Advertisement

遥感分类的数据集

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
遥感分类数据集是由多种卫星或航空传感器获取的地表信息构成的集合,用于训练和评估图像分类算法,涵盖土地利用、植被识别等领域。 这段文本主要用于检验遥感降维算法的性能。在使用过程中可以使用MATLAB直接加载数据。其中data文件中的每行代表一个数据点,label表示对应的数据标签。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 优质
    遥感分类数据集是由多种卫星或航空传感器获取的地表信息构成的集合,用于训练和评估图像分类算法,涵盖土地利用、植被识别等领域。 这段文本主要用于检验遥感降维算法的性能。在使用过程中可以使用MATLAB直接加载数据。其中data文件中的每行代表一个数据点,label表示对应的数据标签。
  • RSSCN7 图像
    优质
    RS-CNN7数据集是一套专为遥感图像设计的分类任务的数据集合,包含丰富的卫星和航空影像样本,旨在推动机器学习算法在遥感领域的应用与研究。 RSSCN7 数据集包含 2800 幅遥感图像,这些图像是从谷歌地球收集的,并涵盖了七种典型的场景类别:草地、森林、农田、停车场、住宅区、工业区和河湖。每个类别有400张图片,在四个不同的尺度上进行采样,分别是1:700, 1:1300, 1:2600 和 1:5200,每种比例各有100张图像。 数据集中的每一幅图像是400*400像素大小。由于场景的多样性以及不同季节和天气条件下的变化,并且以不同的比例进行采样,这使得该数据集具有较高的挑战性。
  • Pavia高光谱
    优质
    本研究聚焦于Pavia大学区高光谱遥感图像的数据集,深入探讨并应用多种分类算法进行地物识别与分类精度评估。 高光谱遥感分类数据集PaviaUniversity包含.mat格式的数据和ENVI原影像文件。如需其他高光谱遥感分类数据集,请联系本人。
  • 建筑物图像.zip
    优质
    本数据集包含大量建筑物分类用的遥感图像,旨在为研究者提供一个全面且高质量的数据资源库,促进相关领域技术的发展与应用。 遥感图像的建筑物分类数据集
  • 高光谱影像代码与
    优质
    本项目聚焦于开发和应用先进的高光谱遥感影像分类算法及模型,并提供高质量的数据集以促进相关研究。 模型包括CNN, SAE, KNN 和 SVM。数据集使用了Indian_pines和Pavia。
  • 高光谱图像RAR文件
    优质
    该RAR文件包含用于训练和测试高光谱遥感图像分类算法的数据集,旨在促进准确的土地覆盖识别与分析研究。 高光谱遥感影像分类数据集适用于高光谱遥感影像的分类研究,在深度学习领域尤其常用,包括Botswana、Indian Pines、Pavia University等地的数据集。
  • PaviaU
    优质
    PaviaU遥感数据集是由意大利帕维亚大学提供的高光谱图像数据库,主要用于分类和识别地物目标的研究与教学。 PaviaU 遥感数据集包含一个 .mat 文件,并附带地面真实标签(ground truth),适用于高光谱图像分类实验。 该数据由德国的机载反射光学光谱成像仪(Reflective Optics Spectrographic Imaging System,ROSIS-03)在2003年拍摄于意大利帕维亚城的一部分高光谱影像。此传感器能够对从 0.43 到 0.86 微米波长范围内的115个连续波段进行成像,并且图像的空间分辨率为1.3米。由于其中的12个波段受到噪声干扰,通常使用的仅是剩下的103个光谱波段所构成的影像。
  • 基于图像
    优质
    本研究提出了一种基于分类器集成的方法,旨在提高遥感图像分类的精度和鲁棒性。通过结合多种分类算法的优势,该方法在复杂场景下展现出卓越性能。 基于分类器组合的遥感影像分类方法涉及将多种分类器应用于土地覆盖分类任务。首先构建一个包含支持向量机、径向基神经网络、J48决策树、朴素贝叶斯以及REPtree等算法的分类器集合,以此提升分类效果和准确性。
  • 最小距离_class_min_distance.rar_监督__
    优质
    本资源提供了一个基于最小距离法进行监督分类的MATLAB代码和示例数据,适用于遥感图像处理中的地物分类任务。 遥感原理与运用涉及最小距离原理的监督分类方法。
  • 影像
    优质
    遥感影像数据集是一系列通过卫星或飞机等平台获取的地表观测图像集合,涵盖不同地区、时期及光谱范围,广泛应用于环境监测、城市规划和自然资源管理等领域。 遥感图像数据集采用tif格式,适用于图像融合、图像分割等领域,非常实用。