-
公开(公告)号：CN104809471A
公开(公告)日：2015-07-29
申请号：CN201510205088.5
申请日：2015-04-27
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于空间光谱信息的高光谱图像残差融合分类方法。包括以下步骤，读入高光谱图像数据，确定样本类别数为L；分别提取高光谱图像的空间纹理信息FG和光谱信息FN；根据空间纹理信息FG和光谱信息FN构建相关矩阵；求解高光谱图像中测试样本xp与相关矩阵相对应的系数矩阵；重构样本，计算测试样本xp的每个类别所对应的重构残差；计算测试样本xp的每个类别的融合残差；根据测试样本xp的每个类别的融合残差确定测试样本xp的类别。本发明具有分类精度高，得到的分类图视觉效果好的优点。
-
公开(公告)号：CN104809471B
公开(公告)日：2019-01-15
申请号：CN201510205088.5
申请日：2015-04-27
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于空间光谱信息的高光谱图像残差融合分类方法。包括以下步骤，读入高光谱图像数据，确定样本类别数为L；分别提取高光谱图像的空间纹理信息FG和光谱信息FN；根据空间纹理信息FG和光谱信息FN构建相关矩阵；求解高光谱图像中测试样本xp与相关矩阵相对应的系数矩阵；重构样本，计算测试样本xp的每个类别所对应的重构残差；计算测试样本xp的每个类别的融合残差；根据测试样本xp的每个类别的融合残差确定测试样本xp的类别。本发明具有分类精度高，得到的分类图视觉效果好的优点。
-
公开(公告)号：CN104504391A
公开(公告)日：2015-04-08
申请号：CN201410734811.4
申请日：2014-12-04
Applicant: 哈尔滨工程大学
IPC: G06K9/62
CPC classification number: G06K9/6249 , G06K9/6277
Abstract: 本发明属于遥感信息处理技术领域，具体涉及一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法。本发明包括：读入高光谱图像数据；求解字典；求解稀疏特征；用概率支持向量机求解概率输出，并确定初始分类结果：通过马尔科夫随机场来求解样本概率；确定高光谱图像最终分类结果。本发明应用稀疏特征使得图像得到很好的表述，能够对图像中的邻域信息充分的利用，优化了分类图的视觉效果，提高了分类的精度等优点。
-
Patent Agency Ranking
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：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：CN104504391B
公开(公告)日：2017-11-21
申请号：CN201410734811.4
申请日：2014-12-04
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于遥感信息处理技术领域，具体涉及一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法。本发明包括：读入高光谱图像数据；求解字典；求解稀疏特征；用概率支持向量机求解概率输出，并确定初始分类结果：通过马尔科夫随机场来求解样本概率；确定高光谱图像最终分类结果。本发明应用稀疏特征使得图像得到很好的表述，能够对图像中的邻域信息充分的利用，优化了分类图的视觉效果，提高了分类的精度等优点。
-
公开(公告)号：CN103761530B
公开(公告)日：2017-05-24
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：CN103903010A
公开(公告)日：2014-07-02
申请号：CN201410120917.5
申请日：2014-03-28
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供的是一种基于稀疏特征和邻域同属性的高光谱图像分类方法。包括：1、读入高光谱图像数据；2、求解字典D；3、求解稀疏特征A；4、设定训练集和测试集；5、支持向量机（Support？Vector？Machines,SVM）二分类；6、确定多分类结果；7、读入邻域尺度集合C；8、邻域划分；9、邻域同属性判定；10、重复进行步骤8和步骤9的循环操作，直到得到邻域同属性分类结果Yl，其为最终分类结果YM。本发明具有分类效果好、处理高维数据时花费代价低，且适用性强等优点。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
