-
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。
-
Patent Agency Ranking
公开(公告)号：CN113139512A
公开(公告)日：2021-07-20
申请号：CN202110526282.9
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残差和注意力的深度网络高光谱影像分类方法，该方法首先将高光谱图像原始数据集进行波段划分和归一化处理，得到高光谱影像数据集；再通过主成分分析方法提取数据集的第一主成分影像作为引导图像；从中选择一定像素的邻域作为输入样本，并进行三维操作，对各个波段进行批处理，提取三维的特征张量；对三维的特征张量进行二维操作，提取更精细的空间特征；再进入一维操作，获得嵌入特征。最后将获得的嵌入特征和对应的空间特征分别输入包含D2CEL损失函数的原型网络分类器中进行分类，得到预测结果。本发明不仅优化了高光谱空间分类模块的设计和应用，提高了深度模型的泛化能力；还产生了更多的区别特征，实现了更精确的HIS分类。
-
公开(公告)号：CN113076937A
公开(公告)日：2021-07-06
申请号：CN202110488854.9
申请日：2021-04-28
Applicant: 辽宁工程技术大学
Abstract: 本申请提出一种高光谱图像特征提取方法，包括如下步骤：输入待分类的原始高光谱影像数据集，包括：已经标记的高光谱影像数据以及未标记的高光谱影像数据；对已经标记的高光谱影像数据，进行线性判别分析，得到第一投影矩阵；针对未标记的高光谱影像数据，进行主成分分析，得到第二投影矩阵；将第一投影矩阵与第二投影矩阵进行合并，得到第三投影矩阵；针对所述第三投影矩阵，进行图谱判别分析，提取最终的特征矩阵。解决了现有技术中，针对高光谱遥感影像难以降维或者降维后难以同时保留光谱特征与空间特征的问题。本申请利用半监督流形变化能更好的扩大特征之间的差异，在进行空间特征提取的同时顾及了像素间局部关系，提高了分类精度。
-
公开(公告)号：CN113111863B
公开(公告)日：2023-11-24
申请号：CN202110520751.6
申请日：2021-05-13
Applicant: 辽宁工程技术大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06F17/16 , G06N3/0464
Abstract: 本发明提供一种基于微型批处理与级联融合的图卷积网络高光谱分类方法，涉及高光谱图像处理与应用技术领域。将输入的高光谱影像数据集进行微型批量处理,CNN使用minibatch策略进行培训，得到数据集的所有子集，构造高光谱影像数据集的邻接矩阵，构建拉普拉斯矩阵，进行谱域中的图卷积，将通过傅里叶变换后的图信号进行卷积处理，从而提取特征，将miniGCNs与CNNs级联融合后，输出样本类别。本发明利用一种新的有监督的miniGCN进行网络训练，具有更大的灵活性，同时融合了卷积神经网络为HS图像分类任务提取更多样化和更具鉴别能力的特征表示，方法更具有有效性和优越性。
-
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：CN113139515A
公开(公告)日：2021-07-20
申请号：CN202110528225.4
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条件随机场和深度特征学习的高光谱图像分类方法，该方法首先对输入的高光谱数据集进行归一化处理，接着采用3D‑CNN神经网络获取高光谱影像光谱‑空间特征，然后应用3D‑CNN生成特征图，利用3D‑CNN的输出特征在框架中引入基于3D‑CNN的深度CRF，扩展基于3D‑CNN的深层CRF架构来计算CRF的一元势函数和二元势函数；再根据后验概率对特征图进行粗分类，采用平均场近似算法来计算最大后验边界推理的CRF分布；最后对粗分类的分类图基于反卷积神经网络进行改进分类。本发明可以处理整个光谱通道的光谱信息和空间信息，有效获取基于三维数据立方体区域之间的语义相关性，并利用反卷积神经网络来提高模型最终的分类性能。
-
-
-
-
-
-
Search Results
17
records
(took 0.026 seconds)
