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

    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

    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。

    一种高光谱图像特征提取方法

    公开(公告)号:CN113076937B

    公开(公告)日:2024-03-29

    申请号:CN202110488854.9

    申请日:2021-04-28

    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。

    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

    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

    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。

    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

    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

    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。

    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

    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

    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。

    一种高光谱图像特征提取方法

    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

    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。

Patent Agency Ranking