公开(公告)号：CN108182449A

公开(公告)日：2018-06-19

申请号：CN201711416468.9

申请日：2017-12-25

Applicant: 南京信息工程大学

Inventor： 杭仁龙 ,  刘青山 ,  陈基伟 ,  王素娟

IPC: G06K9/62 ,  G06K9/40

Abstract: 本发明公开了一种高光谱图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：首先，输入一张高光谱图像，以它的每个像素点为中心，提取多尺度的子立方块；其次，对于同一尺度的立方块，利用鲁棒矩阵判别分析模型挖掘其空-谱特征；最后，将每个尺度上的特征表示送入支持向量机模型，得到每个尺度的分类结果，并用“多数投票(Majority Voting)”法融合不同尺度的分类结果。相对于其它基于判别分析模型的特征提取方法，本发明不仅利用了高光谱图像的光谱信息，而且充分利用了其空间信息，因而可以获取更好的分类效果，并且对噪声和图像退化具有一定的鲁棒性。

公开(公告)号：CN105787516B

公开(公告)日：2019-07-16

申请号：CN201610134494.1

申请日：2016-03-09

Applicant: 南京信息工程大学

Inventor： 刘青山 ,  孙玉宝 ,  杭仁龙 ,  王素娟

IPC: G06K9/62

Abstract: 本发明公开了一种基于空谱局部性低秩超图学习的高光谱图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：输入高光谱数据集，组成光谱特征矩阵X；设置相关参数，融入空谱局部性约束，构建空谱局部性约束的低秩表示模型；设置相关参数，使用交替方向乘子算法开始迭代求解；根据低秩表示模型中系数矩阵Z构建空谱局部性低秩超图；设置相关参数，建立半监督超图学习模型；设置相关参数，迭代求解半监督超图模型，输出光谱特征数据集X的分类结果矩阵F*。本发明设计了半监督超图学习算法应用于最后的高光谱图像分类。相对于其他较为先进的方法，本发明的分类效果更好，并且对噪声和图像退化的鲁棒性更高。

公开(公告)号：CN105787516A

公开(公告)日：2016-07-20

申请号：CN201610134494.1

申请日：2016-03-09

Applicant: 南京信息工程大学

Inventor： 刘青山 ,  孙玉宝 ,  杭仁龙 ,  王素娟

IPC: G06K9/62

Abstract: 本发明公开了一种基于空谱局部性低秩超图学习的高光谱图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：输入高光谱数据集，组成光谱特征矩阵X；设置相关参数，融入空谱局部性约束，构建空谱局部性约束的低秩表示模型；设置相关参数，使用交替方向乘子算法开始迭代求解；根据低秩表示模型中系数矩阵Z构建空谱局部性低秩超图；设置相关参数，建立半监督超图学习模型；设置相关参数，迭代求解半监督超图模型，输出光谱特征数据集X的分类结果矩阵F*。本发明设计了半监督超图学习算法应用于最后的高光谱图像分类。相对于其他较为先进的方法，本发明的分类效果更好，并且对噪声和图像退化的鲁棒性更高。