-
公开(公告)号：CN104200217A
公开(公告)日：2014-12-10
申请号：CN201410386737.1
申请日：2014-08-07
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供的是基于一种复合核函数的高光谱分类方法。输入一幅高光谱图像，类别数为N；以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；利用复合核构建策略，构造复合核函数，对支持向量机进行训练；利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵确定多分类器策略，即找到矩阵每列的最大值。本发明具有可以更好的描述数据集的分布特征，且分类精度相对较高等特点。其参数优化所消耗的时间相对于传统多核学习方法也相对较短。
-
公开(公告)号：CN104036289A
公开(公告)日：2014-09-10
申请号：CN201410246849.7
申请日：2014-06-05
Applicant: 哈尔滨工程大学
Abstract: 本发明的目的在于提供一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法，包括如下步骤：读入高光谱高维数据，进行维数转换，并对其作归一化处理，其中含有样本类别数为L；分别提取图像空间纹理特征和光谱特征，得到空间纹理特征T1、光谱特征T2；融合空间纹理特征和光谱特征得到图像的空间-光谱特征集合T＝{T1,T2}；从T中将L个类别各选取一部分样本来构成训练集A，测试集设定为T中所有L个类别的集合为M；利用M和A，求解高光谱数据的稀疏表达系数进行图像重构，并计算对应的每类的冗余；根据冗余确定样本的类别。本发明能够充分利用高光谱图像中的信息，通过空间-光谱特征来很好的刻画高光谱图像；能够提高分类精度；能够适用于不同的高光谱图像，适用性强。
-
公开(公告)号：CN103903007A
公开(公告)日：2014-07-02
申请号：CN201410083791.9
申请日：2014-03-10
Applicant: 哈尔滨工程大学
Abstract: 本发明属于遥感信息处理技术领域，具体涉及一种基于空-谱信息的高光谱半监督分类方法。本发明包括：参数设置；空-谱信息提取；分类过程；半监督分类无标签样本的选取。本发明将空间信息与光谱信息相结合可以有效地有监督分类方法的性能，随无标签训练样本数的增多本文所提方法性能提升，这是因为当无标签样本增多时，其提供了更多的空间分布信息，使得分类器做出更好的预测。
-
公开(公告)号：CN103761530A
公开(公告)日：2014-04-30
申请号：CN201410003264.2
申请日：2014-01-03
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于相关向量机的高光谱图像解混方法，包括以下几个步骤，步骤一，读取高光谱图像中k个数据类别的训练样本，并且读取高光谱图像的k个数据类别测试样本；步骤二，将具有监督信息的训练样本中属于第i数据类别对应的样本标号t值标记为+1，其余k-1的数据类别对应的样本标号t值标记为0，其中1≤i≤k；步骤三，利用训练样本训练相关向量机；步骤四，利用训练好的相关向量机模型对测试样本进行测试；步骤五，计算测试样本属于第i数据类别的概率值fi；步骤六，重复步骤二～步骤五，计算出测试样本分别属于k个数据类别的概率值fk；步骤七，将所求的k个概率值分别进行归一化操作，得到最终解混丰度值fi。本发明具有解混精度高，实时性好和统计性好的优点。
-
公开(公告)号：CN103514602A
公开(公告)日：2014-01-15
申请号：CN201310432897.0
申请日：2013-09-23
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明提供的是一种基于Volterra级数的高光谱图像非线性解混方法。取待解混高光谱图像，同时取用于解混的光谱端元，对于待解混高光谱图像中的每个待解混像元Y中各光谱端元mi,i=1,2,...,p在像元Y中所占的混合比例αi,i=1,2,...,p，利用非线性混合模型解出来。本发明利用地物间反射及折射对光谱仪成像的影响，考虑到光谱成像中的非线性因素，建立新的非线性模型，它包括地物光谱间的线性混合，以及两两折射反射影响。并提出基于Volterra级数的非线性模型解混方法，在模型的解混方法中应用LMS算法，不需要平方，平均或者微分等运算，使得该解混算法快速高效。
-
Patent Agency Ranking
公开(公告)号：CN102446278B
公开(公告)日：2013-05-08
申请号：CN201110269889.X
申请日：2011-09-14
Applicant: 哈尔滨工程大学
IPC: G06K9/80
Abstract: 本发明的目的在于提供一种基于多时相遥感图像的亚像元定位方法，包括以下步骤：输入低分辨率遥感图像，通过光谱解混技术，得到遥感图像中各类分量图，根据各类分量图，用SPSAM方法得到亚像元的初始空间分布；从低分辨率遥感图像中选取待分析像元Pab，对pij计算属于各个类别c时的能量函数Uc，ij，找出最小Uc，ij对应的类别，并将pij判定为该类；对Pab内的每个亚像元pij均进行以上的操作；对低分辨率遥感图像中每个待分析混合像元进行上述操作；重复上述步骤，直至输出的前后亚相元定位图像不同像元个数差别小于1％。本发明的方法具有更高的亚像元定位精度，且采用了SPSAM进行初始化，使得输出的定位结果不存在着由于随机初始化而引入的不确定性。
-
公开(公告)号：CN102903006A
公开(公告)日：2013-01-30
申请号：CN201210339326.8
申请日：2012-09-14
Applicant: 哈尔滨工程大学
IPC: G06N3/00
Abstract: 本发明属于遥感图像处理技术领域，具体涉及一种基于拟态物理学优化算法的高光谱图像波段选择方法，属于遥感图像处理技术领域。本方法包含：（1）进行子空间划分；（2）产生初始种群、初始速度；（3）获得最优适应度值和最差适应度值；（4）获得种群个体的质量、个体受其他个体虚拟作用力以及作用力合力；（5）更新个体运动的速度和位置；（6）更新最优适应度值和最差适应度值；（7）判断迭代次数t是否满足t＞tmax，若满足，则停止循环；若不满足，迭代次数加1，继续执行步骤(4)-(7)。
-
公开(公告)号：CN102074009A
公开(公告)日：2011-05-25
申请号：CN201110001363.3
申请日：2011-01-06
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种高光谱图像多端元模式的光谱混合分析方法。输入待分析混合像元为p；输入全部N类别的端元第i类别的端元数目为Ci，其中i＝1，2，·，N；按照如下步骤进行分析：进行端元数目均衡；进行端元总数限定；混合比例的初次分析；混合比例的二次分析。本发明提出一种新的多端元模式的光谱混合分析方法，具有低复杂度、高效率等优势。
-
公开(公告)号：CN101794443A
公开(公告)日：2010-08-04
申请号：CN201010101804.2
申请日：2010-01-28
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于线性最小二乘支持向量机的高光谱图像端元选择方法。步骤1.选取前N个像素点作为初始端元；步骤2.令目前所选端元中的第i个为“1”类，其余N-1个为“0”类，首次执行i＝1，建立相应的LLSSVM判别函数即距离测算函数；步骤3.依次计算每个像素的距离，如果某个像素的绝对距离大于1，则将该像素替换第i个端元，置i＝1，转入步骤2；步骤4.i＝i+1，若i＞N，转入步骤5，否则转入步骤2；步骤5.当前端元即为最终选择端元，结束。本发明为一种高光谱图像端元选择方法，采用LLSVM作为主要工具来完成。无需降维预处理、复杂度低。
-
公开(公告)号：CN101127086A
公开(公告)日：2008-02-20
申请号：CN200710144301.1
申请日：2007-09-12
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供的是一种高光谱图像复选性加权分类方法，它至少包括样本加权、特征加权或类别加权处理过程的一个。本发明根据样本异常程度与样本偏离类中心距离之间的关系，将距离非线性映射为相应权值来完成样本加权；根据类内散度矩阵对线性光谱分离问题的加权特性，将其推广到最小二乘SVM分类问题中来完成特征加权；根据最小二乘SVM线性方程组中单位矩阵对角元素的特殊含义，将其设定为体现类别重要性的不同数值来完成类别加权。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.034 seconds)
