基于深度光谱空间倒残差网络的高光谱图像分类方法.pdf
俊英****22
亲,该文档总共41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
基于深度光谱空间倒残差网络的高光谱图像分类方法.pdf
基于深度光谱空间倒残差网络的高光谱图像分类方法,本发明涉及高光谱图像分类方法。本发明的目的是为了解决现有高光谱图像数据集中标记样本有限,并实现光谱空间特征的有效提取的问题。过程为:步骤一、获取高光谱图像
基于光谱约束和残差注意力网络的高光谱全色锐化方法.pdf
本发明公开了一种基于光谱约束和残差注意力网络的高光谱全色锐化方法,主要解决现有技术中无法完全利用全色图像空间信息,锐化结果失真严重的问题。本发明的具体步骤如下:(1)生成训练集;(2)对低分辨率高光谱图像块进行空间对齐;(3)对单通道全色图像块进行光谱对齐;(4)构建残差注意力网络;(5)使用含有光谱约束的损失函数训练残差注意力网络;(6)使用训练好的残差注意力网络对高光谱图像进行全色锐化。本发明使了三维注意力模块和卷积模块构建残差注意力网络,并使用光谱约束的损失函数进行优化训练,具有锐化结果失真低,光谱
基于主成分分析网络和空间坐标的高光谱图像分类方法.pdf
本发明公开了一种基于主成分分析网络与空间坐标的高光谱图像分类方法,主要解决了现有技术空间与光谱信息融合复杂或不充分以及利用主成分分析网络进行高光谱分类时计算复杂度大等问题。其实现的方案为:先读取高光谱图像的数据集;再将数据集按空间分块随机选取训练集与测试集;然后对光谱信息进行降维、归一化及边缘保留滤波处理;接着将空间坐标扩充并与光谱特征融合;然后训练主成分分析网络,得训练好的主成分分析网络;将测试集数据输入训练好的主成分分析网络,得到测试集中每个像素点的特征向量;最后利用支持向量机SVM得到分类结果。本发
基于深度序列卷积网络的高光谱图像识别方法.pdf
本发明公开了基于深度序列卷积网络的高光谱图像识别方法,方法包括:采集并预处理目标高光谱图像;利用训练好的深度序列卷积网络模型对目标高光谱图像进行目标识别,得到分类结果;模型包括特征提取模块、Sequencer2D模块和辅助分类模块。本申请结合卷积结构和BiLSTM2D层构建深度序列卷积网络模型,形成光谱空间特征之间的关联性,抵抗卷积层由于高光谱图像的地面形状不规则导致部分特征无法提取的问题,提高特征提取的精度,模型不仅具有更好的有效性、高效性和泛化能力,还具有更高的训练速度和识别分类速率,能够提高高光谱图
一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法.pdf
本发明属于高光谱与多光谱图像融合领域,具体提供一种基于空间‑光谱联合低秩的高光谱与多光谱图像融合方法,通过对空间‑光谱维度的非局部低秩表示和相关优化方法实现高光谱与多光谱图像的融合。在尽可能减少光谱失真的前提下,利用已知多光谱图像丰富的空间信息进行非局部自相似数据块的提取,接着考虑重构图像空间和光谱维度的低秩特性,采用低变换张量秩的方式探索图像中的相似性和相关性,最后通过分段优化的思想和交替方向乘子法迭代求解目标优化函数实现高光谱与多光谱图像的融合。本发明通过非局部联合低秩实现了高光谱与多光谱图像的有效融