深度学习在高光谱图像分类中的应用研究

针对目前煤矿采掘工作面便携式瓦斯报警仪监控过程中存在繁琐、枯燥的现场报数问题,提出了采用摄像机对便携式瓦斯报警仪进行实时监控并对监控视频图像序列进行图像处理和识别的方法;详细介绍了瓦斯浓度自动识别过程

文中以医学图像为例,对噪声大、模糊不清、对比度低的图像进行增强处理。主要工作是通过几种滤除噪声方法对比,选择中值滤波法去除噪声,然而通过直方图均衡化处理以及对图像的目标区的背景区分别做对数运算和指数运

高光谱图像分类:在Matlab中使用朴素贝叶斯,最小Eucleidian距离和KNN进行高光谱图像分类

在酗酒者脑电数据基础上,利用复杂网络理论构建并分析了酗酒者EEG功能脑网络,通过统计检验和机器学习算法挖掘出正常被试和酗酒被试之间的特异性网络指标作为分类特征,用SVM分类的准确率最高可达76.8%。

所属领域:数据挖掘、机器学习、文本分类 数据偏斜和噪声数据是文本自动分类应用中经常遇到的问题。在数据偏斜的 情况下,样本无法准确反映整个空间的数据分布,分类器容易受到大类的影响而忽 略小类。大多数分类

本文介绍了一种基于扩展随机游走（ERW）的高光谱图像光谱空间分类方法，该方法包括两个主要步骤。首先，采用广泛使用的像素分类器，即支持向量机（SVM）来获得高光谱图像的分类概率图，其反映了每个高光谱像素

常用的高光谱图像分类数据集包括Indian Pines、Pavia Centre、Pavia University、Salinas-A和Washington_DC。这些数据集广泛用于图像分类领域，奠定

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大

为了充分利用高光谱图像的光谱信息和空间结构信息，提出了一种新的基于随机森林的高光谱遥感图像分类方法，首先，利用主成分分析降低数据的维数，并对主成分进行独立成分分析提取其光谱特征，同时消除像元的空间相关

基于云模型的高光谱遥感图像的分类研究，李万臣，郭逢丽，现有的分类方法都没有考虑或者没有彻底考虑高光谱遥感图像数据的不确定性，因此提出了一种基于云模型的高光谱遥感图像分类方法。