-
Patent Agency Ranking
公开(公告)号：CN104331880B
公开(公告)日：2017-02-15
申请号：CN201410558773.1
申请日：2014-10-20
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明属于遥感数据处理技术领域，具体公开了一种基于几何空谱结构信息的混合像元分解方法，解决高光谱图像混合像素点地物类别不明，分布不准确的问题。其步骤为：1)输入高光谱数据，预处理后将数据排列成一个矩阵；2)用VD法估计纯端元个数；3)提取图像的边缘轮廓；4)提出一个根据边缘、位置提出计算空间距离的公式；5)提出一个根据光谱统计信息计算谱间距离的公式；6)由空、谱间距离构造几何空谱约束项，并加入NMF模型中；7)通过新的NMF算法解混输出端元矩阵和丰度矩阵，判断场景地物类别和分布比例。本发明对不同的高光谱数据有良好的适用性，较现有方法提高了混合像元分解的精度，对(56)对比文件Feiyun Zhu等《.Structured SparseMethod for Hyperspectral Unmixing》《.ISPRSJournal of Photogrammetry and RemoteSensing》.2014,第88卷(第2期),101-118.Qian, Yuntao等《.HyperspectralUnmixing via L1/2 Sparsity-ConstrainedNonnegative Matrix Factorization》《.IEEETransactions on Geoscience and RemoteSensing》.2011,第49卷(第11期),4282-4297.
-
公开(公告)号：CN104268556A
公开(公告)日：2015-01-07
申请号：CN201410465418.X
申请日：2014-09-12
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本发明属于图像处理技术领域，具体提供了一种基于核低秩表示图和空间约束的高光谱图像分类方法，其实现步骤是：(1)把高光谱图像所有已知标签的样本作为训练样本，未知标签的样本用作测试样本，按训练样本在前测试样本在后构造样本集；(2)对样本集进行列归一化并作核空间映射；(3)对核映射后的样本集作低秩表示得到低秩表示图；(4)构造样本集的空间信息图；(5)把低秩表示图和空间信息图加和构成新的图；(6)按照图保持标准方法得到测试样本的类别标签。本发明主要解决现有方法中训练样本较少时分类精度较低的不足，同时合理的考虑高光谱图像自身的特点结合空间信息可以得到比较好的分类结果，采用核低秩的方法有更好的鲁棒性和准确率。
-
公开(公告)号：CN104331880A
公开(公告)日：2015-02-04
申请号：CN201410558773.1
申请日：2014-10-20
Applicant: 西安电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/10036
Abstract: 本发明属于遥感数据处理技术领域，具体公开了一种基于几何空谱结构信息的混合像元分解方法，解决高光谱图像混合像素点地物类别不明，分布不准确的问题。其步骤为：1)输入高光谱数据，预处理后将数据排列成一个矩阵；2)用VD法估计纯端元个数；3)提取图像的边缘轮廓；4)提出一个根据边缘、位置提出计算空间距离的公式；5)提出一个根据光谱统计信息计算谱间距离的公式；6)由空、谱间距离构造几何空谱约束项，并加入NMF模型中；7)通过新的NMF算法解混输出端元矩阵和丰度矩阵，判断场景地物类别和分布比例。本发明对不同的高光谱数据有良好的适用性，较现有方法提高了混合像元分解的精度，对目标检测、识别具有重要的价值。
-
公开(公告)号：CN104008394A
公开(公告)日：2014-08-27
申请号：CN201410213709.X
申请日：2014-05-20
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于近邻边界最大的半监督高光谱数据降维方法，主要解决现有技术需要大量监督信息且降维后数据判别性差的问题。其步骤为：1.将遥感数据库样本集划分为训练数据集和标记样本集；2.生成标记样本集的散度矩阵；3.生成训练数据集的空间近邻矩阵；4.生成训练数据集的相似度矩阵；5.根据散度矩阵，通过最大边界准则构造半监督判别项；6.构造半监督正则项；7.通过最小化判别项和正则项之和获取最优投影矩阵，以实现降维。本发明采用低秩表示的流形正则和空间一致性的空间正则来构造正则项，采用空谱联合的正则策略，使得投影矩阵更加鲁棒、完备，提高了降维后数据的判别的性能，可用于高光谱数据的分类识别。
-
公开(公告)号：CN104008394B
公开(公告)日：2017-02-15
申请号：CN201410213709.X
申请日：2014-05-20
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于近邻边界最大的半监督高光谱数据降维方法，主要解决现有技术需要大量监督信息且降维后数据判别性差的问题。其步骤为：1.将遥感数据库样本集划分为训练数据集和标记样本集；2.生成标记样本集的散度矩阵；3.生成训练数据集的空间近邻矩阵；4.生成训练数据集的相似度矩阵；5.根据散度矩阵，通过最大边界准则构造半监督判别项；6.构造半监督正则项；7.通过最小化判别项和正则项之和获取最优投影矩阵，以实现降维。本发明采用低秩表示的流形正则和空间一致性的空间正则来构造正则项，采用空谱联合的正则策略，使得投影矩阵更加鲁棒、完备，提高了降维后数据的判别的性能，可用于高光谱数据的分类识别。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
