一种基于无监督分割的高光谱图像小目标检测方法.pdf
论文****轩吖
亲,该文档总共11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
一种基于无监督分割的高光谱图像小目标检测方法.pdf
本发明公开了一种基于无监督分割的高光谱图像小目标检测方法,对待检测的高光谱目标图像进行归一化处理,建立高光谱图像分割模型;根据高光谱图像分割结果图,统计分割结果图中每一连通域内包含的像素个数,判断每一连通域内像素个数是否小于设定的阈值N;将待检测图像划分为多个连通域,并将连通域内的像素个数小于设定的阈值N的连通域判定为待检测小目标的感兴趣区域;将感兴趣区域内的像素光谱与已知光谱模板作为自适应余弦估计高光谱检测器的输入,检测感兴趣区域内的像素是否为目标像素;最后输出高光谱目标图像的检测结果。该方法能够有效缩
基于无监督光谱解混神经网络的高光谱图像变化检测方法.pdf
本发明为解决现有无监督变化检测算法主要是基于光谱的代数变换和光谱解混存在对具有混合像元的高光谱数据中表现不佳和适用性限制较大的技术问题,而提供一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。包括以下步骤:1、对两个不同时相的高光谱图像进行切分与混合,得到高光谱图像块数据,将其作为训练数据集;2、构建光谱解混网络,生成带有图像特征的端元矩阵和丰度矩阵;3、根据端元矩阵和丰度矩阵重构高光谱图像块数据,选择重构误差训练光谱解混网络;4、基于完成训练的光谱解混网络,根据丰度矩阵生成模块输出的丰度矩阵生成变
一种基于无监督宽度学习的高光谱图像聚类方法.pdf
本发明的一种基于无监督宽度学习的高光谱图像聚类方法,首先,为保留原始高光谱图像的本征流形结,利用图正则稀疏自动编码器微调输入到映射特征和映射特征到增量节点的权重;接着,无监督宽度学习的模型目标函数由图正则项和连接权重的l2范数项构成,并通过求解广义特征值分解问题,得到无监督宽度学习的模型权重以及无监督宽度学习的输出;最后,利用谱聚类得到聚类结果。
一种高光谱溢油图像的有效分割方法.pdf
一种高光谱溢油图像的有效分割方法,技术方案如下:定义初始水平集函数及其他相关函数;结合Fisher准则得到新的拟合项;构造边缘停止函数得到新长度项;结合端元提取算法的改进;引入水平集正则项避免水平集函数重新初始化;能量泛函最小化得到欧拉‑拉格朗日方程;设置各个参数;选择显示波段以及初始轮廓;显示分割结果图;计算各种分割精度评价指标;对分割结果精度进行比较、评价。本发明能划分出模拟高光谱图像和真实高光谱中的目标区域,有效分割有边界模糊、含噪声等特点的高光谱溢油图像。提高高光谱图像的分割精度,获得更加准确的分
基于空‑谱信息的高光谱图像半监督分类方法.pdf
本发明公开了一种基于空‑谱信息的高光谱图像半监督分类方法,该方法将高光谱图像中的光谱信息、空间信息联合作用于支持向量机分类器,采用自训练的半监督分类框架,并利用主动学习的方法作为半监督分类的样本选取策略,将半监督分类得到的初始分类结果进行按类分解得到的各类的二值图像作为边缘保留滤波器的输入图像,光谱信息的第一主成分分量作为滤波器的参照图像,利用边缘保留滤波器进行局部平滑,消除噪声,然后将像元按照所属概率最大的类别进行划分,完成分类过程。本发明联合光谱信息和空间信息提高了类别的可分性,利用自训练的半监督分类