Advertisement

Urban地区的高光谱解混数据集（.mat格式）

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

简介：
本数据集提供了Urban地区详尽的高光谱影像信息，以.mat格式存储，适用于深入研究与分析地物类型及其分布特征。 高光谱解混数据集Urban是用于高光谱分离研究中的常用数据之一。该数据集包含307 x 307像素的图像，每个像素代表一个2 x 2平方米的区域。在该图中存在从400nm到2500nm波长范围内的光谱信息，并且以10纳米为间隔进行采样。然而，在通道1--4,76,87,101-111,136--153和198-210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），图像保留了剩余的共162个波长通道。该数据集为科研提供了重要的支持。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Urban地区的高光谱解混数据集（.mat格式）
    优质
    本数据集提供了Urban地区详尽的高光谱影像信息，以.mat格式存储，适用于深入研究与分析地物类型及其分布特征。 高光谱解混数据集Urban是用于高光谱分离研究中的常用数据之一。该数据集包含307 x 307像素的图像，每个像素代表一个2 x 2平方米的区域。在该图中存在从400nm到2500nm波长范围内的光谱信息，并且以10纳米为间隔进行采样。然而，在通道1--4,76,87,101-111,136--153和198-210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），图像保留了剩余的共162个波长通道。该数据集为科研提供了重要的支持。
     
  • 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.
     
  • 使用MATLAB读取MAT格式的高光谱数据
    优质
    本教程详细介绍如何利用MATLAB软件高效读取和处理MAT格式的高光谱数据文件，涵盖相关函数与代码示例。 由于文件大小限制，可以上传一个MAT格式的高光谱图像，并使用Matlab中的load函数进行读取。
     
  • 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。
     
  • 雄安新区高光谱遥感影像分类数据集（MAT格式已处理）
    优质
    本数据集包含雄安新区高光谱遥感影像的详细分类信息，经预处理后以MAT格式提供，适用于土地覆盖分析与环境监测研究。 雄安新区马蹄湾村的航空高光谱遥感影像分类数据集涵盖了400-1000nm范围内的250个波段，影像尺寸为3750×1580像元，空间分辨率为0.5米。同步进行实地调研的地类分布包括水稻茬、草地、榆树、白蜡、国槐、菜地、杨树、大豆、刺槐、水稻田、水体、柳树、复叶槭、栾树、桃树、玉米田、梨园和荷塘，共19种类型。
     
  • 常用的高光谱分类数据集（.mat 文件格式）压缩包
    优质
    本压缩包包含多个常用高光谱图像分类数据集，格式为.mat文件，便于直接在Matlab等软件中加载使用，适用于科研与教学。 常用高光谱分类数据集包括Indian Pines、KSC、Purdue、DC、HOUSTON、Botswana和Salinas等，这些数据集在撰写论文时通常足够使用，并且是公开的；使用方法为格式全部为mat文件，在Python和Matlab上均可使用；建议尝试不同传感器的数据集以验证分类方法的有效性。
     
  • 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。
     
  • 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。
     
  • 科研用高光谱数据集（.mat,.csv）
    优质
    本数据集包含各类科研应用的高光谱图像和相关属性信息，以.mat和.csv格式存储，适用于遥感、材料识别等领域研究。 高光谱数据集在遥感及地球观测领域有着广泛应用的价值，它能够提供连续的波段光谱信息，并且每个波段对应特定电磁辐射频率的数据。本数据集中包含了两种格式：`.mat` 和 `.csv` 文件，主要用于科研和学术研究。 `.mat` 文件是 MATLAB 的原生数据存储类型，支持保存各种变量如数组、结构体及自定义函数等。在这种情况下，“avirissub.mat”文件可能包含原始的高光谱信息以及元数据（例如波段详情与传感器参数）。MATLAB 用户可以直接加载此文件进行进一步分析和处理。 `.csv` 文件是一种通用的数据交换格式，便于读写，并适合于不同软件之间的数据共享。“avirissub.csv”是从“avirissub.mat”转换而来，保留了原始数据结构。该文件尺寸为 145x145x220，意味着它包含有 145 行（代表空间中的像素）和同样数量的列，并且每一行前 220 列是特征信息，这些可能涵盖多个光谱波段反应地物对不同光线的响应。最后一列为标签值，共有 17 种类型，表明该数据集适用于多类分类任务如识别不同的土地覆盖。 高光谱数据分析通常包括以下步骤： 1. **预处理**：涉及去除噪声、纠正辐射和几何失真及归一化等操作以提升数据质量。 2. **特征选择**：从大量光谱特征中挑选出最具有区分性的波段或组合，以此减少计算复杂度并提高分类精度。 3. **特征提取**：通过主成分分析(PCA)、独立成分分析(ICA) 或稀疏表示等方法将原始数据转换至新的特征空间内。 4. **分类算法应用**：使用支持向量机(SVM)，随机森林(RF)或深度学习模型进行训练和预测。 5. **后处理评估**：通过混淆矩阵，Kappa系数等方式对分类结果进行评价，并优化模型参数。 在分析高光谱数据时还需注意以下几点： - **光谱分辨率**：指仪器能够区分的最小波长差值，直接影响特征敏感度； - **空间分辨率**：确定图像中单个像素代表地面区域大小的因素，影响分类精度； - **SNR（信噪比）**：衡量信号强度与噪声水平的比例关系，高 SNR 有助于获取更准确的信息。 此外，“avirissub_gt.mat”文件可能包含真实标签信息即已知类别标记。这在验证模型性能方面至关重要。研究人员利用此类数据集开发并比较不同分析方法以推动遥感技术的进步和发展。