基于无人机高光谱影像的三江源草种精细识别研究
1.
2.
3.
Researches on Grass Species Fine Identification based on UAV Hyperspectral Images in Three-River Source Region
1.
2.
3.
通讯作者:
收稿日期: 2020-04-30 修回日期: 2021-06-08 网络出版日期: 2021-09-26
基金资助: |
|
Received: 2020-04-30 Revised: 2021-06-08 Online: 2021-09-26
作者简介 About authors
胡宜娜(1995-),女,河南信阳人,硕士研究生,主要从事高光谱影像分类研究E⁃mail:
关键词:
Keywords:
本文引用格式
胡宜娜, 安如, 艾泽天, 都伟冰.
Hu Yina, An Ru, Ai Zetian, Du Weibing.
1 引 言
三江源地区位于青海省南部,是长江、黄河和澜沧江的源头,素有“中华水塔”之称,是国家重要的生态安全屏障[1]。作为青藏高原的腹地和主体,它具有独特而典型的高寒植被生态系统,对全球气候变化有着重要指示作用。由于气候变化的影响和人类不合理的开发利用,三江源区的草地生态系统出现了显著的退化现象[2-3]。三江源草地退化主要表现为两种形式:一是草地生物量的减少;二是草地群落的变化。草地生物量的减少主要表现在植被覆盖度的降低,目前有成熟的遥感理论和方法进行监测。已有的方法主要是利用单期或者多期遥感影像通过反演净初级生产力[4-5]、NDVI[6-9]等参数来反映植被覆盖度,然后进行退化等级划分,来获取草地退化的现状或动态变化特征。也有学者通过对遥感影像进行目视解译[10]获取三江源区植被覆盖度的分布情况,通过分类[11-12]的方法研究草地退化情况。草地群落的变化主要表现为优质牧草种类减少和毒杂草种类增加[13]。毒杂草种类和盖度的增加往往导致植被覆盖度增加,这种情况下仅用表征总生物量变化的代理指标如植被总盖度、NDVI、NPP等的变化来表征草地退化,均不能完全反映草地变化的真实情况。因此,对草地群落种群进行识别对监测草地变化情况具有重要意义。
高光谱遥感能够获取地表物体上百个连续谱段的反射信息,其丰富的光谱信息能够探测更精细的植被理化属性[14]。利用地面实测高光谱数据对草地的退化指示种与优势种的识别研究已经取得一定的进展。主要方法有通过特征筛选,选择出高光谱数据的草种敏感波段来实现特定草种的识别,如Yamano等[15]利用小叶锦鸡儿在670 nm和720 nm波长附近的反射峰特性,将其从其他3类草中区分出来。郝芳芳等[16]通过对光谱反射曲线进行对数变换处理,发现草地退化指示种——狼毒、冷蒿与星毛委陵菜的特征波段分别为:402~412 nm、627~689 nm,715~929 nm和929~1 033 nm、705~721 nm。也有学者通过光谱特征参量化的方法定量分析不同草种之间的光谱差异进行识别,安如等[17]利用一阶微分法、连续统去除法和归一化微分比的方法对草地植被光谱反射曲线进行处理后,准确识别出藏嵩草和小嵩草优势种。王焕炯等[18]通过一阶微分法与NDVI值准确区分出羊草、克氏针茅、 冷蒿等多种植物。Li等[19]在内蒙古草原地貌中选择了具有代表性的优势草和退化指示草进行光谱测量,经过一阶导数与包络线去除等处理,利用置信区间平均差与主成分分析方法评估不同草种的可分性。但是地面实测高光谱数据的获取范围有限,不能大面积识别可食牧草与毒杂草。
无人机遥感技术具有高空间分辨率、高频次、机动灵活、使用维护便捷等优势,在区域精细化上具有很高的科学价值[20-21]。Schmidt等[22]利用无人机高光谱影像监测草原矮化灌木的分布;孙世泽等[23]利用无人机获取天山北坡的高分辨率多光谱影像建立地上草地生物量与多种植被指数之间的模型实现草地生物量的估算;杨红艳等[24]利用无人机高光谱影像结合深度学习卷积神经网络的方法实现内蒙古中部荒漠草原的物种分类。Lu等[25]利用无人机获取加拿大科夫勒科学保护区多时相的高光谱分辨率多光谱影像,提取图像纹理特征与植被指数特征,利用随机森林分类方法实现6种草种的精细识别。然而对三江源区的高寒草甸、高寒草原等退化草地的草种精细识别研究还鲜有报道。
综上所述,三江源草种精细识别多是基于地面测量光谱数据,无法实现大面积识别。无人机高光谱影像多用于农作物识别,在草地种群识别研究中的应用还很少见。实验利用三江源区的无人机高光谱影像,在对原始高光谱数据进行特征挖掘的基础上,探究结合空间—光谱特征的稀疏表示方法对识别三江源区草种精细识别效果,并在此基础上提出利用形状自适应邻域信息对识别结果进行改善的方法。
2 研究区与数据源
2.1 研究区概况
玛多县位于青海省南部,地处青藏高原腹地的黄河源区,是黄河经流第一县,经纬度范围为33o50'~35o40' N,96o55'~99o20' E。气候寒冷干燥,属高寒草原气候,多年平均气温-3.98 ℃,主要分布着高山草甸和高寒草甸。 该地区在长期过度放牧以及气候变化的影响下,高山嵩草等优势种群逐步衰退,群落中动物不喜食或有毒的次优势种或伴生种大量入侵导致高寒草甸严重退化形成“黑土滩”。研究区位于玛多县花石峡镇,是草地退化的典型区,地理范围为35°10'43''~35°10'47'' N,98°57'42''~98°57'46'' E,如图1(a)所示。
图1
图1
研究区地理位置与无人机高光谱影像
(a) 研究区地理位置 (b) 无人机高光谱假彩色影像
Fig.1
Geographical location of the study area and UAV hyperspectral image
2.2 数据源
实验所用高光谱影像数据由大疆M600无人机载Cubert UHD 185高光谱相机获取。Cubert UHD 185相机的光谱分辨率为4 nm,波段数为125,光谱范围为450~946 nm,飞行航高设置为100 m,全色影像的空间分辨率为2.6 cm,高光谱影像空间分辨率为10.4 cm。飞行时间为2019年8月18日中午,天气晴朗,风力较小。数据经过辐射校正、大气校正、拼接与融合等预处理。为了避免数据处理量过大,将预处理后的整幅影像重采样并裁剪为741×700像素,空间分辨率为10.4 cm,对应地面实际大小77 m×73 m。研究区假彩色合成影像如图1(b)所示。根据现场考察情况,确认研究区内草种主要为矮火绒(Leontopodium)、细叶亚菊(Ajania)、棘豆(Oxytropis)与苔藓(Musci)等各类毒杂草与针茅(Stipa)、藏嵩草(Kobresia tibetica)、小嵩草(Kobresia humilis)与苔草(Carex)等可食草。不同草种照片如图2(b)~2(i)所示。
图2
图2
现场样方布设图与草种照片
Fig.2
Diagram of sample spots and the photographs of grass species
图3
根据获取的样本得到草种和裸地的光谱曲线信息如图4所示。由于退化情况比较严重草地的覆盖度较低,并且藏嵩草与针茅已经开始枯萎,草种在660 nm处的吸收峰不明显,而在550 nm处的反射峰几乎都消失了。矮火绒、藏嵩草、针茅与裸地的光谱特征在可见光波段非常相似,矮火绒、棘豆与细叶亚菊在近红外波段处的反射特征较为相似。苔草的反射率整体相对于其他地物较高,而苔藓的反射率整体略小于其他地物。
图4
3 研究方法
基于无人机高光谱影像的草种精细识别方法如图5所示。
图5
3.1 基于XGBoost的波段选择
3.2 扩展形态学属性剖面特征提取与融合
对于高空间分辨率的影像,场景中结构的几何特征具有很大的感知意义,可以有效提高地物的分类与识别效果。形态学属性剖面算法是一种基于形态学属性滤波的特征提取算法,其主要思想是利用面积、标准差和惯性矩等一系列不同属性滤波器对图像进行滤波来提取图像的结构信息,然后将不同属性滤波结果叠加起来,即得到图像的扩展形态学属性剖面(Extend Morphological Attribute Profiles, EMAP) [41]。通过灵活地定义多种属性及相应的阈值来构建EMAP特征可以实现对影像的空间信息多尺度表达,因此相较于传统的形态学滤波特征EMAP可以更精确地提取影像空间信息。
将提取的空间特征与光谱特征利用径向基核函数(Radial Basis Function,RBF)进行融合。RBF核的计算公式为:
其中:K表示核运算;
其中:F表示特征融合;
3.3 基于稀疏表示方法的草种精细识别
针对高光谱数据特征维度高、样本较少的问题,Wright等[42]指出基于稀疏表示的分类方法能有效利用所有类别训练样本间的协同互助机制,能够有效缓解高维度数据分析的小样本问题。实验选择近年来在高光谱数据分类中表现突出的两种稀疏表示方法对草种精细识别。
3.3.1 稀疏多项式逻辑回归
多项式逻辑回归(Multinomial Logistic Regression, MLR)分类器的建模方式属于贝叶斯决策模型中的判别模型。为了求解待测像元属于各个类别概率的权重系数w,Bioucas-DiasIeee等[43]提出借助变量分裂和增广拉格朗日的稀疏多项式逻辑回归(Sparse Multinomial Logistic Regression, SMLR)的方法,这种方法通过正则化参数λ控制稀疏度,极大地降低了求解权重系数的计算复杂度。利用该方法不需要求解类别联合概率分布即可获取像元的所属类别的后验概率信息,因此便于对数据进行降维与特征提取从而能够简化学习问题。实验首先利用该方法结合核变换后的空谱融合特征进行高光谱数据草地精细识别。
3.3.2 自适应稀疏表示方法
自适应稀疏表示方法(Adaptive Sparse Representation, ASR)是通过提取多种特征构建训练字典,自适应地选择训练字典原子中的最有效特征组合来确定稀疏表示系数,并通过重构误差矩阵的Frobenius范数最小值,来决定中心像素的类别。相较于传统的联合稀疏表示方法,该方法中使用的自适应范数可以利用不同特征之间的强相关性,同时以更灵活的方式保持它们的多样性。实验基于该思想,利用提取的EMAP特征与光谱特征构建训练字典,对高光谱影像上的草种进行识别。
3.4 基于形状自适应邻域信息的后处理方法
传统的空间特征提取方法多是基于固定窗口的滤波算子进行,这种方式提取的空间特征在纹理和边缘部分的效果很差。因此能自适应地根据地物的形状提取空间特征对提高影像的识别效果有很大的意义。Foi等[44]提出的形状自适应(Shape Adaptive, SA)离散余弦变换方法通过确定中心像元8个方向上的最优邻域尺度来提取影像灰度图的空间信息。利用该方法计算得到的邻域能有效避开影像中的边界区域,保证邻域内的像元属于同一种类别的可靠性。
为了证明该方法对高光谱数据的适用性,利用光谱角距离(Spectral Angle Distance,SAD)衡量中心像元与形状自适应邻域像元的相似程度并分析其与邻域数量的关系。利用影像的第一主成分提取影像的每个像元i(i=1,2,…,N)的自适应邻域,再计算邻域内相邻像元ik(k=1,2,…,K)与中心像元i的光谱角距离的均值(Mean Spectral Angle Distance, MSAD),如
其中:
图6
图6
形状自适应邻域数量与MMSAD散点图
Fig.6
The scatter diagram of number of shape adaptive neighborhood and MMSAD
可以看出,随着邻域数量的增加,相邻像素与中心像素的光谱角距离的均值明显减小。这说明在均值性区域利用形状自适应方法计算的邻域能够保相邻像元与中心像元的高度相似性。实验利用该方法计算每个像素的自适应邻域,并统计邻域内K个像素所属类别,用这K个类别的众数替代邻域内所有像元的类别,对影像的识别结果进行平滑处理。
4 实验与讨论
4.1 基于XGBoost的波段选择
图7
图8
图8
不同波段数的识别精度与运行时间
Fig.8
The overall identification accuracy and running time of different spectral bands
4.2 基于SMLR与ASR的草种精细识别
为了从多种角表现影像的空间信息,实验利用面积属性与标准差属性提取影像的EMAP特征,将面积属性与标准差属性的阈值分别设置为
图9
图9
基于SMLR与ASR的草地识别结果
Fig.9
The grass species identification result of SMLR and ASR
基于SMLR与ASR的草种识别精度如表1所示,两种方法对影像草种的精细识别总体精度分别达到94.07%和93.15%,经过SA处理后精度分别提升1.64%和1.12%。由表1可知利用SMLR进行草地精细识别时,基于SA的后处理方法对矮火绒、棘豆与细叶亚菊的识别精度提升非常明显(加粗数据)。利用ASR进行草地精细识别时,SA后处理方法对矮火绒与细叶亚菊的识别结果也有明显改善 (加粗数据)。说明自适应地利用地物空间信息可以有效降低“异物同谱”与“同谱异物”带来的影响。但是SMLR与ASR对小嵩草与针茅的识别精度较低,且经过SA处理后识别精度提升有限甚至有所降低 (下划线数据)。原因是小嵩草与针茅的叶片非常细小多与裸地混合在一起,在影像上多为混合像元,尤其是在经过SA处理后,嵩草、针茅与裸土之间更容易出现错分的情况,且裸地的样本数远多于嵩草、针茅样本数,因此对嵩草与针茅的识别精度影响很大。对比两种稀疏表示方法可以发现,基于SMLR的方法精度略高于基于ASR的方法,并且前者在计算效率上有明显的优势。分析其原因是因为基于SMLR的方法是通过核变换的方法融合空间—光谱特征,能有效提升特征之间的区分性,而稀疏表示的方法是通过简单叠加的方式融合空间光谱特征,特征之间信息有较多冗余。在处理影像时基于SMLR的方法利用了基于块高斯-塞德尔算法以实现快速求解,而ASR在处理影像时是面向逐个像元进行分类或识别,效率因此低于SMLR。但是从整体来看,实验提出的结合空间—光谱特征的稀疏表示方法在样本有限的情况下能够实现对草种精细识别,且基于SA的方法能很好地适应小样本训练的分类器,有效提升多种毒杂草种的识别精度。相较于传统的基于地面实测高光谱数据的方法,该方法充分利用无人机高光谱影像的光谱信息以及地物之间的空间关系实现大范围草种精细识别;相较于已有的基于无人机高光谱数据的草种精细分类方法[24],可以在小样本的情况下达到更高的精度。
表1 基于SMLR与ASR的草地识别精度
Table 1
类别 | 训练样本/ 验证样本 | SMLR-EMAP | SMLR-EMAP-SA | ASR-EMAP | ASR-EMAP-SA | ||||
---|---|---|---|---|---|---|---|---|---|
PA | UA | PA | UA | PA | UA | PA | UA | ||
矮火绒 | 8/83 | 0.891 6 | 0.840 9 | 1.000 0 | 0.846 9 | 0.879 5 | 0.973 3 | 0.963 9 | 0.833 3 |
棘豆 | 17/163 | 0.975 5 | 0.649 0 | 1.000 0 | 0.795 1 | 1.000 0 | 0.610 5 | 1.000 0 | 0.871 7 |
苔藓 | 18/168 | 0.982 1 | 0.896 7 | 0.994 0 | 0.933 0 | 0.988 1 | 0.873 7 | 0.928 6 | 0.725 6 |
细叶亚菊 | 7/69 | 0.579 7 | 0.975 6 | 0.768 1 | 0.688 3 | 0.724 6 | 0.781 3 | 0.811 6 | 0.965 5 |
苔草 | 19/182 | 0.978 0 | 0.983 4 | 0.923 1 | 1.000 0 | 0.989 0 | 0.923 1 | 0.972 5 | 1.000 0 |
藏嵩草 | 11/1 111 | 1.000 0 | 0.848 7 | 1.000 0 | 0.886 0 | 1.000 0 | 0.952 8 | 1.000 0 | 0.776 9 |
小嵩草 | 3/39 | 0.615 4 | 1.000 0 | 0.666 7 | 1.000 0 | 1.000 0 | 0.882 4 | ||
针茅 | 3/33 | 0.636 4 | 1.000 0 | 0.666 7 | 1.000 0 | 1.000 0 | 0.823 5 | ||
裸地 | 15/1 658 | 0.956 6 | 0.995 6 | 0.968 6 | 0.999 4 | 0.935 5 | 0.995 5 | 0.959 6 | 0.995 0 |
OA | 0.940 7 | 0.957 1 | 0.931 5 | 0.942 7 | |||||
Kappa | 0.893 3 | 0.922 5 | 0.878 5 | 0.896 7 | |||||
平均用时/s | 111 | 152 | 646 | 692 |
5 结 语
实验主要研究了在对高光谱数据进行特征挖掘的基础上,结合空间—光谱特征的稀疏表示分类方法在小样本情况下对三江源区的草种精细识别效果,并在此基础之上提出了基于形状自适应邻域信息的后处理方法对识别结果进行改善。得到的主要结论如下:
(1) 基于XGBoost的方法选择出重要性高的光谱特征能有效降低高光谱数据的波谱相关性并节省运行时间;基于主成分分析的扩展形态学属性剖面特征能够从多尺度表达影像的空间信息,在与光谱特征融合后能明显改善高光谱影像上的草地识别效果。
(2) 基于稀疏多项式逻辑回归与自适应稀疏表示两种分类方法均能在小样本的情况下实现草地的高精度精细识别;但稀疏多项式逻辑回归在精度上略高于自适应稀疏表示方法,在计算效率上也有明显的优势。
(3)基于形状自适应的邻域信息能够充分挖掘草地物种不规则的空间特性,实验利用该方法对识别结果进行平滑处理后有效提升了矮火绒、棘豆、细叶亚菊等毒杂草种的识别精度。但由于研究区退化情况较为严重,可食草的覆盖率低且与裸土混杂在一起,导致文中提出的后处理方法对可食草的识别改善效果不佳。
利用无人机高光谱相机获取的影像具有高空间分辨率、高光谱分辨率等优势,相较于传统的地面实测高光谱数据更能表达地物的空间信息。实验基于无人机高光谱数据,对影像的光谱特征进行优化选择并从多角度提取影像空间特征,实现了小样本情况下的草种精细识别,为草原物种的大范围精细识别与覆盖度的估算提供了强大的数据与方法支撑。
实验对原始光谱特征只进行了优化选择,如何更充分的利用影像丰富的光谱信息,比如“三边”参数与对生化组分含量敏感的植被指数特征对草种识别的效果还有待进一步研究。随着遥感技术的不断发展,能够用于草地退化精准识别的数据源也越来越多,实验仅仅利用了局部地区的高光谱图像展开研究,能够识别的草地区域有限。而在以后的工作中,还可以综合考虑多种数据的优势,比如将研究方法推广到卫星观测数据,实现更大尺度的草地群落变化遥感监测。探讨将大范围的多光谱数据与高光谱数据进行融合,实现大范围的草种精细识别。或者将多时相的图像数据与高光谱数据相结合,利用物候特征结合光谱特征提升草种的可区分性。
参考文献
The integrated assessment indicator system of grassland ecosystem in the Three-River Headwaters Region
[J]. ,
三江源区草地生态系统综合评估指标体系
[J].,
Vegetation coverage change and its response to climate change in Three-River Headwaters Region
[J]. ,
三江源地区植被覆盖度变化及其与气候因子的关系
[J].,
Vegetation changes in the Three-River Headwaters Region of the Tibetan Plateau of China
[J]. ,
Comprehensive research on remote sensing monitoring of grassland degradation: a case study in the Three-River Source Region,China
[J].,
Remote sensing monitoring of grassland degradation based on NPP change in the maduo county of the sources region of Yellow River
[J]. ,
基于净初级生产力变化的草地退化监测研究
[J].,
Analysis grassland degradation of the region of the sources of the Yangtze River, the Yellow River, and the Lancang River based on vegetation coverage estimated by TM imagery
[J]. ,
三江源中东部地区1990~2008草地覆盖度变化遥感估算与分析
[J].,
Dynamic characteristic of vegetation coverage in the Rhree-River Source Region from 2000 to 2011
[J]. ,
2000~2011年青海三江源地区草地覆盖度的动态变化特征
[J].,
Evaluation of alpine grassland degradation of Three-River Source Area in Chengduo Country based on MODIS-NDVI
[J]. ,
基于MODIS-NDVI的三江源区称多县高寒草地退化现状评价
[J].,
Spatiotemporal changes in vegetation coverage and its driving factors in the Three-River Headwaters Region during 2000~2011
[J]. ,
Grassland degradation in the "Three-River Headwaters" Region, Qinghai province
[J]. ,
近30年来青海三江源地区草地退化的时空特征
[J].,
Landscape pattern analysis of alpine steppe based on airborne Hyperspectral imagery in Maduo county, Qinghai province
[J]. ,
基于航空高光谱影像的青海省玛多县高寒草原景观格局特征分析
[J].,
A study on classification of different degradation level alpine meadows based on Hyperspectral image data in Three-River Headwater Region
[J]. ,
基于高光谱影像的三江源区不同退化程度高寒草甸分类研究
[J].,
Progress on methods of grassland degradation and weed invasion monitoring based on remote sensing
[J].,
草地退化杂类草入侵遥感监测方法研究进展
[J].,
Estimation of photosynthetic pigment of festuca arundinacea using Hyper-spectral data
[J]. ,
Hyperspectral identification of grassland vegetation in silinhot, Inner Mongolia, China
[J].,
Identification of Hyperspectra characteristic bands of grassland degradation indicator plant species in bashang region of Hebei province
[J].,
河北坝上地区草地退化指示种的高光谱特征波段识别
[J].,
Using hyperspectral data to determine spectral characteristics of grassland vegetation in central and eastern parts of Three-River Source
[J]. ,
基于地面实测高光谱数据的三江源中东部草地植被光谱特征研究
[J].,
Hyperspectral remote sensing monitoring of grassland degradation
[J]. ,
草地退化的高光谱遥感监测方法
[J].,
Identifying degraded grass species in Inner Mongolia based on measured Hyperspectral data
[J]. .
UAV remote sensing: popularization and expand application development trend
[J].,
无人机遥感:大众化与拓展应用发展趋势
[J].,
Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring
[J]. ,
Adapting a natura 2000 field guideline for a remote sensing-based assessment of heathland conservation status
[J].,
Estimating above round biomass of natural grassland based on multispectral images of Unmanned Aerial Vehicles
[J]. ,
无人机多光谱影像的天然草地生物量估算
[J].,
Classification method of grassland species based on Unmanned Aerial Vehicle remote sensing and convolutional neural network
[J]. ,
基于无人机遥感与卷积神经网络的草原物种分类方法
[J].,
Species classification using Unmanned Aerial Vehicle (UAV)-acquired high spatial resolution imagery in a heterogeneous grassland
[J]. ,
Review of Hyperspectral remote sensing image classification
[J]. ,
高光谱遥感影像分类研究进展
[J].,
Feature mining for Hyperspectral image classification
[J]. ,
Advances in spectral-spatial classification of Hyperspectral images
[J].,
Hyperspectral crop classification using fusion of spectral, spatial features and vegetation indices:approach to the big data challenge
[M]. , Communications and Informatics (ICACCI),
Spatial-spectral fusion based on conditional random fields for the fine classification of crops in uav-borne Hyperspectral remote sensing imagery
[J]. ,
Sophisticated vegetation classification based on feature band set using Hyperspectral image
[J]. ,
Research on typical crop classification based on HJ-1A Hyperspectral data in the Huangshui River Basin
[J]. ,
基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究
[J].,
Fine classification of planting structure in the middle reaches of Heihe river basin based on Hyperspectral Compact Airborne Spectrographic Imager(CASI) data
[J]. ,
基于CASI影像的黑河中游种植结构精细分类研究
[J].,
Object-based bangrove species classification using unmanned aerial vehicle Hyperspectral images and digital surface models
[J].,
Extraction of individual tree information based on remote sensing images from an Unmanned Aerial Vehicle
[J]. ,
无人机遥感影像林地单株立木信息提取
[J].,
Tree species classification in urban forests based on LiDAR point cloud segmentation and Hyperspectral metrics extraction
[J]. ,
结合LiDAR单木分割和高光谱特征提取的城市森林树种分类
[J].,
Comparation of forest types classification methods using CHRIS Hyperspectral image
[J]. ,
CHRIS高光谱图像森林类型分类方法比较研究
[J].,
XGBoost: a scalable tree boosting system
[C]∥
Feature selection algorithms of airborne LiDAR combined with Hyperspectral images based on XGBoost
[J]. ,
Cross-category tea polyphenols evaluation model based on feature fusion of electronic nose and Hyperspectral imagery
[J]. ,
Morphological attribute profiles for the analysis of very high resolution images
[J].,
Robust face recognition via sparse representation
[J]. ,
Pointwise shape-adaptive dct for high-quality denoising and deblocking of grayscale and color images
[J].,
/
〈 | 〉 |