-
公开(公告)号：CN108446723A
公开(公告)日：2018-08-24
申请号：CN201810191507.8
申请日：2018-03-08
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种高光谱图像的多尺度空谱协同分类方法，涉及高光谱图像信息技术处理领域。解决了现有技术中单一的使用光谱信息或空间信息对高光谱图像进行分类方法，均易造成目标信息的丢失，导致分类准确度低的问题。步骤一：对原始高光谱图像H进行特征提取，获得由波段子集构成的光谱信息集Hspec；步骤二：对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet；步骤三：将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit；步骤四：将初步分类结果图Qinit分解为k张概率结果图P；步骤五：对k张概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。本发明主要用于对高光谱图像进行空谱分类。
-
公开(公告)号：CN108446723B
公开(公告)日：2021-06-15
申请号：CN201810191507.8
申请日：2018-03-08
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种高光谱图像的多尺度空谱协同分类方法，涉及高光谱图像信息技术处理领域。解决了现有技术中单一的使用光谱信息或空间信息对高光谱图像进行分类方法，均易造成目标信息的丢失，导致分类准确度低的问题。步骤一：对原始高光谱图像H进行特征提取，获得由波段子集构成的光谱信息集Hspec；步骤二：对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet；步骤三：将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit；步骤四：将初步分类结果图Qinit分解为k张概率结果图P；步骤五：对k张概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。本发明主要用于对高光谱图像进行空谱分类。
-
公开(公告)号：CN110210420A
公开(公告)日：2019-09-06
申请号：CN201910487219.1
申请日：2019-06-05
Applicant: 哈尔滨工业大学
Abstract: 基于融合高光谱图像和DSM数据的分类方法，涉及高光谱图像信息技术处理领域。解决了现有像素级融合方法会损失高光谱的光谱信息，很难实现高光谱图像的空间和光谱信息的联合利用，此外，在融合过程中，会存在不同程度的光谱失真的问题。分类方法包括如下步骤：步骤一、通过双支神经网络同时对高光谱图像和LiDAR衍生的DSM数据进行特征提取，获得高光谱图像的空间-光谱联合信息Fspec-spat和DSM数据的多尺度高程信息Felv；步骤二、将Fspec-spat和Felv进行全连接，从而实现空间-光谱联合信息Fspec-spat和多尺度高程信息Felv的特征融合，获得融合后的数据信息Fall；步骤三、通过分类器对数据信息Fall进行分类，获得样本类别标签，从而完成对融合后的数据信息Fall的分类。主要用于进行地物分类。
-
-
Search Results
3
records
(took 0.026 seconds)
