行业分类-物理装置-基于随机深度残差网络的高光谱图像分类方法.zip

此内容包含高光谱遥感领域内 深度学习众多代码，包括1DCNN，2DCNN，3DCNN，等等各种神经网络模型代码，可以运行。欢迎大家相互学习！！！

光谱特征匹配分类方法 1. 二值编码匹配 一种简单的编码方法： 每个像元各波段对应的光谱值用1比特码长表示，像元光谱变为一个与波段数长度相同的编码序列。 编码完成后，可以采用最小距离算法来进行匹配识别。 特点：该法有助于提高图像光谱数据的分析、处理效率，但编码过程中会失去很多光谱信息，因此只适用于粗略的分类和识别。

讲述高光谱图像的分类方法，特征，判据、准则，算法等等

基于稀疏表示的高光谱图像分类omp算法demo

针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到97.24%。实验结果表明,该算法分类精度高,边界点分类效果更好。

利用稀疏字典表示、OMP算法进行高光谱图像分类，内含高光谱数据。

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。 该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学 习到的高级特征进行 回归训练

matlab cnn高光谱图像分类

matlab实现用cnn高光谱图像分类，