一种基于自适应高阶张量分解的高光谱图像特征提取方法.pdf
康平****ng
亲,该文档总共12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
一种基于自适应高阶张量分解的高光谱图像特征提取方法.pdf
本发明涉及一种基于自适应高阶张量分解的高光谱图像特征提取方法,采用全新方法架构进行设计,基于形状自适应的邻域建模方法,首先通过各向异性LPA‑ICI的形状自适应方法,获取形状自适应面片特征,并构建为四阶张量;然后进行多线性奇异值分解,提取低维潜在特征;最后运用稀疏多项式回归模型分类;解决了传统方法处理维数高数据时,无法较好保留数据结构信息的缺点,以及传统平方邻域建模不准确性的缺点,能够实现更高精度的高光谱图像特征提取与分类。
基于自适应多尺度特征提取模型的高光谱图像分类方法.pdf
本发明公开了基于自适应多尺度特征提取模型的高光谱图像分类方法,建立包含尺度参考网络和特征提取网络两部分的框架,在尺度参考网络,引入条件门控机制,通过三组模块逐级判断,将特征输入到对应尺度提取网络,深入挖掘高光谱遥感图像蕴含的丰富信息,有效结合不同尺度的特征,提高分类效果,生成精细分类结果图;在特征提取网络,设计大尺度特征提取网络和小尺度特征提取网络从两个尺度进行地物信息提取,综合考虑数据集异构性和被识别地物尺度差异性,能够自适应改变网络结构,实现多尺度特征协同学习。本发明在进行多尺度特征提取时,同时保留了
基于低秩张量分解和自适应图全变分的高光谱图像去噪方法及系统.pdf
本发明公开一种基于低秩张量分解和自适应图全变分的高光谱图像去噪方法及系统,首先构造高光谱去噪模型;利用增广拉格朗日乘子法对张量分解和自适应图全变分的高光谱去噪模型的变量逐个交替求解;利用经典的HOOI算法求解第一个变量;基于高光谱图像的波段数求解第二个变量;利用软阈值收缩求解第三个变量;通过对所述模型的第四个变量直接求导;并对所得到的所有变量的结果进行迭代;将当前迭代结果与设定的迭代终止条件进行比较,直至满足收敛条件。本发明提供的方法,本方法相对于LRTV采用Tucker分解,能够很好的保留空间和光谱相关
基于图像特征的集合经验模态分解的高光谱图像分类方法.pdf
本发明涉及基于图像特征的集合经验模态分解的高光谱图像分类方法,其步骤包括:S1、利用主成分分析算法对原始高光谱图像进行降维处理;S2、对得到的二十维主成分进行自适应全变分滤波,降低噪声的敏感度并获得粗轮廓特征;S3、利用集合经验模态分解将每个谱带分解为串行分量,在转换域中对于高光谱图像的特征进行进一步融合;S4、利用支持向量机分类器对处理后的图像进行最终分类。本发明能有效增强图像的轮廓特征、并具有较好的分类性能。
基于局部自适应判别分析的高光谱图像分类方法.pdf
本发明提供了一种基于局部自适应判别分析的高光谱图像分类方法(LADA)。首先,构造得到局部自适应相似度权重矩阵,来度量高光谱数据光谱通道特征的相似度;然后,分别计算类内散度矩阵和类间散度矩阵,并利用测试集像素小空间邻域的像素点构建正则化散度矩阵,以最大程度保留空间邻域信息;接着,用正则化线性判别分析的思想,引入正则化单位矩阵,迭代求解转化矩阵的解析解,避免病态问题,并避免过度降维问题;最后,利用降维后特征进行分类并计算分类精度。由于降维后的低维特征包含丰富的光谱与空间信息,在数据分布不可知的情况下仍可得到