Advertisement

高光谱图像解混数据集——Samon

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

简介：
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。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
     
  • Jasper Ridge高光谱解混数据集
    优质
    Jasper Ridge高光谱解混数据集是一套用于分析和研究复杂环境场景中地物成分的数据集合，特别适用于加州斯坦福大学Jasper Ridge生物保护区内的植被与土壤类型识别。该数据集包含详细的高光谱影像及地面实测信息，是验证和开发高光谱遥感技术的重要资源。 高光谱解混数据集（Jasper Ridge）包含一个MATLAB的mat文件。原始数据尺寸为512 x 614像素，每个像素记录了从380nm到2500nm范围内的224个通道的数据，光谱分辨率高达9.46纳米。由于高光谱图像过于复杂而难以直接获取基本事实信息，我们选取了一个100x100像素的子图作为分析对象，该子图起始于原始图像中的第（105, 269）个像素位置。 在数据预处理阶段，移除了通道1-3、108-112、154-166和220-224的数据（主要是因为这些波段受水蒸气及大气效应的影响较大），最终保留了共包含198个有效光谱通道的图像数据。这一处理步骤是高光谱数据分析中常见的预处理方法之一，有助于提高后续分析的有效性和准确性。
     
  • 城市高光谱解混数据集
    优质
    城市高光谱解混数据集汇集了多种地物类型的高光谱遥感信息，旨在通过先进的统计和物理模型分离混合像元中的纯净端元，提高对复杂城市环境的理解与分析能力。 高光谱解混数据集Urban是用于高光谱分离研究中最广泛使用的数据之一。该数据集包含307 x 307像素的图像，每个像素代表2 x 2平方米区域。在这一图像中，波长范围从400纳米到2500纳米，并且有210个不同的波段。然而，在通道1至4、76、87、101至111、136至153以及198至210被移除后（因为这些区域受到密集水蒸气和大气效应的影响），最终保留了共计162个波段。
     
  • 高光谱解混数据集(Cuprite矿区域图)
    优质
    本数据集为Cuprite矿区域的高光谱影像解混结果，包含多种地物端元及其丰度分布信息，适用于矿物识别与地质研究。 Cuprite（矿区图）是高光谱解混研究中的标准数据集之一，它涵盖了美国内华达州拉斯维加斯的Cuprite矿区。原始数据包含224个波段，覆盖从370nm到2480nm的范围。在移除有噪声和吸水通道后（即1至2号以及221至224号、104至113号及148至167号），数据集仍保留了188个波段的信息。该区域中的一个特定部分，尺寸为250×190像素，被认为存在有14种矿物的分布情况。 然而，在实际分析中考虑到相似矿物变体之间的细微差异后，最终确认的数据集中包含的是这十二类主要矿物：#1 Alunite, #2 Andradite, #3 Buddingtonite, #4 Dumortierite, #5 Kaolinite1, #6 Kaolinite2, #7 Muscovite, #8 Montmorillonite, #9 Nontronite, #10 Pyrope, #11 Sphene 和#12 Chalcedony.
     
  • 萨姆森高光谱解混数据集
    优质
    萨姆森高光谱解混数据集是用于评估和优化高光谱图像中材料识别与定量分析的基准数据集。该数据集包含丰富的地面真实标签，涵盖多种复杂场景，为研究人员提供了一个测试算法性能的理想平台。 高光谱解混数据集Samson包含156个通道的Matlab格式数据，原始图像尺寸为952x 952像素。每个像素记录了在156个通道上的信息，覆盖401nm 至889nm 的波长范围，光谱分辨率高达3.13 nm。由于原始图像较大，在计算成本方面较高，因此选取了一个95×95像素的区域进行分析，该区域从原始图像中的第252,332像素开始。此数据未受到空白通道或严重噪声通道的影响降级。“#1土壤”，“#2树”和“#3水”是该图像中包含的三个目标。
     
  • ATGP_高光谱图像；PCA高光谱分解；混合像元分解；高光谱源码.rar
    优质
    本资源包包含用于处理高光谱图像的代码和文档，重点介绍了基于PCA的高光谱数据降维及混合像元分解技术，适用于科研与教学。 高光谱图像；高光谱分解_PCA；混合像元分解；高光谱源码.rarrar
     
  • 高光谱图像的混合像素分解
    优质
    高光谱图像的混合像素分解研究旨在通过精确解析和分离复杂地物混合信息，提高遥感图像分类精度与细节表现力。此技术对于环境监测、地质勘探等领域具有重要意义。 高光谱图像在遥感技术领域占据重要地位。通过混合像元分解可以得到该类图像的平均光谱特性曲线。本段落将详细讲解混合像元分解的过程，并使用ENVI软件进行相关处理与分析。 首先，我们需要理解什么是混合像元分解：这是一种从复杂的数据中提取纯净和混杂像素的技术手段，在高光谱图象中每个像素点包含多种物质的信息，而纯像素则是仅含有单一物质信息的像素。通过这一过程可以获取到图像中的平均光谱曲线。 端元提取是该流程的第一步，其目标是从图像数据集中分离出代表纯净成分的样本。基于PPI（Pixel Purity Index）的方法是一种常用的技术手段来实现这一点。 接着，在计算PPI时，需要对高光谱数据执行MNf 变换以减少维度，并运用特定算法确定每个像素点的纯度值。通过设定阈值范围，我们可以识别出那些较为纯净的目标区域和对应的样本。 n维可视化是该流程中的第二步。它涉及选择四个波段构建五维散点图来展示光谱信息，在这个过程中我们可以通过观察图形挑选端元，并剔除噪声影响的数据。 在确定了端元之后，下一步就是丰度解混过程，即通过计算每个像素的成分比例将其分解为纯净和混合像元。同时选择适当的算法参数进行分类操作以区分不同的物质类别。 总而言之，混合像元分解是高光谱图像处理的关键技术之一，它能够帮助我们更好地理解并应用这些复杂的数据集。
     
  • Endmember_Extraction_Codes_zip_MATLAB_光谱解混_matlab解混_matlab高光谱_高
    优质
    本资源提供多种MATLAB代码用于执行光谱解混（即端元提取），适用于高光谱图像处理。通过分析复杂混合像素，分离出纯净光谱成分，促进目标识别与分类。 一些常用的高光谱解混方法的MATLAB代码被讨论了。
     
  • 线性高光谱解混常见算法程序.zip_everywhereify_光谱_光谱解混_解混_高光谱解混
    优质
    本资源提供多种线性高光谱解混算法的编程实现，适用于遥感与环境监测领域。包括最小体积法、约束线性解混等技术代码，帮助用户深入理解并应用高光谱图像处理中的关键问题。 这段文字介绍了几种常用的基于线性混合模型的高光谱数据解混算法的代码，可供参考。
     
  • 【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.