排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取,提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息,然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练,提取空谱联合特征,最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理,可以实现端到端的训练,并且能够充分提取空间与光谱数据中的语义信息。结果表明,与其它基于深度学习的分类方法相比,本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度,有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。 相似文献
2.
3.
通过采集9种常见伪装材料及背景的光谱,进行基于反射率光谱的伪装材料的光谱分析和提取工作,然后对原始反射率光谱曲线和经包络线去除法变换后的曲线进行分析,并利用多种光谱差异算法对光谱数据进行计算,进而对伪装效果进行评估.通过实验得到了在可见光图像上难以区分的几组伪装目标的光谱特征差异,对伪装检测的波段选取及伪装材料的选择提供了参考依据. 相似文献
1