高光谱遥感图像小目标探测方法研究,刘澍,邓喀中,高光谱遥感技术能够借助丰富的地物图像和光谱信息,反映目标地物与背景地物间的细微差异,非常有利于目标探测。本文分析了高光谱
光谱空间特征提取对高光谱图像(HSI)分类非常重要。 与传统的特征提取方法不同,诸如卷积神经网络(CNN)之类的深度学习模型可以自动学习光谱空间判别特征。 但是,深度学习模型通常需要构建一个庞大而复杂
用了双线性插值的矩形阵列到径向阵列的变换算法,给出了一个离散脊波变换的实现方法,将其应 用于多光谱图像与全色图像的融合算法中,通过清晰度、灰度方差、信息熵三个方面,将算法结果与小波变换 的结果进行了对
研究区间数互反判断矩阵和区间数互补判断矩阵的集结.采用UOWA算子将决策者的偏好信息集结为区间数互反判断矩阵和互补判断矩阵两种形式,结合决策者给出的允许偏差,定义群满意度隶属函数,建立求解群偏好一致程
针对由于空间信息利用不充分而导致的高光谱图像分类精度较低的问题,提出一种基于图正则自适应联合协同表示的高光谱图像分类算法.首先,采用双边滤波操作对高光谱图像进行空间信息提取,以充分挖掘每个像素的空间信
受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提
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
高光谱图像分类研究中,集成学习能够显著地提高分类效果。但是传统的并行多分类系统对基础分类器有较高要求,即要求差异性及分类均衡。为了解决这一问题,采用StackingLearning的堆栈式学习方式,首
基于经验模态分解NCC特征选择的高光谱图像分类算法
在基于陪集码的高光谱图像压缩算法中,由于按照编码块的最大残差确定整块无损压缩所需的码率存在较大冗余,该文提出了基于分类和陪集码的高光谱图像压缩算法.首先利用前一波段对应位置的预测噪声对当前波段编码块的