CN116912582A - 一种基于表征模型的强鲁棒性高光谱目标检测方法 - Google Patents
一种基于表征模型的强鲁棒性高光谱目标检测方法 Download PDFInfo
- Publication number
- CN116912582A CN116912582A CN202310888680.4A CN202310888680A CN116912582A CN 116912582 A CN116912582 A CN 116912582A CN 202310888680 A CN202310888680 A CN 202310888680A CN 116912582 A CN116912582 A CN 116912582A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- characterization
- spectrum
- target
- hyperspectral
- 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
- 238000012512 characterization method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 80
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000010586 diagram Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 29
- 238000005192 partition Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 108010063499 Sigma Factor Proteins 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于表征模型的强鲁棒性高光谱目标检测方法，对待测高光谱图像进行空间域分割，得到若干不同的子区域，基于改进的区域光谱协方差描述子构建鲁棒背景字典；对待测高光谱图像进行超像素分割，得到若干超像素区域；采用协作表征模型，依据鲁棒背景字典对各个超像素区域进行表征，将表征残差赋给超像素区域中的每个像素点，得到背景表征残差；采用稀疏表征模型，依据目标先验光谱信息对待测高光谱图像的每个像素点进行表征，得到目标表征残差；以背景表征残差与目标表征残差的差值为输出结果，输出值越大，表示属于目标的概率越大，通过阈值分割得到目标背景二分类图，实现目标探测。本发明能更加准确高效地检测识别目标，具有优越的性能。
Description
技术领域
本发明属于高光谱遥感目标探测识别技术领域，特别涉及一种基于表征模型的强鲁棒性高光谱目标检测方法。
背景技术
高光谱遥感技术是一种同时获取二维空间和一维目标高光谱信息的前沿遥感技术，是遥感领域的一个进步，其最大特点是融合成像技术与光谱探测技术，可以同时获得区域的图像信息与光谱特征。高光谱图像(HSI)包含几十到数百个相邻的窄光谱波段，与传统的多光谱图像相比，能够更准确地识别不同的材料，并使各种潜在应用成为可能，也为遥感探测开辟了新的途径。
近些年来，利用高光谱遥感技术识别各种感兴趣的物质取得了重大进展，这种技术被称为高光谱目标检测(HTD)。遥感领域的目标检测寻求识别人造物体或低概率材料，这些物体通常具有被背景污染的光谱特征，而高光谱图像由于其高光谱分辨率提供了强大的识别能力，为探测这些物体提供了优势。许多目标检测算法被提出并应用于高光谱遥感探测，它们根据图像中的信息分布提取出具有不同光谱特征的小概率目标，在军事侦察、地球资源普查、环境卫生监测、自然灾害预报、大气探测等诸多领域都将具有重要的应用价值和前景。
高光谱遥感图像目标检测的方法众多，主要分为两类：有监督检测和无监督检测。有监督检测方法一般是建立在有先验信息的基础上，具有较高的检测精度，但是其先验信息的获取受到光谱库、反射率和光谱混合现象的限制，一定程度上制约了该方法在实际中的应用，经典的有监督检测方法有光谱角匹配(SAM)，匹配滤波器(MF)等；高光谱无监督检测方法无需目标的先验信息，主要根据数据的统计特性，从全局或局部块中选取出现概率较小的点作为目标，缺点是现实场景复杂多变，无法通过纯数学模型对目标背景建模，实际应用中鲁棒性差，经典的无监督检测算法有RX异常检测算法，SVDD算法等。
近年来随着高光谱数据库的不断扩充完善，基于目标先验光谱信息的有监督目标检测算法越来越受到重视，特别是基于机器学习及多先验信息的方法。而对于高光谱目标检测领域，其本质为目标背景的二分类问题。对于背景类别，包含除目标物体外所有地物类别，故对于背景的建模估计是一大难点。准确估计背景可以提高目标探测率，降低虚警率，特别是在复杂的地理环境下。
因此，本领域需要一种能够准确提取背景光谱统计特征，有效估计背景的高光谱遥感图像目标检测方法，满足地物探测识别需求。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于表征模型的强鲁棒性高光谱目标检测方法，用以解决现有技术中对背景进行鲁棒性分析建模及估计的问题，满足复杂场景下的目标探测识别。
为了实现上述目的，本发明采用的技术方案是：
一种基于表征模型的强鲁棒性高光谱目标检测方法，包括：
对待测高光谱图像进行有监督的空间域分割，得到若干不同的子区域，利用二阶统计量描述各个子区域的特征，并以此构建鲁棒背景字典；
将原始待测高光谱图像分割成一系列超像素区域，采用基于对称正定流形的协作表征模型，依据所述鲁棒背景字典对各个所述超像素区域进行表征，获得表征系数，表征系数与鲁棒背景字典的乘积即为表征值，其真实值之间的差异为表征残差，将所述表征残差赋给超像素区域中的每个像素点，得到背景表征残差；
以所述背景表征残差与所述目标表征残差的差值为输出结果，输出值越大，表示属于目标的概率越大，通过阈值分割得到目标背景二分类图，实现目标探测。
与现有技术相比，本发明的有益效果是：
(1)提出了一种鲁棒的背景字典构造方法。该方法采用最优分割方法在高光谱图像的二维空间中获得最佳网格，并以网格中各区域的局部协方差作为背景字典中的原子，其能更好地包含背景光谱的二阶统计信息。
(2)在构建鲁棒背景字典的基础上，利用超像素分割，将待测高光谱图像分割为超像素块，对超像素块进行表征，可以凸出背景区域和目标区域的差异。
(3)提出了一种协同表示方法。由于协方差描述子的特性，背景表示部分不是在欧几里得空间中表示，而是在SPD流形中。对此，采用核方法映射至再生核希尔伯特空间后应用协作表征模型，准确度更高。
附图说明
图1为本发明总体框架示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体的实施示例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种基于表征模型的强鲁棒性高光谱目标检测方法，通过设计损失函数，对待测高光谱图像进行有监督的空间域分割，得到若干不同的子区域，基于改进的区域光谱协方差描述子构建鲁棒背景字典。对待测高光谱图像进行超像素分割，得到若干超像素区域。采用协作表征模型，依据所述鲁棒背景字典对各个所述超像素区域进行表征，获得表征值与表征系数，取所述表征值与真实值之间的差异为表征残差，将所述表征残差赋给超像素区域中的每个像素点，得到背景表征残差。采用稀疏表征模型，依据目标先验光谱信息对待测高光谱图像的每个像素点进行表征，得到目标表征残差。以所述背景表征残差与所述目标表征残差的差值为输出结果，输出值越大，表示属于目标的概率越大，通过阈值分割得到目标背景二分类图，实现目标探测。本方法能够很好的估计背景区域，提高目标检测率，降低虚警率，特别是在复杂背景下，具有优越的性能。
本发明方法包括基于二阶统计量和特殊损失函数的有监督空谱联合分割，基于超像素分割与对称正定流形的协作表征，基于目标先验光谱信息的稀疏表征三个部分，如图1所示，对上述三个部分进行介绍，具体步骤如下：
步骤1，基于二阶统计量和特殊损失函数的有监督空谱联合分割。
在本步骤中，基于待测高光谱图像数据和目标先验光谱信息，利用二阶统计量，设计损失函数，采用动态规划方法有监督地求取最优分割网格，将待测高光谱图像在空间域上分割为不同的子区域，使得各个子区域间改进的区域光谱协方差描述子差异总和最小，且与目标先验光谱信息间的差异最大。
其中，定义分割方式为：
其中，Prow为行分割，Pcol为列分割，为第k个隔断的坐标，/>为第l个隔断的坐标，行有k个隔断，将行分割为(k+1)个间隔，列有l个隔断，将列分割为(l+1)个间隔，每个<·>表示一个间隔对应的起止隔断坐标；求取最优分割网格的损失函数为：
其中，f(Prow,Pcol)表示损失函数，表示第i个行间隔，第j个列间隔构成的区域所对应的改进的区域光谱协方差描述子(例如，/>表示由行间隔/>和列间隔/>围成的区域对应的改进的区域光谱协方差描述子)，/>表示第i′个行间隔，第j′个列间隔构成的区域所对应的改进的区域光谱协方差描述子，Cov′t为利用目标先验光谱信息得到的目标光谱的改进的区域光谱协方差描述子，/>为黎曼度量(改进的区域光谱协方差描述子落入对称正定流形中，属于黎曼流形，采用黎曼度量中的对数欧氏距离)。
步骤1-1，记目标先验光谱信息组成的字典为Dt，待测高光谱图像r，c，b分别为行数，列数，波段数。根据损失函数，定义最优化问题：
其中，nr＝k+1，为行的隔断数，nc＝l+1，为列的隔断数，B为分割区域总数的上限。
步骤1-2，设置初始状态和起始分割维度，初始分割状态为将空间行维度平均分为两块，即固定行分割，求解对应的最优列分割，根据损失函数，利用近似可得到递归关系式：
其中，表示分割间隔数为l+1的列分割，/>表示分割间隔数为l的列分割；表示第i个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子，/>表示第i′个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子。
步骤1-3，利用递归关系式和Fisher最优分割求取对应的最优列分割。
步骤1-4，以步骤1-3求得的列最优分割为起始，固定列分割，根据损失函数，利用近似得到递归关系式，重复步骤1-3，得到在步骤1-3求得的列最优分割对应的行最优分割。
本步骤中，二阶统计量是指改进的区域光谱协方差描述子。选取各子区域的改进的区域光谱协方差描述子作为背景字典中的原子，构建鲁棒背景字典；所述改进的区域光谱协方差描述子是对区域光谱协方差描述子进行改进，使其满足对称正定性，即落入对称正定流形中便于后续的度量。有监督是指，设计损失函数时，考虑最大化区域二阶统计量和目标先验光谱的二阶统计量之间的差异，以此为标准监督空谱联合分割过程。
具体地，改进的区域光谱协方差描述子的表达式为：
其中，Cov′为改进的区域光谱协方差描述子，I为单位矩阵，Cov为原始的区域光谱协方差描述子；为区域中的像素点总数，hi为第i个像素点的光谱信息，μ为区域的平均光谱信息，σ为正定化因子，σ＝min(∑Cov)，∑Cov为原始的区域光谱协方差的特征值。
步骤2，基于超像素分割与对称正定流形的协作表征模型。
本发明协作表征模型在对称正定流形中采用协作表征的方式对待测高光谱图像进行背景估计，步骤如下：
步骤2-1，在求取最优分割后，取各个子区域的改进区域光谱协方差描述子构建鲁棒背景字典
其中，N为所述鲁棒背景字典中的原子个数，且N＝(k+1)(l+1)，表示第k+1个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子；
步骤2-2，对待测高光谱图像采用超像素分割，每一个超像素区域即一个超像素块，取每个超像素块对应的改进的区域光谱协方差描述子Cov′m作为输入，采用核方法映射至再生核希尔伯特空间，之后求解如下问题：
其中，k(X1,X2)＝Tr[log(X1)log(X2)]表示矩阵X1和X2的核映射函数,K′(Cov′m,D)＝[k(Cov′m,Di)]N×1,K″(D,D)＝[k(Di,Dj)]N×N，αb为利用鲁棒背景字典和协作表征模型求得的表征系数，λ＝0.1I为正则化参数，I为单位矩阵。
步骤2-3，求解步骤2-2的问题，得到αb＝(K″(D,D)+λ)-1K′(Cov′m,D)。求取表征系数后利用对数欧氏距离求取背景表征残差值：将此值赋给每个超像素块中的所有像素点。
本步骤中，超像素分割方法为简单线性迭代聚类(SLIC)超像素分割方法。
步骤3，采用稀疏表征(SRD)模型，利用目标先验光谱信息组成目标字典，对待测高光谱图像的每个像素点进行表征，采用正交投影寻踪算法求取表征系数αt，之后求取目标表征残差：
rt＝Dtαt-hi。
步骤4，最终输出为背景表征残差与目标表征残差的差值：
Output＝rb-rt
对4个公开的高光谱遥感数据集进行测试，分别为Gulf Port，San Diego,Universityof Pavia(PaviaU),KSC，这些数据集的场景从小而简单到大而复杂。选取地面真值的30％作为目标先验光谱信息，构成目标字典。
表1
对输出结果得到其ROC曲线图对应的AUC值。从表1中可知，本发明提出方法与现有的有监督高光谱图像目标检测方法相比，目标探测性能更出色，能更加准确高效地检测识别目标，具有优越的性能。
综上，本发明提出了一种基于正定对称流形和空谱联合分割的高光谱目标检测方法。为了更好地模拟背景光谱的统计特征，采用改进区域光谱协方差描述子和动态规划方法建立了最优分割网格。选取网格内各区域的改进的区域光谱协方差作为背景字典中的一个原子。随后，将简单线性迭代聚类方法应用于原始高光谱图像数据，将图像划分为多个超像素区域。最后，我们提出了基于协作表示的检测(CRD)和基于稀疏表示的检测(SRD)模型，分别用于背景和目标部分的表征。在公开数据集上的测试表明本发明具有良好的目标探测效果。
Claims (8)
1.一种基于表征模型的强鲁棒性高光谱目标检测方法，其特征在于，包括：
对待测高光谱图像进行有监督的空间域分割，得到若干不同的子区域，利用二阶统计量描述各个子区域的特征，并以此构建鲁棒背景字典；
将原始待测高光谱图像分割成一系列超像素区域，采用基于对称正定流形的协作表征模型，依据所述鲁棒背景字典对各个所述超像素区域进行表征，获得表征系数，表征系数与鲁棒背景字典的乘积即为表征值，其真实值之间的差异为表征残差，将所述表征残差赋给超像素区域中的每个像素点，得到背景表征残差；
以所述背景表征残差与所述目标表征残差的差值为输出结果，输出值越大，表示属于目标的概率越大，通过阈值分割得到目标背景二分类图，实现目标探测。
2.根据权利要求1所述基于正定对称流形和空谱联合分割的表征模型高光谱目标检测方法，其特征在于，所述空间域分割，方法如下：
基于待测高光谱图像数据和目标先验光谱信息，设计损失函数，利用改进的区域光谱协方差描述子和动态规划方法求取最优分割网格，将待测高光谱图像在空间域上分割为不同的子区域，使得各个子区域间改进的区域光谱协方差描述子差异总和最小，且与目标先验光谱信息间的差异最大；
所述鲁棒背景字典，构建方法如下：
选取各子区域的改进的区域光谱协方差描述子作为背景字典中的原子，构建鲁棒背景字典；
所述改进的区域光谱协方差描述子是对区域光谱协方差描述子进行改进，使其满足对称正定性，即落入对称正定流形中。
3.根据权利要求2所述基于正定对称流形和空谱联合分割的表征模型高光谱目标检测方法，其特征在于，所述改进的区域光谱协方差描述子的表达式为：
其中，Cov′为改进的区域光谱协方差描述子，I为单位矩阵，Cov为原始的区域光谱协方差描述子； 为区域中的像素点总数，hi为第i个像素点的光谱信息，μ为区域的平均光谱信息，σ为正定化因子，σ＝min(∑Cov)，∑Cov为原始的区域光谱协方差的特征值。
4.根据权利要求3所述基于正定对称流形和空谱联合分割的表征模型高光谱目标检测方法，其特征在于，所述空间域分割的步骤如下：
步骤1，记目标先验光谱信息组成的字典为Dt，待测高光谱图像r，c，b分别为行数，列数，波段数，定义分割方式为：
其中，Prow为行分割，Pcol为列分割，为第k个隔断的坐标，/>为第l个隔断的坐标，行有k个隔断，将行分割为(k+1)个间隔，列有l个隔断，将列分割为(l+1)个间隔，每个<·>表示一个间隔对应的起止隔断坐标；所述损失函数为：
其中，f(Prow,Pcol)表示损失函数，表示第i个行间隔，第j个列间隔构成的区域所对应的改进的区域光谱协方差描述子，/>表示第i′个行间隔，第j′个列间隔构成的区域所对应的改进的区域光谱协方差描述子，Cov′t为利用目标先验光谱信息得到的目标光谱的改进的区域光谱协方差描述子，/>为黎曼度量，最优化问题如下
其中，nr＝k+1，为行的隔断数，nc＝l+1，为列的隔断数，B为分割区域总数的上限；
步骤2，设置初始状态和起始分割维度，初始分割状态为将空间行维度平均分为两块，即固定行分割，求解对应的最优列分割，根据所述损失函数，利用近似得到递归关系式：
其中，表示分割间隔数为l+1的列分割，/>表示分割间隔数为l的列分割；/>表示第i个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子，表示第i′个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子；
步骤3，利用递归关系式和Fisher最优分割求取对应的最优列分割；
步骤4，以步骤3求得的列最优分割为起始，固定列分割，根据所述损失函数，利用近似得到递归关系式，重复步骤3，得到在步骤3求得的列最优分割对应的行最优分割。
5.根据权利要求1所述基于正定对称流形和空谱联合分割的表征模型高光谱目标检测方法，其特征在于，采用无监督的超像素分割方法，将原始待测高光谱图像分割成一系列超像素区域。
6.根据权利要求1所述基于正定对称流形和空谱联合分割的表征模型高光谱目标检测方法，其特征在于，所述无监督的超像素分割方法为线性迭代聚类超像素分割方法。
7.根据权利要求2至6任一权利要求所述基于正定对称流形和空谱联合分割的表征模型高光谱目标检测方法，其特征在于，所述协作表征模型，在对称正定流形中采用协作表征的方式对待测高光谱图像进行背景估计，步骤如下：
步骤1，求取最优分割后，取各个子区域的改进区域光谱协方差描述子构建鲁棒背景字典
其中，N为所述鲁棒背景字典中的原子个数，且N＝(k+1)(l+1)，表示第k+1个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子；
步骤2，对待测高光谱图像采用超像素分割，分成不同超像素区域，每一个超像素区域即一个超像素块，取每个超像素块对应的改进的区域光谱协方差描述子Cov′m作为输入，采用核方法映射至再生核希尔伯特空间，之后求解如下问题：
其中，k(X1,X2)＝Tr[log(X1)log(X2)]表示矩阵X1和X2的核映射函数,K′(Cov′m,D)＝[k(Cov′m,Di)]N×1,K″(D,D)＝[k(Di,Dj)]N×N，αb为利用鲁棒背景字典和协作表征模型求得的表征系数，λ＝0.1I为正则化参数，I为单位矩阵；
步骤3，求解步骤2的问题，得到αb＝(K″(D,D)+λ)-1K′(Cov′m,D)。
8.根据权利要求7所述基于正定对称流形和空谱联合分割的表征模型高光谱目标检测方法，其特征在于，求取表征系数后利用对数欧氏距离求取背景表征残差值：将此值赋给每个超像素块中的所有像素点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888680.4A CN116912582A (zh) | 2023-07-19 | 2023-07-19 | 一种基于表征模型的强鲁棒性高光谱目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888680.4A CN116912582A (zh) | 2023-07-19 | 2023-07-19 | 一种基于表征模型的强鲁棒性高光谱目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116912582A true CN116912582A (zh) | 2023-10-20 |
Family
ID=88357784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310888680.4A Pending CN116912582A (zh) | 2023-07-19 | 2023-07-19 | 一种基于表征模型的强鲁棒性高光谱目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912582A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测***及方法 |
-
2023
- 2023-07-19 CN CN202310888680.4A patent/CN116912582A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
| US8015125B2 (en) | Multi-scale segmentation and partial matching 3D models | |
| CN103996047B (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
| Wang et al. | Shape detection from raw lidar data with subspace modeling | |
| Lv et al. | Novel piecewise distance based on adaptive region key-points extraction for LCCD with VHR remote-sensing images | |
| CN108182449A (zh) | 一种高光谱图像分类方法 | |
| CN116012364B (zh) | Sar图像变化检测方法和装置 | |
| CN110598613B (zh) | 一种高速公路团雾监测方法 | |
| CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
| CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
| CN106650810B (zh) | 基于光谱属性信息和空间信息的水库水体分类方法及装置 | |
| CN116912582A (zh) | 一种基于表征模型的强鲁棒性高光谱目标检测方法 | |
| Guo et al. | Dual graph U-Nets for hyperspectral image classification | |
| AU2015218184B2 (en) | Processing hyperspectral or multispectral image data | |
| CN116912240B (zh) | 基于半监督学习的突变tp53免疫学检测方法 | |
| Lombard et al. | Mangrove zonation mapping in West Africa, at 10-m resolution, optimized for inter-annual monitoring | |
| CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
| CN111460943A (zh) | 一种遥感影像地物分类方法及*** | |
| CN116486263A (zh) | 基于深度特征和双支流孤立森林的高光谱异常检测方法 | |
| CN116597231A (zh) | 一种基于孪生图注意力编码的高光谱异常检测方法 | |
| Li et al. | Crack Detection and Recognition Model of Parts Based on Machine Vision. | |
| Xu et al. | Difference-guided multiscale graph convolution network for unsupervised change detection in PolSAR images | |
| Song et al. | A graphical estimation and multiple-sparse representation strategy for hyperspectral anomaly detection | |
| Patricia et al. | Discovering similarities in Landsat satellite images using the K-means method | |
| Ghorpade et al. | 3D shape representation with spatial probabilistic distribution of intrinsic shape keypoints |
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 |