• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)的擴(kuò)散平滑和RBM的高光譜圖像分類

    2016-11-01 08:50:56歐陽寧
    電視技術(shù) 2016年10期
    關(guān)鍵詞:特征提取分類實驗

    歐陽寧,高 鑫,袁 華

    (桂林電子科技大學(xué) 認(rèn)知無線電與信息處理省部共建教育部重點實驗室,廣西 桂林 541004)

    ?

    基于改進(jìn)的擴(kuò)散平滑和RBM的高光譜圖像分類

    歐陽寧,高鑫,袁華

    (桂林電子科技大學(xué) 認(rèn)知無線電與信息處理省部共建教育部重點實驗室,廣西 桂林 541004)

    為了改善傳統(tǒng)分類方法在高光譜遙感圖像去噪和特征提取方面的不足,提出了一種基于改進(jìn)的擴(kuò)散平滑算法和RBM的方法。該方法使用自適應(yīng)擴(kuò)散系數(shù),對相應(yīng)的區(qū)域進(jìn)行不同程度的擴(kuò)散平滑,實現(xiàn)了對高光譜遙感圖像的快速去噪;然后利用多層限制玻爾茲曼機(jī)構(gòu)建DBN網(wǎng)絡(luò),實現(xiàn)對高光譜遙感圖像的分類。實驗表明,與傳統(tǒng)的分類方法和DBN相比,該方法在高光譜圖像地物分類精度上有所改善。

    擴(kuò)散平滑;限制玻爾茲曼機(jī);高光譜;遙感;神經(jīng)網(wǎng)絡(luò)

    近年來,隨著成像光譜儀技術(shù)的突破,遙感圖像由多光譜成像發(fā)展到高光譜,成像的波段由幾個增加到幾十個甚至幾百個。高光譜遙感技術(shù)的發(fā)展為地球遙感和相關(guān)應(yīng)用的開發(fā)創(chuàng)造了新的機(jī)遇。土地覆蓋調(diào)查、森林地物分類、材料識別以及現(xiàn)代農(nóng)業(yè)等幾個領(lǐng)域都利用了大量遙感影像來獲取信息[1-2]。

    目前,主要運(yùn)用如ANN[3-4](人工神經(jīng)網(wǎng)絡(luò)),SVM[5-6](支持向量機(jī))這一類的非參數(shù)化方法[7]進(jìn)行高光譜圖像的分類工作。但是,SVM方法需要較多的有標(biāo)簽樣本,BP神經(jīng)網(wǎng)絡(luò)存在容易收斂到局部最小值的問題。2006年,Hinton及其學(xué)生Salakhutdinov在《Science》上發(fā)表了一篇文章[8],正式提出深度信念網(wǎng)絡(luò)DBN。在該算法中,一個DBN模型被視為由若干個RBM堆疊形成,訓(xùn)練時由低到高逐層訓(xùn)練,每次只需訓(xùn)練單層的網(wǎng)絡(luò)。在預(yù)訓(xùn)練后,DBN可以通過帶標(biāo)簽數(shù)據(jù)用BP算法對判別性能做出調(diào)整,網(wǎng)絡(luò)的性能比單純的BP算法訓(xùn)練的網(wǎng)絡(luò)要好。自此,深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個新興研究方向,受到了學(xué)術(shù)界的極大關(guān)注。

    雖然DBN在高光譜圖像的分類上取得了不錯的效果,但該方法側(cè)重于限制玻爾茲曼機(jī)的特征提取方面,對高光譜數(shù)據(jù)的去噪處理還停留在簡單去除噪聲波段[9]這一層面,沒有很好的方法對已經(jīng)去除噪聲波段的數(shù)據(jù)再進(jìn)一步進(jìn)行去噪處理。針對這一問題,本文引入一種改進(jìn)的擴(kuò)散平滑算法對高光譜圖像進(jìn)行去噪,利用RBM構(gòu)建網(wǎng)絡(luò)進(jìn)行特征提取,再連接BP或SP進(jìn)行地物分類。實驗表明,本文提出的方法在主觀視覺效果和客觀評價參數(shù)都優(yōu)于相比較的幾種算法。

    1 基于改進(jìn)的擴(kuò)散平滑和限制玻爾茲曼機(jī)的特征提取及分類

    采用了一種改進(jìn)的各項異性擴(kuò)散平滑方法。通過改進(jìn)PM模型的擴(kuò)散系數(shù),設(shè)置一個梯度閾值,每個梯度范圍對應(yīng)一種擴(kuò)散系數(shù),在不同的梯度區(qū)域采用相對應(yīng)的擴(kuò)散系數(shù)進(jìn)行處理:在梯度較小的區(qū)域采用較大程度的擴(kuò)散,處理后圖像中亮度值相近的像素點會連成一片,形成尺度空間范圍內(nèi)的同質(zhì)區(qū)域,增加了同質(zhì)區(qū)域噪聲的差別;在梯度較大的區(qū)域采用PM模型進(jìn)行處理,最大程度保留細(xì)節(jié)和邊緣信息。

    經(jīng)過擴(kuò)散平滑處理后,高光譜圖像的噪點基本被去除。將得到的數(shù)據(jù)中每個波段的圖像依次拉伸為一列,再將每列數(shù)據(jù)等分,按順序存儲起來,便于分批處理。最后利用多層限制玻爾茲曼機(jī)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行訓(xùn)練,提取特征,輸出的權(quán)值向量作為BP神經(jīng)網(wǎng)絡(luò)或SP(子空間追蹤)算法的輸入,完成對地物的分類。系統(tǒng)框圖如圖1所示。

    圖1 系統(tǒng)框圖

    2 特征提取及數(shù)據(jù)處理

    2.1基于改進(jìn)的擴(kuò)散平滑的高光譜圖像去噪

    高光譜數(shù)據(jù)在獲取和傳輸過程中容易受傳感器、外界環(huán)境等因素的影響,存在很多噪聲。為了減小噪聲對特征提取的影響,除了剔除噪聲波段和吸水波段,還需要對數(shù)據(jù)進(jìn)一步去噪。由于高光譜數(shù)據(jù)包含上百個波段的光譜信息,如果采用中值濾波或者小波變換等方法,計算量非常大,耗時太久。本文引入一種改進(jìn)的各向異性擴(kuò)散(PM)模型對高光譜圖像進(jìn)行去噪。

    PM模型是改進(jìn)的熱傳導(dǎo)微分方程

    (1)

    擴(kuò)散系數(shù)為

    (2)

    式中:k是閾值參數(shù),用來控制特征尺度。

    新方法通過改進(jìn)PM模型的擴(kuò)散系數(shù),針對不同的梯度范圍采用不同程度的擴(kuò)散。

    (3)

    (4)

    (5)

    式中:α和β是連貫系數(shù),它們保證擴(kuò)散系數(shù)函數(shù)c2的連續(xù)性。

    圖2所示為去噪前后的對比。在梯度較小的區(qū)域采用較大程度的擴(kuò)散后,圖像中亮度值相近的像素點連成一片,形成同質(zhì)區(qū)域,增加了區(qū)域噪聲的差別;在梯度較大的區(qū)域采用PM模型進(jìn)行處理,細(xì)節(jié)和邊緣信息都得到很好的保留。對比圖2a和圖2b后發(fā)現(xiàn),圓圈標(biāo)注的兩個區(qū)域經(jīng)過該方法處理后,噪點基本都被去除,邊緣和細(xì)節(jié)信息也得到很好的保留。

    圖2 去噪前后的對比

    2.2數(shù)據(jù)重組及分批

    為了得到較好的分類效果以及提高系統(tǒng)效率,本文將經(jīng)過去噪后的數(shù)據(jù)進(jìn)行重組和分批:先把a(bǔ)幅大小為m×m的圖片拉伸為a列m2×1大小的矩陣存儲起來,再將每一列平均分為c份,每份含有b個元素。這樣處理過的數(shù)據(jù)就便于批量訓(xùn)練和制作標(biāo)簽。圖3所示為數(shù)據(jù)重組和分批的具體流程。

    圖3 數(shù)據(jù)重組和分批

    2.3限制玻爾茲曼機(jī)

    限制玻爾茲曼機(jī)(RestrictedBoltzmannMachine,RBM)是一種生成式隨機(jī)神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)由若干可見單元構(gòu)成的可見層和一些隱藏單元構(gòu)成的隱藏層組成[10]。神經(jīng)元之間的連接具有層內(nèi)無連接、層間全連接的特點??梢妼訂卧脕砻枋鲚斎霕颖緮?shù)據(jù)的某個方面或某個特征,隱藏層單元一般用來獲取可見層單元對應(yīng)變量之間的依賴關(guān)系,也被稱為特征提取層。圖4所示為RBM的網(wǎng)絡(luò)結(jié)構(gòu)。

    圖4 RBM網(wǎng)絡(luò)結(jié)構(gòu)

    n表示可見層中神經(jīng)元的個數(shù),m表示隱藏層中神經(jīng)元的個數(shù),v=(v1,v2,…,vn)表示可見層的狀態(tài)向量,h=(h1,h2,…,hm)表示隱藏層的狀態(tài)向量,a=(a1,a2,…,an)表示可見層的偏置向量,b=(b1,b2,…,bm)表示隱藏層的偏置向量,W=(wi,j)∈Rn×m表示可見層和隱藏層之間的權(quán)值矩陣。

    隱藏單元和可見單元的的激活概率分別為

    (6)

    (7)

    式中:σ(x)=1/(1+e-x)為sigmoid激活函數(shù);∑表示累加求和;hi是h中的一個元素;vj是v中的一個元素;aj是a中的一個元素;bi是b中的一個元素。

    將可見單元的狀態(tài)設(shè)置為一個訓(xùn)練樣本,v(0)=v,執(zhí)行k步Gibbs采樣,利用式(6)計算所有隱藏單元的二值狀態(tài),在所有隱藏單元狀態(tài)確定后,根據(jù)式(7)來確定第i個可見單元vi取值為1的概率,進(jìn)而產(chǎn)生可見層的一個重構(gòu)。然后利用采樣得到的v(k)來近似估計

    (8)

    (9)

    (10)

    各參數(shù)按下式更新

    (11)

    (12)

    (13)

    得到各層參數(shù)的更新公式

    (14)

    (15)

    (16)

    式中:η>0為學(xué)習(xí)率。

    2.4方法具體流程

    1)將經(jīng)過幾何校正和大氣校正的高光譜數(shù)據(jù)中的噪聲波段和吸水波段剔除,再進(jìn)行擴(kuò)散平滑去噪處理。

    2)將每個波段的圖片拉伸為一列,每列進(jìn)行分塊,將數(shù)據(jù)分批。

    3)按批次將數(shù)據(jù)輸入第一層RBM,輸出的權(quán)值和偏置作為第二層RBM的輸入,以此類推,經(jīng)過N層訓(xùn)練,得到權(quán)值向量以及隱藏層和可見層的偏置向量。

    4)將最后一層RBM網(wǎng)絡(luò)輸出的權(quán)值向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入,通過BP后進(jìn)行分類。

    圖5所示為基于DBN的特征提取和分類方法流程圖。

    圖5 基于DBN的特征提取和分類方法流程圖

    3 實驗仿真及結(jié)果分析

    3.1實驗數(shù)據(jù)和評估指標(biāo)

    實驗環(huán)境:在CPU為Intel至強(qiáng)E3-1230V3,內(nèi)存為8GbyteDDR3,顯卡為GTX660 2GHz的PC機(jī)上,利用MATLABR2012a進(jìn)行實驗仿真。

    實驗采用的數(shù)據(jù)是美國國家航空航天局噴氣推進(jìn)實驗室用AVIRIS系統(tǒng)在1992年拍攝的印第安納州西北部松樹場景高光譜遙感圖像。該數(shù)據(jù)光譜分辨率為10nm,空間分辨率為20m×20m,包含224個波段的光譜信息,每個波段的分辨率為144×144,圖6所示為某一個波段的地物分布情況。圖7為對應(yīng)的地物標(biāo)識。

    圖6 單波段地物場景

    圖7 地物標(biāo)識

    該高光譜數(shù)據(jù)對應(yīng)的地物有16種,分別為Corn-Notill,Grass/Pasture,Grass/Trees,Hay-Windrowed,Soybeans-Notill,Soybeans-Mintill,Soybeans-Clean,Woods,Alfalfa,Corn-Mintill,Corn,Grass/Pasture-moved,Oats,Wheat,Bldng-Trass-Trees,Stone-Steel-Tower。表1為16種地物的樣本數(shù)目。

    選取16種地物中的Corn-Notill,Grass/Pasture,Grass/Trees,Hay-Windrowed,Soybeans-Notill,Soybeans-Mintill,Soybeans-Clean和Woods這8類地物,共計8 511個樣本進(jìn)行分類實驗。8類地物的具體分布如圖8~9所示。

    表116種地物樣本數(shù)目

    地物種類AlfalfaCorn-NotillCorn-MimtillBldng-Grass-TreesGrass/PastureGrass/TreesGrass/Pasture-movedHay-Windrowed樣本數(shù)目54143483423449774726489地物種類OatsSoybeans-NotillSoybeans-MintillSoybeans-CleanWheatWoodsCornStone-Steel-Tower樣本數(shù)目209682468614212129438095

    圖8 8類地物標(biāo)識1

    圖9 8類地物標(biāo)識2

    利用混淆矩陣來反映分類結(jié)果與地物真實情況的相關(guān)信息,通過分析混淆矩陣,采用總體分類精度(OverallAccuracy,OA)、平均分類精度(AverageAccuracy,AA)和Kappa系數(shù)作為實驗的參考參數(shù),用來判斷算法的性能。

    對于混淆矩陣A,假設(shè)矩陣大小為m×m,樣本種類即為m個。aii表示正確分類到第i類的樣本數(shù)目,aij表示錯分的樣本數(shù)目。

    測試樣本總數(shù)為

    (17)

    第i行元素之和為

    (18)

    第i列元素之和為

    (19)

    Kappa系數(shù)為

    (20)

    總體分類精度為

    (21)

    平均分類精度為

    (22)

    3.2參數(shù)設(shè)置實驗

    實驗首先從RBM的參數(shù)設(shè)定進(jìn)行。通過查閱文獻(xiàn)[11],經(jīng)過多次試驗,將RBM的參數(shù)設(shè)置為:epsilonw=0.1,epsilonvb=0.1,epsilonhb=0.1,weightcose=0.000 2,initialmomentum=0.5,finalmomentum=0.9。

    由于神經(jīng)網(wǎng)絡(luò)的抽象性,迭代的次數(shù)對實驗結(jié)果有很大影響。若迭代次數(shù)過小,則數(shù)據(jù)不能夠很好地描述較抽象的特征;若迭代次數(shù)過大,則實驗所花費(fèi)的時間將大大增加。通過實驗發(fā)現(xiàn),迭代20次以后,分類效果已經(jīng)穩(wěn)定,繼續(xù)增加迭代次數(shù)分類效果提升不明顯。

    文獻(xiàn)[12]指出,隱藏層的節(jié)點數(shù)對特征提取有一定影響。當(dāng)隱藏層節(jié)點數(shù)目過多時,會導(dǎo)致過擬合;同樣,當(dāng)隱藏層節(jié)點數(shù)過小時,兩層神經(jīng)元之間的鏈接過少,層與層之間的權(quán)值向量不能很好地表示相關(guān)信息。通過多次實驗,發(fā)現(xiàn)其他參數(shù)不變,當(dāng)隱藏層節(jié)點個數(shù)為60的時候,分類結(jié)果最好。圖10所示為不同迭代次數(shù)下的分類結(jié)果,圖11所示為隱藏層個數(shù)對分類結(jié)果的影響。

    圖10 不同迭代次數(shù)下的分類效果

    圖11 隱藏層個數(shù)對分類結(jié)果的影響

    3.3實驗結(jié)果分析

    圖12所示為各方法的分類效果圖,表2所示為各類方法的參數(shù)對比。由圖12a的分類結(jié)果示意圖可以看出,SVM算法能夠?qū)?類地物都比較好地分類出來,特別是對Woods的分類準(zhǔn)確度達(dá)到了97.89%。但是由于高光譜圖像存在“同物異譜,同譜異物”的現(xiàn)象,造成該算法在某些地物的分類上容易發(fā)生誤分和漏分的現(xiàn)象。從圖12a中的標(biāo)注可以看出,該方法對Corn-Notill這類地物的分類效果很差,大部分都被錯分為地物Soybeans-Mintill,Soybeans-Clean這類地物也有一部分被錯分為Soybeans-Mintill。表2的實驗數(shù)據(jù)反映該方法對地物Corn-Notill的分類精度只有58.67%,這也進(jìn)一步印證了該算法的缺陷。

    圖12 各方法的分類效果圖

    基于RBM的兩種方法由于采用了多層RBM訓(xùn)練網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行處理,能夠深度挖掘很抽象的特征,在一定程度上改善了誤分的現(xiàn)象。圖12a中SVM分類方法將很大一部分的Hay-Windrowed誤分為Grass/Pasture,

    表2各種方法的分類效果

    地物種類SVMRBM+SPRBM+BP擴(kuò)散平滑+RBM+BPCorn-Notill0.58670.70730.74020.7421Grass/Pasture0.73780.88410.86750.8850Grass/Trees0.96750.94110.97530.9696Hay-Windrowed0.63820.92470.90380.9251Soybeans-Notill0.66760.76340.80760.7966Soybeans-Mintill0.77520.80530.79190.8045Soybeans-Clean0.61920.60030.63740.6233Woods0.97890.92810.95180.9637OA0.76710.82240.84070.8476AA0.74640.81930.83440.8387Kappa0.71900.76850.77010.7727

    在圖12b和圖12d中可以看出該現(xiàn)象均得到了很好的改善。雖然對Woods的分類效果較SVM方法略有下降,但是對Corn-Notill,Grass/Trees,Grass/Pasture,Hay-Windrowed,Soybeans-Notill和Soybeans-Mintill這幾類地物的分類效果都有所提升。特別是DBN網(wǎng)絡(luò),由于BP神經(jīng)網(wǎng)絡(luò)的反向傳播特性,能夠?qū)ο到y(tǒng)進(jìn)行微調(diào),使得該網(wǎng)絡(luò)的分類效果進(jìn)一步提升。表2的數(shù)據(jù)也顯示它的幾項參數(shù)均比其他兩種方法有顯著提升。

    從圖12c和圖12d可以看出,經(jīng)過擴(kuò)散平滑去噪處理后,分類效果得到改善。圖13所示為去噪前后的參數(shù)對比。由圖13和表2也可看出,去噪后的分類效果在Kappa系數(shù)、平均精度和總體精度上均有提高。實驗驗證本文方法改善了DBN系統(tǒng)在去噪方面的不足,對遙感圖像地物分類的效果顯著,證明該方法可行。

    圖13 去噪前后評估參數(shù)對比

    4 總結(jié)

    針對DBN在去噪方面的不足,提出了一種基于改進(jìn)的擴(kuò)散平滑和限制玻爾茲曼機(jī)的高光譜圖像特征提取及分類方法。該方法利用一種改進(jìn)的擴(kuò)散平滑算法,對高光譜圖像不同的梯度區(qū)域采取不同程度的擴(kuò)散平滑,有效去除噪聲;然后利用RBM網(wǎng)絡(luò),采用級聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu),充分挖掘數(shù)據(jù)的深層抽象特征;最后將提取的特征作為BP(SP)的輸入,對各類地物進(jìn)行分類。實驗結(jié)果表明,本文提出的算法在各類地物分類效果以及總體分類準(zhǔn)確率上,相比其他算法,都取得一定程度的提高。本文方法在去噪方面仍有改進(jìn)的空間,可以結(jié)合PCA和字典學(xué)習(xí)的優(yōu)點進(jìn)行更好的去噪處理。該方法優(yōu)化后將在城市規(guī)劃、農(nóng)業(yè)生產(chǎn)和森林植被調(diào)查等領(lǐng)域有很好的應(yīng)用前景。

    [1]GURRAMP.Algorithmsformultispectralandhyperspectralimageanalysis[J].Journalofelectrical&computerengineering,2013(2):11-16.

    [2]AHMADM,LEES,HAQIU,etal.Hyperspectralremotesensing:dimensionalreductionandendmemberextraction[J].Internationaljournalofsoftcomputing&engineering,2012,2(2):25-29.

    [3]都業(yè)軍,周肅,方吉宙.人工神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用與對比研究[J].測繪科學(xué),2015(增刊1):53-123.

    [4]HAYKINS.Neuralnetworksandlearningmachines[M]. 3rded.NewJersey:PearsonEducation,2009.

    [5]譚琨,杜培軍. 基于支持向量機(jī)的高光譜遙感圖像分類[J].紅外與毫米波學(xué)報, 2008, 27(2): 123-128.

    [6]NIUX,BANYF.AnovelcontextualclassificationalgorithmformultitemporalpolarimetricSARdata[J].IEEEgeoscienceandremotesensingletters,2014,11(3):681-685.

    [7]呂啟,竇勇,牛新,等.基于DBN模型的遙感圖像分類[J].計算機(jī)研究與發(fā)展,2014,51(9):1911-1918.

    [8]HINTONGE,SALAKHUTDINOVRR.Reducingthedimensionalityofdatawithneuralnetworks[J].Science,2006(13):504-507.

    [9]MIDHUNME,NAIRSR,PRABHAKARVTN,etal.Deepmodelforclassificationofhyperspectralimageusingrestrictedboltzmannmachine[C]//ICONIAAC′14.[S.l.]:IEEE,2014:1-7.

    [10]張春霞,姬楠楠,王冠偉.受限波爾茲曼機(jī)[J].工程數(shù)學(xué)學(xué)報,2015,32(2):159-173.

    [11]LUOX,ZHAOC,PANJ,etal.Remotesensingimageintelligentclassificationanditsapplication[J].Publishinghouseofelectronicsindustry,2011(8):19-27.[12]LAROCHELLE H,BENGIO Y,LOURADOUR J,et al. Exploring strategies for training deep neural networks[J]. The journal of machine learning research,2009(10):1-40.

    歐陽寧(1972— ),教授,主要研究領(lǐng)域為智能圖像處理、智能信息處理、數(shù)據(jù)融合、計算機(jī)應(yīng)用等;

    高鑫(1988— ),碩士生,主研高光譜圖像去噪和分類;

    袁華(1975— ),碩士,講師,主研圖像處理、智能圖像處理。

    責(zé)任編輯:時雯

    Feature extraction and classification of hyperspectral image based on improved diffusion smoothing and RBM

    OUYANG Ning,GAO Xin,YUAN Hua

    (KeyLaboratoryofCognitiveRadioandInformationProcessing,GuilinUniversityofElectronicTechnology,GuangxiGuilin541004,China)

    In order to improve the shortcomings of traditional classification methods in hyperspectral remote sensing image denoising and feature extraction, a new method based on improved diffusion smoothing algorithm and RBM model is proposed. The method uses the adaptive diffusion coefficient to the high spectral image denoising. To the corresponding regions, different degree of diffusion smoothing is adopted to realize the fast denoising of hyperspectral remote sensing image.Then, restricted Boltzmann machine is used to build DBN network to classify hyperspectral remote sensing images. The experimental results show that, compared with the traditional classification method and DBN, the proposed method obviously improve the classification accuracy of the remote sensing image.

    diffusion smoothing; restricted Boltzmann machine; hyperspectral; remote sensing; neural network

    TN911.73

    ADOI:10.16280/j.videoe.2016.010.005

    國家自然科學(xué)基金項目(61362021);廣西自然科學(xué)基金項目(2013GXNSFDA019030;2013GXNSFAA019331;2014GXNSFDA118035);廣西科技開發(fā)項目(桂科攻1348020-6;桂科能1298025-7);桂林電子科技大學(xué)研究生科研創(chuàng)新項目(YJCXS201531)

    2016-02-05

    文獻(xiàn)引用格式:歐陽寧,高鑫,袁華.基于改進(jìn)的擴(kuò)散平滑和RBM的高光譜圖像分類[J].電視技術(shù),2016,40(10):22-27.

    OUYANG N,GAO X,YUAN H.Feature extraction and classification of hyperspectral image based on improved diffusion smoothing and RBM[J].Video engineering,2016,40(10):22-27.

    猜你喜歡
    特征提取分類實驗
    記一次有趣的實驗
    分類算一算
    做個怪怪長實驗
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    一種基于LBP 特征提取和稀疏表示的肝病識別算法
    NO與NO2相互轉(zhuǎn)化實驗的改進(jìn)
    實踐十號上的19項實驗
    太空探索(2016年5期)2016-07-12 15:17:55
    午夜免费男女啪啪视频观看 | 亚洲av第一区精品v没综合| 日韩亚洲欧美综合| 最近最新中文字幕大全电影3| 好看av亚洲va欧美ⅴa在| 一进一出抽搐gif免费好疼| 久久久久久久久大av| 69av精品久久久久久| 在线看三级毛片| 成人一区二区视频在线观看| 日本黄色视频三级网站网址| 精品乱码久久久久久99久播| 青草久久国产| 国产色婷婷99| 色哟哟哟哟哟哟| 国产精品一及| 俺也久久电影网| 黄色丝袜av网址大全| 黄色一级大片看看| 久久婷婷人人爽人人干人人爱| 亚洲av一区综合| aaaaa片日本免费| 国产伦精品一区二区三区四那| 永久网站在线| 97超视频在线观看视频| 嫁个100分男人电影在线观看| 色av中文字幕| 欧美日韩瑟瑟在线播放| 婷婷六月久久综合丁香| 久久午夜福利片| 亚洲人成网站在线播| 国产免费男女视频| 亚洲成人精品中文字幕电影| 狠狠狠狠99中文字幕| 美女高潮的动态| 亚洲午夜理论影院| 国产真实伦视频高清在线观看 | x7x7x7水蜜桃| 欧美乱色亚洲激情| 午夜福利18| 我要看日韩黄色一级片| 性欧美人与动物交配| 亚洲国产日韩欧美精品在线观看| 午夜影院日韩av| 亚洲最大成人av| 三级毛片av免费| 看片在线看免费视频| 两个人的视频大全免费| 久久久色成人| 久久国产精品人妻蜜桃| 亚洲成人久久性| 亚洲国产欧洲综合997久久,| 精品熟女少妇八av免费久了| 国产精品人妻久久久久久| 国产精品一区二区性色av| 亚洲精品成人久久久久久| 午夜福利在线观看免费完整高清在 | 赤兔流量卡办理| 又紧又爽又黄一区二区| 亚洲片人在线观看| 男插女下体视频免费在线播放| 国产综合懂色| 91久久精品电影网| 国产一区二区三区在线臀色熟女| 久久草成人影院| 日韩国内少妇激情av| 亚洲欧美日韩无卡精品| 性色av乱码一区二区三区2| 性欧美人与动物交配| 99国产精品一区二区三区| 一级a爱片免费观看的视频| 嫩草影院新地址| 亚洲精品456在线播放app | 五月伊人婷婷丁香| 女人十人毛片免费观看3o分钟| 人妻久久中文字幕网| 婷婷亚洲欧美| 88av欧美| 1024手机看黄色片| 中文资源天堂在线| 最新中文字幕久久久久| 久久久久九九精品影院| 亚洲av中文字字幕乱码综合| 午夜福利18| 搡老妇女老女人老熟妇| 特大巨黑吊av在线直播| 在线天堂最新版资源| 欧美黑人欧美精品刺激| 免费在线观看成人毛片| 国产精品一区二区三区四区免费观看 | 中文资源天堂在线| 亚洲美女视频黄频| 欧美成狂野欧美在线观看| 又黄又爽又刺激的免费视频.| 久久精品91蜜桃| 国产高清视频在线观看网站| 99热6这里只有精品| 色综合婷婷激情| 日本与韩国留学比较| 一夜夜www| 老司机福利观看| 黄色日韩在线| 高清日韩中文字幕在线| 久久久色成人| 搞女人的毛片| 色吧在线观看| 欧美色欧美亚洲另类二区| 内射极品少妇av片p| 午夜福利欧美成人| 毛片女人毛片| 国产精品不卡视频一区二区 | 午夜久久久久精精品| 动漫黄色视频在线观看| 变态另类丝袜制服| 美女高潮的动态| 少妇高潮的动态图| 天堂√8在线中文| 热99re8久久精品国产| 搡老熟女国产l中国老女人| 亚洲自拍偷在线| 欧美zozozo另类| 尤物成人国产欧美一区二区三区| 久久欧美精品欧美久久欧美| 免费搜索国产男女视频| 亚洲三级黄色毛片| 深夜a级毛片| 色播亚洲综合网| 国产高清三级在线| 97碰自拍视频| 最近最新免费中文字幕在线| 日日夜夜操网爽| 日本五十路高清| а√天堂www在线а√下载| 亚洲久久久久久中文字幕| 亚洲人成网站在线播放欧美日韩| 久久久久久大精品| 丰满人妻熟妇乱又伦精品不卡| 亚洲 欧美 日韩 在线 免费| 亚洲av一区综合| 色尼玛亚洲综合影院| 夜夜看夜夜爽夜夜摸| 精品久久久久久久久av| 久久精品国产99精品国产亚洲性色| 伦理电影大哥的女人| 黄片小视频在线播放| 别揉我奶头~嗯~啊~动态视频| netflix在线观看网站| 18禁黄网站禁片免费观看直播| 午夜福利在线观看吧| 国内精品久久久久精免费| 欧美又色又爽又黄视频| 国产精品久久久久久人妻精品电影| 国产成人啪精品午夜网站| 麻豆成人av在线观看| 亚州av有码| 成人av在线播放网站| 午夜免费男女啪啪视频观看 | 国内精品一区二区在线观看| 欧美黑人欧美精品刺激| 99热这里只有是精品在线观看 | 亚洲aⅴ乱码一区二区在线播放| 欧洲精品卡2卡3卡4卡5卡区| 成人毛片a级毛片在线播放| 18禁在线播放成人免费| 日本在线视频免费播放| 又粗又爽又猛毛片免费看| 免费大片18禁| 男女那种视频在线观看| 国产真实伦视频高清在线观看 | 欧美色欧美亚洲另类二区| 久久精品国产亚洲av涩爱 | 一级作爱视频免费观看| 亚洲欧美日韩东京热| 国产蜜桃级精品一区二区三区| 亚洲欧美日韩高清专用| 亚洲av五月六月丁香网| 日本精品一区二区三区蜜桃| 色av中文字幕| 又粗又爽又猛毛片免费看| 欧美日韩乱码在线| av专区在线播放| 日韩欧美精品v在线| 久久午夜福利片| 99精品在免费线老司机午夜| 国产不卡一卡二| 久久性视频一级片| 国产精品乱码一区二三区的特点| 床上黄色一级片| 99热这里只有是精品在线观看 | 亚洲欧美日韩高清专用| 国产精品一区二区三区四区免费观看 | 成年人黄色毛片网站| 欧美日韩亚洲国产一区二区在线观看| 1000部很黄的大片| 91av网一区二区| 90打野战视频偷拍视频| 午夜精品久久久久久毛片777| 黄色丝袜av网址大全| 在线十欧美十亚洲十日本专区| 中文字幕人成人乱码亚洲影| 久久精品综合一区二区三区| 国产成人av教育| 18+在线观看网站| 日本成人三级电影网站| 亚洲av成人不卡在线观看播放网| 国产高清视频在线观看网站| 蜜桃久久精品国产亚洲av| 精品一区二区三区人妻视频| 亚洲黑人精品在线| 久久久久久久久中文| avwww免费| 一级作爱视频免费观看| 亚洲人成网站在线播放欧美日韩| 岛国在线免费视频观看| 免费av观看视频| 免费av毛片视频| 非洲黑人性xxxx精品又粗又长| 欧美最新免费一区二区三区 | 老司机福利观看| 日韩欧美 国产精品| 狠狠狠狠99中文字幕| 脱女人内裤的视频| 他把我摸到了高潮在线观看| 日本撒尿小便嘘嘘汇集6| 日本成人三级电影网站| 亚洲av一区综合| 怎么达到女性高潮| 久久精品国产清高在天天线| 午夜福利成人在线免费观看| 亚洲真实伦在线观看| 国产成人影院久久av| 欧美日韩国产亚洲二区| 国产精品三级大全| 观看免费一级毛片| 草草在线视频免费看| 国产麻豆成人av免费视频| 国语自产精品视频在线第100页| 久久久久久久午夜电影| 国产色爽女视频免费观看| 亚洲欧美日韩无卡精品| 很黄的视频免费| 国语自产精品视频在线第100页| 午夜福利免费观看在线| 天堂影院成人在线观看| 久久精品久久久久久噜噜老黄 | 天堂av国产一区二区熟女人妻| 亚洲片人在线观看| 国产v大片淫在线免费观看| 成人毛片a级毛片在线播放| 最近最新免费中文字幕在线| 欧美精品啪啪一区二区三区| 国产精品自产拍在线观看55亚洲| 欧美最黄视频在线播放免费| 黄片小视频在线播放| 99久国产av精品| 老熟妇仑乱视频hdxx| 日本 欧美在线| 国产精品不卡视频一区二区 | 欧美日韩国产亚洲二区| 成人特级av手机在线观看| www.熟女人妻精品国产| 欧美在线黄色| 国产单亲对白刺激| 午夜福利在线在线| 狂野欧美白嫩少妇大欣赏| 国产视频一区二区在线看| 午夜亚洲福利在线播放| 好看av亚洲va欧美ⅴa在| 少妇的逼好多水| 久久精品国产亚洲av天美| 国产三级在线视频| 热99re8久久精品国产| 亚洲中文字幕日韩| 69av精品久久久久久| 在线观看舔阴道视频| 深夜精品福利| 亚洲天堂国产精品一区在线| 久久婷婷人人爽人人干人人爱| 欧美3d第一页| 欧美日本亚洲视频在线播放| 中文字幕精品亚洲无线码一区| 国产极品精品免费视频能看的| 两个人视频免费观看高清| 人人妻人人看人人澡| 五月玫瑰六月丁香| 最近最新中文字幕大全电影3| 亚洲成人中文字幕在线播放| 欧美黄色淫秽网站| 人人妻,人人澡人人爽秒播| 欧美色视频一区免费| 免费av不卡在线播放| 日韩欧美免费精品| 色5月婷婷丁香| 久久人人爽人人爽人人片va | 少妇被粗大猛烈的视频| 中出人妻视频一区二区| 村上凉子中文字幕在线| 久久99热6这里只有精品| 一区二区三区高清视频在线| 午夜免费激情av| 网址你懂的国产日韩在线| 偷拍熟女少妇极品色| 欧美潮喷喷水| 国产国拍精品亚洲av在线观看| 乱码一卡2卡4卡精品| 久久精品国产自在天天线| 日本撒尿小便嘘嘘汇集6| 欧美一区二区精品小视频在线| www.www免费av| 757午夜福利合集在线观看| 亚洲av电影在线进入| 看免费av毛片| 亚洲熟妇熟女久久| 日韩大尺度精品在线看网址| 欧美精品国产亚洲| 亚洲三级黄色毛片| 少妇的逼好多水| 精品久久久久久久久久免费视频| 美女高潮喷水抽搐中文字幕| 九色国产91popny在线| 亚洲片人在线观看| 特大巨黑吊av在线直播| 3wmmmm亚洲av在线观看| 欧美极品一区二区三区四区| 3wmmmm亚洲av在线观看| 欧美另类亚洲清纯唯美| 少妇被粗大猛烈的视频| 内地一区二区视频在线| 欧美在线黄色| 精品99又大又爽又粗少妇毛片 | 国产黄色小视频在线观看| 欧美日本视频| 欧美性感艳星| 亚洲,欧美,日韩| or卡值多少钱| 久久99热6这里只有精品| 久久精品人妻少妇| 在线免费观看不下载黄p国产 | 色综合站精品国产| a级一级毛片免费在线观看| 免费高清视频大片| 级片在线观看| 国产三级中文精品| 欧美激情在线99| 国产av一区在线观看免费| 不卡一级毛片| 嫩草影院精品99| 日本在线视频免费播放| av在线观看视频网站免费| 好男人在线观看高清免费视频| 国产精品久久久久久久电影| 一本一本综合久久| 一区二区三区高清视频在线| 久99久视频精品免费| 一区二区三区高清视频在线| 国产麻豆成人av免费视频| 国产午夜福利久久久久久| 18美女黄网站色大片免费观看| 99久久九九国产精品国产免费| av视频在线观看入口| 免费看光身美女| 男女之事视频高清在线观看| 少妇熟女aⅴ在线视频| 69人妻影院| 欧美乱色亚洲激情| 亚洲欧美日韩卡通动漫| 一个人看的www免费观看视频| 欧美在线一区亚洲| 免费av不卡在线播放| 色精品久久人妻99蜜桃| 一区二区三区激情视频| 在现免费观看毛片| 国产高潮美女av| 欧美色视频一区免费| 人妻夜夜爽99麻豆av| 国产精品嫩草影院av在线观看 | 亚洲精品一区av在线观看| 亚洲人与动物交配视频| 小说图片视频综合网站| 深爱激情五月婷婷| 99在线视频只有这里精品首页| 欧美成人一区二区免费高清观看| 中文字幕制服av| 国产黄色免费在线视频| 视频中文字幕在线观看| 国产v大片淫在线免费观看| 制服丝袜香蕉在线| videossex国产| 大香蕉久久网| av在线天堂中文字幕| 天堂网av新在线| 亚洲精品成人久久久久久| 国产片特级美女逼逼视频| 久久久久国产网址| 国产男人的电影天堂91| 久久人人爽人人片av| 三级男女做爰猛烈吃奶摸视频| 国产亚洲最大av| 国产日韩欧美亚洲二区| 午夜日本视频在线| 好男人视频免费观看在线| 欧美变态另类bdsm刘玥| 亚洲国产av新网站| 国产精品国产三级国产专区5o| 精品国产一区二区三区久久久樱花 | 内地一区二区视频在线| 午夜福利在线观看免费完整高清在| 国产亚洲精品久久久com| 人妻夜夜爽99麻豆av| 日韩 亚洲 欧美在线| 国产黄色免费在线视频| 欧美成人精品欧美一级黄| 在线观看一区二区三区| 丝袜喷水一区| 久久久久久久午夜电影| 亚洲在久久综合| 在线观看免费高清a一片| 欧美区成人在线视频| 亚洲欧美清纯卡通| 日韩av不卡免费在线播放| 韩国高清视频一区二区三区| 久久久久精品久久久久真实原创| av在线老鸭窝| 一级a做视频免费观看| 亚洲精品一二三| av国产精品久久久久影院| .国产精品久久| 国产亚洲av嫩草精品影院| 日韩欧美 国产精品| 秋霞在线观看毛片| 在线观看一区二区三区| 又爽又黄a免费视频| 在线观看三级黄色| 久久亚洲国产成人精品v| 久久精品久久精品一区二区三区| .国产精品久久| 大香蕉97超碰在线| 日韩一本色道免费dvd| 欧美3d第一页| www.色视频.com| 成人综合一区亚洲| 偷拍熟女少妇极品色| 99久久九九国产精品国产免费| videossex国产| 在线看a的网站| 亚洲精品成人av观看孕妇| 亚洲成人中文字幕在线播放| 新久久久久国产一级毛片| 国产av不卡久久| 欧美老熟妇乱子伦牲交| 天天躁日日操中文字幕| 国产免费福利视频在线观看| 久久久久性生活片| 一区二区av电影网| 午夜精品一区二区三区免费看| 国产视频首页在线观看| www.av在线官网国产| 能在线免费看毛片的网站| 日韩欧美 国产精品| 国产精品国产三级国产专区5o| 欧美bdsm另类| 乱码一卡2卡4卡精品| 有码 亚洲区| 高清视频免费观看一区二区| 成人无遮挡网站| 91久久精品电影网| 蜜桃亚洲精品一区二区三区| 国产精品一及| 18+在线观看网站| 免费观看无遮挡的男女| 午夜福利在线观看免费完整高清在| 少妇 在线观看| 精品久久久久久久久亚洲| 国产日韩欧美亚洲二区| 男女国产视频网站| www.av在线官网国产| 男女啪啪激烈高潮av片| 99热6这里只有精品| 精品国产乱码久久久久久小说| 免费黄频网站在线观看国产| av一本久久久久| 岛国毛片在线播放| 春色校园在线视频观看| 亚洲精品乱码久久久久久按摩| 极品教师在线视频| 大码成人一级视频| 欧美激情国产日韩精品一区| 亚洲精品国产av成人精品| 亚洲精品乱码久久久久久按摩| 18禁动态无遮挡网站| 亚洲精品色激情综合| 亚洲欧美成人精品一区二区| 性插视频无遮挡在线免费观看| 三级国产精品欧美在线观看| 欧美丝袜亚洲另类| eeuss影院久久| 99热这里只有是精品50| 欧美性感艳星| 精品国产露脸久久av麻豆| 免费黄色在线免费观看| 久久精品国产鲁丝片午夜精品| 久久久亚洲精品成人影院| 卡戴珊不雅视频在线播放| 国产精品人妻久久久久久| 2018国产大陆天天弄谢| 男女无遮挡免费网站观看| 五月玫瑰六月丁香| 欧美97在线视频| 我的女老师完整版在线观看| 亚洲天堂国产精品一区在线| 亚洲国产av新网站| tube8黄色片| 国国产精品蜜臀av免费| 久久鲁丝午夜福利片| 97热精品久久久久久| 久久久久久九九精品二区国产| 久久人人爽人人片av| 又大又黄又爽视频免费| 国产乱人偷精品视频| 亚洲国产精品专区欧美| av在线app专区| 中国三级夫妇交换| 精品久久久久久久人妻蜜臀av| 综合色av麻豆| 97超碰精品成人国产| 在线观看国产h片| 人妻制服诱惑在线中文字幕| 日本欧美国产在线视频| 亚洲精品视频女| 国产爽快片一区二区三区| 国产男人的电影天堂91| 久久久久久久久久成人| 六月丁香七月| 天天躁夜夜躁狠狠久久av| 国产一级毛片在线| 一级毛片 在线播放| 久热这里只有精品99| av在线播放精品| 亚洲欧美精品自产自拍| 超碰97精品在线观看| av免费在线看不卡| 久久亚洲国产成人精品v| 一区二区三区免费毛片| 男女边摸边吃奶| 亚洲久久久久久中文字幕| 国产av不卡久久| 十八禁网站网址无遮挡 | 大香蕉久久网| 少妇猛男粗大的猛烈进出视频 | 99热全是精品| 九九久久精品国产亚洲av麻豆| 日韩一区二区视频免费看| 国精品久久久久久国模美| 国内精品美女久久久久久| 久久精品久久久久久久性| 国产成人免费观看mmmm| 91精品一卡2卡3卡4卡| 97热精品久久久久久| 只有这里有精品99| 国产大屁股一区二区在线视频| 狂野欧美激情性xxxx在线观看| 国产精品一区二区在线观看99| 欧美xxxx性猛交bbbb| 亚洲欧洲国产日韩| 成人午夜精彩视频在线观看| 毛片一级片免费看久久久久| 在线观看av片永久免费下载| 欧美成人午夜免费资源| 国产高清国产精品国产三级 | 国产精品久久久久久精品电影| 少妇的逼水好多| 性插视频无遮挡在线免费观看| 亚洲av中文av极速乱| 久久久久久久久久久丰满| 久久久精品欧美日韩精品| 99视频精品全部免费 在线| a级毛色黄片| 日韩大片免费观看网站| 一个人看视频在线观看www免费| 亚洲最大成人手机在线| 日本色播在线视频| 大又大粗又爽又黄少妇毛片口| 国产av国产精品国产| 成人毛片a级毛片在线播放| 亚洲精品国产av蜜桃| 男女边吃奶边做爰视频| 色综合色国产| 狂野欧美白嫩少妇大欣赏| 99久久精品热视频| 国产精品不卡视频一区二区| 春色校园在线视频观看| 3wmmmm亚洲av在线观看| 欧美变态另类bdsm刘玥| 午夜老司机福利剧场| 国产精品成人在线| 夜夜爽夜夜爽视频| 免费观看无遮挡的男女| 汤姆久久久久久久影院中文字幕| 在线观看人妻少妇| 嫩草影院新地址| 国产免费福利视频在线观看| 久久久久久久大尺度免费视频| 一级a做视频免费观看| 国产黄片美女视频| 久久久久性生活片| 亚洲精品色激情综合| 免费大片黄手机在线观看| 亚洲成人久久爱视频| 少妇人妻久久综合中文| 国产毛片在线视频| 五月天丁香电影| 视频区图区小说| 亚洲精品一二三| 2021少妇久久久久久久久久久| 免费播放大片免费观看视频在线观看|