发表服务
基于深度学习的高光谱图像特征学习研究——毕业论文.摘要与传统分类方法相比，高光谱图像处理面临的两个主要问题是：一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强；另一是空间分辨率有限、存在大量混合像元，“Hughes...
高光谱示例：图像由更窄的波段（10-20nm）组成。高光谱图像可能有数百或数千个波段。物体与光源的光相互作用并被非成像光谱分析设备（比如光谱仪）接收后，设备可以精确地反应出接收到的光信号在光谱频带上分布的强度差异也就是光谱信息。
计算机领域的各种算法+高光谱影像=各种高光谱影像分类算法、降维算法、端元提取和混合像元分解算法等等。这方面层出不穷的出论文3、应用层面。继续发现和拓展新的应用领域，比如室内高光谱影像做古画颜料鉴定...
近年来，人们在设计图像处理算法以提高高光谱图像的空间分辨率方面做了大量的工作。HS数据与高空间分辨率多光谱(MS)数据的融合是最常见的问题之一。基于不同的理论，人们提出了不同的数据融合方法，包括分量替代(CS)、多分辨率分析(MRA)、光谱分离和贝叶斯概率。
其次,在高光谱图像分类领域中,通常只利用地物的光谱信息,而缺少对空间信息的利用,研究表明,利用空间信息可以降低分类“噪声”,提高高光谱遥感图像的分类精度。因此,论文基于第三章给出的优化的多层感知器,结合图像空间信息,进一步提高分类效果。
基于深度学习的高光谱图像特征学习研究——毕业论文.摘要与传统分类方法相比，高光谱图像处理面临的两个主要问题是：一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强；另一是空间分辨率有限、存在大量混合像元，“Hughes...
高光谱示例：图像由更窄的波段（10-20nm）组成。高光谱图像可能有数百或数千个波段。物体与光源的光相互作用并被非成像光谱分析设备（比如光谱仪）接收后，设备可以精确地反应出接收到的光信号在光谱频带上分布的强度差异也就是光谱信息。
计算机领域的各种算法+高光谱影像=各种高光谱影像分类算法、降维算法、端元提取和混合像元分解算法等等。这方面层出不穷的出论文3、应用层面。继续发现和拓展新的应用领域，比如室内高光谱影像做古画颜料鉴定...
近年来，人们在设计图像处理算法以提高高光谱图像的空间分辨率方面做了大量的工作。HS数据与高空间分辨率多光谱(MS)数据的融合是最常见的问题之一。基于不同的理论，人们提出了不同的数据融合方法，包括分量替代(CS)、多分辨率分析(MRA)、光谱分离和贝叶斯概率。
其次,在高光谱图像分类领域中,通常只利用地物的光谱信息,而缺少对空间信息的利用,研究表明,利用空间信息可以降低分类“噪声”,提高高光谱遥感图像的分类精度。因此,论文基于第三章给出的优化的多层感知器,结合图像空间信息,进一步提高分类效果。
发表服务