注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于SSAE深度学习特征表示的高光谱遥感图像分类方法_商宏涛.pdf

  2. 针对遥感图像中高光谱数据的分类问题，提出一种基于堆叠稀疏自动编码器（ＳＳＡＥ）深度学习特征表示的高光谱遥感 图 像 分 类 方 法；首 先，将光谱数据样本进行预处理和归一化；然 后，将 其 输 入 到ＳＳＡＥ中进行特征表示学习，并通过网格搜索来获得最优网络参数，以此获得有效的特征表示；最后通过支持向量机（ＳＶＭ）分类器对输入图像特征进行分类，最 终实 现 遥感图像中像素的分类；在两个标准数据集上的实验结果表明，该方法能够实现准确的高光谱地物分类。

  3. 所属分类：机器学习

    • 发布日期：2020-02-14
    • 文件大小：466kb
    • 提供者：qq_24887639

  1. 基于稀疏表示的高光谱图像分类

  3. 所属分类：教育

  1. 基于空间相关正则化稀疏表示的高光谱图像分类分布式并行优化

  2. 高光谱图像具有覆盖范围广，高维带和大量数据的特点，这在处理高光谱数据时会导致耗时的计算。 Spark是一个分布式大数据处理框架，集成了内存中计算。因此，Spark适用于复杂的迭代计算。为了有效地对海量高光谱数据进行分类，提出了原始空间相关正则化稀疏表示分类（SCSRC）的Spark版本。在分布式并行SCSRC（DP-SCSRC）中，首先，将相邻的高光谱图像索引存储在Spark的RDD的同一分区中，以保留空间相关性。其次，创建联合分布式矩阵（JDM）以减少计算节点之间的开销数据同步。对实际高光谱数

  3. 所属分类：其它

  1. 非局部联合协作表示与局部自适应字典的高光谱图像分类

  2. 稀疏表示已广泛用于图像分类中。 但是，众所周知，基于稀疏性的算法很耗时。 同时，最近的工作表明，决定算法性能的是协作表示（CR）而非稀疏性约束。 因此，我们提出了一种具有局部自适应字典（NJCRC-LAD）的非局部联合CR分类方法，用于高光谱图像（HSI）分类。 本文着重研究CR的工作机制，并建立联合协作模型（JCM）。 联合信号矩阵由测试像素的非局部像素构成。 利用一个子词典，它适合于非局部信号矩阵而不是整个字典。 在三个HSI上测试了所提出的NJCRC-LAD方法，实验结果表明，所提出的算法

  3. 所属分类：其它

  1. 基于局部和非局部上下文感知弹性网络表示的高光谱图像分类

  2. 通过将查询样本表示为所有标记样本的线性组合，然后通过评估哪个类别导致最小表示误差对它进行分类，基于表示的分类方法已成功用于高光谱图像（HSI）的分类。 根据不同规范的使用，已经在两种不同的范式中提出了基于稀疏表示的分类（SRC）和基于协作表示的分类（CRC）方法。 SRC鼓励使用少量带标签的样本，而CRC则鼓励使用所有带标签的样本来协同代表所有类别中的查询。 但是，当不同类别的有限标记样本不平衡时，学习的表示很难反映每个类别的特定特征。 为了克服这个问题，本文提出了一种基于图的上下文感知弹性网（

  3. 所属分类：其它

  1. 基于非局部空间和局部光谱相似度的组稀疏表示用于高光谱图像分类

  2. 基于非局部空间和局部光谱相似度的组稀疏表示用于高光谱图像分类

  3. 所属分类：其它

  1. 基于随机子空间的群稀疏表示的并集用于高光谱图像分类

  2. 基于随机子空间的群稀疏表示的并集用于高光谱图像分类

  3. 所属分类：其它

  1. 基于稀疏表示的多功能遥感影像分类模型

  2. 本文利用遥感影像的光谱特征及其相关变换进行多特征建模，针对传统的SVM方法对多光谱反射影像分类精度不高的问题，将稀疏表示算法分解影像分类，并以宁夏平罗县沙湖地区遥感影像为例，通过提取多光谱红外影像变换中的归一化转化指数（NDVI）以及缨帽（KT）变换等特征，与反射影像的光谱特征相结合，生成稀疏分解的学习词典；根据学习字典计算每个像元的稀疏分解系数，得到整幅图像的稀疏表示特征。实验结果表明，无论在分类精度还是视觉效果上，本文算法都要采用传统分类方法。

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：394kb
    • 提供者：weixin_38524871

  1. 基于集到集距离的稀疏表示用于高光谱图像分类

  2. 基于集到集距离的稀疏表示用于高光谱图像分类

  3. 所属分类：其它

  1. 使用L1 / 2正则化低秩表示和基于稀疏表示的图割进行光谱空间高光谱图像分类

  2. 使用L1 / 2正则化低秩表示和基于稀疏表示的图割进行光谱空间高光谱图像分类

  3. 所属分类：其它

  1. 基于邻域相似度的联合稀疏表示的高光谱图像分类算法

  2. 为了提高基于联合稀疏表示的高光谱图像的分类精度, 提出一种基于邻域相似度联合稀疏表示的分类算法。与传统的联合稀疏表示算法相比, 邻域内不同地物类别的像元对待测像元P的影响权重不同, 依据邻域内的像元与像元P的相似程度, 设定相似度阈值。通过联合稀疏表示与像元P相似度高的像元来确定像元P的类别, 然后进一步利用空间信息修正分类算法, 即关联邻近像元的类别, 平滑分类结果。实验结果表明, 基于邻域相似度的联合稀疏表示的分类算法精度更高, 结果更稳定。

  3. 所属分类：其它

  1. 基于谱聚类和稀疏表示的高光谱图像分类算法

  2. 为了增强高光谱遥感图像的分类效果, 提出基于谱聚类和稀疏表示的两级分类算法。利用谱聚类将待分类的像元及其邻域内所有的像元分成两类, 利用联合稀疏表示模型确定按规则选取的其中一类的具体类别, 并以该类别作为像元的类。该算法充分利用高光谱图像的光谱及空间信息, 两级分类过程均考虑了噪声及区域边界对分类效果的影响。进一步利用空间信息对分类算法进行修正, 即关联邻近像元的类别, 平滑分类结果。数值实验表明, 该算法的分类精度高、稳定性好、抗噪性强。

  3. 所属分类：其它

  1. 基于主成分分析与局部二值模式的高光谱图像分类

  2. 提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类

  3. 所属分类：其它

  1. 一种基于Spark的高光谱遥感图像分类并行化方法

  2. 为了实现大数据量遥感图像的分类，提出了一种Spark平台下高光谱遥感图像稀疏表示分类并行化方法PSCSRC， 首先设计五元组形式的中间数据存储结构，其次在每次迭代中只是将稀疏矩阵中与中间矩阵各分块对应的子矩阵分发到各节点，这就减少了中间数据Shuffle和数据传递的时间消耗。实验结果表明，PSCSRC分类方法与SCSRC分类方法相比，在保证分类精度的同时，执行速度有了明显的提升。

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：837kb
    • 提供者：weixin_38711643

  1. 高光谱影像的非局部加权联合稀疏表示分类方法

  2. 作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-

  3. 所属分类：其它

    • 发布日期：2021-04-02
    • 文件大小：384kb
    • 提供者：weixin_38720997

  1. 非局部联合协作表示与局部自适应字典的高光谱图像分类

  2. 稀疏表示已广泛用于图像分类中。 但是，众所周知，基于稀疏性的算法很耗时。 同时，最近的工作表明，决定算法性能的是协作表示（CR）而非稀疏性约束。 因此，我们提出了一种具有局部自适应字典（NJCRC-LAD）的非局部联合CR分类方法，用于高光谱图像（HSI）分类。 本文着重研究CR的工作机制，并建立联合协作模型（JCM）。 联合信号矩阵由测试像素的非局部像素构成。 利用一个子词典，它适应于非局部信号矩阵而不是整个字典。 在三个HSI上测试了所提出的NJCRC-LAD方法，实验结果表明，所提出的算法

  3. 所属分类：其它

    • 发布日期：2021-03-30
    • 文件大小：128kb
    • 提供者：weixin_38558186