高光谱遥感图像的端元递进提取算法.pdf

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

小样本高光谱遥感图像深度学习方法

人工神经网络在高光谱遥感影像分类中的应用，郑玉凤，，高光谱遥感图像数据具有数据量大、波段很多很窄、波段相关性强、信息冗余多、图光一体化等特征。而遥感图像上的光谱值是多种地物

人工智能-机器学习-高光谱遥感资源探测算法设计与软件实现.pdf

matlab如何敲代码此代码基于python3.0。此代码表示高光谱图像的超分辨率方法 如何使用它？ 在main.py路径下打开CMD命令，然后根据训练顺序依次执行train_srresnet.sh，train_srganc.sh，test_srganc.sh。 用笔记本打开这些文件，将“ Python”之后的部分复制到CMD，然后按Enter执行。 我们从matlab中准备训练数据和测试数据，这些数据来自高光谱图像：华盛顿特区的购物中心，数据位于“数据”路径下，并且有很好的依据。 如何处理设置？ 您需要设置的所有参数都在main.py中，根据您的培训需要更改变量“ Flags” 参数设置功能：（1）3DSRResnet模型：需要设置以下变量：Out_putdir模型：输出位置和文件名，默认为当前目录summary_dir：培训过程日志存储，默认情况下与output_dir相同，默认情况下位于该日志下output_dir的任务：SRResnet Batch_size：不需要忽略，默认为1倍和1张图片Num_resblock：建议小于或等于8 learning_rate：此变量是可调的，

自己学习编写的混合像元分解中的端元提取部分的纯像元指数PPI算法的MATLAB代码。可以运行得到结果，但没有结果用于验证，亦未编写精度评定，不保证结果的正确性。

浦瑞良版《高光谱遥感及其应用》（系统要求资源描述多于20字）

高光谱遥感的出现是遥感界的一场革命,它能大大地改善对植被类型的识别与分类精度,而寻求快速、高精度的植被高光谱分类方法更具有重要的现实意义。文中将结合具体的高光谱遥感数据,通过在研究区域内选取一定的植被类型和合适的训练样本,得出哪种分类效果较佳以及影响分类精度的因素。

主要有监督分类与非监督分类，基于分类判据的实现策略 划分，硬分类和软分类，基于像素的分类和基于对象的分类。单分类器和多分类器集成。并简单介绍了一些 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、面向对象分类和非监督分类。