-
公开(公告)号：CN113139513B
公开(公告)日：2023-11-10
申请号：CN202110526284.8
申请日：2021-05-14
Applicant: 辽宁工程技术大学
IPC: G06V20/10 , G06V10/764 , G06V10/77 , G06V10/56 , G06V10/82 , G06N3/0499
Abstract: 本发明公开一种基于超像素轮廓和改进PSO‑ELM的空谱主动学习高光谱分类方法，属于高光谱图像处理与分类技术领域，该方法利用主成分分析法提取高光谱影像的光谱信息，并通过构造扩展超像素轮廓ESPP来整合主成分图像的光谱和空间信息，再通过构建的ESPP得到的主成分图像空谱特征获取超像素数据，使其适用于主动学习；接着提出了一种改进的极限学习机模型；最后将主成分图像空谱特征的超像素数据输入模型中训练得到最佳模型，将高光谱图像输入训练完的最佳模型中得到分类结果。本发明充分提取了高光谱图像的空谱信息，同时结合改进的粒子群‑极限学习机对输入权值和隐藏偏差进行优化，提高了泛化能力，最终提高了图像的分类精度。
-
公开(公告)号：CN110472682B
公开(公告)日：2023-04-18
申请号：CN201910743989.8
申请日：2019-08-13
Applicant: 辽宁工程技术大学
IPC: G06V10/764
Abstract: 本发明提供一种顾及空间和局部特征的高光谱遥感影像分类方法，涉及高光谱图像处理与应用技术领域。该方法首先对输入的高光谱影像数据集进行波段划分和归一化处理；利用主成分分析提取高光谱影像的光谱特征，得到引导图像；通过引导图像对各个波段影像进行引导滤波处理，得到每个波段的输出图像；将各个波段输出图像进行叠加，得到提取的图像空间特征；利用局部Fisher判别分析实现图像空间特征低维嵌入；将低维嵌入特征划分为训练样本和测试样本分别输入到SVM分类器得到分类结果。本发明方法能够较好的描述地物的结构和边缘信息；在进行空间特征提取的同时顾及了像素间局部关系，提取出有效的空‑谱特征，提高了分类精度。
-
Patent Agency Ranking
公开(公告)号：CN113052130A
公开(公告)日：2021-06-29
申请号：CN202110422342.2
申请日：2021-04-20
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种基于深度残差网络和边缘保护滤波的高光谱影像分类方法，涉及高光谱图像处理技术领域。该方法包括：利用主成分分析的方法对原始高光谱影像数据进行特征提取，将第一主成分特征作为引导图像，前三主成分特征作为输入图像；通过联合双边滤波提取出影像特征后进行图像叠加；构建一种深度残差网络模型并采用该模型对原始空谱特征进行处理提取出影像的深层空谱特征；将提取的空谱特征输入到Softmax分类器完成影像分类。该方法综合了联合双边滤波与深度学习模型的优势，缓解了卷积神经网络分类中的过拟合问题，在顾及边缘信息的基础上能够充分提取和利用影像的深层空谱特征，有效提高高光谱影像的地物分类精度。
-
公开(公告)号：CN113128471A
公开(公告)日：2021-07-16
申请号：CN202110533010.1
申请日：2021-05-17
Applicant: 辽宁工程技术大学
Abstract: 本发明提供一种基于注意力机制和生成对抗网络的高光谱影像分类方法，涉及高光谱图像处理与应用技术领域。本发明对高光谱影像数据集进行归一化、主成分分析，得到真实样本；将特征矩阵进行转置卷积运算后，生成的特征输入到联合的空间‑光谱联合注意力机制模块，得到生成样本；将真实样本和生成样本进行四次卷积，得到输入样本的层次特征；真实样本特征与生成器中相应的等尺寸特征相加，生成新的融合特征输入到联合的空间‑光谱联合注意力机制模块；将层次特征沿着光谱通道依次输入到ConvLSTM中，通过识别器中的softmax函数实现分类。本发明能有效提高生成样本的质量，通过使用生成的高质量样本，提高鉴别器的分类能力。
-
公开(公告)号：CN110472682A
公开(公告)日：2019-11-19
申请号：CN201910743989.8
申请日：2019-08-13
Applicant: 辽宁工程技术大学
IPC: G06K9/62
Abstract: 本发明提供一种顾及空间和局部特征的高光谱遥感影像分类方法，涉及高光谱图像处理与应用技术领域。该方法首先对输入的高光谱影像数据集进行波段划分和归一化处理；利用主成分分析提取高光谱影像的光谱特征，得到引导图像；通过引导图像对各个波段影像进行引导滤波处理，得到每个波段的输出图像；将各个波段输出图像进行叠加，得到提取的图像空间特征；利用局部Fisher判别分析实现图像空间特征低维嵌入；将低维嵌入特征划分为训练样本和测试样本分别输入到SVM分类器得到分类结果。本发明方法能够较好的描述地物的结构和边缘信息；在进行空间特征提取的同时顾及了像素间局部关系，提取出有效的空-谱特征，提高了分类精度。
-
公开(公告)号：CN113052130B
公开(公告)日：2024-03-29
申请号：CN202110422342.2
申请日：2021-04-20
Applicant: 辽宁工程技术大学
IPC: G06V20/10 , G06V10/44 , G06V10/58 , G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于深度残差网络和边缘保护滤波的高光谱影像分类方法，涉及高光谱图像处理技术领域。该方法包括：利用主成分分析的方法对原始高光谱影像数据进行特征提取，将第一主成分特征作为引导图像，前三主成分特征作为输入图像；通过联合双边滤波提取出影像特征后进行图像叠加；构建一种深度残差网络模型并采用该模型对原始空谱特征进行处理提取出影像的深层空谱特征；将提取的空谱特征输入到Softmax分类器完成影像分类。该方法综合了联合双边滤波与深度学习模型的优势，缓解了卷积神经网络分类中的过拟合问题，在顾及边缘信息的基础上能够充分提取和利用影像的深层空谱特征，有效提高高光谱影像的地物分类精度。
-
公开(公告)号：CN113139513A
公开(公告)日：2021-07-20
申请号：CN202110526284.8
申请日：2021-05-14
Applicant: 辽宁工程技术大学
Abstract: 本发明公开一种基于超像素轮廓和改进PSO‑ELM的空谱主动学习高光谱分类方法，属于高光谱图像处理与分类技术领域，该方法利用主成分分析法提取高光谱影像的光谱信息，并通过构造扩展超像素轮廓ESPP来整合主成分图像的光谱和空间信息，再通过构建的ESPP得到的主成分图像空谱特征获取超像素数据，使其适用于主动学习；接着提出了一种改进的极限学习机模型；最后将主成分图像空谱特征的超像素数据输入模型中训练得到最佳模型，将高光谱图像输入训练完的最佳模型中得到分类结果。本发明充分提取了高光谱图像的空谱信息，同时结合改进的粒子群‑极限学习机对输入权值和隐藏偏差进行优化，提高了泛化能力，最终提高了图像的分类精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
