《高光谱遥感 原理、技术与应用》.pdf

运用随机森林算法进行高光谱遥感影像分类的流程及关键参数调整方法，使用Salinas数据集进行实验，得出的结果表明，该算法不仅能有效避免过拟合问题，同时也提高了分类的准确性。同时，针对数据预处理，本文也

通过使用PyTorch的dataloader来加载高光谱数据，我们可以进行高光谱数据的应用实例测试。高光谱数据是一种可以获取物体各个波段反射率信息的数据，它可以应用于农业、环境监测、医疗诊断等领域。在

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

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

局部几何结构Fisher分析通过数据的邻域和邻域的重构来表征高光谱数据的内在流形,可以提升高光谱图像的分类效果。但是该方法使用原始样本点与重构点一起构图,在低维空间上不能有效保持流形的整体结构。针对上

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

文中利用深度学习思想来实现影像光谱维和空间维的特征提取,同时尝试加入稀疏约束的限制条件,并结合Softmax分类器,实现高光谱遥感影像的分类。实验结果表明,加入空间特征的基于堆栈稀疏自编码的分类方法能

.

数字工程原理与方法 遥感技术系统课程课件1 空间信息与数字技术专业课程

遥感应用方面的一些整理，适合刚接触遥感处理的新手们学习。