基于半监督广义学习系统的高光谱图像分类

稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total Variation,TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN 7.6。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.下载日期集： IP：， UH： 上： SA：和 并将它们放入数据目录。 3.下载模型（加载模型）： 代码：caor 并将它们放到models目录中。 4.下载pretrai

matlab遥感分类代码CNN-AL-MRF 这就是《Hyperspectral Image Classification with Convolutional Neural Network and Active Learning》的代码。 如果您使用此代码，请在您的工作中引用以下论文。 [1] 曹向勇，姚敬，徐宗本，孟德宇。 具有卷积神经网络和主动学习的高光谱图像分类。 IEEE 地球科学与遥感学报，2020 年。() [2] H. Bi、F. Xu、Z. Wei、Y. Xue 和 Z. Xu，一种用于最小监督 polsar 图像分类的主动深度学习方法。 IEEE 地球科学与遥感学报，2019 年。 在 Windows 中安装 Matconvnet 请按照网站上的说明进行操作：。 再现结果 重现第四部分的实验结果。 D(1)，请跑 matlab CNN_AL_MRF_main.m 接触： 如果您有任何问题，欢迎与我联系（ / ）。

分类过程是分析高光谱图像数据的重要任务之一。 支持向量机（SVM）是最流行和使用最广泛的分类器，其性能正在不断提高。 近来，与仅考虑像素的光谱特征的方法相比，利用空间和光谱信息的方法更加充分，鲁棒，有用和准确。 在本文中，通过使用空间像素关联（SPA）处理从高光谱数据中提取区域纹理信息，以进一步提高SVM技术的分类性能。 为了提高分类的准确性，提出了一种利用SPA特征的支持向量机的新方法。 此外，该手稿中还提出了一种可用于解决像素不正确问题的新方法，即“增长类的控制过程”（CPoGC）。 为了证明所提方案的有效性，我们进行了印度松站点（IPS）上的AVIRIS高光谱数据实验，以将所提出的分类方法与一些现有的基于SVM的技术（例如SC-SVM和PSO-SVM）进行比较，以及一些传统的方法，例如K-NN和K-means。 实验结果表明，所提出的方法明显优于这些众所周知的分类算法。

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

卷积神经网络在高光谱图像分类中的应用综述.pdf

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。

深树注意 Hang等人的实现。 2020用于树种预测。 模型架构 组织 ├── conf # Config files for model training and evaluation ├── data # Location to place data for model reading. Most data is too large to be in version control, see below ├── DeepTreeAttention # Source files ├── experiments # Model training and SLURM multi-gpu cluster experiments with come