高光谱图像小目标检测的一篇英文文献，耿修瑞和赵永超发表的。阐述了小目标检测的原理
2023-05-17 17:22:25
1.38MB
1
高光谱分解
卷积神经网络的高光谱图像分解（无分叉，半成品）
说明
先决条件
Python 3.8
TensorFlow 2.3.0
建议使用conda创建虚拟环境并使用以下命令安装依赖项： pip install -r requirements.txt
用法
在设置参数后，在终端中输入以下命令：
python run.py
更多细节：
使用python run.py -h获取更多参数设置详细信息。
数据集
我们提供了两个处理后的数据集：数据集中的Jasper Ridge（jasper），Urban（urban）/
data.npy：高光谱数据文件。
data_gt.npy：基本事实文件。
data_m.npy：端成员文件。
更新：2021年2月10日
2023-02-28 16:03:11
21.01MB
1
hsdar软件包包含用于管理，分析和模拟高光谱数据的类和函数。 这些可能是通过rgdal界面进行的光谱仪测量或高光谱图像。
2023-02-24 06:49:39
3.73MB
1
这是论文《Gaussian Pyramid Based Multiscale Feature Fusion for Hyperspectral Image Classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(9), 3312-3324》的代码，更多详情可在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.20。 libsvm-3.20可从https://www.csie.ntu.edu.tw/~cjlin/libsvm/获得
2022-11-30 20:39:24
11.4MB
1
这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得
2022-11-30 10:29:35
9KB
1
这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得
2022-11-19 19:43:23
5.73MB
1
hdr格式高光谱图像matlab读取与显示，含数据集
2022-10-27 21:07:53
9.04MB
1
高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。
2022-07-23 22:34:24
1.5MB
1
idw算法matlab代码基于正则化子空间方法和协同表示的高光谱影像异常检测
这是用于高光谱异常检测的
matlab
代码（LSAD-CR-IDW
和
LSUNRSORAD
算法）
有关该项目的更多信息，请参阅我们的论文：
【共同第一作者】
先决条件：
matlab
R2018b
其他相关论文：
[1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。
[J].
遥感,
2019,
11(13):
1578.
[共同第一作者]
[2]侯苏增福，李炜，Lianru高，张冰，马Pengge和君临太阳。
(2020)
[口头]
[3]侯苏增福，李炜，陶然，Pengge马和石蔚华。
[J].
中国科学信息科学。
2020。
[4]
刘军，侯增福，李伟，冉涛，达尼洛·奥兰多，李洪斌。
[J].
IEEE
神经网络和学习系统汇刊，doi：10.1109/TNNLS.2021.3071026。
[第二作者]
我的个人网站：
1.Github网站：
2.CSDN中文博客：
接触：
电子邮件：
2022-06-21 16:00:56
15.83MB
1
spec-img-finesse
在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。
每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。
Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。
可以在项目报告“使用高光谱图像进行植
2022-06-17 14:59:55
12.7MB
1