Advertisement

ADMM_3DDnCNN_HSI_deconvolution: 实施论文“利用3DDnCNN学习光谱空间先验用于高光谱图像的反卷积...

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

简介：
ADMM_3DDnCNN_HSI_deconvolution是基于论文《利用3DDnCNN学习光谱空间先验进行高光谱图像反卷积》的一个项目，采用先进的3DDnCNN模型来恢复高光谱图像的清晰度和细节。 通过3DDnCNN学习光谱空间先验以进行高光谱图像反卷积的步骤如下： 1. 运行Cave_processing.py来处理公共数据集CAVE； 2. 运行get_kernel.py获取本段落使用的服务器模糊内核。 3. 使用blurring_image.m使原始高光谱图像与获得的内核进行模糊处理； 4. 执行main_con.py以运行高光谱图像反卷积的主要功能。 如果需要训练和测试去噪神经网络3DDnCNN，请执行以下操作： 1. 运行train.py来训练3DDnCNN; 2. 运行test.py以测试3DDnCNN; 如有任何疑问，可以通过发送电子邮件的方式与作者联系。若此代码对您有帮助，请引用我们的论文如下： @inproceedings {wang2020learning， title = {通过3DDNCNN为高光谱图像反卷积学习光谱空间先验}， 作者= {Wang，Xiuheng和Chen，Jie and R} }

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • ADMM_3DDnCNN_HSI_deconvolution: 实施论文“利用3DDnCNN学习光谱空间先验用于高光谱图像的反卷积...
    优质
    ADMM_3DDnCNN_HSI_deconvolution是基于论文《利用3DDnCNN学习光谱空间先验进行高光谱图像反卷积》的一个项目，采用先进的3DDnCNN模型来恢复高光谱图像的清晰度和细节。 通过3DDnCNN学习光谱空间先验以进行高光谱图像反卷积的步骤如下： 1. 运行Cave_processing.py来处理公共数据集CAVE； 2. 运行get_kernel.py获取本段落使用的服务器模糊内核。 3. 使用blurring_image.m使原始高光谱图像与获得的内核进行模糊处理； 4. 执行main_con.py以运行高光谱图像反卷积的主要功能。 如果需要训练和测试去噪神经网络3DDnCNN，请执行以下操作： 1. 运行train.py来训练3DDnCNN; 2. 运行test.py以测试3DDnCNN; 如有任何疑问，可以通过发送电子邮件的方式与作者联系。若此代码对您有帮助，请引用我们的论文如下： @inproceedings {wang2020learning， title = {通过3DDNCNN为高光谱图像反卷积学习光谱空间先验}， 作者= {Wang，Xiuheng和Chen，Jie and R} }
     
  • 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。
     
  • 利用光谱影像获取光谱曲线——基于ENVI的高光谱分析
    优质
    本文章介绍了如何使用ENVI软件进行高光谱图像处理，并从中提取有效的光谱信息。通过详细步骤讲解了从数据预处理到最终光谱曲线绘制的过程，为科研人员提供实用的技术支持。 从高光谱影像上获取的光谱曲线，在进行空间成像的同时记录了数百个连续的光谱通道数据，每个像素都可以提取出一条连续的光谱曲线。对高光谱图像处理的本质是对这些像元光谱曲线进行定量化处理与分析。
     
  • 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。
     
  • kernel_pca.rar_高光谱PCA降维_PCA图像处理_光谱图像matlab_高光谱降维_pca高光谱
    优质
    本资源提供基于MATLAB实现的高光谱图像PCA降维代码，适用于进行光谱数据分析和图像处理。包含kernel PCA方法，有效降低数据维度并保留关键信息。 核主成分分析法在高光谱图像的降维处理中效果显著。
     
  • 3DCAE-HyperSpectral-Classification: 无监督空间光谱特征学习的三维卷积自动编码器高光谱分类方法
    优质
    简介：本文提出了一种基于三维卷积自动编码器的无监督空间光谱特征学习方法，用于改进高光谱图像的分类精度。该方法利用HyperSpectral数据的独特特性进行高效、准确的分类处理。 本段落提出了一种基于三维卷积自动编码器（3D-CAE）的无监督空间光谱特征学习策略，用于高光谱图像分类。与传统的手工特征提取算法相比，深度神经网络(DNN)在特征学习方面表现出色，但通常需要大量标记样本才能有效运行，在高光谱数据集中获取这些训练样本来之不易。 为此，我们设计了一种仅使用3D卷积、池化和批处理归一化的三维卷积自动编码器（3D-CAE），以最大化空间光谱结构信息的利用。同时，为了在无需标记样本的情况下进行网络参数学习，还设计了一个配套的3D解码器来重建输入模式。 实验结果表明，在多个基准高光谱数据集上提出的3D-CAE能够有效提取空间光谱特征，并且不仅优于传统的非监督特征提取方法，还在分类应用中胜过许多基于标记样本的方法。
     
  • MATLAB代码保密-DeepCaSSI: [SIGGRAPH Asia 2017] 利用光谱先验技术实现高质量高光谱重建
    优质
    DeepCaSSI是一个在SIGGRAPH Asia 2017上展示的项目，使用MATLAB开发，它通过创新的光谱先验技术有效提升了高光谱图像的质量和还原度。该工具保护其代码的机密性以确保技术领先优势。 MATLAB代码保密高质量高光谱重建使用频谱先验一般信息代号：DeepCASSI（ACMSIGGRAPHAsia2017）。作者包括InchangChoi、DanielS.Jeon、GiljooNam以及MinH.Kim，他们均来自KAIST视觉计算实验室。有关更多信息，请参阅以下文章： 《使用光谱先验进行高质量的高光谱重建》，InchangChoi, Daniel S. Jeon, Giljoo Nam, Diego Gutierrez和Min H. Kim。 您可以访问我们的项目以获取高光谱图像数据集。如果您在研究中使用了本网站提供的任何免费材料，请引用我们的论文： Bibtex：@Article{DeepCASSI:SIGA:2017，作者={InchangChoi, Daniel S. Jeon, Giljoo Nam, Diego Gutierrez和Min H. Kim}，标题={高质量的高光谱重建使用频谱先验},期刊={ACMTransactionsonGraphics（Proc.SIGGRAPHAsia）}}
     
  • 高光谱与全色融合_光谱_matlab_高光谱影像融合_高光谱_
    优质
    本项目聚焦于利用MATLAB平台实现高光谱图像和全色图像的融合技术研究。通过优化算法，提升高光谱影像的空间分辨率，结合光谱信息与空间细节，旨在提高遥感数据分析精度与应用价值。 自行替换高光谱和全色影像的名称即可运行Brovey_fuse。
     
  • 关于高光谱图像处理的实用资料
    优质
    本资料聚焦于高光谱图像处理技术的应用与实践，涵盖数据预处理、特征提取及分类方法等内容，旨在为科研人员和工程师提供详实的技术指导。 高光谱资料高光谱资料高光谱资料高光谱资料高光谱资料高光谱资料。
     
  • 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