基于高光谱反射图像检测鸭梨碰伤

以新疆红富士苹果为研究对象,初步探讨应用高光谱图像技术预测其重量的研究方法。首先采用高光谱成像仪采集苹果侧面和赤道面投影图像,提取苹果高光谱图像中前景与背景光谱偏差最大的波长图像(733 nm),对其

提出一种基于分层稀疏表示特征学习的方法即分层判别特征学习算法对高光谱图像进行分类,在两层的分层结构中用空间金字塔匹配模型在每层的稀疏编码上用最大池化方法学习得到判别特征,用分层判别特征学习得到的特征表

由于高光谱图像的光谱分辨率已经达到了10 nm甚至更高,使其具有了辨识很多原本在其他遥感图像中无法识别出现的地物。但较高的光谱分辨率也带来了高维数据的处理难题。为了充分利用高光谱图像的高维数据信息,提

鸭梨点名器，不重复随机点名。

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

为了满足遥感卫星实时云检测要求,提出了一种基于光谱角的云检测算法。首先在多光谱谱段构成的欧式空间中构造参考云矢量;然后计算图像中各像元矢量与参考云矢量的光谱角,对光谱角进行高斯滤波生成云掩膜;最后计算

图像合集（红外、可见光、高光谱、sar图像），包含jpg和部分matlab代码

毛豆的颜色和含水率是反映毛豆品质的两个重要参数,本文报道了一种利用多模型融合方法提高干燥过程中毛豆颜色和含水率高光谱图像无损检测精度的方法。该方法利用平均值,熵,相对散度,标准差等特征实现对高光谱图像

高光谱图像具有越来越高的空间和光谱分辨率,其带来了数据量大、相关性强和冗余度高的问题,使得异常检测结果精度不高。为了选择更加有利于异常检测的图像,运用二维主成分分析(2DPCA)方法降维,并引入局部联

本文将高光谱异常检测理论与图像融合理论相结合，研究了一种基于非线性空间的高光谱异常检测算法。