近年来，随着信息时代特别是数字时代的来临，计算机信息处理已经成 为卫星云图处理最主要的手段。卫星云图是遥感成像数据中包含信息最多的 数据源之一，采用图像处理方法分析并提取有用图像特征和内容，进而判断 大气变化情况和天气形势，是当前天气预报界的主流工作模式。因此，合理 地处理、分析和应用卫星云图信息，已经成为卫星云图处理的主要研究方向。 本文在借鉴传统图像处理方式的前提下，提出了基于内容的卫星云图处 理和信息检索方法，提高了图像处理的目的性和使用效率，具有较高的创新 价值和实用价值。本文所提出的

利用有限的标记样本,将其作为硬性约束加入矩阵分解中;同时构建局部邻域graph,挖掘数据的流形结构并保持局部的不变特性,提出一种基于矩阵分解的高光谱数据特征提取(FEMF)方法.经过矩阵分解,使得原始高维光谱特征空间中相近的数据在低维空间中仍然相近,而相同类别的标记数据则被投影到同一个位置.这样的低维表示具有更强的判别性能,从而得到更好的分类和聚类效果.该方法的求解过程是非凸规划问题,同时给出了一个乘性更新规则获得局部优化解.最后,对真实高光谱数据进行特征提取验证了该方法的有效性.

高光谱解混的目的在于提取图像中的端元特征和丰度特征。由于高光谱图像空间分辨率低而存在大量混合像元,因此如何从混合像元中提取光谱特征和空间分布信息是高光谱解混面临的难题。基于非负矩阵分解的高光谱解混是一个不适定拟合问题,而且在处理过程中将立方体数据转化为矩阵会导致三维结构信息的丢失。利用最小体积单纯形空间稀疏性,提出一种基于最小体积稀疏正则的高光谱解混方法,能够挖掘出图像中光谱特性和丰度特征的内在关系,减少结构信息的丢失。将凸几何中的最小体积约束与非负矩阵分解相结合,并采用近似交替优化与交替方向乘

预训练的深度学习模型，用于压电迟滞环SHO拟合的快速分析 近十年来，基于带激励压电响应力的开关光谱（BEPS）被用于表征具有纳米级分辨率的材料的铁电开关和动态机电响应。 该技术的关键输出之一是压电磁滞回线的高光谱图像，其中在每个像素位置都有一个或多个磁滞回线。 正确分析这些实验数据所需的挑战和奉献精神扼制了BEPS的影响和广泛使用。 为了简化从这些数据集中提取信息的方法，通常的方法是将压电磁滞回线拟合到经验函数，以对回线进行参数化。 该技术有几个缺点： 它占用大量计算资源，需要24小时以上才能