Advertisement

基于Matlab的HSID-CNN代码：袁Q., 张Q., 李J., 沉H., 张L., 张L.，使用空间-光谱深度残差卷积神经网络处理高光谱图像...

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

简介：
本文介绍了一种基于Matlab开发的HSID-CNN代码，该方法采用空间-光谱深度残差卷积神经网络技术来提升高光谱图像的数据处理能力。此研究由袁Q., 张Q., 李J., 沉H., 张L. 和张L.共同完成。 卷积神经网络代码Matlab人工神经网络使用空间光谱深度残差卷积神经网络（HSID-CNN）的用于高光谱图像降噪的Matlab演示代码，发表于IEEE TGRS 2019年期刊上。该论文由武汉大学的研究人员编写。 如果您在工作中使用或修改了我们的代码，请引用以下文献： Q. Yuan, Q. Zhang, J. Li, H. Shen 和 L. Zhang，“利用空间光谱深度残差卷积神经网络进行高光谱图像降噪”，IEEE地理科学与遥感学报，第1卷。57号2期，第1205-1218页，2019年。 @ARTICLE{yuan2019, author={Q.{Yuan} and Q.{Zhang} and J.{Li} and H.{Shen} and L.{Zhang}}, journal={IEEE Trans. Geosci. Remote Sens.}, title={Hyperspectral Image Denoising Employing a Spatial, Spectral, and Deep Residual Convolutional Neural Network} }

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于Matlab的HSID-CNN代码：袁Q., 张Q., 李J., 沉H., 张L., 张L.，使用空间-光谱深度残差卷积神经网络处理高光谱图像...
    优质
    本文介绍了一种基于Matlab开发的HSID-CNN代码，该方法采用空间-光谱深度残差卷积神经网络技术来提升高光谱图像的数据处理能力。此研究由袁Q., 张Q., 李J., 沉H., 张L. 和张L.共同完成。 卷积神经网络代码Matlab人工神经网络使用空间光谱深度残差卷积神经网络（HSID-CNN）的用于高光谱图像降噪的Matlab演示代码，发表于IEEE TGRS 2019年期刊上。该论文由武汉大学的研究人员编写。 如果您在工作中使用或修改了我们的代码，请引用以下文献： Q. Yuan, Q. Zhang, J. Li, H. Shen 和 L. Zhang，“利用空间光谱深度残差卷积神经网络进行高光谱图像降噪”，IEEE地理科学与遥感学报，第1卷。57号2期，第1205-1218页，2019年。 @ARTICLE{yuan2019, author={Q.{Yuan} and Q.{Zhang} and J.{Li} and H.{Shen} and L.{Zhang}}, journal={IEEE Trans. Geosci. Remote Sens.}, title={Hyperspectral Image Denoising Employing a Spatial, Spectral, and Deep Residual Convolutional Neural Network} }
  • 基于深度卷积神经网络的高光谱遥感影像分类.pdf
    优质
    本文探讨了利用深度卷积神经网络技术对高光谱遥感图像进行高效准确分类的方法，旨在提高遥感数据分析能力。 结合高光谱数据与深度学习的特点，本段落提出了一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。该框架的主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行特征提取，消除特征之间的相关性，并降低特征维度，从而获得清晰的空间结构；然后使用深度卷积神经网络来提取输入样本的空间特征；最后通过高级别学习到的特征来进行回归训练。
  • 基于卷积神经网络的Python高光谱图像分类方法
    优质
    本研究提出了一种利用卷积神经网络进行高光谱图像分类的方法，并采用Python语言实现。通过实验验证了该方法的有效性与准确性。 对KSC和PU数据集进行了1D光谱特征学习、2D空间特征学习以及3D谱空联合特征学习的研究。实验环境使用的是tensorflow-GPU-1.5.0 和 keras 2.1.6，资源包括 KSC 和 PU 这两个高光谱数据集。
  • HSI图像分割MATLAB代码-CNN_HSIC_MRF：基于TensorFlow的高光谱图像分类卷积神经网络实现
    优质
    本项目提供了一个基于TensorFlow框架的MATLAB代码库，用于执行CNN和MRF结合的HSI图像分类任务，提高高光谱图像识别精度。 HSI图像分割的MATLAB代码结合了马尔可夫随机场（MRF）与卷积神经网络（CNN），用于高光谱图像分类任务(CNN-HSI-MRF)。此项目中的CNN部分采用TensorFlow实现，参考文献为：曹X, 周F., 许L., 徐D., 孟格, 许Z. 和J. 佩斯利的文章。 使用步骤如下： 1. 运行Python代码`pythoncnn_train.py` 2. 在MATLAB中运行脚本`Demo_Post_MRF.m` 该代码受MIT许可证保护。如在您的研究或工作中使用了此代码，请引用我们的论文：@article{cao2017hyperspectral, title={Hyperspectral image segmentation with Markov random fields and a convolutional neural network}, author={Cao,Xiangyong and Zhou,Feng and Xu,Lin and Meng,Deyu and Xu,Zongben and Paisley,J}
  • 基于空间光谱总变化正则化的低秩张量分解高光谱图像去噪方法
    优质
    本研究提出了一种结合空间光谱总变化正则化和低秩张量分解的方法，有效去除高光谱图像噪声，保持图像细节与结构。 已经提出了几种基于波段的总变化（TV）正规化低秩（LR）模型来消除高光谱图像（HSI）中的混合噪声。这些方法通过将高维HSI数据转换为二维数据，利用了低阶矩阵分解技术，然而这种策略可能导致有用的空间结构信息丢失。此外，基于波段的总变化方法单独处理空间信息的方式也存在局限性。 为了克服这些问题，我们提出了一种新的方法——空间频谱TV正则化低秩张量分解（SSTV-LRTF），用于去除HSI中的混合噪声。一方面，假设高光谱数据位于一个低阶张量中，并且可以通过这种结构来利用其固有的张量特性；基于LRTF的方法在区分干净的低秩图像和稀疏噪声方面非常有效。另一方面，我们假定HSI的空间域是分段平滑的——TV正则化技术在这种假设下能够保留空间上的分段平滑度并有效地去除高斯噪声。 这些观察结果促使我们将LRTF与TV正则化相结合以改善HSI处理效果。为了克服带状电视方法的局限性，我们引入了SSTV正则化来同时考虑局部的空间结构和相邻波段之间的频谱相关性。通过模拟数据和真实世界的数据实验验证表明，所提出的SSTV-LRTF方法在去除高光谱图像中的混合噪声方面优于最新的TV规则化以及基于LR的方法。
  • 颜色分类LeetCode SSRN: IEEET-GRS论文《用于高光谱图像分类的光谱空间残差网络：3-D深度学习框架》中的...
    优质
    该论文提出了一种针对高光谱图像分类问题的创新性方法——光谱空间残差网络（SSRN），采用3D深度学习架构，显著提升了颜色和特征识别精度。发表于IEEE T-GRS期刊，并在LeetCode平台进行代码实现分享。 在本段落中，我们设计了一个端到端的光谱空间残差网络（SSRN），该网络将原始3D立方体作为输入数据，无需特征工程即可进行高光谱图像分类。在这个网络中，光谱和空间残差块从原始数据中提取重要信息。
  • 基于深度学习的高光谱图像空间-光谱联合特征提取
    优质
    本研究提出一种基于深度学习的方法，用于从高光谱图像中高效地抽取空间和光谱融合特征，以提升图像分类与目标识别性能。 鉴于高光谱遥感数据具有波段多、特征非线性及空间相关等特点，本段落提出了一种基于深度学习的空-谱联合（SSDL）特征提取算法以有效挖掘这些数据中的空-谱特征。该方法采用堆叠自动编码机等多层次深度学习模型对高光谱图像进行逐层训练，从而识别出其中深层次的非线性特性；随后依据每个像素的空间邻近信息，将样本深度特征与空间信息相融合，增强同类地物间的聚集性和不同类地物之间的区分度，进而提升分类效果。在帕维亚大学和萨利纳斯山谷两个高光谱数据集上的实验结果显示，在1%的样本比例下总体分类精度分别达到了91.05%和94.16%，而在使用5%样本的情况下，则进一步提高到了97.38%和97.50%。这些结果表明，SSDL算法通过整合深度非线性特征与空间信息，在提取具有更强鉴别能力的特征方面表现出色，并且相较于同类方法能够获得更高的分类精度。
  • MATLAB遥感分类代码-CNN-AL-MRF：基于卷积神经网络与主动学习的高光谱图像分类代码
    优质
    这段代码实现了一种结合卷积神经网络（CNN）和主动学习（AL），并利用马尔可夫随机场（MRF）模型进行优化的算法，专门用于提高高光谱图像的分类精度。 这段文字描述的是《Hyperspectral Image Classification with Convolutional Neural Network and Active Learning》一文的代码实现情况。 如果您使用此代码，请在您的工作中引用以下论文： [1] 曹向勇，姚敬，徐宗本，孟德宇。具有卷积神经网络和主动学习的高光谱图像分类。IEEE地球科学与遥感学报，2020年。 [2] H.Bi、F.Xu、Z.Wei、Y.Xue和Z.Xu，一种用于最小监督polsar图像分类的主动深度学习方法。IEEE地球科学与遥感学报，2019年。 在Windows中安装Matconvnet，请按照网站上的说明进行操作（此处省略具体网址）。 为了再现结果，请运行matlabCNN_AL_MRF_main.m文件以接触D(1)部分实验的结果。如果您有任何问题或需要进一步的帮助，欢迎随时联系我。