image Classification Method”(IEEE Journal of Selected Topics inApplied Earth Observations&Remote Sensing,2017,10(5):1975-1986)中提出一种改进的主成分分析网络VCANet用于高光谱图像分类的方法。该方法对高光谱图像的每一个光谱波段进行滤波后,将像素点的光谱信息输入改进的VCANet进行特征提取,然后利用支持向量机SVM进行分类。该方法存在的不足之处是,对空间信息的利用不够充分,即仅在滤波时利用了高光谱图像的空间信息;此外,该方法将全部维度的光谱信息都输入到改进的VCANet网络进行训练,计算复杂度较大。
西安电子科技大学在其申请的专利文献“基于空间坐标与空谱特征融合的高光谱分类方法”(专利申请号:201710644479.6,申请公布号:CN 107451614 A)提出了一种基于空间坐标与空谱特征融合的高光谱图像分类方法,该方法先对高光谱图像进行空间邻域划分采样,随后将空间坐标作为空间特征,接着将空间特征与光谱特征分别利用支持向量机SVM进行分类,将分类所得像素点属于每类的概率作为概率特征,最后将空间特征分类得到的概率特征与光谱特征所得概率特征融合,再次利用支持向量机SVM进行分类,得出最终分类结果。该方法的缺点在于,高光谱图像的空间信息利用不足,仅利用了空间坐标,而空间坐标对于样本分布不集中或样本量很少的地物类别分类效果不够好。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于主成分分析网络和空间坐标的高光谱图像分类方法,以提高对光谱信息与空间信息的利用率,降低计算复杂度。
为实现上述目的,本发明的技术方案包括如下:
(1)输入待分类高光谱图像对应的数据集;
(2)将输入的高光谱图像数据集,按照图像中像素点的空间位置,均匀分割成100份的小数据集,在每一个小数据集中,对每一个地物类别按照固定的比例随机选取训练样本,并将选出的训练样本合并到一起进行随机打乱,作为训练集,其余像素点组成测试集;
(3)对输入的待分类高光谱图像依次进行降维、归一化和滤波处理,得到预处理后的光谱特征;
(4)获取待分类高光谱图像中每一个像素点所在的空间坐标值,并对这些空间坐标进行扩充;
(5)将每个像素点扩充后的空间坐标与预处理后光谱特征进行融合,得到每个像素点的融合特征;
(6)对高光谱图像的每个像素点选取3*3邻域块后,将该邻域块内所有像素点的融合特征按列排列,得到每个像素点对应的二维特征矩阵;
(7)利用训练集中每个像素点对应的二维特征矩阵训练主成分分析网络,得到训练好的主成分分析网络;
(8)将测试集中每个像素点对应的二维特征矩阵输入到训练好的主成分分析网络中,得到测试集中每个像素点对应的特征向量;
(9)将测试集中每个像素点对应的特征向量输入支持向量机SVM进行分类,得到测试集中每个像素点的分类结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明使用了主成分分析网络,克服了深度学习网络需要经验性的知识、复杂的网络结构,以及训练的复杂性等问题,使得本发明提高了训练效率。
第二,由于本发明提出将光谱信息降维后与空间坐标融合,克服了现有利用主成分分析网络进行高光谱分类的技术中,直接输入所有光谱维导致的计算复杂度很大的问题,并且,本发明在融合空间坐标的同时,选取3*3邻域信息作为每个像素点的输入信息,充分利用了空间信息,克服了减少光谱信息维度导致的分类精度降低的问题。
第三,本发明由于同时使用边缘保留滤波与空间坐标,使得无论待分类样本分布是否集中,都有很好的分类效果,因为空间坐标对于分类较集中的地物类别分类效果很好,但是对于样本量很少或分布不集中的地物类别,分类效果仍有改进的余地,而边缘保留滤波能够使小样本或分布不集中的样本类别的信息得到很好的保留,克服了该类样本分类精度偏低的问题。
附图说明
图1是本发明的实现流程图;
图2是现有主成分分析网络的结构图。
具体实施方式
下面结合附图对本发明作进一步的详细描述。
参照图1,对本发明的具体实施步骤如下。
步骤1,输入待分类高光谱图像对应的数据集。
步骤2,获取训练集与测试集。
(2a)将输入的高光谱图像数据集,按照图像中像素点的空间位置,均匀分割成100份的小数据集;
(2b)在每一个小数据集中,对每一个地物类别按照相同的比例随机选取训练样本;
(2c)将选出的训练样本合并到一起进行随机打乱,作为训练集,其余像素点组成测试集。
步骤3,对输入图像进行预处理。
(3a)对输入图像进行降维。
图像处理中常用的降维方法有主成分分析PCA、局部线性嵌入LLE、线性判别LDA等,本实例采用主成分分析PCA,对输入的高光谱图像进行降维,具体步骤如下:
(3a1)将高光谱图像矩阵中每个像素点的所有维光谱展开成一个光谱特征向量,所有像素点的光谱特征向量按行排列组成光谱特征矩阵;
(3a2)对光谱特征矩阵中的元素按列求平均值,并用光谱特征矩阵中的每个元素分别减去该元素在光谱特征矩阵中对应列的平均值,得到去均值后的光谱特征矩阵;
(3a3)对去均值后的光谱特征矩阵中每两列元素求协方差,构造光谱特征矩阵的协方差矩阵;
(3a4)利用协方差矩阵的特征方程,求得与光谱特征向量一一对应的所有协方差矩阵的特征值;
(3a5)将所有特征值按照从大到小排序,并从排序中选择前3个特征值,将这3个特征值分别对应的光谱特征向量按列组成主特征矩阵;
(3a6)将输入的高光谱图像矩阵投影到主特征矩阵上,得到降维后的高光谱图像;
(3b)对降维后的待分类高光谱图像进行归一化。
常用的归一化方法有min-max标准化和Z-score标准化,本实例采用min-max标准化,其公式为
其中,是降维后的第i维光谱图像中的第j个像素值,是降维后的第i维光谱图像中的最小像素值,是降维后的第i维光谱图像中的最大像素值;
(3c)对归一化后的待分类高光谱图像进行滤波:
图像处理领域常用的滤波器有均值滤波、高斯滤波、中值滤波、双边滤波、边缘保留滤波等,RGF边缘保留滤波是边缘保留滤波的一种,它能够在对图像平滑处理的同时很好地保留边缘信息,本实例采用RGF边缘保留滤波器进行滤波处理,其公式如下:
其中,p是像素点,q是像素点p的邻域中的像素点,σs是空间权重,σr是范围权重,t为迭代次数,I(q)为输入图像中的像素点q的像素值,N(p)是像素点p的邻域,Jt(p)是像素点p第t次迭代后的值,Jt(q)是像素点q第t次迭代后的值,Jt+1(p)是像素点p迭代t+1次的值。
步骤4,空间坐标扩充。
(4a)获取输入的高光谱图像中每一个像素点所在的空间坐标值;
(4b)对空间坐标进行扩充,即对于像素点p,假设其通过主成分分析法降维后的光谱特征为p=(p1,p2,...,pm),坐标值为(x,y),得到扩充后的空间坐标值为(x,x,...,x,y,y,...,y),其中m是输入的高光谱图像降维后的光谱维度,扩充后空间坐标值中的x、y个数是根据输入的待分类高光谱图像选取最优值。
步骤5,融合空间坐标与光谱特征。
扩充后的空间坐标与预处理后光谱特征融合,得到每个像素点的融合特征,即将像素点p扩充后的空间坐标与预处理后的光谱特征进行串联,得到像素点p的融合特征q为:
q=(p1,p2,...,pm,x,x,...,x,y,y,...,y)。
步骤6,邻域取块。
(6a)对输入高光谱图像的每个像素点,选取3*3邻域块;
(6b)将3*3邻域块内所有像素点的融合特征按列排列,得到每个像素点对应的二维特征矩阵。
步骤7,训练主成分分析网络。
所述主成分分析网络,其结构如图2所示,它包括两层PCA卷积层与一层特征提取层,依次为第一层PCA卷积层→第二层PCA卷积层→第三层特征提取层,其中卷积层用于对输入图像进行去均值与卷积滤波,特征提取层用于对卷积层处理后的图像进行二值化、直方图操作,并得到输入图像的特征向量。
本步骤对所述主成分分析网络训练的步骤如下:
(7a)将训练集中每个像素点对应的二维特征矩阵输入到主成分分析网络的第一层,对这些输入矩阵进行取块、去均值操作后,使用主成分分析法得到主成分分析网络的8个滤波器,再将每个输入矩阵与这8个滤波器分别进行卷积,得到更新后训练集的第一层特征矩阵;
(7b)将更新后训练集的第一层特征矩阵输入到主成分分析网络的第二层,重复步骤(7a),得到更新后训练集的第二层特征矩阵;
(7c)对更新后训练集的第二层特征矩阵进行二值化和分块直方图操作,得到训练好的主成分分析网络。
步骤8,将测试集中每个像素点对应的二维特征矩阵输入到训练好的主成分分析网络中,得到测试集中每个像素点对应的特征向量。
步骤9,将测试集中每个像素点对应的特征向量输入支持向量机SVM进行分类,得到测试集中每个像素点的分类结果。
结合以下仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验采用的硬件测试平台是:处理器为Inter Xeon E5-2630M,主频为2.20GHz,内存64GB;软件平台为:Windows 10企业版64位操作***和Matlab R2018a进行仿真测试。
实验中用到的高光谱图像数据集为Indian pines数据集以及Pavia university数据集,其中Indian pines数据集图像大小为145*145,具有200个光谱波段,包含16类地物,每类地物的类别与数量如表1所示;Pavia university数据集图像大小为610*340,具有103个光谱波段,包含9类地物,每类地物的类别与数量如表2所示。
表1 Indian pines样本类别与数量
类标 | 地物类别 | 数量 |
1 | Alfalfa | 46 |
2 | Corn-notill | 1428 |
3 | Corn-mintill | 830 |
4 | Corn | 237 |
5 | Grass-pasture | 483 |
6 | Grass-trees | 730 |
7 | Grass-pasture-mowed | 28 |
8 | Hay-windrowed | 478 |
9 | Oats | 20 |
10 | Soybean-nottill | 972 |
11 | Soybean-mintill | 2455 |
12 | Soybean-clean | 593 |
13 | Wheat | 205 |
14 | Woods | 1265 |
15 | Buildings-grass-trees-drives | 386 |
16 | Stone-steel-towers | 93 |
表2 Pavia university样本类别与数量
类标 | 地物类别 | 数量 |
1 | Asphalt | 6631 |
2 | Meadows | 18649 |
3 | Gravel | 2099 |
4 | Trees | 3064 |
5 | Sheets | 1345 |
6 | Bare soil | 5029 |
7 | Bitumen | 1330 |
8 | Bricks | 3682 |
9 | Shadows | 947 |
在Indiana pines数据集上,本发明选取利用主成分分析得到的前35维数据作为光谱特征,空间坐标扩充至4维,在Pavia university数据集上,本发明选取利用主成分分析方PCA得到的前20维数据作为光谱特征,空间坐标扩充至4维。
2.仿真实验内容:
实验一:
为了验证本发明所提方法的有效性,将本实例与高光谱领域现有的三种分类方法在两个高光谱数据集上的分类结果进行对比,结果如表3和表4。
这三种现有方法分别是:
1)经典的支持向量机SVM用于高光谱图像分类的方法,该方法通过支持向量机直接对光谱信息进行分类;
2)Pan Bin等人于2016年提出的基于非线性空-谱结合网络NSSNet的高光谱图像分类方法,该方法将光谱信息转换为一张图像即矩阵形式输入PCANet得到光谱特征,同时将每个像素点及其邻域内像素点的光谱信息组成矩阵输入主成分分析网络PCANet提取出空间特征,然后将光谱特征与空间特征融合并输入支持向量机得到分类结果;
3)Pan Bin等人于2017年提出的基于深度的高光谱图像分类方法R-VCANet,该方法首先对全部光谱维进行滤波处理,然后将滤波后的光谱信息转换为一张图像即矩阵形式输入改进的主成分分析网络VCANet提取特征,最后将提取出的特征利用支持向量机进行分类。
本发明与三种现有技术在两个高光谱数据集上的整体分类精度OA、平均分类精度AA和kappa系数k的对比,如表3所示。
表3现有技术与本发明在分类精度上的对比结果
表3中OA是所有测试集分类结果的整体分类精度,AA是测试集中每类分类结果的平均分类精度,k是衡量一致性的系数。
从表3可以看出,不论是在Indiana pines数据集还是Pavia university数据集上,本方法的分类结果在关于分类精度的3个指标上都明显优于这三种现有技术。
本发明与现有R-VCANet方法分类所需时间对比,如表4所示。
表4 R-VCANet与本发明在运行所需时间(s)上的对比结果
数据集 | R-VCANet | 本发明 |
Indiana | 2390.25 | 186.92 |
Pavia | 14855.22 | 625.25 |
从表4可以看出,相比现有技术R-VCANet,本发明在分类所需时间上大大缩短。
综上,NSSNet、R-VCANet与本发明虽然都是基于主成分分析网络进行改进,但是这两种方法由于是对全部光谱维进行分类处理,因而导致运行时间特别长,而本发明利用主成分分析PCA对光谱信息进行降维处理,使得光谱信息保留较完整的同时大大降低了计算复杂度;此外,本发明同时引入空间坐标与像素点邻域信息来增加图像的空间信息,对空间信息的充分利用解决了对光谱信息降维所引起的分类精度低的问题。
实验二:
本实验将本发明与现有“基于空间坐标与空谱特征融合的高光谱分类方法”(专利申请号:201710644479.6,申请公布号:CN 107451614 A)提出的一种基于空间坐标与空谱特征融合的高光谱图像分类方法SPE-SPA-SVM进行对比。在本对比实验中,实验条件与该专利保持一致,采用的数据集为Indian pines高光谱数据集,训练样本比例选择为10%。具体的对比结果见表5:
表5本发明与SPE-SPA-SVM在分类精度上的对比结果
评价指标 | 对比方法 | 本发明 |
OA(%) | 98.71 | 98.54 |
AA(%) | 96.05 | 97.63 |
k | 0.9853 | 0.9833 |
所述Indiana pines图像的特点是具有几个样本数很少的类别,例如:如表1中所示类别为9的Oats仅有20个,选取10%训练样本后,训练样本数仅有2个,因此如何更好地预测这些样本个数太少的类别,是Indiana pines图像分类的一个难题。
从表5中可以看出,本发明虽然在评价指标OA与k上略低于SPE-SPA-SVM,但本发明的平均精度AA明显优于SPE-SPA-SVM,即对数量较小的类别同样可以实现较好的分类。因为相比于SPE-SPA-SVM,本发明使用了边缘保留滤波,使得样本量少的类别的像素点信息能够保留得更多,从而提升了平均分类精度AA。
综合上述实验一和实验二的结果分析,本发明提出的方法能有效解决主成分分析网络用于高光谱分类时计算复杂度太大的问题,并且能够解决利用空间坐标进行高光谱分类时平均分类精度AA低的问题。
Claims (6)
1.一种基于主成分分析网络和空间坐标的高光谱图像分类方法,其特征在于,包括如下:
(1)输入待分类高光谱图像对应的数据集;
(2)将输入的高光谱图像数据集,按照图像中像素点的空间位置,均匀分割成100份的小数据集,在每一个小数据集中,对每一个地物类别按照固定的比例随机选取训练样本,并将选出的训练样本合并到一起进行随机打乱,作为训练集,其余像素点组成测试集;
(3)对输入的待分类高光谱图像依次进行降维、归一化和滤波处理,得到预处理后的光谱特征;
(4)获取待分类高光谱图像中每一个像素点所在的空间坐标值,并对这些空间坐标进行扩充;
(5)将每个像素点扩充后的空间坐标与预处理后光谱特征进行融合,得到每个像素点的融合特征;
(6)对高光谱图像的每个像素点选取3*3邻域块后,将该邻域块内所有像素点的融合特征按列排列,得到每个像素点对应的二维特征矩阵;
(7)利用训练集中每个像素点对应的二维特征矩阵训练主成分分析网络,得到训练好的主成分分析网络;
(8)将测试集中每个像素点对应的二维特征矩阵输入到训练好的主成分分析网络中,得到测试集中每个像素点对应的特征向量;
(9)将测试集中每个像素点对应的特征向量输入支持向量机SVM进行分类,得到测试集中每个像素点的分类结果。
2.根据权利要求1所述的方法,其特征在于(3)中对待分类高光谱图像进行降维,是利用主成分分析法PCA,其实现如下:
(3a)将高光谱图像矩阵中每个像素点的所有维光谱展开成一个光谱特征向量,所有像素点的光谱特征向量按行排列组成光谱特征矩阵;
(3b)对光谱特征矩阵中的元素按列求平均值,并用光谱特征矩阵中的每个元素分别减去该元素在光谱特征矩阵中对应列的平均值;
(3c)对光谱特征矩阵中每两列元素求协方差,构造光谱特征矩阵的协方差矩阵;
(3d)利用协方差矩阵的特征方程,求得与光谱特征向量一一对应的所有协方差矩阵的特征值;
(3e)将所有特征值按照从大到小排序,从排序中选择前3个特征值,将这3个特征值分别对应的光谱特征向量按列组成主特征矩阵;
(3f)将高光谱图像矩阵投影到主特征矩阵上,得到降维后的高光谱图像。
3.根据权利要求1所述的方法,其特征在于(3)中对降维后的待分类高光谱图像进行归一化,通过如下公式进行:
其中,是降维后的第i维光谱图像中的第j个像素值,是降维后的第i维光谱图像中的最小像素值,是降维后的第i维光谱图像中的最大像素值。
4.根据权利要求1所述的方法,其特征在于(3)中对降维、归一化后的待分类高光谱图像进行滤波处理,是对降维、滤波后的高光谱图像的每一维光谱图像利用RGF边缘保留滤波进行滤波操作,其公式如下:
其中,p是像素点,q是像素点p的邻域中的像素点,σs是空间权重,σr是范围权重,t为迭代次数,I(q)为输入图像中的像素点q的像素值,N(p)是像素点p的邻域,Jt(p)是像素点p第t次迭代后的值,Jt(q)是像素点q第t次迭代后的值,Jt+1(p)是像素点p迭代t+1次的值。
5.根据权利要求1所述的方法,其特征在于(5)中将每个像素点扩充后的空间坐标与预处理后光谱特征进行融合,其实现如下:
对于像素点p,假设其通过主成分分析法降维后的光谱特征为p=(p1,p2,…,pm),坐标值为(x,y),扩充后的空间坐标值为(x,x,…,x,y,y,…,y);
将像素点p扩充后的空间坐标与处理后的光谱特征进行串联,得到像素点p的融合特征q为:
q=(p1,p2,...,pm,x,x,...,x,y,y,...,y),
其中m是输入的高光谱图像降维后的光谱维度,扩充后空间坐标值中的x、y个数是根据输入的待分类高光谱图像选取最优值。
6.根据权利要求1所述的方法,其特征在于,(7)中利用训练集中每个像素点对应的二维特征矩阵训练主成分分析网络,其实现如下:
(7a)将训练集中每个像素点对应的二维特征矩阵输入主成分分析网络的第一层,对这些输入矩阵进行取块、去均值操作后,使用主成分分析法得到主成分分析网络的8个滤波器,将每个输入矩阵与8个滤波器分别进行卷积,得到更新后的训练集的第一层特征矩阵;
(7b)将更新后的训练集的第一层特征矩阵输入到主成分分析网络的第二层,重复步骤(7a),得到更新后的训练集的第二层特征矩阵;
(7c)对更新后的训练集的第二层特征矩阵进行二值化和分块直方图操作,得到训练好的主成分分析网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366518.1A CN109492593B (zh) | 2018-11-16 | 2018-11-16 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366518.1A CN109492593B (zh) | 2018-11-16 | 2018-11-16 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492593A true CN109492593A (zh) | 2019-03-19 |
CN109492593B CN109492593B (zh) | 2021-09-10 |
Family
ID=65695078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811366518.1A Active CN109492593B (zh) | 2018-11-16 | 2018-11-16 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492593B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977030A (zh) * | 2019-04-26 | 2019-07-05 | 北京信息科技大学 | 一种深度随机森林程序的测试方法及设备 |
CN110084239A (zh) * | 2019-04-10 | 2019-08-02 | 中国科学技术大学 | 降低离线手写数学公式识别时网络训练过拟合的方法 |
CN110298414A (zh) * | 2019-07-09 | 2019-10-01 | 西安电子科技大学 | 基于去噪组合降维和引导滤波的高光谱图像分类方法 |
CN110596017A (zh) * | 2019-09-12 | 2019-12-20 | 生态环境部南京环境科学研究所 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
CN110781974A (zh) * | 2019-10-31 | 2020-02-11 | 上海融军科技有限公司 | 一种高光谱图像的降维方法及*** |
CN111639697A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于非重复采样与原型网络的高光谱图像分类方法 |
CN111881933A (zh) * | 2019-06-29 | 2020-11-03 | 浙江大学 | 一种高光谱图像分类方法及*** |
CN112784777A (zh) * | 2021-01-28 | 2021-05-11 | 西安电子科技大学 | 基于对抗学习的无监督高光谱图像变化检测方法 |
CN113095305A (zh) * | 2021-06-08 | 2021-07-09 | 湖南大学 | 一种医药异物高光谱分类检测方法 |
CN113361407A (zh) * | 2021-06-07 | 2021-09-07 | 上海海洋大学 | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301659A1 (en) * | 2013-04-07 | 2014-10-09 | Bo Li | Panchromatic Sharpening Method of Spectral Image Based on Fusion of Overall Structural Information and Spatial Detail Information |
CN105095864A (zh) * | 2015-07-16 | 2015-11-25 | 西安电子科技大学 | 基于深度学习二维主成分分析网络的极光图像检测方法 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN105868760A (zh) * | 2016-03-11 | 2016-08-17 | 信阳农林学院 | 模式识别方法及*** |
CN105913081A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学 | 基于改进的PCAnet的SAR图像分类方法 |
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*** |
CN107451614A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于空间坐标与空谱特征融合的高光谱分类方法 |
CN107798286A (zh) * | 2017-07-13 | 2018-03-13 | 西安电子科技大学 | 基于标记样本位置的高光谱图像进化分类方法 |
CN107871132A (zh) * | 2017-10-31 | 2018-04-03 | 广东交通职业技术学院 | 一种空间特征自适应寻优的高光谱图像分类方法 |
CN108171122A (zh) * | 2017-12-11 | 2018-06-15 | 南京理工大学 | 基于全卷积网络的高光谱遥感图像的分类方法 |
CN108460342A (zh) * | 2018-02-05 | 2018-08-28 | 西安电子科技大学 | 基于卷积网和循环神经网络的高光谱图像分类方法 |
-
2018
- 2018-11-16 CN CN201811366518.1A patent/CN109492593B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301659A1 (en) * | 2013-04-07 | 2014-10-09 | Bo Li | Panchromatic Sharpening Method of Spectral Image Based on Fusion of Overall Structural Information and Spatial Detail Information |
CN105095864A (zh) * | 2015-07-16 | 2015-11-25 | 西安电子科技大学 | 基于深度学习二维主成分分析网络的极光图像检测方法 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN105868760A (zh) * | 2016-03-11 | 2016-08-17 | 信阳农林学院 | 模式识别方法及*** |
CN105913081A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学 | 基于改进的PCAnet的SAR图像分类方法 |
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*** |
CN107798286A (zh) * | 2017-07-13 | 2018-03-13 | 西安电子科技大学 | 基于标记样本位置的高光谱图像进化分类方法 |
CN107451614A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于空间坐标与空谱特征融合的高光谱分类方法 |
CN107871132A (zh) * | 2017-10-31 | 2018-04-03 | 广东交通职业技术学院 | 一种空间特征自适应寻优的高光谱图像分类方法 |
CN108171122A (zh) * | 2017-12-11 | 2018-06-15 | 南京理工大学 | 基于全卷积网络的高光谱遥感图像的分类方法 |
CN108460342A (zh) * | 2018-02-05 | 2018-08-28 | 西安电子科技大学 | 基于卷积网和循环神经网络的高光谱图像分类方法 |
Non-Patent Citations (6)
Title |
---|
BIN PAN 等: "Hyperspectral Image Classification Based on Nonlinear Spectral–Spatial Network", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
BIN PAN 等: "R-VCANet: A New Deep-Learning-Based Hyperspectral Image Classification Method", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
MATHIEU FAUVEL 等: "Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
MENGKE LI 等: "SAR Image Change Detection Using PCANet Guided by Saliency Detection", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
刁许玲: "基于PCANet的高光谱图像分类方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
刘金梅: "多源遥感影像融合及其应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084239A (zh) * | 2019-04-10 | 2019-08-02 | 中国科学技术大学 | 降低离线手写数学公式识别时网络训练过拟合的方法 |
CN109977030A (zh) * | 2019-04-26 | 2019-07-05 | 北京信息科技大学 | 一种深度随机森林程序的测试方法及设备 |
CN109977030B (zh) * | 2019-04-26 | 2022-04-19 | 北京信息科技大学 | 一种深度随机森林程序的测试方法及设备 |
CN111881933B (zh) * | 2019-06-29 | 2024-04-09 | 浙江大学 | 一种高光谱图像分类方法及*** |
CN111881933A (zh) * | 2019-06-29 | 2020-11-03 | 浙江大学 | 一种高光谱图像分类方法及*** |
CN110298414A (zh) * | 2019-07-09 | 2019-10-01 | 西安电子科技大学 | 基于去噪组合降维和引导滤波的高光谱图像分类方法 |
CN110298414B (zh) * | 2019-07-09 | 2022-12-06 | 西安电子科技大学 | 基于去噪组合降维和引导滤波的高光谱图像分类方法 |
CN110596017B (zh) * | 2019-09-12 | 2022-03-08 | 生态环境部南京环境科学研究所 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
CN110596017A (zh) * | 2019-09-12 | 2019-12-20 | 生态环境部南京环境科学研究所 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
CN110781974A (zh) * | 2019-10-31 | 2020-02-11 | 上海融军科技有限公司 | 一种高光谱图像的降维方法及*** |
CN111639697B (zh) * | 2020-05-27 | 2023-03-24 | 西安电子科技大学 | 基于非重复采样与原型网络的高光谱图像分类方法 |
CN111639697A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于非重复采样与原型网络的高光谱图像分类方法 |
CN112784777A (zh) * | 2021-01-28 | 2021-05-11 | 西安电子科技大学 | 基于对抗学习的无监督高光谱图像变化检测方法 |
CN112784777B (zh) * | 2021-01-28 | 2023-06-02 | 西安电子科技大学 | 基于对抗学习的无监督高光谱图像变化检测方法 |
CN113361407A (zh) * | 2021-06-07 | 2021-09-07 | 上海海洋大学 | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 |
CN113095305B (zh) * | 2021-06-08 | 2021-09-07 | 湖南大学 | 一种医药异物高光谱分类检测方法 |
CN113095305A (zh) * | 2021-06-08 | 2021-07-09 | 湖南大学 | 一种医药异物高光谱分类检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109492593B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492593A (zh) | 基于主成分分析网络和空间坐标的高光谱图像分类方法 | |
Xia et al. | Spectral–spatial classification of hyperspectral images using ICA and edge-preserving filter via an ensemble strategy | |
Kiran et al. | Offline signature recognition using image processing techniques and back propagation neuron network system | |
CN106203523B (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方法 | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
Zhou et al. | Classification of histology sections via multispectral convolutional sparse coding | |
Bastin | Comparison of fuzzy c-means classification, linear mixture modelling and MLC probabilities as tools for unmixing coarse pixels | |
CN104915676B (zh) | 基于深层特征学习和分水岭的sar图像分类方法 | |
Yang et al. | Superpixel-based unsupervised band selection for classification of hyperspectral images | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
Liu et al. | Multimorphological superpixel model for hyperspectral image classification | |
Zhao et al. | SEV‐Net: Residual network embedded with attention mechanism for plant disease severity detection | |
CN108830243A (zh) | 基于胶囊网络的高光谱图像分类方法 | |
Safdar et al. | Intelligent microscopic approach for identification and recognition of citrus deformities | |
Wang et al. | Combined use of FCN and Harris corner detection for counting wheat ears in field conditions | |
Qin et al. | Cross-domain collaborative learning via cluster canonical correlation analysis and random walker for hyperspectral image classification | |
CN105224951A (zh) | 一种车型分类方法及分类装置 | |
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 | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
Yousif et al. | A novel approach for object-based change image generation using multitemporal high-resolution SAR images | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和*** | |
Zhang et al. | Polygon structure-guided hyperspectral image classification with single sample for strong geometric characteristics scenes | |
CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN101799873B (zh) | 一种基于经验模态分解的多分组图像有监督分类方法 | |
CN107273919A (zh) | 一种基于置信度构造类属字典的高光谱无监督分类方法 |
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 |