精华内容
下载资源
问答
  • 高光谱图像

    2020-11-17 23:12:50
    高光谱图像 高光谱与RDB三通道图像的最大不同是,其具有上百个通道(就是一个三维的数据立方体) 高光谱的三维:二维几何空间及一维光谱信息(光谱维度) 光谱维度展开不仅可以获得图像上每个点的光谱数据,还可以...

    高光谱图像

    在这里插入图片描述

    高光谱与RDB三通道图像的最大不同是,其具有上百个通道(就是一个三维的数据立方体)

    高光谱的三维:二维几何空间及一维光谱信息(光谱维度)

    光谱维度展开不仅可以获得图像上每个点的光谱数据,还可以获得任一个谱段的影像信息

    展开全文
  • 光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(Hyperspectral Image)。遥感技术经过20世纪后半叶的发展,无论在理论上、技术上和应用上均发生了重大的变化。其中,高光谱图像技术的出现和快速发展无疑是...
  • 高光谱图像分类 初学者指南 (Beginner’s Guide) This article provides detailed implementation of different classification algorithms on Hyperspectral Images(HSI). 本文提供了在高光谱图像(HSI)上不同分类...

    高光谱图像分类

    初学者指南 (Beginner’s Guide)

    This article provides detailed implementation of different classification algorithms on Hyperspectral Images(HSI).

    本文提供了在高光谱图像(HSI)上不同分类算法的详细实现。

    目录 (Table of Contents)

    • Introduction to Hyperspectral Images(HSI)

      高光谱图像(HSI)简介

    • Dimensionality Reduction(DR)

      降维(DR)

    • Classification Algorithms

      分类算法

    • Implementation — Classification on HSI

      实施-恒指分类

    高光谱图像(HSI)简介 (Introduction to Hyperspectral Images(HSI))

    In Remote Sensing, Hyperspectral remote sensors are widely used for monitoring the earth’s surface with the high spectral resolution. Generally, the HSI contains more than three bands compared to conventional RGB Images. The Hyperspectral Images(HSI) are used to address a variety of problems in diverse areas such as Crop Analysis, Geological Mapping, Mineral Exploration, Defence Research, Urban Investigation, Military Surveillance, etc.

    遥感中 ,高光谱遥感器广泛用于以高光谱分辨率监视地球表面。 通常,与传统的RGB图像相比,HSI包含三个以上的波段。 高光谱图像(HSI)用于解决作物 分析地质制图矿物勘探国防研究,城市调查,军事监视等各个领域的各种问题。

    Use the below article which provides information on Data Collection, Data Preprocessing, and Exploratory Data Analysis on HSI.

    使用下面的文章,它提供有关HSI上的数据收集数据预处理探索性数据分析的信息。

    There are various open-source sites providing hyperspectral data for learning purposes. Here are the two popular sites:

    有许多开放源站点提供高光谱数据用于学习目的。 这是两个受欢迎的网站:

    In this article, we use the Indian Pines(IP) Hyperspectral Image Dataset. The Indian Pines(IP) HSI data is gathered using the AVIRIS sensor over the Indian Pines test site in North-western Indiana and it consists of 145 X 145 pixels, 16 classes, and 200 bands. Here are the Ground Truth details of the Indian Pines(IP) Dataset:

    在本文中,我们使用“ 印度松(IP)高光谱图像数据集”。 印度派恩斯(IP)HSI数据是使用AVIRIS传感器在印第安纳州西北部的印度派恩斯测试站点上收集的,它由145 X 145像素,16个类别和200个波段组成。 以下是印度松树(IP)数据集的地面真相详细信息:

    Image for post
    Ground Truth Details of Indian Pines(IP) Dataset
    印度松(IP)数据集的地面真相详细信息

    The code to read the dataset:

    读取数据集的代码:

    from scipy.io import loadmat
    
    
    def read_HSI():
      X = loadmat('Indian_pines_corrected.mat')['indian_pines_corrected']
      y = loadmat('Indian_pines_gt.mat')['indian_pines_gt']
      print(f"X shape: {X.shape}\ny shape: {y.shape}")
      return X, y
    
    
    X, y = read_HSI()

    The visualization of the Ground Truth of the Indian Pines dataset is shown below:

    印度松树数据集的地面真相的可视化如下所示:

    Image for post
    Ground Truth Visualisation of Indian Pines Dataset
    印度松数据集的地面真相可视化

    The visualization of the six randomly selected bands over 200 is shown below:

    下面显示了200多个随机选择的六个波段的可视化:

    Image for post
    Visualization of the Bands of Indian Pines(IP) Dataset
    可视化印度松(IP)数据带

    降维(DR) (Dimensionality Reduction(DR))

    Dimensionality Reduction is used to reduce the number of dimensions of the data, thereby paving the way for the classifiers to generate comprehensive models at a low computational cost. Hence, Dimensionality Reduction (DR) has become more prominent to improve the accuracy of pixel classification in Hyperspectral Images(HSI).

    降维用于减少数据的维数,从而为分类器以较低的计算成本生成综合模型铺平了道路。 因此,降维(DR)在提高高光谱图像(HSI)中像素分类的准确性方面变得更加突出。

    Dimensionality Reduction can be done in two types. They are:

    降维可以采用两种类型。 他们是:

    • Feature Selection

      功能选择
    • Feature Extraction

      特征提取

    Feature Selection is the process of selecting dimensions of features of the dataset which contributes mode to the machine learning tasks such as classification, clustering, e.t.c. This can be achieved by using different methods such as correlation analysis, univariate analysis, e.t.c.

    特征选择是选择数据集特征维度的过程,该特征维度有助于机器学习任务的模式,例如分类,聚类等。这可以通过使用不同的方法(例如相关分析,单变量分析等)来实现

    Feature Extraction Feature Extraction is a process of finding new features by selecting and/or combining existing features to create reduced feature space, while still accurately and completely describing the data set without loss of information.

    特征提取特征提取是通过选择和/或组合现有特征以创建缩小的特征空间来查找新特征的过程,同时仍能准确,完整地描述数据集而不会丢失信息。

    Based on the criterion function and process of convergence, dimensionality reduction techniques are also classified as Convex and Non-Convex. Some popular dimensionality reduction techniques include PCA, ICA, LDA, GDA, Kernel PCA, Isomap, Local linear embedding(LLE), Hessian LLE, etc.

    基于准则函数和收敛过程,降维技术也分为凸和非凸。 一些流行的降维技术包括PCA,ICA,LDA,GDA,内核PCA,Isomap,局部线性嵌入(LLE),Hessian LLE等。

    Use the below article “Dimensionality Reduction in Hyperspectral Images using Python” to get a better understanding.

    使用下面的文章“使用Python减少高光谱图像的维数”以获得更好的理解。

    In this article, we are going to use Principal Component Analysis(PCA) to reduce the dimensionality of the data.

    在本文中,我们将使用主成分分析(PCA)来减少数据的维数。

    主成分分析(PCA) (Principal Component Analysis(PCA))

    Principal Component Analysis(PCA) is one of the standard algorithms used to reduce the dimensions of the data. PCA is a non-parametric algorithm that increases the interpretability at the same time reducing the minimizing the loss of information(Reconstruction Error).

    主成分分析(PCA)是用于减少数据量的标准算法之一。 PCA是一种非参数算法,可在提高解释性的同时减少信息损失(重构错误)。

    Use the below two papers for better understanding the math behind the PCA.

    使用以下两篇论文可以更好地理解PCA背后的数学原理。

    Based on the explained variance ratio the number of components is taken as 40. The below code explains —

    根据解释的方差比,组件个数为40。以下代码说明了-

    pca = PCA(n_components = 40)
    
    
    dt = pca.fit_transform(df.iloc[:, :-1].values)
    
    
    q = pd.concat([pd.DataFrame(data = dt), pd.DataFrame(data = y.ravel())], axis = 1)
    
    
    q.columns = [f'PC-{i}' for i in range(1,41)]+['class']

    The first eight principal components or eight bands are shown below:

    前八个主要成分或八个频段如下所示:

    Image for post
    First Eights Bands after PCA
    PCA之后的前八人乐队

    分类算法 (Classification Algorithms)

    Classification refers to a predictive modeling problem where a class label is predicted for the given input data. The classification can be divided as :

    分类是指预测建模问题,其中针对给定输入数据预测类别标签。 分类可分为:

    • Classification Predictive Modeling

      分类预测建模
    • Binary Classification

      二进制分类
    • Multi-Class Classification

      多类别分类
    • Multi-Label Classification

      多标签分类
    • Imbalanced Classification

      分类不平衡

    Today, we are dealing with the Multi-Class Classification problem. There are different classification algorithms that are used for the classification of Hyperspectral Images(HSI) such as :

    今天,我们正在处理“多类分类”问题。 高光谱图像(HSI)的分类有不同的分类算法,例如:

    • K-Nearest Neighbors

      K最近邻居
    • Support Vector Machine

      支持向量机
    • Spectral Angle Mapper

      光谱角映射器
    • Convolutional Neural Networks

      卷积神经网络
    • Decision Trees e.t.c

      决策树等

    In this article, we are going to use the Support Vector Machine(SVM) to classify the Hyperspectral Image(HSI).

    在本文中,我们将使用支持向量机(SVM)对高光谱图像(HSI)进行分类。

    支持向量机(SVM) (Support Vector Machine(SVM))

    Support Vector Machine is a supervised classification algorithm that maximizes the margin between data and hyperplane. Different kernel functions are used to project the data into higher dimensions such as Linear, polynomial, Radial Basis Function(RBF), e.t.c.

    支持向量机是一种监督分类算法,可最大化数据和超平面之间的余量。 使用不同的内核函数将数据投影到更高的维度,例如线性,多项式,径向基函数(RBF)等

    For better understanding, the concept behind SVM refer the below lectures:

    为了更好地理解,SVM背后的概念请参考以下讲座:

    实施-恒指分类 (Implementation — Classification on HSI)

    The below code serves the purpose of implementing the support vector machine to classify the Hyperspectral Image.

    以下代码用于实现支持向量机以对高光谱图像进行分类的目的。

    x = q[q['class'] != 0]
    
    
    X = x.iloc[:, :-1].values
    
    
    y = x.loc[:, 'class'].values 
    
    
    names = ['Alfalfa',	'Corn-notill', 'Corn-mintill',	'Corn',		'Grass-pasture','Grass-trees',
    'Grass-pasture-mowed','Hay-windrowed','Oats','Soybean-notill','Soybean-mintill',
    'Soybean-clean', 'Wheat',	'Woods',	'Buildings Grass Trees Drives',	'Stone Steel Towers']
    
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=11, stratify=y)
    
    
    svm =  SVC(C = 100, kernel = 'rbf', cache_size = 10*1024)
    
    
    svm.fit(X_train, y_train)
    
    
    ypred = svm.predict(X_test)

    The confusion matrix is generated using the code:

    混淆矩阵是使用以下代码生成的:

    data = confusion_matrix(y_test, ypred)
    
    
    df_cm = pd.DataFrame(data, columns=np.unique(names), index = np.unique(names))
    
    
    df_cm.index.name = 'Actual'
    
    
    df_cm.columns.name = 'Predicted'
    
    
    plt.figure(figsize = (10,8))
    
    
    sn.set(font_scale=1.4)#for label size
    
    
    sn.heatmap(df_cm, cmap="Reds", annot=True,annot_kws={"size": 16}, fmt='d')
    
    
    plt.savefig('cmap.png', dpi=300)
    Image for post
    Confusion Matrix
    混淆矩阵

    The generated Classification Report which consists of the Classwise Accuracy, Accuracy Precision, Recall, F1 Score, and Support is shown below:

    生成的分类报告由分类准确性,准确性准确性,召回率,F1得分支持组成,如下所示:

    Image for post
    Classification Report
    分类报告

    Finally, the classification Map is shown below:

    最后,分类图如下所示:

    Image for post
    Classification Map of Indian Pines(IP) Dataset
    印度松(IP)数据集分类图

    The entire code that I have written in this article can be accessed using the below notebook in GitHub and CoLab.

    可以使用GitHub和CoLab中的以下笔记本访问本文中编写的全部代码。

    翻译自: https://towardsdatascience.com/hyperspectral-image-analysis-classification-c41f69ac447f

    高光谱图像分类

    展开全文
  • 高光谱图像分类:在Matlab中使用朴素贝叶斯,最小Eucleidian距离和KNN进行高光谱图像分类
  • 2 全色图像、多光谱图像、高光谱图像 2.1 全色图像 2.2 多光谱图像 2.3 高光谱图像 参考资料 1 光谱分辨率、空间分辨率、时间分辨率 遥感(Remote Sensing),可以理解为遥远的感知。遥感技术利用搭载在遥感平台...

    目录

    1 光谱分辨率、空间分辨率、时间分辨率

    2 全色图像、多光谱图像、高光谱图像

    2.1 全色图像

    2.2 多光谱图像

    2.3 高光谱图像

    参考资料


    1 光谱分辨率、空间分辨率、时间分辨率

    遥感(Remote Sensing),可以理解为遥远的感知。遥感技术利用搭载在遥感平台上面的传感器对目标地物发射或反射的电磁波信息记录下来从而形成遥感影像(或其他遥感数据)。其中分辨率作为传感器成像系统对输出影像细节辨别能力的一种度量,是遥感影像应用价值的重要技术指标,而对“影像细节”的不同度量则形成了多种不同类型的分辨率,主要有空间分辨率光谱分辨率时间分辨率

    (1)空间分辨率:是对遥感影像空间细节信息的辨别能力,指传感器能够分辨最小目标地物大小,是实际卫星观测影像中的一个像素所对应的地面范围。如,WorldView-2卫星全色图像空间分辨率是0.5m,指的是影像中的一个像素所对应的实际地面大小为0.5m \times 0.5m,高空间分辨率图像对于影响目标地物的识别和目视解译等具有重要的作用;

    (2)光谱分辨率:是对影像中地物波谱细节信息的分辨能力,是卫星传感器接收地物箱射波谱时所能辨别的最小波长间隔,当间隔较小时,光谱分辨率相应就会越髙,在同样的波谱范围下,通常影像波段数越多,光谱分辨率越高,如高光谱影像往往比多光谱影像具有更髙的光谱分辨率,高光谱分辨率对于影像地物的分类识别等具有重要意义;

    (3)时间分辨率:是对同一地点的重复观测能力,通常也把时间分辨率称为重访周期,重访周期越短,时间分辨率越髙。髙时间分辨率对于地物的动态变化检测等具有重要作用。

     

    据统计,超过70%的光学对地观测卫星和航空摄影系统同时提供全色图像与多光谱图像,其中,全色图像具有高空间分辨率,但其只有一个波段;而多光谱图像具有多个光谱波段,具有较高的光谱分辨率,然而其空间分辨率相对较低。因此,全色/多光谱融合技术得以提出和发展,该技术通过集成全色和多光谱影像之间的空、谱互补优势,融合得到高空间分辨率多光谱影像。

     

    那么问题来了,为什么要用全色图像和多光谱图像? 为什么要融合?直接用一种图像不就行了,下面慢慢介绍。

    具体来说,遥感影像空间分辨率光谱分辨率的相互制约主要受下两方面因素的影响。

    (1)影像信噪比的限制。通常全色影像具有较宽的波谱范围(大多数涵盖可见光、近红外),因此,进入其中的光子能量较多,其信噪比自然也就较好,成像质量较髙;而相比于全色波段,多光谱影像各波段光谱范围较窄,进入其中的光子能量较少,为了收集更多的光子能量以确保多光谱影像具有较髙的信噪比,其所在传感器的探测(感光)单元尺寸往往较大,送也就意味着卫星传感器拍摄时的瞬时视场角(IFOV)较大,影像的空间分辨率更低。

    (2)数据存储与传输的限制。在数据存储方面,高分多光谱影像比低分多光谱影像和全色影像数据存储量大,这不仅对遥感卫星系统的数据存储带来一定的压力,同时对数据的快速传输将带来一定的困难。

    综上所述,将全色图像和多光谱图像融合,结合二者的优点,才能在实际应用中提供更好地数据来检测和分析等。

    下图分别为空间分辨率(全色图像)和光谱分辨率(多光谱图像)的示意图。

     

    2 全色图像、多光谱图像、高光谱图像

    2.1 全色图像

    全色图像是单通道的,其中全色是指全部可见光波段0.38~0.76um,全色图像为这一波段范围的混合图像。因为是单波段,所以在图上显示为灰度图片。全色遥感图像一般空间分辨率高,但无法显示地物色彩,也就是图像的光谱信息少。 实际操作中,我们经常将全色图像与多波段图像融合处理,得到既有全色图像的高分辨率,又有多波段图像的彩色信息的图像。下图是WorldView-3 卫星拍摄的全色图像的例子。

     

    2.2 多光谱图像

    多光谱图像是指对地物辐射中多个单波段的摄取。得到的影象数据中会有多个波段的光谱信息。若取其中RGB三个波段的信息显示,就是RGB彩色图像。一般文献显示出来的多光谱图像,其实是RGB三通道的图像,有的波段不是人肉眼可见范围内的。下图是WorldView-3 卫星拍摄的多光谱图像RGB三波段显示的例子。

     

    2.3 高光谱图像

    高光谱图像则是由很多通道组成的图像,具体有多少个通道,这需要看传感器的波长分辨率,每一个通道捕捉指定波长的光。把光谱想象成一条直线,由于波长分辨率的存在,每隔一定距离才能“看到”一个波长。“看到”这个波长就可以收集这个波长及其附近一个小范围的波段对应的信息,形成一个通道。也就是一个波段对应一个通道。多光谱图像其实可以看做是高光谱图像的一种情况,即成像的波段数量比高光谱图像少。

     

    参考资料

    [1] https://blog.csdn.net/mihou_qust/article/details/78901738

    [2] https://blog.csdn.net/chaolei3/article/details/79404806

    [3] 孟祥超. 多源时—空—谱光学遥感影像的变分融合方法[D].武汉大学,2017.

    [4] 吴鹏海. 多传感器遥感数据的时空定量信息融合方法研究[D].武汉大学,2014.

     

    展开全文
  • 高光谱图像分类

    2019-03-06 17:15:35
    讲述高光谱图像的分类方法,特征,判据、准则,算法等等
  • 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...
  • 详细理解RGB图像、全色图像、多光谱图像、高光谱图像 原创 ...

    详细理解RGB图像、全色图像、多光谱图像、高光谱图像

    RGB图像

    首先提出一个问题可以通过RGB图像恢复高光谱图像吗?
    一句话就是RGB图像本身就不包含高光谱的信息,自然也就无法通过图像处理从RGB图像恢复到高光谱图像。换句话说,普通的光学相机在自然光下拍的照片不包含完整的光谱信息。看一幅波长与光对应的图,
    这里写图片描述
    可见普通的可见光相机只记录了2/3/4即红绿蓝三个波段的信息,其他波段就都丢掉了,所以我们会看到RGB图像就有3个通道。因为只记录了3个信号,所以也就没有办法根据3个通道的信息去恢复其他丢失的光谱信息。

    遥感成像原理

    在继续下面的介绍之前,我们先来说一下遥感成像的原理。此处援引知乎一个前辈的回答。
    光进入相机镜头,光电感应装置将光信号转换为电信号,量化电脉冲信号,记录为一个像素值。传感器响应函数设计为,要使光电感应装置产生这个电脉冲信号,光子强度必须达到一个阈值。进入镜头的光子数量取决于:相机的感受野大小,镜头能通过的光子。多光谱图像要分出多个波段,镜头会分光,红滤镜只过红光,蓝滤镜只通过蓝光,假设相同的光打到全色与多光谱镜头上,显然因为滤光的缘故,多光谱感光器接收到的光子要少于全色感光器。而这些光子已经足够全色产生电脉冲,却不够多光谱产生电脉冲,这时,为了接收到更多的光子,多光谱相机需要更大的感受野。也就是说,全色看了一眼北京市,就吃够了光子,多光谱需要看一遍河北省,才能吃的和全色一样饱。后面接收光子的底片一样大,也就是说将北京市和河北省画到同样大小的一张纸上且占满整张纸,显然北京市的一张纸细节要多的多,而河北省的红绿蓝三张纸却一片模糊。

    全色图像

    全色图像是单通道的,其中全色是指全部可见光波段0.38~0.76um,全色图像为这一波段范围的混合图像。因为是单波段,所以在图上显示为灰度图片。全色遥感图像一般空间分辨率高,但无法显示地物色彩,也就是图像的光谱信息少。 实际操作中,我们经常将全色图像与多波段图像融合处理,得到既有全色图像的高分辨率,又有多波段图像的彩色信息的图像。

    高光谱图像

    这里写图片描述
    正如上图表示的那样,高光谱则是由很多通道组成的图像,具体有多少个通道,这需要看传感器的波长分辨率,每一个通道捕捉指定波长的光。把光谱想象成一条直线,由于波长分辨率的存在,每隔一定距离才能“看到”一个波长。“看到”这个波长就可以收集这个波长及其附近一个小范围的波段对应的信息,形成一个通道。也就是一个波段对应一个通道。注意对图中土壤的高光谱图像,如果我们沿着红线的方向,即对高光谱上某一个像素的采样,就可以针对此像素生成一个“光谱特征”。

    多光谱图像

    多光谱图像其实可以看做是高光谱的一种情况,即成像的波段数量比高光谱图像少,一般只有几个到十几个。由于光谱信息其实也就对应了色彩信息,所以多波段遥感图像可以得到地物的色彩信息,但是空间分辨率较低。更进一步,光谱通道越多,其分辨物体的能力就越强,即光谱分辨率越高。

    展开全文
  • 图像是获取信息以及探知...地球上的不同物质,受物质组分以及光场环境变化等因素影响,可具备不同的光谱特性,依据光谱特性捕获的精细程度,可将成像结果划分为多光谱及高光谱图像。其中,高光谱成像实现了目标光...
  • 高光谱图像分割

    2018-06-11 09:05:43
    一个matlab的高光谱图像分割程序,程序没有错误直接运行就可以但是解释比较少
  • 高光谱图像处理

    热门讨论 2013-05-08 18:48:33
    高光谱图像处理 matlab,用matlab处理高光谱图像
  • 原文题目:A Single Model CNN for Hyperspectral Image Denoising去噪是高光谱图像分析和解释之前常用的预处理步骤。传统的方法没有考虑到相邻波段间的高光谱相关性,导致去噪效果不佳,HSIs中丰富的光谱信息没有...
  • 高光谱图像分类的判别空间光谱超图学习
  • 本文提出了一种天基高光谱图像仿真算法。首先利用传感器参数将输入多/高光谱图像转换为地物辐射亮度图像,利用大气校正方法和辐射传输模型将其转换为地物反射率图像。接着进行端元提取,利用端元集中的光谱信息和...
  • 根据多元陪集码的Slepian-Wolf无损编码的压缩过程,提出了面向高光谱图像分布式近无损压缩的最优量化方案,使得高光谱图像在给定目标码率条件下的失真达到最小,在此基础上对量化值进行Slepian-Wolf无损编码,从而...
  • matlab cnn高光谱图像分类
  • 高光谱图像的贝叶斯恢复方法
  • 【期刊征文】《中国图象图形学报》征文——高光谱图像处理与应用征文截稿日期:2021年2月28日出版日期:2021年7月注意事项:一、征文范围(包括但不限于)1) 高光谱成像技术新进展2) 高光谱图像质量增强技术与应用3) ...
  • 高光谱图像实验样本

    2018-03-25 20:45:15
    高光谱图像的实验样本,含有indian和paviaU。
  • 针对获取的高光谱图像空间分辨率较低的问题,设计了一种空间光谱联合稀疏表示的超分辨率方法:提取图像中不同的反射光谱,通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典;利用高光谱图像信号的稀疏性、...
  • 高光谱图像分类技术被广泛应用于环境监测、矿产勘探、军事目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们...
  • 针对高光谱图像和高空间分辨率图像配准过程中,各波段之间差异较大难以选择高精度配准波段的问题,提出一种基于Cram′er-Rao下限(CRLB)理论的高光谱图像高精度匹配波段选择算法。利用波段选择的方法选出高光谱图像中...
  • 采用正交匹配算法OMP重构主成分分量,利用主成分分析逆变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。并根据目标光谱重构误差的局部异常特性进行...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,586
精华内容 634
关键字:

高光谱图像