Advertisement

常见的高光谱图像分类数据集

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

简介：
本文章介绍了几种常见的高光谱图像分类数据集，涵盖了不同场景和应用需求，为研究者提供参考。 主要包括：Indian Pines；Pavia Centre；Pavia University；Salinas；Salinas-A；Washington_DC。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 常见的高光谱图像分类数据集
    优质
    本文章介绍了几种常见的高光谱图像分类数据集，涵盖了不同场景和应用需求，为研究者提供参考。 主要包括：Indian Pines；Pavia Centre；Pavia University；Salinas；Salinas-A；Washington_DC。
     
  • 高光谱与遥感图像常见数据集
    优质
    本资料涵盖了高光谱及遥感图像领域内的主要数据集概览，包括各类应用的数据来源、特点及其获取途径。 这里包含常用的高光谱图像（HSI）数据集，如Indian Pavia等。每个数据集中都包含了原始图像信息及其对应的地面真实类别标签。由于文件大小限制，目前只能上传这两个数据集，还有Salinas等其他数据集可供使用，如有需要请留言说明。
     
  • 高光谱遥感图像分类数据集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。
     
  • 红外、可见光、高光谱及SAR图像合集数据集.rar
    优质
    该文件包含多种类型的遥感图像数据集，包括红外、可见光、高光谱和SAR图像，适用于多模态图像处理与分析研究。 资源描述：图像合集数据集（包含红外、可见光、高光谱及SAR图像）。 资源内容：该数据集中已包含了多种类型的配对图像，适合用于各类研究与开发工作。 适用对象：此资源适用于计算机科学、电子信息工程以及数学等相关专业的大专院校学生，在课程设计和毕业项目中可以发挥重要作用。 作者介绍：本资料由一位在大型企业担任高级算法工程师的专家提供。该工程师拥有十年的工作经验，专注于Matlab、Python、C/C++及Java等编程语言的应用，并且擅长计算机视觉技术、目标检测模型开发以及智能优化算法等领域；此外还精通神经网络预测方法和信号处理技巧，在元胞自动机研究与图像处理方面也有丰富的实战经历。同时对智能控制理论和技术路径规划有所涉猎，对于无人机相关领域的研发亦有独到见解。欢迎志同道合者共同探讨学习交流机会。
     
  • 高光谱与遥感图像常用数据集（2）
    优质
    本资料介绍高光谱与遥感图像领域常用的第二部分数据集，涵盖不同应用场景下的高质量、多维度的数据资源。 该包提供了遥感图像分析中常用的Salinas数据集，格式为mat文件，包含各波段的信息以及对应的地面真实标签数据。
     
  • 高光谱遥感影像分类代码与数据集
    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。
     
  • 高光谱图像解混数据集——Samon
    优质
    Samon是一款专为高光谱图像解混设计的数据集，包含多样化的地物光谱信息和复杂的混合像元场景，旨在促进机器学习算法在遥感领域的应用与发展。 高光谱图像解混数据集Samon提供了一系列用于研究的高光谱图像数据。该数据集旨在支持对复杂场景中的材料进行精确识别与分析的研究工作。
     
  • 【高光谱图像数据集】KSC版本
    优质
    简介：本数据集为改良版肯塔基草地(KSC)高光谱图像集合，适用于各类分类算法的研究与测试。 On March 23, 1996, NASAs AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) instrument collected data over the Kennedy Space Center in Florida. The AVIRIS collects data across 224 bands with a width of 10 nm and center wavelengths ranging from 400 to 2500 nm. Data were acquired at an altitude of approximately 20 km, resulting in a spatial resolution of 18 meters. After removing water absorption and low signal-to-noise ratio (SNR) bands, the analysis used 176 remaining bands. Training data for classification were selected based on land cover maps derived from color infrared photography provided by Kennedy Space Center and Landsat Thematic Mapper imagery. A vegetation classification scheme was developed at KSC to define functional types that are discernible at both Landsats spatial resolution and that of the AVIRIS data. The similarity in spectral signatures for certain vegetation types makes it challenging to distinguish land cover classes. For this analysis, 13 distinct land cover categories were defined to represent various environmental conditions present within the Kennedy Space Center area.
     
  • 高光谱与LiDAR融合的多模态遥感图像分类数据集
    优质
    本研究构建了一个集成高光谱和LiDAR技术的多模态遥感图像分类数据集，旨在提升复杂场景下的地物识别精度与效率。 高光谱和LiDAR多模态遥感图像分类数据集包括Houston2013、Trento以及MUUFL。