高光谱解混与变化检测专题

最新推荐文章于 2023-02-13 16:10:49 发布
最新推荐文章于 2023-02-13 16:10:49 发布
阅读量711 收藏 8
点赞数 1
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/h1m2q3/article/details/114525670
版权
本文汇总了四篇关于利用深度学习进行高光谱图像解混的最新研究，包括基于卷积自编码器的盲分解方法、光谱混合模型启发的网络架构、非线性解混算法及深度自编码器网络的应用。这些工作展示了深度学习在高光谱图像分析中的潜力，特别是在复杂光谱信号的解析和非线性特征提取方面。
摘要由CSDN通过智能技术生成

利用深度学习做高光谱解混的论文(优选，稀疏解混未纳入)

1. 【TGRS-2020，一区】盲分解：Convolutional Autoencoder for Spectral Spatial Hyperspectral Unmixing

2. 【TGRS-2020，一区】盲分解和丰度反演：Spectral Mixture Model Inspired Network Architectures for Hyperspectral Unmixing

3. 【遥感学报-2020】非线性解混 Nonlinear hyperspectral unmixing algorithm based on deep autoencoder networks

高分五号高光谱图像自编码网络非线性解混

4.【TGRS-2019，一区】DAEN: Deep Autoencoder Networks for Hyperspectral Unmixing  自编码器+差分自编码器

EarlyBird1235
关注
Hyperspectral Unmixing论文泛读（一）
陌若安生的博客
11-12 3057
JMnet: Joint Metric Neural Network for Hyperspectral Unmixing Abstract 现有的基于学习的高光谱解混方法一般采用自编码器的形式，以几何距离，如光谱角距离(SAD)作为损失函数。这些方法①忽略了观测值与重构值之间的分布相似性，有助于提高解混性能。同时，直接比较观测值和重构值的差异，②忽略了它们之间的特征差异，从而训练了自编码。基于上述考虑，我们提出了一种联合度量神经网络用于高光谱分解，引入①Wasserstein距离和②特征匹配作为正则化项，
高光谱图像pca降维matlab_高光谱图像变化检测
weixin_39789094的博客
12-14 1140
来源：IEEE TGRS 2018原文：https://ieeexplore.ieee.org/document/8418840论文题目：GETNET: A General End-to-End 2-D CNN Framework for Hyperspectral Image Change DetectionIntroduction全球变化的全面认识能够为地球演化提供及时、准确信息。变化检测是识...
2023-2 超高分光学图像变化检测综述（更关注VHR）
qq782352459的博客
02-13 986
与传统的手工特征不同，更高层次的抽象(线性和非线性特征)可以通过多层神经网络自动提取和优化，它可以保留关键的变化，并丢弃不相关的差异，用于变化检测任务。此外，在VHR图像中可见的临时对象(如道路上的汽车)也会影响使用VHR图像的传统基于光谱的变化检测方法的性能。在有限的光谱信息下，很难实现高精度的变化检测。在过去的几十年里，大量的图像特征被提取出来，可以弥补VHR图像中包含的有限的光谱信息，提高对图像变化信息的辨别能力。用于VHR变化检测的纹理特征可以分为统计的、结构的、基于模型的和基于转换的。
光谱解混与异常检测
vivi_cin的博客
08-11 1995
光谱解混 线性高光谱解混模型综述 DEEP SPECTRAL CONVOLUTION NETWORK FOR HYPERSPECTRAL UNMIXING 原因：高光谱遥感技术具有地物探测能力，而其分辨率有限，地物是均匀连续的而不是离散的，导致光谱图像中存在大量的混合像元。 定义：提取地物并计算地物在混合像元中的比例。提取混合像元中包含的基本地物被称为端元提取；计算每种基本地物所占的比例称为丰度。 Y=θW+E ，Y观测光谱矩阵，θ端元谱矩阵，W丰度矩阵，E噪声矩阵 光谱混合的分类 根据物质混合和物
高光谱图像unmixingmatlab代码-unmixing-plmm:使用扰动线性混合模型进行具有光谱可变性的高光谱解混
06-02
高光谱图像分离matlab代码使用微扰线性混合模型进行具有光谱可变性的高光谱解混 描述：与描述的方法相关的 Matlab 代码 P.-A. Thouvenin, N. Dobigeon 和 J.-Y. Tourneret -使用扰动线性混合模型IEEE Trans对光谱可变性进行高光谱解混。 信号处理，卷。 64，没有。 2，第 525-538 页，2016 年 1 月。 作者： P.-A. Thouvenin, pierreantoine[dot]thouvenin[at]gmail[dot]com 实验：要在文章中报告的真实数据上运行具有代表性的实验示例，请配置并运行main.m脚本。 依赖关系：当前代码包括以下出版物中描述的 MATLAB 函数，并由其作者开发。 [1] JM Nascimento 和 JM Bioucas-Dias -顶点分量分析：一种分离高光谱数据的快速算法， IEEE Trans。 地球科学。 遥感，卷。 43，没有。 4，第 898--910 页，2005 年 4 月。 [2] JM Bioucas-Dias 和 MAT Figueiredo -约束稀疏回
高光谱图像unmixingmatlab代码-online-unmixing-plmm:考虑光谱可变性的多时相高光谱图像的在线解混
06-02
高光谱图像分离matlab代码考虑光谱可变性的多时相高光谱图像的在线解混 描述：与描述的方法相关的 Matlab 代码 P.-A. Thouvenin, N. Dobigeon 和 J.-Y. Tourneret -考虑光谱可变性的多时相高光谱图像的在线解混， IEEE Trans。 图像处理，卷。 25，没有。 9，第 3979-3990 页，2016 年 9 月。 作者： P.-A. Thouvenin, pierreantoine[dot]thouvenin[at]gmail[dot]com 实验：要在文章中报告的真实数据上运行具有代表性的实验示例，请配置并运行main.m脚本。 依赖关系：当前代码包括以下出版物中描述的 MATLAB 函数，并由其作者开发。 [1] JM Nascimento 和 JM Bioucas-Dias -顶点分量分析：一种分离高光谱数据的快速算法， IEEE Trans。 地球科学。 遥感，卷。 43，没有。 4，第 898--910 页，2005 年 4 月。 [2] JM Bioucas-Dias 和 MAT Figueiredo -约束稀疏回归的
基于landsat7卫星的高光谱云检测
最新发布
05-25
2. **高光谱数据**：与多光谱数据相比，高光谱数据具有更高的光谱分辨率，通常包含数十甚至数百个窄带，可以更精确地区分地物的光谱特征，为云层、水体和雪的识别提供了可能。 3. **云检测算法**：基于Landsat 7的...
Landsat7卫星高光谱云检测技术与应用
进行高光谱云检测和相关地物分类时，常需要借助专门的数据处理与分析软件，如ENVI、ArcGIS、ERDAS Imagine等。这些软件提供了丰富的图像处理和分析工具，可以帮助研究者高效地进行数据预处理、影像增强、分类识别等...
遥感、高光谱波段提取程序
12-29
6. **变化检测**：通过比较不同时期的高光谱图像，可以发现地表状况的变化，例如植被覆盖度的变化、水体污染程度的增加等。 7. **GIS集成**：高光谱波段提取结果通常会与地理信息系统（GIS）结合，用于制作专题地图...
HySpex 系列高光谱处理流程
09-20
经过上述预处理后的高光谱数据，可以用于生成各种专题图，如植被指数图、土壤类型图、污染检测图等。通过比较不同波段的反射率或辐射值，可以识别出特定的地物特征或环境变化。 在实际应用中，高光谱处理流程不仅...
高光谱图像unmixingmatlab代码-ET2ECN_2020:ET2ECN_2020
06-02
高光谱图像分离matlab代码标题 使用凸几何和 K 均值的高光谱端元提取算法 抽象的 高光谱解混是一种在高光谱数据中的所有像素处近似纯类型的光谱特征及其相应组合比例的技术。 高光谱解混是理解、研究和可视化高光谱图像的一项值得注意的任务。 在这项任务中，提取纯光谱特征非常具有挑战性。 在本文中，提出了一种使用凸几何和 k 均值概念的新方法用于端元提取。 大多数现有的端元提取技术仅使用凸几何。 使用具有凸几何的 K-means 提高了提取过程的准确性。 所提出的算法与使用模拟和真实世界数据集的其他最先进算法进行了比较。 根据仿真结果，可以看出所提出的算法优于其他最先进的算法。 将这篇论文引用为 Shah D.、Zaveri T.、Dixit R. (2020) 使用凸几何和 K 均值的高光谱端元提取算法。 见：Gupta S., Sarvaiya J. (eds) 电子、通信和网络的新兴技术趋势。 ET2ECN 2020。计算机和信息科学通信，第 1214 卷。Springer，新加坡。 Cuprite 数据源链接： 如何运行代码？ 以 zip 格式下载上述所有文件。 提取它。 并在 M
高分辨率遥感影像的深度学习变化检测方法
04-19
高分辨率遥感影像的深度学习变化检测方法
高光谱解混数据集（Samson）
04-09
高光谱解混数据集（Samson），具有156个通道的Matlab 格式数据，原始数据有952x 952像素。每个像素记录在156个通道上，覆盖401nm 至889nm的波长。光谱分辨率高达3.13 nm。由于原始图像太大，这在计算成本方面非常昂贵，因此使用95×95像素的区域。它从原始图像中的第（252,332）像素开始。此数据不会被空白通道或严重噪声通道降级。具体而言，该图像中有三个目标，分别是“＃1土壤”，“＃2树”和“＃3水”。
高光谱图像unmixingmatlab代码-DataDependentSUvarRelease:IEEETIP2020论文“ADataDepe
06-02
高光谱图像分离matlab代码具有光谱可变性的高光谱解混的数据相关多尺度模型 这个包包含作者对论文 [1] 的实现。 我们考虑使用超像素的多尺度策略，以解决具有端元可变性的光谱分离问题。 我们使用关于丰度和端元的空间规律信息（即，这些变量根据基于超像素的多尺度变换是平滑的），以便 1) 引入先验信息以提高丰度估计质量，以及2) 重新制定优化问题以显着降低方法的计算复杂度。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) demo_houston.m - 比较算法的演示脚本（休斯顿） demo_cuprite.m - 比较算法的演示脚本（Curite） ./MUAV/ - 包含与 MUAV 算法相关的 MATLAB 文件 ./other_methods/ - 包含 ELMM 和 PLMM 方法 ./utils/ - 有用的函数 ./DATA/ - 示例中使用的文件 README - 这个文件 重要的： 如果您使用此软件，请在任
高光谱解混数据集（Japser Ridge ）
04-09
高光谱解混数据集（Japser Ridge），matlab的mat文件。原始数据有512 x 614 个像素。每个像素记录在范围从380nm到2500nm的224个通道中。光谱分辨率高达9.46nm。由于这个高光谱图像太复杂而无法得到基本事实，因此我们考虑100 x 100像素的子图像。第一像素从原始图像中的第（105,269）像素开始。在移除通道1--3,108-112,154-166和220-224后（由于密集的水蒸气和大气效应），我们保留了198个通道（这是HU分析的常见预处理）。
ISPRS2018/云检测：Cloud/shadow detection based on spectral indices for multi/hyp基于光谱指数的多/高光谱光学遥感成像仪云/影检测
ssshyeong的博客
07-23 2886
本文针对目前广泛应用的可见光和红外光谱通道的多光谱/高光谱光学遥感传感器，提出了一种基于光谱指数的统一云/影检测算法(CSD-SI)。一方面，提出了云指数(CI)和云阴影指数(CSI)，根据它们的物理反射特性来表示潜在的云和云阴影;此外，考虑云与云阴影的空间共存，采用空间匹配策略去除伪云阴影。在8种不同类型的光谱和空间分辨率的多光谱/高光谱光学传感器上验证了该算法的有效性。...
基于深度学习的高光谱解混的实用方法和众多方法的比较
m0_61407792的博客
05-23 1399
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 系列文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的
研究论文-结合FDA与NMF的高光谱数据解混方法
08-07
高光谱图像解混是遥感图像处理的重要技术之一.利用非负矩阵分解(NMF)进行高光谱图像解混是近年来发展起来的一种方法.这种解混方法假设光谱具有稳定的光谱特性；但实际上光谱经常是多变的，这个现象影响着解混的精度.为了减小这一影响，首先利用Fisher判别分析(FDA)对高光谱数据进行线性变换，而后利用变换后的高光谱数据提出了一种FDA与NMF相结合的高光谱数据解混方法.实验表明新方法能够有效地提高解混精度与效率.
顶刊TIP 2022｜武汉大学遥感国重团队提出二元变化引导的高光谱遥感多类变化检测网络BCG-Net
shentibeitaokongle的博客
01-18 1626
遥感图像变化检测任务常会利用高光谱图像，高光谱图像具有较为丰富的光谱信息，能够检测到地理目标的细微的变化**，以便于区分各种变化类别。目前大多数解决高光谱多类地物变换检测任务（hyperspectral multiclass change detection，HMCD）的方法都**基于光谱分离机制
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值