修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

110 条数据
?? 中文（中国） ▾

  • 用于高光谱图像分类的局部加权判别分析

    摘要： 高光谱图像（HSI）中每个像素包含大量光谱波段，这会限制传统图像分类方法区分各像素地物类型的能力。降维是提升分类性能的有效途径。线性判别分析（LDA）是HSI分类中常用的降维方法，但其假设所有样本服从相同分布。然而不同样本在散布矩阵计算中的贡献度可能存在差异。为解决特征冗余问题，本文提出一种基于局部加权判别分析（LWDA）的新型监督HSI分类方法。该LWDA方法基于判别信息和空-谱信息，为每个训练样本构建加权判别散布矩阵模型和最优投影矩阵模型。对于每个测试样本，LWDA通过空间信息搜索其最近邻训练样本，随后利用对应投影矩阵将测试样本与所有训练样本投影至低维特征空间。该方法能有效保持原始HSI数据的空-谱局部结构，提升投影数据对最终分类的判别能力。在两个真实HSI数据集上的实验结果表明，相比若干先进算法，所提LWDA方法具有显著优势。特别是当数据划分比例较?。ㄈ?.05）时，LWDA在Indian Pines数据集上获得的总精度较直接使用原始高维数据提升约20%，在Kennedy Space Center（KSC）数据集上提升约17%。

    关键词： 高光谱图像（HSI）分类、线性判别分析（LDA）、空间-光谱信息、降维

    更新于2025-09-23 19:05:51

  • 基于高光谱图像与多线性判别分析的玉米种子分类

    摘要： 种子纯度是评估种子质量的重要参数，可通过种子分类进行有效研究。本研究采集了1632粒玉米种子（17个品种）在400-1000纳米波段的高光谱图像用于品种分类。从高光谱数据中提取了14个特征（包括1个光谱特征和13个成像特征：5个一阶纹理特征与8个二阶纹理特征）?？⒘硕嘞咝耘斜鸱治觯∕LDA）算法来优选波长并转换/降维分类特征，从而提升高光谱图像的采集与处理速度?；贛LDA分别采用光谱特征、成像特征及二者组合特征，构建了最小二乘支持向量机分类模型。对比了MLDA、无信息变量消除（UVE）结合线性判别分析（LDA）以及连续投影算法（SPA）结合LDA的效果。实验表明：在相同波长数量（5-15个）条件下，基于MLDA波长选择算法的组合特征可获得最高分类准确率；同时，MLDA特征转换/降维方法构建的分类模型准确率达99.13%，显著优于SPA-LDA模型（90.31%）和UVE-LDA模型（94.17%），较全波段平均光谱模型准确率提升2.74%。该方法可有效应用于种子鉴别与分类。

    关键词： 高光谱图像，玉米种子，多线性判别分析，特征变换

    更新于2025-09-19 17:13:59

  • 配电网中低压分布式光伏系统的并网研究综述

    摘要： 高光谱图像（HSI）预处理中的复原技术对提升其视觉质量及目标检测/分类精度至关重要。本文提出一种新型低秩光谱非局部方法（LRSNL），可同步消除高斯噪声、椒盐脉冲噪声以及条纹和坏点线等固定模式噪声的混合干扰。该方法利用低秩（LR）特性获取预清洁图像块，进而通过光谱非局部方法（SNL）实现更优聚类。SNL方法兼顾光谱与空间信息，在去除混合噪声的同时有效保留图像精细结构。合成数据与真实数据的实验表明，LRSNL虽结构简单，却是高光谱图像复原的有效方案。

    关键词： 非局部均值、高光谱图像、光谱与空间信息、复原、低秩（LR）

    更新于2025-09-19 17:13:59

  • 二氧化钛-氧化锌纳米纤维修饰光阳极的染料敏化太阳能电池研究

    摘要： 高光谱图像（HSI）预处理中的复原对于提升其视觉质量及目标检测/分类的准确性至关重要。本文提出一种新的低秩光谱非局部方法（LRSNL），可同步消除高斯噪声、椒盐脉冲噪声以及条纹和坏像素线等固定模式噪声的混合干扰。该方法利用低秩（LR）特性获取预清洁图像块，进而通过光谱非局部方法（SNL）实现更优聚类。SNL方法综合考虑光谱与空间信息，在去除混合噪声的同时保留图像精细结构。合成数据与真实数据的实验表明，尽管结构简单，LRSNL仍是高光谱图像复原的有效方法。

    关键词： 高光谱图像、非局部均值、光谱与空间信息、复原、低秩（LR）

    更新于2025-09-19 17:13:59

  • [2019年IEEE第60届里加理工大学电力与电气工程国际学术会议(RTUCON) - 拉脱维亚里加(2019.10.7-2019.10.9)] 2019年IEEE第60届里加理工大学电力与电气工程国际学术会议(RTUCON) - LED照明多通道电流控制PWM调光方法的闪烁特性

    摘要： 高光谱图像（HSI）预处理中的复原对于提升其视觉质量及目标检测/分类的准确性至关重要。本文提出一种新型低秩光谱非局部方法（LRSNL），可同步消除高斯噪声、椒盐脉冲噪声以及条纹和坏点线等固定模式噪声的混合干扰。该方法利用低秩（LR）特性获取预清洁图像块，进而通过光谱非局部方法（SNL）实现更优聚类。SNL方法同时考虑光谱与空间信息，在去除混合噪声的同时有效保留图像精细结构。合成数据与真实数据的实验表明，LRSNL虽结构简单，却是高光谱图像复原的有效方案。

    关键词： 光谱和空间信息，高光谱图像，低秩（LR），恢复，非局部均值

    更新于2025-09-19 17:13:59

  • 高光谱与多光谱图像融合的非局部耦合张量CP分解

    摘要： 高光谱（HS）超分辨率技术旨在提升高光谱图像（HSI）的空间分辨率，近年来备受关注。常见的超分辨率方法是将高光谱图像与更高空间分辨率的多光谱图像（MSI）进行融合。现有研究通过矩阵分解方法（如解混和稀疏表示）建立低空间分辨率HSI与MSI的退化模型来解决该问题，但这类方法难以有效构建高空间分辨率（HR）HSI与MSI之间的关系。实际上，由于HSI与MSI拍摄的是同一场景，这两种图像源必然存在共同因子。本文提出一种高光谱与多光谱图像融合（HSI-MSI融合）的非局部张量分解模型：首先根据MSI构建HSI的非局部相似像元张量，用于计算所有像元块的平滑阶数以实现聚类；随后通过耦合张量典范秩一分解（CP分解）探究HR HSI与MSI的关系。该模型的核心思想是：HR HSI非局部张量的CP分解因子矩阵可与MSI非局部张量的分解矩阵共享。采用交替方向乘子法求解该模型，从而成功将MSI的空间结构迁移至HSI。在三个合成数据集和一个真实数据集上的实验表明，本方法显著优于现有最先进的HSI-MSI融合技术。

    关键词： 非局部张量、多光谱图像（MSIs）、耦合典范分解（CP分解）、数据融合、高光谱图像（HSIs）

    更新于2025-09-16 10:30:52

  • [IEEE 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS） - 荷兰阿姆斯特丹（2019.9.24-2019.9.26）] 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS） - 基于LSTM网络的像素级尺度融合模型为卫星图像提供高空间-光谱分辨率

    摘要： 多传感器卫星图像的像素级融合能够提升所获数据在空间维度和光谱维度的质量。特别是通过融合多光谱与高光谱图像，可生成兼具高空间分辨率与高光谱分辨率的图像。现有文献中虽有多种实现该任务的方法，但这些技术仍会在融合过程中损失重要的空间信息。本研究提出一种多尺度深度学习模型，用于融合分别具有高空间低光谱分辨率（HSaLS）和低空间高光谱分辨率（LSaHS）的多光谱与高光谱数据，最终获得高空间高光谱分辨率图像（HSaHS）。为实现该目标，我们开发了可扩展的高空间分辨率处理新方法——模型通过学习从低空间分辨率过渡至中间空间分辨率层级，最终生成高空间光谱分辨率图像。这种分步处理过程显著降低了空间信息损失。实验结果表明，本方法在结构相似性指数和信噪比指标上均展现出更优性能。

    关键词： 高光谱图像，超分辨率，数据融合，长短期记忆，像素级，多光谱图像

    更新于2025-09-12 10:27:22

  • 基于多通道脉冲耦合神经网络的高光谱图像可视化

    摘要： 高光谱图像（HSI）可视化旨在三色显示器上以自然色彩呈现原始图像尽可能多的物质信息，在图像解译与分析中具有重要作用。然而多数高光谱可视化方法仅关注场景细节信息呈现，既无法提供自然色彩，也难以区分颜色相近的地物覆盖类型。针对该问题，本文提出基于多通道脉冲耦合神经网络（MPCNN）的高光谱可视化方法，其步骤如下：首先构建并应用MPCNN融合原始高光谱数据以获取富含空间细节的融合波段；其次设计色彩映射方案确定红绿蓝（RGB）通道权重；最后将加权RGB通道叠加实现可视化。在四个高光谱数据集上的实验表明，该方法不仅能以自然色彩显示高光谱图像，还能提升图像细节表现力。通过视觉效果与客观指标双重验证了所提方法的有效性。

    关键词： 多通道脉冲耦合神经网络（MPCNN）、颜色映射、自然色彩显示、高光谱图像（HSI）可视化

    更新于2025-09-12 10:27:22

  • [IEEE 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 荷兰阿姆斯特丹（2019.9.24-2019.9.26）] 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 基于卷积神经网络的多分辨率草坪杂草分类知识迁移

    摘要： 杂草识别与分类是实施定点除草的关键且具有挑战性的任务。由于杂草与作物的光谱相似性较高，本研究采用基于空间信息的对象图像分析方法进行杂草分类。随着多种传感器的广泛应用，我们能够从不同高度、利用不同规格的传感器获取杂草影像。本文提出一种创新方法：通过卷积神经网络（CNN）运用迁移学习技术处理多源传感器获取的多分辨率图像。先利用典型图像数据集训练CNN并迁移其训练权重至不同分辨率的其他数据集，从而仅需少量训练样本对网络进行微调即可实现新数据集分类，大幅降低模型训练所需的大数据量。为避免微调过程中的过拟合问题，我们基于预训练模型初始层参数，研究并提出了小型深度学习架构。实验还探究了训练样本规模对微调效果的影响。田间试验表明，该方法在识别精度和计算成本方面均优于直接训练法。

    关键词： 高光谱图像，分辨率，卷积神经网络（CNN），杂草制图，迁移学习

    更新于2025-09-12 10:27:22

  • 高光谱图像：利用激光诱导击穿光谱定性评估食用种子中钙、钾、镁、钠和磷的化学分布特征

    摘要： 本研究采用激光诱导击穿光谱（LIBS）结合化学计量学工具，分析了九份种子样品的金属成分。直接对样品进行检测，在每个检测点选取9行×9列（共81个点位），每个点位连续激发10次脉冲，从样品表面及内部共采集到186-1042 nm波段的810组发射光谱。通过欧几里得归一化处理数据集，并利用主成分分析（PCA）进行初步探索性研究。所有样品均检出钙、镁、钠、钾和磷元素；但金属元素分布并不完全均匀，不同层间的元素组成存在差异。这一现象可能与土壤特性、植物生理特性、水源成分及肥料等多种因素导致的养分吸收能力差异有关，这些因素会影响不同种子中的元素分布。为验证LIBS检测结果，采用微波消解法处理样品，并通过电感耦合等离子体发射光谱（ICP-OES）测定了钙、钾、镁、钠和磷含量。此外还检测了硫和锌等微量营养元素，通过皮尔逊相关图分析元素间关系发现：镁与钠、磷与钠、硫与磷、硫与锌等元素呈现极强相关性，例如镁浓度升高时钠浓度也随之增加。

    关键词： 化学计量学工具、激光诱导击穿光谱、食用种子、化学特征分布、高光谱图像

    更新于2025-09-12 10:27:22