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. matlab实现高光谱图像主成分分析

  2. 进行高光谱图像处理时的降维程序，修改文件中的读入参数名称即可使用。

  3. 所属分类：机器学习

    • 发布日期：2018-03-13
    • 文件大小：2kb
    • 提供者：qq_36138734

  1. 高光谱图像pca分析特征提取

  2. 高光谱图像降维，可实现matlab对envi文件的直接读取，同时对高光谱图片直接处理。

  3. 所属分类：机器学习

  1. PCA和LDA在高光谱图像降维中的应用综述

  2. 本研究回顾了基于主成分分析PCA和判别分析LDA的降维方法及其扩展，包括经典主成分分析、概率主成分分析、核主成分分析，以及线性判别分析、局部保持降维、图形嵌入判别分析和半监督降维分析。

  3. 所属分类：专业指导

    • 发布日期：2018-09-12
    • 文件大小：1020kb
    • 提供者：suiluochenghu

  1. 基于流形学习的高光谱图像非线性降维算法

  2. 针对高光谱图像同一像元内存在多种地物种类,且地物之间具有多重反射,导致高光谱数据的非线性,采用传统的线性降维算法效果不佳等问题,提出利用流形学习的方法来寻找嵌入在高维观测数据空间的低维光滑流形,实现高光谱数据的非线性光谱降维。模拟和真实高光谱遥感数据实验结果表明,与传统的线性降维方法 PCA相比,经过等距映射、局部切空间排列等流行学习算法降维后的高光谱图像具有更好的光谱端元可分性。

  3. 所属分类：其它

    • 发布日期：2020-05-09
    • 文件大小：376kb
    • 提供者：weixin_38532849

  1. 高光谱图像pca分析特征提取

  2. matlab程序，高光谱图像降维，可以实现matlab对envi文件的直接读取，同时对高光谱图片直接处理。

  3. 所属分类：机器学习

    • 发布日期：2020-02-12
    • 文件大小：1kb
    • 提供者：lcmsir

  1. 利用PCA降维方法处理高光谱图像（matlab）

  2. 新手教程，含搜集资料加代码。高光谱图像分类是高光谱遥感对地观测技术的一项重要内容，在军事及民用领域都有着重要的应用。然而，高光谱图像的高维特性、波段间高度相关性、光谱混合等使高光谱图像分类面临巨大挑战。一方面高光谱图像相邻波段之间相关性较大，存在较高的信息冗余。

  3. 所属分类：机器学习

    • 发布日期：2020-10-09
    • 文件大小：458kb
    • 提供者：Sevenpoundsqq

  1. 基于主成分分析和线性判别分析的高光谱数据相关矢量机分类

  2. 相关性向量机（RVM）是一种机器学习技术，它使用贝叶斯推理来获取回归和概率的简约解。 与支持向量机（SVM）相比，RVM的贝叶斯公式避免了SVM的自由参数集。 然而，当应用于高光谱数据时，RVM的分类精度不高。 提出了一种基于RVM的分类方法。 该方法结合了主成分分析（PCA）和线性判别分析（LDA）以减少高光谱数据的维数。 首先，将PCA用于一维降维，并获得非奇异的类内散布矩阵。 其次，将LDA应用于第二维降维，大大减少了计算量。 最后，将相关向量机模型应用于遥感图像分类。 本文使用了1992

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：333kb
    • 提供者：weixin_38731199

  1. 基于自适应参数支持向量机的高光谱遥感图像小目标检测

  2. 针对高光谱遥感图像的小目标检测问题，提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维，降低数据冗余度；之后通过无监督检测方法对小目标进行快速、粗糙定位，并将该定位结果作为后验信息输入到SVM中；依据后验信息与核空间散度准则自适应确定SVM中核函数的参数，并使用SVM 在核空间中寻找分离目标和背景的最佳超平面；利用该超平面将像元重新分类为背景和目标，并且迭代上述操作，得到精确且稳定的目标检测结果。大量实验结果表明，与经典RX方法、核RX方法

  3. 所属分类：其它

  1. 两类空间信息融合的高光谱图像分类方法

  2. 针对单一滤波器提取高光谱图像空间特征时不能获得完整的图像空间信息的不足, 提出一种结合非局部均值滤波和导向滤波的高光谱图像分类算法。该方法利用非局部均值滤波提取高光谱全波段图像空间信息, 利用导向滤波提取经由主成分分析(PCA)降维后的高光谱图像的空间边缘信息, 将两种空间信息进行线性融合的结果输入至支持向量机(SVM)完成分类。实验表明, 相比于使用光谱信息、高光谱PCA降维、空谱结合的SVM分类、边缘保持滤波以及递归滤波等方法, 该算法能够有效提高光谱图像的分类精度。

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：16mb
    • 提供者：weixin_38663151