hsi图像分割matlab代码使用马尔可夫随机场和卷积神经网络的高光谱图像分类
CNN-HSI-MRF
这是卷积神经网络（CNN）的TensorFlow实现，用于基于代码（）的高光谱图像分割任务，如本文所述：
曹X，周F.许L.徐D.孟格，许Z.许和J.佩斯利，
此代码的另一个版本在[]中
要求
张量流0.12.1
如何使用代码
步骤1：运行python代码python
cnn_train.py
第2步：运行Matlab代码Demo_Post_MRF.m
引用
该代码受MIT许可证保护。
如果您在代码中使用以下代码，请引用我们的论文：
@article{cao2017hyperspectral,
title={Hyperspectral
image
segmentation
with
Markov
random
fields
and
a
convolutional
neural
network},
author={Cao,
Xiangyong
and
Zhou,
Feng
and
Xu,
Lin
and
Meng,
Deyu
and
Xu,
Zongben
and
Paisley,
J
2021-10-02 16:34:02
8.1MB
1
高光谱异常检测：
这是用于高光谱异常检测的matlab代码（LSAD-CR-IDW和LSUNRSORAD算法）
有关此项目的更多信息，请参阅我们的论文： [共同第一作者]
先决条件：
Matlab R2018b
其他相关论文：
[1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。 [J]。 遥感，2019，11（13）：1578. [第一作者]
[2]侯增福，李伟，高连如，张兵，马鹏格和孙俊林。 （2020）[口服]
[3]侯增福，李伟，陶然，马鹏哥和石卫华。 中国科学信息科学。 2020年。
我的个人网站：
1.Github网站： ://zephyrhours.github.io/
2.Personal Websie： ://zephyrhoublog.ml/（此网站将于2021年5月15日停用！）
3，中文CSDN博客： ://blog.csdn
2021-09-29 20:31:35
15.82MB
1
受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征。再采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能。
2021-09-22 14:50:28
1.87MB
1
RGB /多光谱的高光谱
这是B. Arad和O. Ben-Shahar在论文“ ”中描述的高光谱估计过程的MATLAB实现。 可以在Ben-Gurion大学下的“上找到其他详细信息。
如果您在工作中使用此代码，请引用“ Arad和Ben-Shahar，在2016年10月11日至14日于荷兰阿姆斯特丹举行的欧洲计算机视觉会议上，从自然RGB图像中稀疏地恢复高光谱信号”
@inproceedings{arad_and_ben_shahar_2016_ECCV,
title={Sparse Recovery of Hyperspectral Signal from Natural RGB Images},
author={Arad, Boaz and Ben-Shahar, Ohad},
booktitle={European Conference on Computer Vi
2021-09-21 11:26:15
256KB
1
********************************** 重大更新通知**********************************
请在此处访问该程序的新的、改进的 GUI 版本：
http://www.mathworks.com/matlabcentral/fileexchange/41464
********************************** 重大更新通知**********************************
这是一个利用所包含的函数来计算 8 个图像指标（偏差、相关系数、DIV、熵、ERGAS、Q、RASE 和 RMSE）的程序。 该程序的目的是为用户快速、轻松和方便地生成结果（参见输出）。 最初，它的目的是在高光谱和多光谱卫星图像中进行指数分析。 它已在融合高光谱产品中使用和测试，用于光谱保真度的质量评估。 但是，估计它
2021-09-18 21:08:08
196KB
1
SAM卫星图像分类
该项目旨在说明SAM算法在卫星图像分类中的用途。 高光谱图像提供像素光谱，可获取有关表面的详细信息，以识别和区分光谱相似（但独特）的材料。 放置在遥感卫星上的高光谱图像传感器可捕获具有各种光谱带的高光谱图像。 进行了实验，以在高光谱图像上实现光谱角度映射器（SAM），以对表面上的像素进行分类。 还可以获得图像的假彩色合成，以便更好地可视化表面差异。 各个波段的高光谱图像彼此堆叠，以形成用于SAM实现的三维图像立方体。 SAM是一种监督分类算法，可基于光谱角的计算来识别图像中的各种类别。 在为每个像素建立的测试向量与为用户选择的每个参考类别建立的参考向量之间计算光谱角。 获得了将多个2D数据集读取并重组到一个紧凑的3D数据集多维数据集中的结果。 构建参考向量以执行SAM分类，并计算参考向量和像素向量之间的角度以与确定的阈值角度值进行比较。 然后应用颜色编码来区分已被SAM
2021-09-06 10:36:53
1KB
1