高光谱遥感影像SVM分类中训练样本选择的研究,王晓玲,杜培军,支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。针对
作为单层前馈神经网络,极限学习机(ELM)最近已成功用于高光谱图像(HSI)的分类。然而,纯像素级光谱分类器的结果通常看起来非常训练样本有限,噪音很大。 为了进一步提高精度,我们提出了一种新的基于象素
根据高光谱遥感图像数据维度高、空间相关性、特征非线性的特点,提出了一种基于深度学习的空-谱特征提取分类算法。首先在堆栈稀疏自动编码机中加入权重衰减项,再利用主成分分析方法对图像数据进行降维处理,然后根
采用高光谱成像技术对香梨的表面损伤缺陷进行准确高效的无损检测。选用80个库尔勒香梨为研究对象,采集400~1000 nm波段内完好样本和损伤样本的高光谱图像;利用统计分析的方法,选择863 nm处的高
滤波器在提取高光谱图像空间纹理信息时往往容易陷入局部的特征提取。针对这一问题, 提出一种自适应流形滤波的高光谱图像分类算法(AMF-SVM)。该方法采用自适应寻优, 先计算第一个流形, 然后根据流形树
Deep learning methods have shown considerable potential for hyperspectral image (HSI) classification
高光谱图像中往往存在严重的条带噪声,与常见噪声具有很大不同,现有的去噪方法对其不能完全适用。利用平滑滤波思想结合传统的矩匹配方法,对传统的矩匹配条带去除方法进行改进,对HJ-1-A卫星高光谱图像进行实
高光谱遥感图像为地物的精确分类带来了机遇,但也面临着一些挑战,高光谱遥感图像分类中所面临的一个挑战是如何处理高的光谱维数和小的样本数目之间的矛盾,目前几乎全部采用降维方法来缓解这一矛盾。集成学习的出现
基于非负字典学习高光谱图像超分辨.caj
遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度,本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合,然后使用AdaBoost分类器集