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
景福****90
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
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
一种基于主成分分析法的高光谱图像增强方法.pdf
本发明公开了一种基于主成分分析法的高光谱图像增强方法,利用一个正交的变换T,将原本有一定相关关系的原始数据转化成彼此之间正交的新的向量,从代数学角度上说,表现为用对角矩阵替代了原始变量X的协方差矩阵,在几何上角度上说,是用新的正交坐标系替代了原坐标系,使之沿着样本点散布在最远的p个互不相关的方向,然后用降维的方法对多维变量系统进行变换,使得在大量降维以后,还能保留原始数据的许多信息。将原始数据转换为特征空间的投影,形成新的空间向量,在新的空间向量的基础之上优化图像,从而有效的达到图像增强的目的。
基于NSCT和SAE的高光谱图像分类方法.pdf
本发明公开了一种基于NSCT和SAE的高光谱图像分类方法,其实现步骤为:(1)输入图像;(2)预处理;(3)进行非下采样轮廓波变换;(4)选取系数子带;(5)选取正方形邻域图像块;(6)提取像素的局部纹理特征;(7)获得三维图像矩阵;(8)选择训练样例;(9)构建栈式自编码器SAE;(10)进行非线性变换操作;(11)微调模型中的参数;(12)输出高光谱图像的分类结果。本发明可以充分地利用高光谱图像的局部纹理特征,具有很高的分类准确率,可用于地质勘探领域中的高光谱图像的分类,为地物图像的绘制提供参考。
基于NSCT变换和DCNN的高光谱图像分类方法.pdf
本发明公开了基于NSCT变换和DCNN的高光谱图像分类方法,解决了现有技术中不能充分挖掘待分类高光谱图像纹理细节和方向性信息的问题。本发明的实现为:输入高光谱图像;进行NSCT变换;对变换后立体块归一化并进行取块操作;在样本集合中随机选取训练、验证和测试样本集;构造深度卷积神经网络,设置网络超参数;训练网络;测试样本输入网络得到实际分类标签,画地物分类结果图;分类标签与测试样本参考标签对比计算分类评价指标,画出训练和验证样本随迭代次数增加的损失曲线图,完成地物分类。本发明保留了高光谱图像更多的纹理细节、方