内容提供者
基于多尺度空-谱特征学习的高光谱图像超分辨率重建方法.pdf
2023-05-23
10金币
786KB
13页
一只****ua
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共13页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
基于多尺度空-谱特征学习的高光谱图像超分辨率重建方法.pdf
一种基于多尺度空?谱特征学习的高光谱图像超分辨率重建方法,建立高分辨率高光谱图像?低分辨率高光谱图像图像对训练集,构建多尺度空?谱特征学习网络,由浅层特征提取模块提取低分辨率高光谱图像的初始浅层特征图F<base:Sub>0</base:Sub>,MSIM基于F<base:Sub>0</base:Sub>得到多尺度浅层空?谱特征图F<base:Sub>s</base:Sub>;DPMSSFN采用级联的DPMSSFB提取不同接收域的残差特征,得到不同层次的空?谱特征图F<base:Sub>1</base:S
2023-05-23
10
786KB
基于深度学习的高光谱图像空谱超分辨率重建.docx
基于深度学习的高光谱图像空谱超分辨率重建摘要：随着高光谱成像技术的发展，获取高质量的高光谱图像变得越来越重要。然而，由于传感器设备的限制，高光谱图像通常具有较低的空谱分辨率。为了解决这个问题，本文提出了一种基于深度学习的方法，用于高光谱图像的空谱超分辨率重建。实验结果表明，该方法能够有效地提高高光谱图像的空谱分辨率，同时保持图像的质量和细节。关键词：高光谱图像，空谱超分辨率重建，深度学习1.引言高光谱成像技术在农业、环境监测、医学等领域具有广泛的应用前景。然而，由于传感器设备的限制，高光谱图像通常具有较低
2024-10-18
5
11KB
基于多尺度空谱鉴别特征的高光谱图像分类.pptx
汇报人：/目录0102特征提取方法特征选择标准特征优化算法特征提取实验结果03分类算法概述分类算法选择依据分类算法实现流程分类算法实验结果04特征尺度对分类性能的影响特征空间对分类性能的影响特征光谱对分类性能的影响特征融合对分类性能的影响05遥感监测应用环境监测应用城市规划应用农业种植面积估算应用06数据获取与处理挑战特征提取与分类算法优化挑战应用场景拓展挑战高光谱图像分类未来展望汇报人：
2024-10-03
20
2.6MB
一种基于多尺度空谱特征联合学习的高光谱图像分类方法.pdf
本发明提供一种基于多尺度空谱特征联合学习的高光谱图像分类方法,通过多尺度光谱特征提取模块和多尺度空间特征提取模块分别有效提取了不同尺度的光谱特征和空间特征,再通过光谱?空间特征融合模块进行光谱特征和空间特征的联合提取,实现了光谱?空间特征的联合学习,充分利用了高光谱图像中丰富的光谱和空间信息,提高了分类精度;同时,本发明将光谱?空间特征的提取通过三组卷积神经网络来实现,且第一组三维卷积层Ⅰ中卷积核的前两维尺寸为1×1,第二组为二维卷积层,相比于全部使用三个维度均不为1的多层三维卷积神经网络,能够在保证分类
2023-05-18
10
902KB
基于深度学习的高光谱图像空谱超分辨率重建的任务书.docx
基于深度学习的高光谱图像空谱超分辨率重建的任务书一、任务背景高光谱图像是一种能够获取物体光谱信息的图像，可以用于物体识别、目标检测以及环境监测等领域。然而，高光谱图像通常具有高维度和大数据量的特点，对于这类数据的处理和分析具有一定的挑战性。此外，高光谱图像中相邻光谱波段之间的重叠和冗余也会造成大量的数据冗余和计算时间增加的问题。为了缓解上述问题，许多高光谱成像系统采取了压缩感知技术将高维高光谱数据映射到低维度空间中。但是在这个过程中，存在着信号能量的丢失和重构误差，这可能导致重构后的低分辨率图像信息严重缺
2024-10-12
5
11KB