- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
一种用于高光谱图像稀疏噪声去除的低秩张量模型
摘要： 高光谱图像（HSI）已广泛应用于目标检测与分类领域。然而，高光谱图像中的各类噪声会影响其实际应用。本文提出一种低秩（LR）张量恢复模型用于去噪，该模型基于高光谱图像的三维数据特性并利用其潜在的低秩张量属性。同时，根据相邻波段图像的相似性，引入了相邻波段图像差异的正则化约束。通过对不同噪声污染高光谱图像的去噪实验表明，本方法在去除稀疏噪声（尤其是条带噪声）方面具有更优性能。
关键词： 低秩、高光谱图像、张量、稀疏噪声去除
更新于2025-09-09 09:28:46
-
通过最小化奇异值部分和与超像素分割的高光谱图像去噪
摘要： 高光谱图像（HSIs）在采集过程中常受到噪声干扰，从而显著降低其判别能力。因此，高光谱去噪成为应用前的关键预处理步骤。本文提出一种结合奇异值部分和（PSSV）与超像素分割的新型高光谱去噪方法——SS-PSSV，能有效去除噪声?；谕恍藕挪煌ǘ渭浯嬖诟叨认喙匦缘奶氐?，可推知各波段间具有低秩特性。为此采用PSSV方法，并为更好挖掘像素的低秩属性，引入超像素分割技术，使高光谱中相似度高的像素尽可能归入同一子块。大量实验表明，该算法性能优于现有最优方法。
关键词： 超像素分割、高光谱图像、去噪、PSSV
更新于2025-09-04 15:30:14
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于图复合核的高光谱图像精细植物分类
摘要： 近年来，利用高光谱图像研究和监测植物特性与状态的方法日益普及。高光谱图像的应用改进了育种流程并提高了收益。针对具有适合类内分类的高光谱分辨率特性的高光谱数据，本文重点研究高光谱图像分析在区分不同植物物种中的应用。由于光谱差异微小，植物类内分类具有复杂性。因此，本文提出一种称为SI-GCK的精细化植物高光谱图像分类方法：该方法通过光谱指数（SI）表征植物光谱特征，并利用半监督图复合核（GCK）方法融合像素的光谱信息与空间位置进行分类。作为对比，采用序列浮动前向选择（SFFS）为支持向量机学习筛选光谱波段。其植物分类精度与SI方法结果相近，而本文提出的方法优于上述方案。
关键词： 光谱指数、植物分类、基于图的复合核、高光谱图像
更新于2025-09-04 15:30:14
-
高光谱图像特征提取的三边平滑滤波
摘要： 传统双边滤波（BF）在对高光谱图像（HSI）进行滤波处理时，若邻域像素集的中心像素为噪声点，则无法有效提取高光谱图像特征。本文提出三边平滑滤波（TRSF）算法，该算法避免了传统BF算法的上述局限性。TRSF成功应用于三幅实际高光谱图像的特征提取。为验证所提算法的有效性，采用支持向量机对提取的特征进行分类。实验结果表明，该特征提取方法简单有效。
关键词： 高光谱图像（HSI）、特征提取、双边滤波（BF）、三边平滑
更新于2025-09-04 15:30:14
-
基于最大散射判别分析的高光谱图像分类方法
摘要： 为克服部分高光谱分类方法面临的"小样本量问题"，采用最大散度判别准则分析高光谱数据。该判别分析通过最大化类间散度矩阵与类内散度矩阵的差异来搜索投影轴，从而避免计算矩阵逆运算。在Indian Pines高光谱数据集上的实验结果表明，所提方法在识别准确率方面优于其他方法，是一种有效可行的高光谱数据分类方案。
关键词： 高光谱图像、分类、小样本问题、最大散度差判别分析
更新于2025-09-04 15:30:14
-
利用单层神经网络进行高光谱图像的监督波段选择
摘要： 高光谱图像通过光谱信息提供了被分析场景的精细细节。这是由于连续波段的存在，使得即使物体颜色和形状相似也能被区分。然而相邻波段高度相关，且高光谱图像的高维度会给处理带来沉重负担，还可能引发休斯现象。因此建议在分类任务前进行波段选择的预处理。本文提出一种基于神经网络的新型有监督滤波波段选择方法：针对数据集每个类别，二元单层神经网络分类器执行该类与其余数据的分类，随后选取权重最大和最小的波段，使波段选择过程具有类别导向性。该过程迭代进行直至达到预设波段数量。与三项前沿波段选择方法的对比表明，在训练数据量大幅减少的情况下，本方法在43.33%的案例中取得最优结果，而对比方法在博茨瓦纳、KSC和印度松数据集上的最优表现仅占13.33%至23.33%。
关键词： 监督学习、神经网络、高光谱图像、波段选择、基于滤波器的方法
更新于2025-09-04 15:30:14
-
综合遥感 || 地球观测数据处理中的高级特征提取
摘要： 地球是一个高度复杂且动态的网络系统，在过去几百年间，人类活动引发了诸多重大变化。毋庸置疑，我们科学家如今面临的最大挑战，是量化、预测并理解这个系统的行为。例如，土地与植被监测具有深远的社会、环境和经济意义，尤其是在生物燃料和粮食需求快速增长的情况下。我们需要数据和模型来推断该系统的情况。这些模型不仅要提供预测结果，还应就变量何时、何地以及以何种程度影响观测结果给出定性解释。
关键词： 地球观测、核方法、高光谱图像、主曲线、遥感、深度学习、特征提取
更新于2025-09-04 15:30:14
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像超分辨率的局部相似性正则化稀疏表示
摘要： 最近，通过稀疏表示方法，高光谱图像超分辨率（SR）的性能得到了显著提升。然而，大多数现有方法未能考虑稀疏系数的局部几何结构。为解决这一关键问题，本文提出了一种有效方法，该方法利用稀疏系数的位置相关约束，并将其局部相似性融入稀疏编码过程。因此，所提方法能够保留上述局部几何结构的特性。实验结果表明，在高光谱图像超分辨率任务中，该方法比以往方法更具有效性。
关键词： 局部相似性、稀疏表示、高光谱图像、超分辨率
更新于2025-09-04 15:30:14
-
利用近红外高光谱成像技术区分离萼梨与宿萼梨
摘要： 库尔勒香梨是一种小型椭圆形梨，其特征为浅绿色果皮、脆爽口感以及令人愉悦的香气（香梨因此得名）。无萼片梨的果肉在口感和质地方面被认为优于有萼片梨；中国包装标准要求，每箱高需求"特级"香梨中，有萼片梨的比例不得超过5%。研究人员探索了近红外高光谱成像技术作为自动区分这两种梨的潜在方法。通过分析高光谱图像，选定1190纳米和1199纳米波段来区分无萼片梨与有萼片梨?？⒘艘恢掷?190纳米与1199纳米处梨相对强度比值的多光谱区分算法。结果显示，该算法对无萼片梨的分类准确率达89.3%至94.0%，并能有效区分两类梨——被误判为无萼片梨的有萼片梨仅占所有被归类为无萼片梨的2.4%至4.9%，完全符合目标包装标准要求。
关键词： 分类，库尔勒香梨，高光谱图像，果实品质
更新于2025-09-04 15:30:14
-
遥感中的多分辨率图像融合（）|| 引言
摘要： 人类最伟大的成就之一，是以照片形式记录观测数据的能力，这门科学可追溯至1826年。人类始终试图登上更高处（树梢、山峰、高台等）观察感兴趣的现象，以决定宜居地点、开展农耕等活动。好奇心驱使人类从高处平台拍摄地球影像。摄影技术初期，人们利用气球、鸽子和风筝获取此类照片。1903年飞机发明后，1909年首次在稳定平台上实现了航空摄影[120]。上世纪六七十年代，搭载遥感仪器的主要平台从飞机转向卫星[120]。正是在这一时期，"遥感"一词取代了常用的"航空摄影"。卫星比飞机能覆盖更广的陆地空间，并可定期监测区域。
关键词： 图像融合、遥感、卫星、航拍照片、高光谱图像、多光谱图像、全色图像
更新于2025-09-04 15:30:14