常用的高光谱遥感数据3

Commonly used remote sensing data and band use

针对高光谱图像数据维度高、特征非线性以及标签数据获取难度大的特点,结合堆栈稀疏自动编码网络,提出了一种基于非局部方式特征融合的二级分类算法。与传统堆栈稀疏自动编码网络相比,光谱角匹配算法将找到的与被分

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

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征

高光谱遥感技术与传统遥感技术相比，有着图谱合一和光谱连续的优势，能够实现地物的准确识别和精细分类，并且在岩矿信息提取方面取得了显著成果，然而在植被信息提取中的研究尚处于发展阶段。随着农作物估产和土地利

基于EO-1 Hyperion高光谱遥感数据的特点,本文模拟了Hyperion遥感影像在940 nm和1 130 nm区域的水汽吸收特点,通过敏感性分析,选择第53、86波段作为940 nm区域的大气

统计量在高光谱遥感近似谱地物识别中的研究，刘春红，李平，为了进一步探索高光谱遥感在识别相似地物方面的应用，本文进行了高光谱遥感对近似光谱地物区别的研究。首先利用一阶统计量和二阶

高光谱遥感图像模糊c均值聚类算法的matlab实现

一种使用支持向量机算法（SVM）对Salinas数据集进行高光谱遥感影像分类的机器学习脚本。SVM算法通过寻找超平面将不同类别的数据进行分类。在构建分类器时，需要调整关键参数如核函数和正则化参数C，并

人工神经网络在高光谱遥感影像分类中的应用，郑玉凤，，高光谱遥感图像数据具有数据量大、波段很多很窄、波段相关性强、信息冗余多、图光一体化等特征。而遥感图像上的光谱值是多种地物