一种基于无监督宽度学习的高光谱图像聚类方法.pdf
小寄****淑k
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
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。
一种基于卷积宽度迁移网络的高光谱图像分类方法.pdf
本发明公开了一种基于卷积宽度迁移网络的高光谱图像分类方法,首先使用波段选择对原始高光谱图像进行预处理,去除波段冗余;然后通过在卷积神经网络中加入领域适应层同时对齐源域和目标域边缘概率分布和二阶统计量信息,并得到卷积领域适配网络以提取原始高光谱数据中深层领域不变性特征。接着提出加权条件最大均值差异,并将基于加权条件最大均值差异的正则项加入宽度网络,得到加权条件宽度学习网络以减少两域条件概率分布差异和类权重偏差,同时对特征进行宽度扩展。最后通过岭回归理论快速计算出输出权值。本方法可仅使用利用源域标记样本完成对
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
基于互信息的K均值高光谱图像波段聚类方法.pdf
一种基于互信息的K均值高光谱图像波段聚类方法,通过波段间的平均互信息选取聚类中心加入到K均值聚类迭代中,包括平均互信息的计算、聚类中心的确定、代表性波段组合的选择、分类及其评价。通过计算波段区间内部和外部平均互信息,直接选取波段作为聚类中心加入到聚类迭代中,利用K均值聚类完成波段的聚类过程,使得各波段聚类在具有代表性且图像信息较丰富的波段周围,以各聚类中心波段作为最优波段组合。本发明在保留了高光谱图像的光谱信息同时,得到更高的图像分类精度。