Advertisement

基于核熵成分分析的高光谱遥感影像分类方法 (2012年)

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

简介：
本文提出了一种利用核熵成分分析技术对高光谱遥感图像进行分类的新方法。该方法在保留原始数据结构信息的同时，有效降低了维度和噪声干扰，提高了分类精度与效率，在2012年的研究中取得了显著成果。 本段落基于核熵成分分析（KECA）的特点提出了一种新的样本集选取方法以及一种使用特征空间光谱角作为相似性度量的C-均值分类算法，并将该算法应用于高光谱遥感图像的分类中。实验结果显示，在HYDICE高光谱数据上应用本段落提出的算法能够显著提高分类精度。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于核熵成分分析的高光谱遥感影像分类方法 (2012年)
    优质
    本文提出了一种利用核熵成分分析技术对高光谱遥感图像进行分类的新方法。该方法在保留原始数据结构信息的同时，有效降低了维度和噪声干扰，提高了分类精度与效率，在2012年的研究中取得了显著成果。 本段落基于核熵成分分析（KECA）的特点提出了一种新的样本集选取方法以及一种使用特征空间光谱角作为相似性度量的C-均值分类算法，并将该算法应用于高光谱遥感图像的分类中。实验结果显示，在HYDICE高光谱数据上应用本段落提出的算法能够显著提高分类精度。
  • SVM.zip_SVM分类与应用_遥感图像分类_高光谱遥感
    优质
    本资源包含支持向量机(SVM)在遥感图像分类中的应用实例，特别是针对高光谱数据集的分类研究。提供算法实现和实验结果分析。 SVM分类在高光谱遥感图像的分类和预测中有应用。
  • 高光谱遥感图像分类方法综述.pdf
    优质
    本文档对近年来高光谱遥感图像分类方法进行了全面回顾与分析，涵盖传统算法及深度学习技术进展，旨在为研究人员提供参考。 分类方法主要包括监督分类与非监督分类两种类型。根据实现策略的不同可以分为硬分类和软分类，以及基于像素的分类和基于对象的分类。此外还有单个分类器和多分类器集成的方法。 一些具体的分类方法包括： - 监督分类法：最小距离分类法、最大似然分类法和平行多面体分类法； - 基于光谱相似性度量的分类方法； - 人工神经网络分类法； - 支持向量机分类； - 决策树分类；以及 - 面向对象的分类。
  • 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。
  • Pavia高光谱遥感分类数据集分析
    优质
    本研究聚焦于Pavia大学区高光谱遥感图像的数据集，深入探讨并应用多种分类算法进行地物识别与分类精度评估。 高光谱遥感分类数据集PaviaUniversity包含.mat格式的数据和ENVI原影像文件。如需其他高光谱遥感分类数据集，请联系本人。
  • 基于对象的遥感影像分类方法
    优质
    本研究探讨了基于对象的遥感影像分类方法，通过将图像分割成具有相似特征的对象单元，并结合多种特征进行分类分析。该方法在土地覆盖分类等领域展现出高效性和准确性。 学习如何使用Definiens Developer工具对遥感影像进行面向对象方法的分类。所需材料包括Definiens Developer软件、电脑以及xmd2010.img影像数据。
  • 高光谱遥感影像分类MATLAB代码合集RAR包
    优质
    本RAR包包含一系列用于处理和分析高光谱遥感图像的MATLAB代码，涵盖预处理、特征提取及多种分类算法实现，适用于科研与教学。 首先使用PCA进行降维，并利用SVM对高光谱数据进行分类。所用的数据是印第安纳农场数据集，训练样本比例可调。此外，设计了一个GUI界面。
  • 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。