论文研究空间光谱融合的自适应高光谱图像聚类方法研究 .pdf

高光谱图像（HSI）具有数百个频带，这给数据存储和传输带宽带来了沉重负担。 在过去的几十年中，已经为HSI探索了许多压缩技术。 一种高性能的技术是主成分分析（PCA）和JPEG-2000（J2K）的组

由于光子效应,校准误差等,高光谱图像(HSI)不可避免地会遭受诸如随机噪声之类的退化。 现有的大多数HSI去噪方法都集中于单独利用频谱相关性或空间非局部自相似性。 在本文中,我们提出了一种用于HSI降

针对协同表示的高光谱图像异常检测算法中双窗口中心为异常像元且背景字典存在同种异常像元的情况，中心像元的输出较小，难以与背景区分的问题，提出一种改进协同表示的高光谱图像异常检测算法。为了减小背景字典中异

提出了一种基于邻域加权稀疏表示的高光谱图像目标探测方法。在构造稀疏模型时，以单位化像元的内积表示像元的相似性，据此对重构图像中测试像元空间邻域的像元进行加权约束，保证了空间的平滑性；并提出基于加权最小

针对高光谱图像解混问题进行研究，发现高光谱图像中各个端元的分布不完全独立，不能将盲源分离方法直接应用于高光谱图像解混。为此，提出了一种基于差分搜索的高光谱图像解混算法。该算法根据高光谱图像丰度非负和丰

基于TI公司的TMS320DM642高性能DSP芯片，实现了一种新的针对高光谱图像数据特点提出的基于三维自适应预测的高光谱图像无损压缩算法，并通过对算法在语言和结构上的优化，大大提高了算法的执行效率，

针对高光谱图像分类中，样本空间特征利用不足的问题。将深层残差网络作为特征提取器运用到高光谱图像分类中，利用深层残差网络更深的网络结构，挖掘样本邻域空间中的深层特征，实验证明此特征具有更好的可分性。同时

图像高维数据的K-means自适应聚类算法

聚类旨在将给定的数据点集合分为多个聚类,而无需借助任何先验知识。 由于其在数据挖掘中的重要应用,已经开发了许多用于聚类的技术。 作为最流行的现代聚类算法之一,频谱聚类易于实现,可以通过标准的线性代数软

曲波变换是一种更适合于图像处理的多尺度几何分析方法, 具有很强的方向性。结合活性测度将其应用于合成孔径雷达SAR图像和多光谱MS图像融合可以更好地表示图像中的有用特征。首先, 对多光谱图像和SAR图像