精华内容
下载资源
问答
  • 新手教程,含搜集资料加代码。高光谱图像分类是光谱遥感...然而,高光谱图像的高维特性、波段间高度相关性、光谱混合等使高光谱图像分类面临巨大挑战。一方面高光谱图像相邻波段之间相关性较大,存在较的信息冗余。
  • 光谱数据降维处理,结合了主成分分析和LDA方法,可直接运行
  • 本研究回顾了基于主成分分析PCA和判别分析LDA的降维方法及其扩展,包括经典主成分分析、概率主成分分析、核主成分分析,以及线性判别分析、局部保持降维、图形嵌入判别分析和半监督降维分析。
  • 高光谱图像基于MATLAB的PCA降维

    万次阅读 多人点赞 2018-09-17 13:45:54
    工具:matlab,本人使用的是2016a ...matlab中内含了进行PCA降维的函数,但这个函数输进去的数据要是二维的,所以我们先用resharp函数把原矩阵处理成111104*204的矩阵M 再使用自带的降维函数: [pc,score,latent...

    工具:matlab,本人使用的是2016a
    使用数据集用公开的Salinas数据集为例,Salinas数据集为512*217*204,即它有204个波段,我们要把它从204维降至3维。

    matlab中内含了进行PCA降维的函数,但这个函数输进去的数据要是二维的,所以我们先用resharp函数把原矩阵处理成111104*204的矩阵M
    再使用自带的降维函数:
    [pc,score,latent,tsquare] = pca(M)

    latent用来计算降维后取多少维度能够达到自己需要的精度,
    通过下面的代码运行结果可以得到取pc中对应每一维度对原始数据的精度:
    在命令行输入
    cumsum(latent)./sum(latent)
    部分截如下

    我们可以看到只去取第一维的话和原始数据的准确度只有74.4%,我们取到第三维,此时已有99%的精度,一般来说取到90%以上即可。

    再取前三维,把矩阵还原为三维。此时便已完成了对高光谱图像的降维。

    完整代码如下:
    M=reshape(d,111104,204);
    [pc,score,latent,tsquare] = pca(M);
    feature_after_PCA=score(:,1:3);
    RES=reshape(feature_after_PCA,512,217,3);

    展开全文
  • 聚类与自适应波段选择结合的高光谱图像降维.pdf
  • 由于所谓的“维数诅咒”,处理数百个波段的高光谱图像可能会增加计算量,影响分类精度。为了缓解这些问题,通常需要降低数据的维数。 主成分变换 高光谱图像中的许多波段往往具有很强的相关性。主成分变换表示原始...

    实现高光谱数据降维

    由于所谓的“维数诅咒”,处理数百个波段的高光谱图像可能会增加计算量,影响分类精度。为了缓解这些问题,通常需要降低数据的维数。

    主成分变换

    高光谱图像中的许多波段往往具有很强的相关性。主成分变换表示原始图像波段到一组新的、不相关的特征的线性变换。这些新特征对应于图像协方差矩阵的特征向量,其中相关特征值表示特征向量方向上的方差。在相对较少的主成分中(与原始频带数相比)可以捕获到非常大的图像方差百分比。

    读取数据并显示
    在这里插入图片描述SPy函数principal_components计算图像数据的主组件,并返回一个主组件中的平均值、协方差、特征值和特征向量。该对象还包含一个将数据旋转到主成分空间的变换,以及一个减少特征向量数量的方法。
    在这里插入图片描述
    在协方差矩阵显示中,白色表示强正协方差,深色表示强负协方差,灰色表示协方差接近于零。
    为了利用主分量降低维数,我们可以按降序对特征值进行排序,然后保留足够的特征值(对应的特征向量),以捕获所需的总图像方差的一部分。然后我们通过将图像像素投影到剩余的特征向量上来降低图像像素的维数。我们将选择保留至少99.9%的总图像方差。
    在这里插入图片描述现在我们将使用高斯最大似然分类器(GMLC)对约简后的主成分进行训练,并根据训练数据进行分类。
    在这里插入图片描述在这里插入图片描述

    展开全文
  • 结合多种特征的正交非负矩阵分解实现高光谱图像的光谱空间降维
  • 求使用PCA和低秩张量分解的方法高光谱图像降维的matlab代码,谢谢大家
  • 题目:Dimensionality Reduction of HyperspectraI Image with Graph-Based Discriminant Analysis Considering Spectral Similarity 算法流程图: 本征图可视化: 1)Salians数据集测试结果: ...

    题目:Dimensionality Reduction of HyperspectraI Image with Graph-Based Discriminant Analysis Considering Spectral Similarity

    作者:FengF,LiW,DuQ,ZhangB

    时间:Remote Sensing 2017.9 SCI

    算法流程图:

    本征图可视化:

    在信噪比越小的数据中,参数λ的值会越大。这是因为信噪比越小,说明数据中有很多噪声可以影响闭值的选择,因此,需要一个调节参数来帮助选择阂值。一般情况下,信噪比越低,则需要更大的调节参数来调整,这样才能使能容忍的误差达到应用的要求。对于参数γ,它的作用是调节本征图的稀疏度。对比图3-5中的(a)(c),虽然这两个本征图具有相同的γ值,但是明显能看出来,(c)表现的更加稀疏。综上分析,两个参数λ和γ在构图过程中都起到了不可替代的作用。

    1)Salians数据集测试结果:

    及参数微调结果:

    各算法在不同维数的结果:

    2)Pavia数据集测试结果:

    参数微调结果:

    各算法在不同维数的结果:

    标准化McNemar测试说明GDA-SS算法在分类精度上的提升对于其他算法是否有意义

    算法鲁棒性测试:

    1)不同距离相似度度量的图结构分类评估

    2)应用噪声滤波后结果分析

    展开全文
  • 新手求教,手头有高光谱图像的.mat数据,怎么用pac做到降维(matlab)??谢谢大神们!!
  • 针对因数据冗余及Hughes现象带来的高光谱数据分类精度降低问题,提出一种基于样本依赖排斥图的非负稀疏嵌入投影降维(NSEPSRG)算法.首先,利用非负稀疏表示方法,得到样本的非负稀疏重构权重矩阵.然后,利用样本的...
  • 高光谱图像分类方法

    千次阅读 2019-10-21 16:36:06
    一、基于基本光谱信息,依据光谱特征和适当的...利用光谱信息和空间联合信息的前后组合:光谱分类与马尔可夫随机场(MRF)或图像分割技术的组合。 2.融合方式 空间信息与光谱信息的特征融合:三维小波变换、三维Gab...

    一、基于基本光谱信息,依据光谱特征和适当的特征变换的多种机器学习分类算法
    K最近邻(K-NN)、最大似然分类、贝叶斯、决策树、极限学习机(ELM)、支持向量机(SVM)、基于稀疏表达(SRC)
    二、基于空谱联合信息的分类
    1.组合方式
    利用光谱信息和空间联合信息的前后组合:光谱分类与马尔可夫随机场(MRF)或图像分割技术的组合。
    2.融合方式
    空间信息与光谱信息的特征融合:三维小波变换、三维Gabor变换
    三、改进高斯过程回归的高光谱空谱联合分类算法
    改进的方面:通过最大方差相似法选取测试样本的子集,利用平方根矩阵分解法对新标记样本进行模型预测。提高训练模型效率,降低计算量。
    四、高斯线性回归与多领域优化
    1.对高光谱图像各像元的光谱波段像素值按行排列组成数据空间。
    2.对数据空间进行高斯滤波处理,并对光谱数据进行归一化处理。
    3.将数据空间分为训练集和测试集,分别对其进行线性判别分析(LDA)降维处理。
    4.以多元逻辑回归(MLR)分类得到初始类别标签
    5.多领域优化对低置信度的像元联合局部空间信息进行错分类矫正。
    直接使用逻辑回归的分类算法(MLR)、线性判别分析(LDA) 降维和 MLR 结合的分类算法(LDA_MLR)、高斯滤波与 LDA_MLR 结合的分类算法(GF_LDA_MLR)

    展开全文
  • matlab程序,高光谱图像降维,可以实现matlab对envi文件的直接读取,同时对光谱图片直接处理。
  • 为了解决光谱图像维数、数据量巨大、实时处理技术实现难的问题,...仿真结果表明,高光谱图像降维后数据量为降维前的1/3,而降维后的分类像素点误差为0.2109%,证明了奇异值分解算法进行高光谱图像降维算法的有效性。
  • 针对传统高光谱图像分类算法忽略空间特征这个问题,提出一种基于Gabor特征和决策融合的高光谱图像分类算法。首先,通过系数相关矩阵智能地对相邻和相关光谱带进行分组;接着,在PCA投影子空间中提取每组中的Gabor...
  • 针对高光谱图像同一像元内存在多种地物种类,且地物...模拟和真实光谱遥感数据实验结果表明,与传统的线性降维方法 PCA相比,经过等距映射、局部切空间排列等流行学习算法降维后的高光谱图像具有更好的光谱端元可分性。
  • 经典流形算法等距映射(ISOMAP)和局部线性嵌入(LLE)可以对光谱数据进行降维,但不能解决大尺度高光谱图像的流形降维难题。详细论述了ISOMAP和LLE在大尺度光谱流形降维中遇到的问题,提出了一种基于增量等距...
  • Python处理高光谱数据#3 降维

    千次阅读 2021-01-30 13:27:05
    基于Python的高光谱降维操作 高光谱数据:点击此处可下载 用到的库:matplotlib、scipy、spectral 主要内容:主成分分析(PCA)与线性判别(LDA) 欢迎有兴趣的朋友交流指点。最后,废话不多说直接上代码???? ...
  • 基于PCA-LDA光谱数据的降维处理,高光谱图像pca降维,matlab源码
  • 通过波段选择可以显著提高光谱遥感图像分类与解混的效率...真实光谱图像波段选择后分类和解混实验结果表明,改进的基于线性预测的波段选择方法能明显提高分类和解混的精度和效率,是一种有效的高光谱图像降维方法
  • 方法利用非局部均值滤波提取光谱全波段图像空间信息, 利用导向滤波提取经由主成分分析(PCA)降维后的高光谱图像的空间边缘信息, 将两种空间信息进行线性融合的结果输入至支持向量机(SVM)完成分类。实验表明, 相比...
  • 滤波器在提取高光谱图像空间纹理信息...实验表明, 相比使用光谱信息、光谱降维、空谱信息结合的SVM分类方法, 边缘保持滤波以及递归滤波的方法, AMF-SVM对高光谱图像的分类精度有较大提高, 充分说明了该方法的有效性。
  • 讲述高光谱图像噪声的评估方法,数据降维的目的方法,并进行实例分析
  • 提出了两种基于Gabor特征与局部保护降维高光谱图像分类算法。该算法利用嵌入主成分分析的Gabor变换对高光谱图像进行特征提取。为了保护相邻特征的局部信息,利用局部Fisher判别分析或局部保护非负矩阵分离对Gabor...
  • 8 非负矩阵分解(NMF) 降维方法

    千次阅读 2017-11-30 20:10:35
    8 非负矩阵分解(NMF) 降维方法非负矩阵分解(Non-negative Matrix Factorization)是在矩阵中的元素均为非负数约束条件之下的非负矩阵分解方法。基本思想:给定一个非负矩阵V,NMF能够找到一个非负矩阵W和一个非负...
  • 首先利用PCA进行降维,并利用SVM对高光谱数据进行分类,数据采用印第安纳农场数据,训练样本比例可调,设计了一个GUI
  • 高光谱遥感图像为地物的精确分类带来了机遇,但也面临着一些挑战,高光谱遥感图像分类中所面临的一个挑战是如何处理光谱维数和小的样本数目之间的矛盾,目前几乎全部采用降维方法来缓解这一矛盾。集成学习的出现...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 732
精华内容 292
关键字:

高光谱图像降维方法