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） ▾

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于光谱混合分析的高光谱图像分类用于作物类型识别

    摘要： 针对农业区域的应用，由于遥感技术具有连续定量监测的优势，我们对其进行了研究与应用。特别是高光谱图像因能提供植被的化学和物理信息，已被用于精准农业研究。本研究利用地面扫描仪采集的高光谱图像数据开展作物类型分析，采用广泛用于高光谱图像处理的光谱混合分析法进行作物识别。研究使用的端元提取算法包括N-FINDR、顶点成分分析（VCA）以及通过变量分裂和增广拉格朗日法实现的单纯形识别（SISAL），分类处理则采用完全约束线性光谱解混法（FCLSU）。本研究展示了冠层尺度高光谱扫描数据的光谱混合分析应用，以及不同作物类型精准农业的最优端元提取算法。

    关键词： 高光谱图像、作物类型、分类、光谱混合分析

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于相对属性的解混

    摘要： 某一类别混合像素的丰度可理解为获取该类别纯代表物的相对评分，而非以"1或0"这类绝对离散值进行分类。这与计算机视觉中的相对属性学习（RAL）问题相契合。RAL采用"相对属性"概念，通过基于rankSVM框架的排序学习问题获得评分，来描述对象对某类别的归属程度。为利用数据样本间乃至混合像素间的信息，首次提出基于相对属性的解混方法（RAU），该方法用相对属性描述混合像素丰度作为某类别的相对纯度，并通过rankSVM学习丰度。利用报道的核原型分析（KAA）解混方法生成的原型体构建rankSVM训练比较集来处理混合数据样本，同时通过KAA获得的同义光谱构建比较集以解决光谱变异问题。在合成与真实高光谱混合图像上的实验均表明，该方法对混合像素分析具有潜在价值。

    关键词： 相对属性、光谱解混、高光谱图像、非负矩阵分解、光谱可变性

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像目标检测中的空间正则化稀疏表示方法

    摘要： 约束能量最小化（CEM）是高光谱图像目标检测的常用方法。其变体稀疏CEM通过引入稀疏正则化项来增强检测结果的稀疏性。然而这些方法均未考虑高光谱像素的空间相关性，而利用空间信息可进一步提升目标检测性能。本文提出一种新型约束检测算法——空间-稀疏CEM，通过合理设计正则化项同时实现输出稀疏性与分段连续性约束。采用交替方向乘子法（ADMM）高效求解该优化问题，并通过合成与真实高光谱数据验证了空间-稀疏CEM算法的性能提升。

    关键词： 高光谱图像、空间正则化检测、目标检测、(cid:96)1范数正则化、ADMM、约束能量最小化

    更新于2025-09-10 09:29:36

  • 主动迁移学习网络：一种用于高光谱图像分类的统一深度联合光谱-空间特征学习模型

    摘要： 深度学习近期在高光谱图像（HSI）分类领域受到广泛关注。然而，高效深度神经网络的构建大多依赖于大量标注样本的可用性。针对这一问题，本文提出一种结合主动迁移学习（TL）的统一深度网络，仅需极少量标注训练数据即可实现高光谱图像的有效分类。具体而言，首先通过分层堆叠稀疏自编码器（SSAE）网络提取深度联合光谱-空间特征；随后利用主动迁移学习将预训练的SSAE网络及有限训练样本从源域迁移至目标域，并通过相应的主动学习（AL）策略从源域和目标域选取有限标注样本对SSAE网络进行微调。本方法具有三大优势：1）借助新型主动学习策略，仅需少量标注样本即可有效训练网络；2）网络具有足够的灵活性与可扩展性，适用于跨数据集、图像内等多种迁移场景；3）所学习的深度联合光谱-空间特征表示比多数同类表征更具通用性与鲁棒性。大量对比实验表明，在三个常用数据集上，本方法显著优于包括传统方法和基于深度网络的方法在内的诸多先进技术。

    关键词： 多特征表示、迁移学习（TL）、高光谱图像（HSI）分类、深度学习、主动学习（AL）、堆叠稀疏自编码器（SSAE）

    更新于2025-09-10 09:29:36

  • 结合自适应类间对惩罚与光谱相似性的马尔可夫随机场在高光谱图像分类中的应用

    摘要： 本文提出了一种新颖的马尔可夫随机?。∕RF）方法，通过整合自适应类间对惩罚项（aICP2）与光谱相似性信息（SSI）实现高光谱图像（HSI）分类。aICP2结构化地结合了K(K-1)/2个（K为类别数）经典"波茨模型"与对应的K(K-1)/2个交互系数，通过创新方式解决基于MRF的高光谱分类中同质区域校正不足与类边界过度平滑的关键问题。该方法根据原始分类图的类间可分性与空间混淆程度，假设不同类对在MRF平滑过程中应分配差异化惩罚权重：采用改进的Fisher比率（基于训练集）度量类间可分性，利用灰度共生矩阵评估空间混淆程度，进而构建融合两者的aICP2——对严重混淆的类对施加较大惩罚以保证充分平滑，反之则减小惩罚。此外引入SSI?；だ啾咴涤胂附?，使相邻像素的惩罚值降低，最终形成aICP2与SSI的集成方法aICP2ssi。该改进方案在空间维度同时实现类间对与像素级的自适应优化，采用基于图割的α-β交换算法求解能量函数。真实高光谱数据实验表明，该方法在分类精度与区域一致性方面均优于对比的MRF方法及其他光谱-空间方法。

    关键词： 图割、高光谱图像（HSI）分类、马尔可夫随机?。∕RFs）、Potts模型、光谱相似性、类间可分性

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于超像素的高光谱图像降维方法

    摘要： 本文聚焦于高光谱图像（HSI）的降维（DR）技术。我们提出了一种基于超像素的线性判别分析（SP-LDA）高光谱分类降维方法。局部空间邻域内的像素通常具有相似的光谱曲线并共享相同类别标签。为充分挖掘空间结构特征，首先引入超像素分割生成超像素图，该方法能自适应提取邻域结构信息。此外，通过融合光谱与空间维度提取的特征对SP-LDA算法进行扩展，从而充分利用两个维度的互补一致性信息。在两个标准高光谱数据集上的实验结果验证了所提算法的优越性。

    关键词： 高光谱图像、超像素、降维、光谱-空间

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像的半张量压缩感知

    摘要： 压缩感知（CS）技术有助于降低高光谱图像（HSI）这种大型三维数据立方体的存储和传输负担。传统CS方法通常采用列数与信号长度相等的观测矩阵进行数据采样。随着信号长度增加，尤其是对于高维高光谱数据，观测矩阵会变得非常庞大。为克服这一缺陷，本文提出一种基于半张量积的新型高光谱图像CS（ST-CS）方法。在采样模型中，我们构建列数远小于光谱像素长度的半张量观测矩阵，并应用突破矩阵乘法维度匹配条件的半张量积进行数据采样。这种低维观测矩阵能减少星载系统的数据存储量。在稀疏编码与重建模型中，通过引入正则化项来利用光谱像素的空间相关性——该正则化项促使重建后的相邻像素趋于相似，从而可通过邻域信息修正部分重建失败的像素，同时更好地重建高光谱图像的空间结构。实验结果验证了所提方法的有效性。

    关键词： 传感矩阵，压缩感知，高光谱图像，半张量，重建

    更新于2025-09-10 09:29:36

  • 用于高光谱图像分类的空间-光谱图正则化核稀疏表示

    摘要： 本文提出了一种基于核稀疏表示正则化框架的高光谱图像分类空间-光谱方法。首先，在核稀疏表示的稀疏恢复模型中引入两个空间-光谱约束项：第一项是基于图的空间平滑约束，用于描述高光谱图像的上下文信息；第二项是空间位置约束，用于整合训练像素位置信息的先验知识。随后，开发了高效的交替方向乘子法来求解相应最小化问题。最后，利用恢复的稀疏系数向量确定测试像素的类别标签。在三个真实高光谱图像上的实验结果表明了所提方法的有效性。

    关键词： 正则化、高光谱图像、稀疏表示、核方法、分类

    更新于2025-09-10 09:29:36

  • 极端稀疏多项逻辑回归：一种用于高光谱图像分类的快速稳健框架

    摘要： 尽管稀疏多项逻辑回归（SMLR）为稀疏分类提供了有效工具，但其处理高维特征和手动设置初始回归器值的低效性严重限制了在高光谱图像（HSI）分类中的应用。为解决这两个缺陷，本文提出一种极端稀疏多项逻辑回归（ESMLR）以实现HSI高效分类：首先通过随机生成的权重和偏置将HSI数据集投影至新特征空间；其次采用拉格朗日乘数法和对偶原理建立优化模型，通过最小化训练误差与回归器值自动确定SMLR的优质初始回归器；进一步利用扩展多属性剖面（EMAPs）同步提取光谱与空间特征，并提出组合线性多特征学习（MFL）方法增强ESMLR与EMAPs提取的特征；最后在框架中采用基于变量分裂与增广拉格朗日的逻辑回归（LORSAL）以降低计算耗时。在Indian Pines和Pavia University两个典型HSI数据集上的实验表明，所提ESMLR框架具有快速稳健的分类性能。

    关键词： 极端稀疏多项逻辑回归（ESMLR）、扩展多属性剖面（EMAPs）、高光谱图像（HSI）分类、线性多特征学习（MFL）、稀疏多项逻辑回归（SMLR）、拉格朗日乘数

    更新于2025-09-10 09:29:36

  • 一种用于高光谱图像的快速递归协作表示异常检测器

    摘要： 尽管基于协作表示的检测器（CRD）在高光谱图像（HSI）异常检测中表现良好，但其计算成本对于广泛需求的实时应用来说过高。为了降低计算复杂度，本文提出了一种递归CRD。通过根据像素位置构建两个基本变换矩阵，并利用矩阵求逆引理推导出递归更新方法来加速检测器。在两个真实HSI数据集上的实验结果表明，所提方法在不损失精度的情况下节省了超过30%的处理时间。

    关键词： 协作表示、异常检测、实时检测、高光谱图像（HSI）

    更新于2025-09-10 09:29:36